基于注意力增强残差网络的SHA-3-256与Ascon-Hash256改进差分神经区分器研究

《Electronics》：Improved Differential Neural Distinguishers for SHA-3-256 and Ascon-Hash256

　　

海绵结构（sponge construction）作为哈希函数与认证加密算法的基础设计框架，在大状态置换（large-state permutation）的差分密码分析中，传统方法受限于状态规模与扩散速度。深度学习（deep learning）的特征提取能力为缓解上述限制提供了潜在替代方案。为提升针对海绵结构算法的差分神经区分器（differential neural distinguisher）的区分性能，本研究提出一种融合数据构建与网络架构优化的方法论。具体而言，设计了一种多样本三元组（multi-sample triplet）输入格式以保留差分特征，并引入卷积块注意力模块（Convolutional Block Attention Module, CBAM）以捕获大状态置换中通道维与空间维的长程依赖关系。实验评估在Keccak与Ascon算法上开展。对于Keccak，最大可区分轮数确定为3轮。在该轮数下，Keccak-p实现了完全可区分性（100%准确率），而基于海绵结构的SHA-3-256达到99.99%的区分准确率，较此前最优结果提升0.95个百分点。对于Ascon，最大可区分轮数为4轮，其中Ascon-p在64个样本对条件下达到54.85%的准确率，为该设置下已报道的最高准确率；在匹配的32样本对设置下取得可比性能（53.40%对比此前研究的53.54%），且训练轮数约为其十二分之一；在相同设置下，基于海绵结构的Ascon-Hash256达到53.06%的准确率。上述发现表明，所提出框架在提升针对海绵结构算法的神经区分器准确率方面具有有效性，并为经验性安全评估提供了分析途径，研究结果与海绵结构的不可区分性界（indifferentiability bound）在定性上保持一致。

面向海绵结构算法的差分神经区分器改进研究解读

一、研究背景与问题提出

海绵结构（sponge construction）作为一种通用设计框架，以固定宽度的公开置换（public permutation）为核心引擎，通过吸收（absorption）与挤压（squeezing）两个阶段产生任意长度的输出。基于该结构的Keccak与Ascon算法族分别被采纳为安全哈希算法标准（Secure Hash Algorithm-3, SHA-3）与轻量级认证加密及哈希标准。海绵结构的不可区分性证明（indifferentiability proof）表明，当底层置换被建模为理想随机置换时，海绵结构的输出在计算上与真随机函数不可区分，从而提供可量化的安全性保证。

差分神经区分器（differential neural distinguisher）利用神经网络从大量密文对中学习差分分布的统计特征，以区分随机置换与密码原语。自Gohr于2019年首次将神经网络引入差分密码分析以来，该方法已成为对称密码分析的研究热点。然而，现有研究面临两个关键挑战：其一，大多数现有架构针对分组密码设计，在应用于基于比特切片（bit-slicing）方式运作的海绵结构哈希函数时表现欠佳，比特级扩散机制难以被有效捕获用于长程差分依赖，往往需要更深的网络或更大的数据集来弥补感受野不足；其二，现有研究多聚焦于单一算法，未系统提炼该类构造的共性特征。此外，部分研究报道的性能提升主要源于评估方法学的改变（如多密文对得分分布的二阶段分类、人工构造最优决策阈值），而非区分器内在学习深度密码特征能力的实质性增强，未触及单次前向推理中差分特征表示能力的核心瓶颈。

二、研究内容与主要结论

针对上述局限性，本研究选取Ascon与Keccak作为代表性海绵结构算法，采用融合卷积块注意力模块（Convolutional Block Attention Module, CBAM）的残差网络架构，通过三元组格式数据集与多样本对输入范式，旨在提升针对海绵结构算法的神经区分器区分准确率。研究的主要贡献包括三个方面：提出三元组格式输入并扩展至多样本对范式以放大弱统计信号；引入CBAM增强残差网络结合Optuna优化与循环学习率以捕获大状态置换中的长程依赖；系统比较核心置换（Keccak-p/Ascon-p）与其海绵结构哈希实例（SHA-3-256/Ascon-Hash256）在单消息块设置下的区分器性能。

实验结果表明：在单样本对设置下，Keccak-p与SHA-3-256的最大可区分轮数均为3轮，区分准确率分别达到100%与88.91%；3轮SHA-3-256区分器在减半数据预算下较此前残差网络提升16.63个百分点。在多样本对设置下，3轮SHA-3-256区分器仅需4个样本对即可达到超过0.99的准确率，为先前所需16个样本对的四分之一；16个样本对时准确率达99.99%，较此前最优结果提升0.95个百分点。4轮Keccak配置在多样本对设置下仍无法有效区分，表明差分特征经4轮后已完全扩散。对于Ascon，单样本对设置下Ascon-p与Ascon-Hash256最大可区分轮数为3轮，准确率分别为100%与99.84%；4轮时降至接近随机猜测基线。在多样本对设置下，4轮Ascon-p在64个样本对时达到54.85%的最高已报道准确率；在匹配的32样本对设置下取得53.40%，与先前研究的53.54%相当，但训练轮数仅为其约十二分之一（10轮对比120轮）；相同设置下Ascon-Hash256达到53.06%。

三、关键技术方法

研究人员采用以下主要技术方法开展研究：其一，设计三元组输入格式（密文对C₀、C₁及其异或C₀⊕C₁），并扩展至多样本对沿特征维度拼接的输入范式；其二，构建CBAM增强残差网络（CBAM-ResNet），包含预处理层、比特切片层（核大小为1的卷积网络）、迭代层（含两个卷积层及CBAM模块）与预测头（展平层加两个全连接层）；其三，采用Optuna框架自动搜索L2正则化系数、学习率与核大小三个关键超参数，并使用循环学习率调度器；其四，采用Swish激活函数替代ReLU，Adam优化器与二元交叉熵损失函数，训练10个轮次。数据集生成采用汉明重量为1的输入差分Δ=0×01，正负样本各占半数。实验基于TensorFlow 2.10.0与Keras 2.10.0框架，在配备NVIDIA RTX 3090 GPU与64 GB RAM的计算平台上进行。1至3轮配置使用10⁶训练与10⁵验证样本对，4轮配置使用10⁷训练与10⁶验证样本对。

四、研究结果

4.1 Keccak算法的差分神经区分器

研究人员分别构建了针对降轮Keccak-p与降轮SHA-3-256的差分神经区分器。单样本对设置下，两者的最大可区分轮数均为3轮，区分准确率分别为100%与88.91%。对于3轮SHA-3-256，在减半数据预算下，所提出模型较先前残差网络提升16.63个百分点，TPR与TNR分别提升22.32与18.46个百分点。随着样本对数增加，3轮SHA-3-256区分准确率呈上升趋势；达到超过0.99的准确率仅需4个样本对，为先前所需16个的四分之一；16个样本对时准确率达99.99%，较此前最优结果提升0.95个百分点。对于4轮Keccak，在10⁷训练与10⁶验证样本及32样本对条件下，Keccak-p与SHA-3-256的准确率分别为50.05%与50.06%，落入50%基线95%置信区间（±0.098个百分点）内，统计上与随机猜测不可区分，三个独立随机种子的评估确认了结果的稳定性（标准差低于0.02个百分点）。

4.2 Ascon算法的差分神经区分器

研究人员构建了针对降轮Ascon-p与降轮Ascon-Hash256的差分神经区分器。单样本对设置下，两者的最大可区分轮数均为3轮，准确率分别为100%与99.84%；4轮时降至50.13%与50.01%，接近随机猜测基线。在10⁷训练与10⁶验证样本的多样本对设置下，随着样本对数S增加，4轮Ascon-p与Ascon-Hash256的区分准确率均呈上升趋势。64个样本对时，Ascon-p达到54.85%的最大准确率，为该设置下已报道最高值；32样本对匹配设置下取得53.40%，较先前RSB-ResNet模型的53.54%低0.14个百分点，但训练轮数仅为其约十二分之一（10轮对比120轮），较MLP模型的52.63%提升0.77个百分点。

五、讨论与结论

讨论部分指出，CBAM-ResNet与三元组输入在单样本对设置下较普通ResNet提升16.63个百分点（88.91%对比72.28%），16样本对时提升0.95个百分点（99.99%对比99.04%），消融研究确认三元组输入保留更丰富的差分信息，CBAM增强特征提取能力。多样本对策略可将Ascon-p可区分轮数从3轮提升至4轮，但对4轮Keccak-p无效，表明该策略增强可用信息的利用而非创造新特征。海绵结构对区分性能存在影响：核心置换区分准确率普遍高于其海绵结构哈希实例。研究人员将这一现象归因于三个交互因素：输出截断（降低可用统计信号）、受限可观测性（限制区分器可访问信息）及神经区分器架构的特定归纳偏置。研究结果与海绵结构不可区分性界导出的预期定性一致：若大状态置换在实验约束下难以区分，则基于其构建的海绵结构哈希算法同样预期难以区分。

研究结论为：本研究聚焦典型海绵结构算法，提出融合网络架构、数据构建与训练策略的差分神经区分器构建框架。数据构建方面设计三元组输入格式以显式保留差分特征，采用多样本对输入结构提取样本对间的联合差分分布与复杂依赖；网络架构方面引入CBAM高效捕获大状态置换中通道维与空间维的长程依赖。SHA-3-256与Ascon-Hash256上的实验结果表明，所提出框架有效提升差分神经区分器准确率，为该类算法的安全评估提供了可行分析范式，并突显其在真实轻量级密码应用（如车载自组网VANETs）中的实践相关性。此外，该框架在匹配设置下以显著更少的训练轮数（约十二分之一）取得与先前工作相当的区分准确率，展示了实际场景中的高效性。研究同时指出，适用于典型海绵结构算法的区分特征不仅限于差分分布，还包括内部差分（Internal Differences）、线性掩码（Linear Masks）、零和区分器（Zero-Sum Distinguishers）与立方攻击（Cube Attacks）所利用的统计性质，这些特征均可能用于构建相应的神经区分器。