Text

Kajian implementasi deep learning untuk kriptanalisis berbasis serangan linear terhadap putaran tereduksi algoritma SIMECK 32/64 bit

---

Abstrak: Kriptanalisis merupakan teknik untuk menemukan kelemahan pada algoritma
kriptografi. Kriptanalisis bekerja dengan melakukan serangan terhadap algoritma
kriptografi menggunakan berbagai metode, seperti serangan diferensial, serangan
linear, dan serangan related-key. Namun, metode ini tidak praktis karena
membutuhkan banyak waktu, plaintext, dan memori. Sejak 2019, deep learning telah
diterapkan sebagai teknik baru dalam kriptanalisis untuk mengatasi permasalahan
waktu dan sumber daya. Penelitian ini diawali oleh Gohr dengan menggunakan
arsitektur convolutional neural network (CNN) untuk menyerang algoritma SPECK
32/64 bit dengan konsep serangan diferensial. Penelitian tersebut menghasilkan model
yang mampu memproses banyak data dengan akurasi klasifikasi yang baik.
Selanjutnya, banyak peneliti yang mengembangkan model CNN untuk kriptanalisis
berbasis serangan diferensial terhadap algoritma lightweight-block cipher lainnya.
Namun, implementasi deep learning untuk serangan linear baru dilakukan terhadap
algoritma DES oleh Hou et al. dan Zhou et al. Oleh karena itu, penelitian ini
berkontribusi dengan mengajukan skema neural-linear attack untuk menyerang
algoritma SIMECK 32/64 bit dengan konsep serangan linear. Adapun maksud dari
serangan tersebut yaitu untuk memulihkan satu bit sub-kunci berdasarkan algoritma 1
Matsui. Penelitian ini juga berkontribusi dengan mengusulkan aristektur residual
convolutional neural network (RCNN), classic-long-short term memory (LSTM),
LSTM dengan penambahan mekanisme atensi (LSTM-Attention), serta variasi dari
gabungan arsitektur RCNN dengan LSTM secara seri. Hasil penelitian menunjukkan
bahwa struktur data dalam pembangunan dataset sangat mempengaruhi hasil akurasi
pemulihan sub-kunci. Selain itu, variasi model LSTM yang diusulkan dapat
memulihkan sub-kunci dengan pendekatan prediktif berdasarkan histori bit-bit sampel
data dengan baik. Namun, model RCNN menunjukkan akurasi pemulihan sub-kunci
terbaik, yaitu mencapai 97.20% pada fase pelatihan, 96.65% pada fase validasi,
96.23% pada fase tes, dan 98.96% pada fase evaluasi.

---

Availability

Detail Information

Series Title

--

Call Number

2024 IHS k

Publisher

Bogor : Politeknik Siber dan Sandi Negara., 2024

Collation

xxv, 120 hlm

Language

Indonesia

ISBN/ISSN

--

Classification

Rekayasa Perangkat Lunak Kriptografi

Content Type

-

Media Type

-

Carrier Type

-

Edition

--

Subject(s)

-

Specific Detail Info

-

Statement of Responsibility

Ihsan Fadli Tampati

Other version/related

File Attachment

Comments

---

You must be logged in to post a comment