基于混合梯度提升决策树和逻辑回归模型的分组密码算法识别方案

摘要

针对密码算法识别工作中因密码算法数量增多、密文数据复杂化以及数据间干扰增加，导致单层识别方案的识别准确率和稳定性变差等问题，提出一种基于混合梯度提升决策树和逻辑回归模型，并基于该模型构造分组密码算法识别方案。在该方案中，首先，采用NIST随机性测试标准中的15种测试方法作为密文特征提取方法对密文文件进行特征提取，并选定有意义的10种特征值作为分类器的输入；然后，使用这10组特征训练梯度提升决策树模型，并利用其学习而生成的树来构造新特征；最后，将这些新特征做one-hot编码，并将其加入到原有特征中训练逻辑回归模型进行预测。在唯密文情况下，基于9种不同的分类器模型分别构造9种不同的密码算法识别方案，并利用这9种方案对2种典型的分组密码算法AES和3DES加密的不同大小的密文文件进行密码算法二分类实验，对5种常用的分组密码算法AES、3DES、Blowfish、CAST和RC2加密的不同大小的密文文件进行密码算法五分类实验。实验结果表明，相较于其他识别方案，当密文长度相同时，本文所提方案在二分类和五分类识别问题中几乎均有最高的识别准确率。同时，随着密文长度的变化，识别准确率呈波动性变化，本文所提方案波动幅度最小，受影响程度最小，稳定性最高。

关键词

密码算法识别 / 机器学习 / 集成学习 / 梯度提升决策树 / 逻辑回归