Введение 1
1. Шифр Плейфера 2
2. Алгоритм имитации отжига для криптоанализа шифра Плейфера.. .3-7
3. Математическая постановка задачи криптоанализа шифра Плейфера с
применением технологии нейронных сетей 8
4. Пред обработка тренировочной выборки для ИНС 9
5. Нейронная сеть с одним скрытым слоем 10-14
6. Применение весовых коэффициентов ИНС для подсчета
коэффициента пригодности текста 15
7. Результат работы алгоритма «имитации отжига» 16-20
8. Результат работы алгоритма «имитации отжига» с применением ИНС 21-22
Заключение 23
Список литературы 24-25
Интересная мысль «Лень - двигатель прогресса» - отражает всю суть современного прогресса. В мире все стремится к полной, либо к частичной автоматизации, что позволяет оптимизировать рабочий процесс. Машинное обучение - относительно новое направление, которое стремительно набирает обороты в среде программирования, где главным предметом изучения являются нейронные сети. Все больше и больше компаний хотят внедрить в рабочий коллектив роботизированный персонал, способный выполнять монотонную работу или чересчур тяжелую работу за человека.
На сегодняшний день одной из самых актуальных задач является обработка естественного языка Natural Language Processing (NLP)[7]. Научить машину понимать человеческий язык, вести самостоятельный и осмысленный диалог с человеком на сегодняшний день является «сверхзадачей». Существует множество подходов для обработки языка, большая часть из которых так или иначе использует технологию нейронных сетей(ИНС).
Криптоанализ - наука о методах расшифровки зашифрованной информации без предназначенного для этого ключа[6].
Симбиоз криптоанализа и нейронных сетей создает множество интересных задач. Нейронные сети не подходят для задачи подбора ключей при дешифровании текста, но вполне способны решить проблему с оценкой пригодности дешифрованного текста[8].
Целью работы является применение методов искусственного интеллекта в криптоанализе шифра Плейфера.
В работе представлена математическая постановка задачи криптоанализа шифра Плейфера с применением технологии нейронных сетей(ИНС), а также математическое описание модели ИНС, выбранной для решения задачи классификации текста(прямое и обратное распространение ошибки сети). Сформированы обучающая и тестовая выборки , а также процедуры для предварительной обработки входных данных для ИНС. Нейронная сеть с одним скрытым слоем была успешно обучена на выборке из 4000 текстов. Так как весовые коэффициенты, полученные на выходе сети, выдают не совсем корректный результат, напрашивается вывод, что сеть следует обучать на еще большей выборке. Метод «имитации отжига» успешно справляется с проблемой «локальных максимумов», но если делать малые возмущения при генерации ключей в совокупности с большими возмущениями в температуре системы, то застревание в «локальном максимуме» неизбежно. Проведена оценка вероятности принятия непригодных ключей в зависимости от температуры системы. Процесс решения можно классифицировать по трём фазам: В первой фазе, пока температура еще высокая, отсева ключей почти нет. В средней фазе фильтрация непригодных ключей становится жестче. На заключительной стадии, когда температура низкая, вероятность принятия непригодного ключа близка к нулю. Построен график поиска глобального максимума который показывает, что ключ, который позволяет наилучшим образом дешифровать текст, является глобальным максимумом.
