Graph Representation Learning of Lightweight IoT Ciphers

📄 arXiv: 2608.23054v1 📥 PDF

作者: Jonathan Cook, Sabih ur Rehman, M. Arif Khan

分类: cs.LG, cs.CR

发布日期: 2026-08-24

备注: This is the author's version of a paper accepted at the 33rd International Conference on Neural Information Processing (ICONIP 2026)

💡 一句话要点

提出图表示学习方法以提升轻量级IoT密码的差分分析

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 轻量级密码 差分密码分析 图表示学习 机器学习 物联网安全 特征工程 聚类分析

📋 核心要点

  1. 现有的差分密码分析方法多依赖启发式和抽样技术，效率较低，缺乏系统性。
  2. 本文提出了一种基于图表示学习的特征工程策略，提取差分属性以揭示数据结构信息。
  3. 实验结果表明，KNN模型在聚类分离、F1分数和图构建时间上表现最佳，且所有模型均无假阳性。

📝 摘要（中文）

SIMON和SIMECK是基于Feistel结构的轻量级密码算法，专为物联网设备设计。由于其易受差分密码分析的影响，需进行严格的抗性评估。现有方法多依赖启发式和抽样技术，缺乏利用机器学习指导的图表示学习来高效识别和可视化高概率差分聚类的研究。本文提出了一种高效的特征工程策略，从部分差分分布表中提取四个差分属性，揭示原始差分数据中隐藏的结构信息。利用这些丰富的特征，构建并比较了三种基于机器学习的有向图，结果显示所有模型在识别高概率差分时均达到1.0的精度，确认零假阳性。

🔬 方法详解

问题定义：本文旨在解决轻量级密码算法（如SIMON和SIMECK）在差分密码分析中抗性评估效率低下的问题。现有方法多依赖启发式和抽样，难以全面识别高概率差分聚类。

核心思路：论文提出了一种基于机器学习的图表示学习方法，通过特征工程从部分差分分布表中提取关键差分属性，以更有效地识别和可视化差分聚类。

技术框架：整体流程包括特征提取、图构建和模型训练三个主要阶段。首先，从pDDT中提取四个差分属性，然后构建有向图，最后使用KNN、决策树和随机森林进行训练和比较。

关键创新：本文的主要创新在于首次将图表示学习应用于轻量级密码的差分分析，提供了差分聚类的图形可视化，揭示了高概率单比特差分的几何聚集特性。

关键设计：在模型训练中，KNN模型实现了最佳的聚类分离，F1分数最高，图构建时间约为2.3秒。决策树和随机森林则在路径优化和回归方面表现接近完美。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，所有三种模型在识别高概率差分时均实现了1.0的精度，确认零假阳性。KNN模型在聚类分离、F1分数和图构建时间方面表现最佳，图构建时间仅为约2.3秒，显示出显著的效率提升。

🎯 应用场景

该研究具有广泛的应用潜力，尤其在物联网安全领域。通过提高轻量级密码算法的抗性评估效率，可以增强IoT设备的安全性，防止潜在的差分攻击。此外，该框架的可扩展性使其能够应用于其他类型的密码算法，推动密码学研究的进一步发展。

📄 摘要（原文）

SIMON and SIMECK belong to a family of Lightweight Cryptographic Algorithms (LCAs) based on the Feistel block cipher, designed for Internet of Things (IoT) devices. As with all Feistel ciphers, they are susceptible to differential cryptanalysis, necessitating rigorous resilience evaluations. While state-of-the-art techniques leverage heuristics and sampling to improve efficiency, little work has applied Machine Learning (ML) guided Graph Representation Learning (GRL) to efficiently identify and visualise high-probability differential clusters. We address this gap by introducing an efficient feature engineering strategy that extracts four differential attributes from a partial Difference Distribution Table (pDDT), revealing structural information concealed in raw differential data. Utilising the enriched features, we construct and compare three ML-guided directed graphs for SIMON$32$ and SIMECK$32$ using K-Nearest Neighbour (KNN), Decision Trees (DT), and Random Forests (RF). To the best of our knowledge, our framework produces the first graph-based visualisation of the differential clustering effect, in which high-probability single-bit differentials form geometrically close clusters in the learned embedding. All three models achieve a precision of $1.0$ in identifying high-probability differentials, confirming zero false positives. KNN achieves the strongest cluster separation, the highest F1 score and the lowest graph construction time of approximately $2.3$ seconds, while DT and RF produce optimal paths with near-perfect regression. The results are consistent across both LCAs, demonstrating the applicability of the framework to other AND-rotation LCA families.