密码学智能化的研究进展
在人工智能、5G和网络技术的迅速发展中开启的万物互联新时代中，人们对安全通讯和数据安全提出了更高的要求。
随着计算机算力的提升和量子计算机的发展，19世纪流行的许多密码算法被破解,传统密码学面临着严峻挑战。
近年来，密码发展进入了智能化阶段，利用机器学习技术的密码学智能化研究开始进入人们的视野。
智能密码算法和智能密码分析的诞生是密码学进入智能化阶段的主要特征。
智能密码算法基于机器学习技术设计、分析和实现加解密，或利用神经网络的同步机制来实现密钥交换。
不仅如此，此类算法还可通过机器学习模型推理秘密信息部分来实现按需加密，兼顾加密的效率与安全性，具有灵活度高、自适应能力强等优点。
智能密码分析则基于机器学习技术挖掘秘密信息中的特征，将特征提取与密码学研究相结合，更高效准确地进行密码分析。
机器学习和密码学有很多共同点，如能处理大量数据和具有大搜索空间。
早在1991年，RSA的创建者之一Ro-nald Rivest专门讨论机器学习和密码学之间的异同以及这两个领域间的相互影响。
时至今日，国内外研究人员在此领域取得了一系列成果，并初步形成了一个新的交叉领域——神经网络密码学。
作为机器学习的一个大分支，人工神经网络被大量应用于智能密码算法的设计中。
由于人工神经网络的非线性映射特征恰巧吻合密码算法的非线性映射设计原则，利用人工神经网络开展智能密码算法研究已经成为现代密码学发展的重要分支。
目前，根据人工神经网络的工作机理，智能密码算法中用到的人工神经网络可分为反馈型网络(如TPM神经网络等)和前馈型网络(如GAN、混沌神经网络等)两类：
1)反馈型神经网络是一种大规模的非线性动力学系统，在智能密码算法中可以利用神经网络的互相学习来推导共享密钥，该类智能密码算法无需传输和分发密钥，类似于密钥协商协议；
2)前馈神经网络在数学上可以被看作是一种大规模的非线性映射系统，可以用于对称和非对称密码系统的设计中。
利用GAN可以自动设计、生成密码系统，即利用AI生成密码系统。利用混沌神经网络可以设计更加混乱和扩散的密码系统。
一.基于TPM的智能密码算法
关于TPM的最早研究可追溯到2002年Kinzel等和Rosen等的工作。他们分析了TPM互学习问题，首次提出利用TPM的互学习机制构造密钥交换协议，接收侧只需执行有限次数的输入输出交换步骤，即可收敛到同步状态。
在TPM的安全性分析方面，Rosen等认为攻击者无法通过训练另一个神经网络发现密钥，或通过翻转攻击影响TPM的互学习过程，由此来保证通信的安全性。
Klein等用统计物理方法分析TPM互学习的同步过程，并测试了不同攻击策略下的安全性，发现双向学习的通信方比单向学习的攻击者更容易同步神经网络。
与基于数论的密码算法相比，基于TPM的智能密码算法有3个优点：
1)运算简单，其训练算法本质上是一个线性滤波器，易于硬件实现；
2)生成密钥的计算次数较少，生成长度为N的密钥仅需要N次计算；
3)对于每个通信，消息的每个块都可以生成一个新的密钥。
二、基于GAN的智能密码算法
基于GAN的生成对抗迭代原理，研究人员提出了许多智能密码算法的新思路。
Abadi等给出如何在不指定密码算法和相关条件下，通过GAN来保护通信过程。
基于GAN的密码算法的原理如图2所示。基于GAN的智能密码算法的优势在于：
1)现有对称密码体制中的GAN模型使用神经网络的反向传播，训练时不需要推断隐变量；
2)对抗攻击者破译能力的提高，反而会增强生成的密码算法的鲁棒性。
三、基于混沌神经网络的智能密码算法
研究人员利用混沌神经网络，开展了一系列新型智能密码算法的探究。
Zhang等讨论了密码学和混沌理论之间的联系，并利用混沌的初值敏感性训练神经网络，以实现加解密算法。
Su等提出了一种数字信号加解密的混沌神经网络模型及其VLSI结构，使用混沌系统产生的二进制序列设置神经元的偏差和权值加密数字信号。
基于混沌神经网络的智能密码算法的优势在于：
1) 异步加密模型实用简单，不需要原子操作；
2) 加密速度快、不失真，适合系统集成；
3)非线性复杂度高、并行性好，满足IPV6保密通信要求。
通过上述综述，在计算机算力迅速提升和深度学习技术的应用研究取得突破性进展的背景下，密码学研究与机器学习的结合，将成为密码学发展的一个重要分支。
