Strojno učenje i evolucijsko računarstvo u oblikovanju i analizi kriptografskih algoritama sa simetričnim ključem

In the field of cryptography, Boolean functions and their generalizations, known as vectorial Boolean functions or S-boxes, play a crucial role in symmetric key cryptography. The use of carefully selected S-boxes is essential for ensuring the security of ciphers, as without them, the ciphers would be susceptible to attacks. Symmetric key cryptography can be classified into stream ciphers and block ciphers, both of which use Boolean functions (including vectorial Boolean functions) for different purposes but with the common goal of improving cipher resilience against various cryptanalyses. Since other ciphers have additional requirements for Boolean functions or S-boxes, designing a cipher is a complex process that requires adherence to multiple principles to create a strong cipher. During the design phase, one must consider the properties of cryptographic primitives and the complete cipher and test them against many possible attacks to ensure their strength. While computers are heavily used in the design process for testing specific aspects of the cipher, modern ciphers are exclusively designed by human experts. However, poor implementation choices can lead to side-channel leakage, making even mathematically secure ciphers vulnerable to attackers. This thesis aims to achieve several objectives. Firstly, we demonstrate that it is possible to construct Boolean functions that satisfy the cryptographic criterion of non-linearity using a non-binary base. Secondly, we aim to build S-boxes with output dimensions smaller than input dimensions, meeting cryptographic criteria such as non-linearity and differential uniformity. The first two goals are considered challenging optimization problems, which we solve using evolutionary computing. Thirdly, we show how to automatically construct a symmetric block algorithm without requiring the intervention of human experts. Finally, we explore how to make side-channel attacks more successful by utilizing machine learning and neuroevolutionary computing.U području kriptografije, Booleove funkcije i njihove generalizacije, poznate kao vektorske Booleove funkcije ili S-kutije, igraju ključnu ulogu u simetričnoj kriptografiji. Korištenje pažljivo odabranih S-kutija ključno je za osiguravanje sigurnosti šifri (kriptografskih algoritama), jer bi šifre bez njih bile podložne napadima. Simetrična kriptografija se može podijeliti na tokove i blokove podataka, a obje koriste Booleove funkcije (uključujući vektorske Booleove funkcije) za različite svrhe, ali sa zajedničkim ciljem poboljšanja otpornosti šifri protiv različitih kriptoanaliza. Budući da različite šifre imaju dodatne zahtjeve za Booleove funkcije ili S-kutije, projektiranje šifre je složen proces koji zahtijeva pridržavanje više načela kako bi se stvorila snažna šifra. Tijekom faze projektiranja, potrebno je razmotriti svojstva kriptografskih primitiva i cjelokupne šifre te ih testirati protiv mnogih mogućih napada kako bi se osigurala njihova snaga. Iako se računala često koriste u postupku projektiranja za testiranje određenih elemenata šifre, moderne šifre isključivo dizajniraju ljudski stručnjaci. Međutim, loši izbori u implementaciji mogu dovesti do napada na sporedna svojstva uređaja, čime se i matematički sigurne šifre čine ranjivima na napade. Ova disertacija ima nekoliko ciljeva. Prvo, pokazuje da je moguće konstruirati Booleove funkcije koje zadovoljavaju kriptografski kriterij nelinearnosti upotrebom ne-binarnih baza. Drugo, cilj je izgraditi S-kutije s dimenzijama izlaza manjim od dimenzija ulaza, koje zadovoljavaju kriptografske kriterije kao što su nelinearnost i diferencijalna uniformnost. Prva dva cilja smatraju se izazovnim optimizacijskim problemima koji se rješavaju pomoću evolucijskog računanja. Treće, pokazuje se kako automatski konstruirati simetrični blok algoritam bez potrebe za intervencijom ljudskih stručnjaka. Konačno, istražuje se kako napadi na sporedna svojstva uređaja mogu biti uspješniji upotrebom strojnog učenja i neuroevolucijskog računanja