論文元數(shù)據(jù)搜索,找到相關(guān)信息共 6 條:
2015, 37(8): 1994-1999.
doi: 10.11999/JEIT141635
刊出日期:2015-08-19
該文分析了He等人(2014)提出的無證書簽名方案和Ming等人(2014)提出的無證書聚合簽名方案的安全性,指出Ming方案存在密鑰生成中心(KGC)被動(dòng)攻擊,He方案存在KGC被動(dòng)攻擊和KGC主動(dòng)攻擊。該文描述了KGC對(duì)兩個(gè)方案的攻擊過程,分析了兩個(gè)方案存在KGC攻擊的原因,最后對(duì)Ming方案提出了兩類改進(jìn)。改進(jìn)方案不僅克服了原方案的安全性問題,同時(shí)也保持了原方案聚合簽名長(zhǎng)度固定的優(yōu)勢(shì)。
2012, 34(12): 2881-2884.
doi: 10.3724/SP.J.1146.2012.00804
刊出日期:2012-12-19
該文推廣了Liu Fang等人(2010)給出的周期為pn, p為奇素?cái)?shù),n為正整數(shù)的廣義分圓序列的構(gòu)造,并確定了新構(gòu)造序列的線性復(fù)雜度和自相關(guān)函數(shù)值的分布。結(jié)果表明,推廣的構(gòu)造保持了原構(gòu)造的高線性復(fù)雜度等偽隨機(jī)特性。由于取值更靈活,較之原構(gòu)造新構(gòu)造序列的數(shù)量要大得多。
2007, 29(1): 201-204.
doi: 10.3724/SP.J.1146.2005.00574
刊出日期:2007-01-19
通過對(duì)Xu(2004)和Zhang(2004)提出的兩種環(huán)簽名方案進(jìn)行分析,指出了這兩種環(huán)簽名方案都容易受到群成員改變攻擊(group-changing attack),并給出了攻擊方法;另外,Zhang的方案還容易受到多已知簽名存在偽造(multiple-known-signature existential forgery)攻擊。為防范這兩種攻擊,對(duì)這兩種環(huán)簽名方案進(jìn)行了改進(jìn),改進(jìn)后的方案在最強(qiáng)的安全模型(Joseph, 2004提出)中仍是安全的。
2012, 34(10): 2520-2526.
doi: 10.3724/SP.J.1146.2012.00376
刊出日期:2012-10-19
該文討論了Fang等人(2011)新近提出的一個(gè)安全高效的基于智能卡的遠(yuǎn)程用戶口令認(rèn)證方案,指出原方案無法實(shí)現(xiàn)所聲稱的抗離線口令猜測(cè)攻擊,對(duì)平行會(huì)話攻擊和已知密鑰攻擊是脆弱的,并且存在用戶口令更新友好性差問題。給出一個(gè)改進(jìn)方案,對(duì)其進(jìn)行了安全性和效率分析。分析結(jié)果表明,改進(jìn)方案彌補(bǔ)了原方案的安全缺陷,保持了較高的效率,適用于安全需求較高的資源受限應(yīng)用環(huán)境。
2015, 37(8): 1971-1977.
doi: 10.11999/JEIT141604
刊出日期:2015-08-19
為了分析ZUC序列密碼算法在相關(guān)性能量分析攻擊方面的免疫能力,該文進(jìn)行了相關(guān)研究。為了提高攻擊的針對(duì)性,該文提出了攻擊方案的快速評(píng)估方法,并據(jù)此給出了ZUC相關(guān)性能量分析攻擊方案。最后基于ASIC開發(fā)環(huán)境構(gòu)建仿真驗(yàn)證平臺(tái),對(duì)攻擊方案進(jìn)行了驗(yàn)證。實(shí)驗(yàn)結(jié)果表明該方案可成功恢復(fù)48 bit密鑰,說明ZUC并不具備相關(guān)性能量分析攻擊的免疫力,同時(shí)也證實(shí)了攻擊方案快速評(píng)估方法的有效性。相比Tang Ming等采用隨機(jī)初始向量進(jìn)行差分能量攻擊,初始向量樣本數(shù)達(dá)到5000時(shí)才能觀察到明顯的差分功耗尖峰,該文的攻擊方案只需256個(gè)初始向量,且攻擊效果更為顯著。
2022, 44(8): 2949-2956.
doi: 10.11999/JEIT210537
刊出日期:2022-08-17
針對(duì)目前圖像隱寫檢測(cè)模型中線性卷積層對(duì)高階特征表達(dá)能力有限,以及各通道特征圖沒有區(qū)分的問題,該文構(gòu)建了一個(gè)基于多層感知卷積和通道加權(quán)的卷積神經(jīng)網(wǎng)絡(luò)(CNN)隱寫檢測(cè)模型。該模型使用多層感知卷積(Mlpconv)代替?zhèn)鹘y(tǒng)的線性卷積,增強(qiáng)隱寫檢測(cè)模型對(duì)高階特征的表達(dá)能力;同時(shí)引入通道加權(quán)模塊,實(shí)現(xiàn)根據(jù)全局信息對(duì)每個(gè)卷積通道賦予不同的權(quán)重,增強(qiáng)有用特征并抑制無用特征,增強(qiáng)模型提取檢測(cè)特征的質(zhì)量。實(shí)驗(yàn)結(jié)果表明,該檢測(cè)模型針對(duì)不同典型隱寫算法及不同嵌入率,相比Xu-Net, Yedroudj-Net, Zhang-Net均有更高的檢測(cè)準(zhǔn)確率,與最優(yōu)的Zhu-Net相比,準(zhǔn)確率提高1.95%~6.15%。