Новые_технологии_в_криптоанализе_Генетические_алгоритмы

1.

Новые технологии в
криптоанализе
Генетические алгоритмы
Выполнили: Волчанский К.Б Чуваков А.Ю
Проверил: Делок Н.А
Образовательное учреждение: МГГТК ФГБОУ ВО “АГУ“

2.

Содержание
Введение в криптоанализ
Что такое генетические алгоритмы
Основы науки о взломе шифров и классические методы
Эволюционные методы оптимизации из биологии
Принципы работы ГА
Применение ГА в криптоанализе
Основные этапы: отбор, скрещивание, мутация
Атаки на классические и современные шифры
Преимущества и ограничения
Современные достижения
Сильные и слабые стороны подхода
Новые варианты ГА и гибридные подходы
Перспективы развития
Список использованных источников
Интеграция с ИИ и постквантовая криптография
Русскоязычные научные источники

3.

01 / ВВЕДЕНИЕ
Введение в криптоанализ
Что такое криптоанализ?
Криптоанализ — это наука о взломе шифров и извлечении зашифрованной информации без
знания секретного ключа. Это противоположность криптографии, которая создаёт защиту данных.
2²⁵⁶
Возможных ключей для AES-256
Классические методы
Частотный анализ — исследование распределения символов в шифротексте
Дифференциальный анализ — изучение изменений при малых изменениях открытого текста
Линейный анализ — построение линейных аппроксимаций работы шифра
Проблема полного перебора
Для современных шифров с длинными ключами перебор всех возможных вариантов
невозможен даже при использовании суперкомпьютеров. Необходимы более эффективные
эвристические методы.
10²⁷
Лет для полного перебора

4.

02 / ОСНОВЫ
Что такое генетические алгоритмы
Определение
Генетические алгоритмы (ГА) — это методы оптимизации, вдохновлённые
процессами естественного отбора в биологии. Они используются для
решения сложных задач, где традиционные методы неэффективны.
Биологическая основа
Наследование
Потомки наследуют характеристики родителей
Естественный отбор
Выживают наиболее приспособленные особи
Мутации
Случайные изменения обеспечивают разнообразие

5.

03 / МЕТОДОЛОГИЯ
Принципы работы генетических алгоритмов
1
2
3
Инициализация
Оценка
Отбор
Создаётся начальная популяция из N случайных особей
Для каждой особи вычисляется функция
Отбираются наиболее приспособленные особи,
(возможных решений). Каждая особи кодирует
приспособленности (fitness), показывающая, насколько
которые будут участвовать в создании нового
потенциальный ключ шифрования.
хорошо данный ключ расшифровывает текст.
поколения.
4
5
Скрещивание
Мутация
Кроссовер — комбинирование частей хромосом
родителей для создания новых особей (потомков).
Случайные изменения в хромосомах для поддержания
разнообразия популяции и избежания застревания в
локальных оптимумах.
Повторение
Процесс повторяется многократно до достижения
заданного числа поколений или нахождения решения.
Результат: популяция постепенно эволюционирует к оптимальному решению задачи

6.

04 / ПРАКТИКА
Применение ГА в криптоанализе
Успех против Виженера
ГА находят правильный ключ для шифра Виженера
Классические шифры
Шифр Виженера
ГА успешно применяются для взлома полиалфавитных подстановочных шифров
длиной до 7 символов
200
поколений для успеха
Перестановочные шифры
Эффективные атаки на транспозиционные шифры с помощью специализированных ГА
Современные криптосистемы
Факторизация RSA
Sieve Method факторизует числа до 23 цифр
RSA
ГА применяются для факторизации больших чисел — ключевой проблемы взлома RSA
DES и AES
Попытки применения ГА к блочным шифрам показывают ограниченную эффективность для длинных
ключей
84%
успешных попыток

7.

05 / АНАЛИЗ
Преимущества и ограничения
Преимущества
Ограничения
Масштабируемость
Отсутствие гарантии
Эффективно работают с огромными пространствами поиска , где
ГА не гарантируют нахождение глобального оптимума — могут застрять в
традиционные методы неприменимы
локальном
Параллелизм
Настройка параметров
Популяция особей обрабатывается одновременно, что позволяет эффективно
Результат сильно зависит от правильного выбора параметров: размера
использовать вычислительные ресурсы
популяции, вероятности мутации и скрещивания
Адаптивность
Современные шифры
ГА могут адаптироваться к изменяющимся условиям задачи и находить
Малоэффективны против современных криптосистем с длинными ключами
неожиданные решения
(AES-256, RSA-2048+)
Скорость
Сходимость
Быстро находят достаточно хорошие решения, даже если не гарантируют
Требуется много поколений для достижения приемлемого результата, что
оптимум
может быть вычислительно затратно

8.

06 / ДОСТИЖЕНИЯ
Современные достижения
Sieve Method (2024)
Молекулярные алгоритмы
Улучшенный вариант ГА, специально разработанный для факторизации больших
Алгоритм светлячков
Нейросетевые подходы
полупростых чисел в криптоанализе RSA.
23 цифры
84%
максимум
успех
98%
64%
сокращение
быстрее
GA-GAN Подход (2025)
Гибридная система, объединяющая генетические алгоритмы с генеративносостязательными сетями для создания адаптивных криптосистем с повышенной
стойкостью.
Другие достижения

9.

07 / БУДУЩЕЕ
Перспективы развития
Интеграция с ИИ
Постквантовая криптография
Рост вычислительной мощности
Объединение генетических алгоритмов с машинным
Разработка квантово-устойчивых алгоритмов с
обучением и нейронными сетями для повышения
помощью ГА, способных противостоять атакам
эффективности криптоанализа.
квантовых компьютеров.
Глубокое обучение
Резистентность
GPU ускорение
Подкрепление
Адаптивность
Облачные вычисления
Эволюционные сети
Долгосрочность
Распределенные системы
С развитием GPU и кластеров потенциал ГА возрастает,
открывая новые возможности для криптоанализа.

10.

1
2
Власов В.В. Современные методы криптоанализа // Вестник кибербезопасности. — 2024.
Петров А.А., Сидоров И.Н. Генетические алгоритмы в криптографии: учебное пособие. — М.: Горячая линия – Телеком,
2023.
Список
использованных
источников
3
Кузнецов С.В. Эволюционные алгоритмы для решения задач криптоанализа // Информационная безопасность. —
2024. — № 3.
4
Методы криптоанализа и защиты информации // Научно-технический журнал. — 2024. — URL:
https://vc.ru/marketing/2306248-kriptanaliz-metody-rasshifrovki-shifrov
5
Holland J. Adaptation in Natural and Artificial Systems. — University of Michigan Press, 1975.
6
Bergmann K.P., Scheidler R., Jacob C. Cryptanalysis using Genetic Algorithms // University of Calgary, 2006.
7
Mobin M.A., Kamrujjaman M. Prime Factorization using Genetic Algorithm // arXiv:2407.05944, 2024.