CSPM：基于类特定扰动掩码的加密算法识别防御框架——一种对抗样本驱动的密码文本不可识别性增强方法

《Big Data and Cognitive Computing》：QU-Net: Quantum-Enhanced U-Net for Self Supervised Embedding and Classification of Skin Cancer Images

本文首次将对抗样本技术应用于防御密码算法识别，提出CSPM（Class-Specific Perturbation Mask Generation）框架。通过生成轻量级可逆的比特级扰动，在不影响合法解密的前提下，显著降低基于机器学习（如DNN）的密码分类器识别准确率超过25%。该研究为加密通信抵御统计和机器学习（ML）流量分析提供了新视角。

　　

在加密通信系统中，攻击者Eve可以通过拦截密文并利用训练好的深度神经网络（DNN）分类器f_θ(·)来识别其底层加密算法（如AES、DES、RSA）。一旦算法被识别，攻击者便可发起针对性的密码分析，大幅降低解密复杂度。为应对此威胁，本文提出了CSPM（Class-Specific Perturbation Mask Generation）框架，一种基于对抗样本技术的防御机制，旨在通过施加可控、可逆的比特级扰动来增强密文的不可识别性。

CSPM的核心思想是在不修改加密方案或密钥基础设施的前提下，通过比特翻转（Bit Flipping）操作误导攻击者的分类器。发送方Alice在传输前对密文c施加扰动掩码m，生成扰动后的密文c′ = c ⊕ m（⊕为异或操作）。接收方Bob已知m，可通过c′ ⊕ m = c恢复原始密文后进行正常解密。而攻击者Eve拦截到的扰动密文c′，其统计特征已被修改，导致分类器f_θ(?(c′))输出错误的算法标签。

该方法包含三个关键阶段。首先，为每个加密算法（类）计算一个原型（Prototype）p_j，即该类训练样本各比特位置取值为1的经验概率平均值。其次，评估每个比特位置在误导分类器方面的潜力，结合两种策略生成综合评分：模仿评分（Mimicry Score）使目标类样本通过比特翻转更接近模仿类（Mimic Class），以减少类间距离；特异性评分（Specificity Score）通过翻转偏离随机分布（概率远离0.5）的比特位，改变类自身特征，增加识别难度。最终评分S[t] = α · s_mimic[t] + β · s_spe[t]，其中α和β为权重系数。

最后，采用基于排序的贪婪搜索算法构建扰动掩码。按最终评分降序尝试翻转各比特位，仅当翻转能降低分类器对目标类的置信度时，才将该位置纳入掩码。此过程生成类特定的掩码，可用于保护同类其他密文。

实验部分针对七种国际标准密码算法（DES、AES-128、KASUMI、Grain-128、RSA、PRESENT、Camellia）和15种NIST统计测试特征进行评估。结果表明，CSPM在所有有效的特征-密码组合中均能显著降低识别准确率，下降幅度持续超过25%，最高可达69.50%（KASUMI under Feature 12）。同时，CSPM仅需翻转一小部分密文比特（平均扰动比例约13.06%），具有高隐蔽性和实用性。消融研究证实，模仿和失真两种机制的协同作用优于单一机制或随机翻转。

该研究揭示了对抗密码算法识别的关键在于翻转比特位置的选择而非翻转数量，为类似研究提供了设计参考和性能基线。CSPM作为一种轻量级、可逆的防御层，为保护加密通信免受基于统计和机器学习的流量分析提供了新的实践视角。未来工作将探索CSPM在端到端深度学习模型下的鲁棒性及其在实时反馈环路中的适应性集成。