طراحی و پیاده‌سازی سامانه شناسایی الگوریتم‌ در پایتون

استخراج ویژگی‌های آماری از متن‌های رمز شده تولیدشده توسط الگوریتم‌های مختلف و به‌کارگیری چندین روش یادگیری ماشین، عملکرد این روش‌ها در شناسایی نوع الگوریتم رمزنگاری مورد ارزیابی و مقایسه قرار گیرد هدف اصلی

طراحی و پیاده‌سازی سامانه‌ای جهت شناسایی نوع الگوریتم رمزنگاری از روی متن رمز شده با استفاده از روش‌های یادگیری ماشین.

اهداف فرعی

• تولید مجموعه داده رمز شده با استفاده از چند الگوریتم متداول
• استخراج ویژگی‌های آماری از متن‌های رمز شده
• آموزش مدل‌های مختلف یادگیری ماشین
• مقایسه عملکرد مدل‌ها
• تعیین مؤثرترین ویژگی‌ها در فرایند طبقه‌بندی

روش تحقیق

مرحله اول: تولید مجموعه داده

استفاده از کتابخانه:

PyCryptodome

الگوریتم‌های مورد استفاده:

• AES
• 3DES
• Blowfish
• RC2
• ChaCha20

برای هر الگوریتم:

• کلیدهای تصادفی
• متن‌های اولیه تصادفی
• متن‌های واقعی

تولید خواهد شد.

---

مرحله دوم: استخراج ویژگی

ویژگی‌های پیشنهادی:

• Shannon Entropy
• Byte Frequency Distribution
• Hamming Weight
• Compression Ratio
• Index of Coincidence
• NIST Randomness Tests

مطالعات جدید نشان داده‌اند ویژگی‌های مبتنی بر آزمون‌های تصادفی NIST در این حوزه بسیار مؤثر هستند. ([PMC][2])

---

مرحله سوم: آموزش مدل‌ها

مدل‌های منتخب:

مدل‌های کلاسیک

• SVM
• KNN
• Random Forest
• XGBoost

مدل عصبی

• Multi Layer Perceptron (MLP)

---

مرحله چهارم: ارزیابی

معیارها:

• Accuracy
• Precision
• Recall
• F1 Score
• Confusion Matrix