20189216 2018-2019-2 《密碼與安全新技術專題》第三次做業

時間 2019-11-12

原文原文鏈接

20189216 2018-2019-2 《密碼與安全新技術專題》第三次做業

課程：《密碼與安全新技術專題》
班級： 1892
姓名：鮑政李
學號：20189216
上課教師：金鑫
上課日期：2019年3月26日
必修/選修：選修
git

1.本次講座的學習總結

講座主題：基於深度學習的密碼分析與設計

1.1密碼分析與機器學習

機器學習的研究人員是試圖從多個樣本與標籤配對來進行機器學習模型的求解（訓練）。
密碼分析與機器學習之間有自然的類似性，在密碼分析中，攻擊者試圖經過推算出密鑰來破解密碼系統。解密函數是從一個由密鑰索引的已知函數空間（解空間）求解出。攻擊者的目的是發現解密函數的精確解。若是攻擊者可以獲取多個獲取密文與明文配對來進行密碼分析，其與機器學習的概念類似。算法

在機器學習中，x爲輸入樣本，F（x）爲機器學習的模型（能夠理解爲一個函數），y爲輸出。若是是分類，則y是分類標籤，若是是迴歸，則y是真實值向量。
在密碼分析中，x爲輸入的明文，F（x）爲密鑰（能夠理解爲一個函數），y爲加密後獲得的密文。安全

1.2深度學習簡介與現狀

目前深度學習技術涌現出大量性能優秀的深度神經網絡（DNN:DeepNeural Networks），例如卷積神經網絡（CNN:ConvolutionalNeural Networks）、循環神經網絡（RNN:RecurrentNeuralNetworks）、生成對抗網絡（GAN:GenerativeAdversarialNetworks）等，在大數據分析、圖像識別、機器翻譯、視頻監控中取得了較大進步。網絡

深度學習四大天王框架

視覺大數據時代模型學習的突破：端到端深度學習less

深度學習現已深刻咱們生活工做當中，如人臉識別、人體分割、姿式識別、人臉分割與自動上妝、視覺問答、攻陷Dota二、圖像識別驗證碼破解、考場視頻監控做弊行爲自動發現等等。機器學習

1.3深度學習與密碼分析

（1）基於卷積神經網絡的側信道攻擊
（2）基於循環神經網絡的明文破譯
（3）基於生成對抗網絡的口令破解
（4）基於深度神經網絡的密碼基元識別分佈式

1.4深度學習與密碼設計

生成對抗網絡設計密碼
生成式對抗網絡（GAN, Generative Adversarial Networks）是一種深度學習模型，是近年來複雜分佈上無監督學習最具前景的方法之一。模型經過框架中（至少）兩個模塊：生成模型（Generative Model）和判別模型（Discriminative Model）的互相博弈學習產生至關好的輸出。ide

密碼組件通過生成對抗網絡中的算法生成器，獲得設計出來的密碼算法，同時密碼破解器將對此密碼算法進行破解，算法生成器和密碼破解器就這樣在相互博弈中學習產生出好的算法和好的破解方法。函數

2.學習中遇到的問題及解決

問題1：：機器學習的研究人員經過從多個樣本與標籤配對來進行機器學習模型的求解（訓練）。那訓練模型須要多少訓練數據？

問題1解決方案：從谷歌的機器學習代碼中得知，目前須要一萬億個訓練樣本。訓練數據的特性和數量是決定一個模型性能好壞的最主要因素。一旦你對一個模型輸入比較全面的訓練數據，一般針對這些訓練數據，模型也會產生相應的結果。可是，問題是你須要多少訓練數據合適呢？這偏偏取決於你正在執行的任務、最終想經過模型實現的性能、現有的輸入特徵、訓練數據中含有的噪聲、已經提取的特徵中含有的噪聲以及模型的複雜性等等諸多因素。因此，發現全部這些變量相互之間有何聯繫，如何工做的方法便是經過在數量不一的訓練樣本上訓練模型，而且繪製出模型關於各個訓練樣本集的學習曲線圖。你必須已經具備特性比較明顯、數量適合的訓練數據，才能經過模型的訓練學習出感興趣、性能比較突出的學習曲線圖。自動生成大量的關於邏輯迴歸的問題。對於每一個生成的邏輯迴歸問題，學習出訓練樣本的數量與訓練模型性能之間的存在的某種關係。基於一系列的問題觀察訓練樣本的數量與訓練模型性能之間的聯繫，從而獲得一個簡單的規則——拇指規則。

問題2：循環神經網絡的理解

問題2解決方案：查閱了相關資料和在網上閱讀相關博客。如TonLP 和hebi123s

3.本次講座的學習感悟、思考等）

金鑫老師充滿活力的給咱們帶來一個精彩的講座——基於深度學習的密碼分析與設計。我發現人工智能須要咱們的知識儲備很是足，要有很好的數學基礎，密碼學基礎等等。本次講座使我對人工智能、機器學習和深度學習增長了系統性的認知，以及對深度學習的應用有了更爲寬闊的瞭解。我發現本身對人工智能、深度學習有點感興趣，但是知識儲備遠遠不夠，但願後期本身可以努力培養這方面的知識。

4.機器學習最新研究現狀

(1)Quality and Energy-Aware HEVC Transrating Based on Machine Learning

期刊名稱:IEEE Transactions on Circuits and Systems I: Regular Papers ( Early Access ) Date of Publication: 2019
做者信息：

Thiago Luiz Alves Bubolz
Video Technology Research Group (ViTech), Graduate Program on Computer Science (PPGC), Federal University of Pelotas (UFPel), Pelotas 96010-610, Brazil.

Ruhan A. Concei|ão
Video Technology Research Group (ViTech), Graduate Program on Computer Science (PPGC), Federal University of Pelotas (UFPel), Pelotas 96010-610, Brazil.

Mateus Grellert
Graduate Program in Electrical and Computing Engineering, Catholic University of Pelotas, Pelotas 96010-165, Brazil.

Luciano Agostini
Video Technology Research Group (ViTech), Graduate Program on Computer Science (PPGC), Federal University of Pelotas (UFPel), Pelotas 96010-610, Brazil.

Bruno Zatt
Video Technology Research Group (ViTech), Graduate Program on Computer Science (PPGC), Federal University of Pelotas (UFPel), Pelotas 96010-610, Brazil.

Guilherme Correa
Video Technology Research Group (ViTech), Graduate Program on Computer Science (PPGC), Federal University of Pelotas (UFPel), Pelotas 96010-610, Brazil (e-mail: gcorrea@inf.ufpel.edu.br).

研究進展：
視頻轉換已成爲容許在流媒體服務和實時應用中傳輸相同視頻的不一樣版本的基本任務。然而，因爲轉換操做依次包括解碼和編碼步驟，所以須要高處理時間和能量消耗，這在大規模系統中是禁止的。本文提出了一種基於決策樹的可擴展質量和時間/能量感知高效視頻編碼（HEVC）轉換系統。可擴展方案在三種不一樣模式下操做，這三種模式根據圖像質量和時間/能量節省之間的指望權衡以不一樣方式使用決策樹結果。實驗結果代表，與原始轉碼器相比，轉換時間縮短高達57.5％，最小能耗下降49.5％，平均內存帶寬下降24％。這些結果是以最保守的轉換模式中Bjøntegaarddelta（BD）速率僅增長0.664％爲代價實現的，這使得轉換時間減小了48.5％。擬議的決策樹做爲IP覈實現，並以45納米ASIC技術爲目標，實現了以240幀/秒的速度處理7680×4320視頻，功耗可忽略不計0.849兆瓦的能力。

(2)Active Machine Learning Approach for Crater Detection From Planetary Imagery and Digital Elevation Models

期刊名稱:IEEE Transactions on Geoscience and Remote Sensing ( Early Access ) Date of Publication: 27 March 2019
做者信息：

Yiran Wang
Department of Land Surveying and Geo-Informatics, The Hong Kong Polytechnic University, Hong Kong.

Bo Wu
Department of Land Surveying and Geo-Informatics, The Hong Kong Polytechnic University, Hong Kong (e-mail: bo.wu@polyu.edu.hk).

研究進展：
機器學習是一種普遍使用的方法來檢測行星表面數據上的隕石坑。機器學習的關鍵步驟是肯定訓練樣本。在之前的研究中，訓練樣本主要是手動選擇的，因爲成本高和質量差，一般致使數量不足。表面圖像和數字高程模型（DEM）如今一般可用於行星表面;這爲火山口檢測提供了新的機會，具備更好的性能。本文提出了一種新穎的主動機器學習方法，其中覆蓋相同區域的圖像和DEM用於收集具備更多自動化和更好性能的訓練樣本。在訓練過程當中，該方法主動詢問來自圖像的2-D特徵的註釋，其中來自DEM的3-D特徵的輸入。所以，能夠相應地更新訓練池，而且能夠從新訓練模型。該過程能夠進行若干次以得到足夠數量和良好質量的訓練樣本，從中能夠生成具備更好性能的分類器，而後能夠將其用於其餘區域中的自動火山口檢測。本文所提出的方法突出了兩個優勢：1）自動生成大量高質量訓練樣本 2）在分類邊界附近對訓練樣本進行優先級排序，以便更快地學習。月球和火星上的兩組測試數據用於實驗驗證。所提方法的性能優於常規機器學習方法。

(3)Machine Learning Based Network Analysis using Millimeter-Wave Narrow-Band Energy Traces

期刊名稱:IEEE Transactions on Mobile Computing ( Early Access ) Date of Publication: 26 March 2019
做者信息：

Maria Scalabrin
Dipartimento di Ingegneria dellInformazione, Università degli Studi di Padova, Padova, Italy Italy (e-mail: mariascalabrin91@gmail.com)

Guillermo Bielsa
Wireless Networking Group, IMDEA Networks, 202534 Leganes, Madrid Spain (e-mail: guillermo.bielsa@imdea.org)

Adrian Loch
Wireless Networking Group, IMDEA Networks, 202534 Leganes, Madrid Spain (e-mail: adrian.loch@imdea.org)

Michele Rossi
Dipartimento di Ingegneria dellInformazione, Università degli Studi di Padova, Padova, Italy Italy (e-mail: rossi@dei.unipd.it)

Joerg Widmer
Wireless Networking Group, IMDEA Networks, 202534 Leganes, Madrid Spain (e-mail: widmer@acm.org)

研究進展：
下一代無線網絡有望提供極高的數據速率，尤爲是利用所謂的毫米波頻率範圍。從頻譜使用中獲取信息對於爲將來的網絡協議棧提供智能適配能力變得愈來愈重要。諸如耳聾，天線未對準或堵塞等問題可能嚴重影響網絡性能，而且其識別相當重要。儘管全分析模型的複雜性，但機器學習技術正在逐步被考慮用於改善更高層的頻譜使用。在本文中，設計了一種信號處理技術，該技術使用從一個或多個通道嗅探器得到的窄帶物理層能量軌跡。所提出的技術利用模板匹配和顯式持續時間隱馬爾可夫模型（EDHMM）的組合來正確地對幀進行分類，同時應對跡線的非平穩性。這致使協議級監視器不須要在物理層解碼信道，而只是推斷基於子採樣能量軌跡交換的分組的類型。該框架的性能使用現成的毫米波無線設備進行評估，在存在一個或多個嗅探器的狀況下量化其檢測性能，並評估物理層參數（如噪聲功率和信號電平）的影響。

(4)Machine Learning Based Blind Decoding for Space-Time Line Code (STLC) Systems

期刊名稱:IEEE Transactions on Vehicular Technology ( Early Access ) Date of Publication: 18 March 2019
做者信息：

Jingon Joung
Chung-Ang University, 26729 Seoul, Seoul Korea (the Republic of) 156-756 (e-mail: jgjoung@cau.ac.kr)

Bang Chul Jung
Dept. of EE, Chungnam National University, Daejeon, Daejeon Korea (the Republic of) 34134 (e-mail: bcjung@cnu.ac.kr)

研究進展：
本文針對時空線碼（STLC）系統提出了一種新的基於機器學習（聚類）的盲解碼方法，該方法沒有調製大小和信道的信息。經過使用k均值聚類驗證度量（例如，輪廓得分和Davies-Bouldin索引）從接收信號估計簇的數量，其等於調製大小，而且簇索引直接映射到傳輸的二進制信息位。爲了提升聚類性能，經過利用組合的STLC信號結構來設計接收信號歸一化和簇的初始質心。從數值結果能夠證明，所提出的盲解碼方法能夠經過i）小尺寸調製，ii）接收機處的低噪聲或iii）大量發射天線來實現近相干解碼性能三種方法來解決。

(5)Data-driven Local Control Design for Active Distribution Grids using off-line Optimal Power Flow and Machine Learning Techniques

期刊名稱: IEEE Transactions on Smart Grid ( Early Access ) Date of Publication: 15 March 2019
做者信息：

Stavros Karagiannopoulos
Power Systems Laboratory, ETH Zurich, 8092 Zurich, Switzerland.

Petros Aristidou
School of Electronic and Electrical Engineering, University of Leeds, Leeds LS2 9JT, UK.

Gabriela Hug
Power Systems Laboratory, ETH Zurich, 8092 Zurich, Switzerland.

研究進展：
對配電網絡的最佳控制一般須要集中或分佈式監控和通訊基礎設施。然而，大多數當前的分配系統缺少這種基礎設施，而且依賴於次優的，即裝即用的本地控制來確保網絡的安全性。在本文中，提出了一種數據驅動算法，該算法使用歷史數據，高級優化技術和機器學習方法，設計模擬最佳行爲的本地控件，而無需使用任何通訊。本文在三相，非平衡，低壓配電網絡上展現了優化本地控制的性能。結果代表，提出的數據驅動方法明顯優於標準的行業本地控制，併成功模仿基於最優功率流的控制。

(6)Prediction of Digital Terrestrial Television Coverage Using Machine Learning Regression

期刊名稱: IEEE Transactions on Broadcasting ( Early Access ) Date of Publication: 14 March 2019
做者信息：

Carla E. Garcia Moreta
Department of Electrical/Electronic and Computer Engineering, University of Ulsan, Ulsan 689-749, South Korea.

Mario R. Camana Acosta
Department of Electrical/Electronic and Computer Engineering, University of Ulsan, Ulsan 689-749, South Korea.

Insoo Koo
Department of Electrical/Electronic and Computer Engineering, University of Ulsan, Ulsan 689-749, South Korea (e-mail: iskoo@ulsan.ac.kr).

研究進展：
在數字地面電視（DTT）系統的尺寸肯定過程和規劃期間，適當的覆蓋預測是操做員的基本任務，由於它容許向最終用戶提供使人滿意的服務質量。所以，已經提出了幾種基於傳播路徑損耗估計和傳通通計模型的預測方法。可是，模型的選擇取決於許多因素，例如障礙物（建築物，樹木等）和傳播路徑的存在。這一事實致使增長預測值與實際值之間的偏差，該偏差從一種傳播模型到下一種傳播模型不一樣。所以，須要新穎的技術來基於感興趣區域上的少許局部測量來實現信號強度預測的高精度。機器學習迴歸算法是一種新穎的方法，不管上述約束如何，都能提升DTT覆蓋預測的準確性。爲此，本文提出了一種基於聚類和機器迴歸算法的方法，例如隨機森林迴歸，AdaBoost迴歸和K-最近鄰迴歸。本文使用與厄瓜多爾基多市8個DTT頻道相對應的電場強度進行實際測量。此外，本文還在Google地圖中顯示覆蓋結果。基於十倍交叉驗證方法進行普遍的模擬分析，以評估機器學習迴歸算法的性能，並將三個偏差度量的結果與支持向量迴歸，套索迴歸，多層感知器迴歸和普通克里金法技術進行比較。使人滿意的是，使用隨機森林迴歸的結果描繪了在低計算負荷下覆蓋預測的準確性的顯着改進。