神经密码学的遗传攻击
摘要：神经密码学的安全性需要考虑双向同步和单向学习的复杂性的不同尺度特性。增加网络的突触深度只会多项式地增加同步时间，但是几何攻击的成功率呈指数级下降，并且在突触深度趋近无穷时明显失败。通过添加遗传算法改进了这种方法，该算法选择适应度最高的神经网络。通过数值模拟计算了不同模型参数下成功遗传攻击的概率。结果表明，改进算法中观察到的尺度规律也适用于其他攻击案例。为了进行有效攻击，所需的神经网络数量随着突触深度的增加呈指数级增长。此外，还分析了由赫布学习和反赫布学习引起的有限尺寸效应。如果与系统尺寸的平方根相比，神经元网络的突触深度较小，则这些学习规则会收敛到随机行走规则。
作者：Andreas Ruttor, Wolfgang Kinzel, Rivka Naeh, Ido Kanter
论文ID：cond-mat/0512022
分类：Disordered Systems and Neural Networks
分类简称：cond-mat.dis-nn
提交时间：2007-05-23