在 CRYPTO 2019 上，Gohr 首先介绍了基于四舍五入简化 Speck32/64 的深度学习的差分密码分析，并最终实现了比传统差分区分器更高的精度。目前的研究人员更喜欢增加数据或改变网络结构来提高神经区分器的准确性，但这会导致神经网络参数数量的急剧增加，对训练时间、计算和记忆的需求也会增加。在有限的硬件条件下构建神经区分器具有挑战性，对大分组密码进行基于深度学习的密码分析更是难度更大。
本文从深度学习和密码学的角度分析了神经网络可能学习的特征，并提出了一种新的利用比特偏差和比特间相关性的比特选择方法。我们的目标是实现用少量输入数据构建的部分神经区分器与用所有位构建的神经区分器的近似精度。然后，将该方法应用于多种具有不同结构的轻量级分组密码，验证了所提方法的有效性和通用性。对于Speck32/64、Simon128/256和KATAN32/80，在保证精度的基础上，PD-ML区分器与神经区分器相比，可以减少约50%的参数数量，显著降低了网络训练成本。此外，与Simon64/128相比，Simon128/256的参数数量减少幅度更大，证明该方法对于深度学习辅助密码的大分组密码分析具有重要意义。此外，我们的方法以选择比特为目标，与Amirhossein和Liu的随机方法相比，大大减少了搜索时间。
 

Partial ML-distinguisher,Partial Bits Selection,Deep Learning,Differential Analysis