[发明专利]一种基于神经网络的加密算法识别方法和装置

权利要求书

1.一种基于神经网络的加密算法识别方法，其特征在于，包括以下步骤：

获取待识别加密算法对应的加密码流和加密密码；

将所述加密码流和加密密码输入预先训练的神经网络，利用所述训练的神经网络对所述加密码流和加密密码对应的加密算法进行识别，得到所述加密码流和加密密码对应的预测加密算法；

所述加密算法识别方法还包括：

构建初始神经网络，获取样本加密码流和样本加密密码及对应的实际加密算法；

将所述样本加密码流和样本加密密码输入所述初始神经网络，利用所述初始神经网络对所述样本加密码流和样本加密密码对应的加密算法进行预测，得到预测加密算法；

根据所述预测加密算法与所述样本加密码流和样本加密密码对应的实际加密算法进行比对，得到训练的神经网络的一次训练准确度；

继续获取其它样本加密码流和其它样本加密密码及对应的实际加密算法，利用所述其它样本加密码流和其它样本加密密码对训练的神经网络继续进行训练，每次训练后都求取对应的训练准确度；

在训练的过程中判断训练准确度的变化是否小于预设阈值，若是，则停止训练，得到最后训练的神经网络；若否，则继续训练，直至训练准确度的变化小于预设阈值；

其中，利用下面的公式根据所述预测加密算法与所述样本加密码流和样本加密密码对应的实际加密算法进行比对，得到训练的神经网络的一次训练准确度：

其中μ(t)表示神经网络经过第t次训练后的训练准确度；D_t,a(i)表示神经网络经过第t次训练后将第a个加密算法的加密码流和加密密码进行输入后输出的解密码流中的第i个二进制数值；S_a(i)表示第a个加密算法的未加密码流中的第i个二进制数值；n表示第a个加密算法的未加密码流中二进制数的位数；δ{}表示零检验函数，若括号内的数值为0时函数值为1，反之为0；m表示加密算法的总数；

当t＝1时，即为训练的神经网络的一次训练准确度μ(1)；

其中，利用下面的公式在训练的过程中判断训练准确度的变化是否小于预设阈值，并控制训练的神经网络的训练使能：

其中H(k)表示神经网络经过第k次训练后的训练使能控制值；μ(k)表示神经网络经过第k次训练后的训练准确度；μ(k-b)表示神经网络经过第k-b次训练后的训练准确度；

若H(k)＝1表示神经网络的训练使能为开启状态，则对神经网络继续进行训练；

若H(k)＝0表示神经网络的训练使能为关闭状态，则对神经网络停止训练；神经网络对样本加密码流和样本加密密码及对应的实际加密算法都至少要训练5次，并且在训练5次后计算对应的训练准确度；

其中，利用下面的公式根据神经网络的训练次数以及神经网络的每一次训练准确度判断神经网络的学习算法是否需要加入优化算法进行优化：

其中R表示神经网络的学习算法的优化算法使能控制值；k₀表示神经网络的最终训练次数；μ(k₀-5)表示神经网络第k₀-5次训练后的准确度；

若R＝1表示神经网络的学习算法的优化算法使能打开，即需要加入优化算法对神经网络进行优化；

若R＝0表示神经网络的学习算法的优化算法使能关闭，即不需要加入优化算法对神经网络进行优化。

2.一种基于神经网络的加密算法识别装置，其特征在于，包括：

获取模块，用于获取待识别加密算法对应的加密码流和加密密码；

识别模块，用于将所述加密码流和加密密码输入预先训练的神经网络，利用所述训练的神经网络对所述加密码流和加密密码对应的加密算法进行识别，得到所述加密码流和加密密码对应的预测加密算法；

其中，所述加密算法识别装置还包括：

训练模块，用于构建初始神经网络，获取样本加密码流和样本加密密码及对应的实际加密算法；

将所述样本加密码流和样本加密密码输入所述初始神经网络，利用所述初始神经网络对所述样本加密码流和样本加密密码对应的加密算法进行预测，得到预测加密算法；

根据所述预测加密算法与所述样本加密码流和样本加密密码对应的实际加密算法进行比对，得到训练的神经网络的一次训练准确度；

继续获取其它样本加密码流和其它样本加密密码及对应的实际加密算法，利用所述其它样本加密码流和其它样本加密密码对训练的神经网络继续进行训练，每次训练后都求取对应的训练准确度；

在训练的过程中判断训练准确度的变化是否小于预设阈值，若是，则停止训练，得到最后训练的神经网络；若否，则继续训练，直至训练准确度的变化小于预设阈值；

其中，所述训练模块还用于：

利用下面的公式根据所述预测加密算法与所述样本加密码流和样本加密密码对应的实际加密算法进行比对，得到训练的神经网络的一次训练准确度：

其中μ(t)表示神经网络经过第t次训练后的训练准确度；D_t,a(i)表示神经网络经过第t次训练后将第a个加密算法的加密码流和加密密码进行输入后输出的解密码流中的第i个二进制数值；S_a(i)表示第a个加密算法的未加密码流中的第i个二进制数值；n表示第a个加密算法的未加密码流中二进制数的位数；δ{}表示零检验函数，若括号内的数值为0时函数值为1，反之为0；m表示加密算法的总数；

当t＝1时，即为训练的神经网络的一次训练准确度μ(1)；

其中，所述训练模块还用于：

利用下面的公式在训练的过程中判断训练准确度的变化是否小于预设阈值，并控制训练的神经网络的训练使能：

其中H(k)表示神经网络经过第k次训练后的训练使能控制值；μ(k)表示神经网络经过第k次训练后的训练准确度；μ(k-b)表示神经网络经过第k-b次训练后的训练准确度；

若H(k)＝1表示神经网络的训练使能为开启状态，则对神经网络继续进行训练；

若H(k)＝0表示神经网络的训练使能为关闭状态，则对神经网络停止训练；神经网络对样本加密码流和样本加密密码及对应的实际加密算法都至少要训练5次，并且在训练5次后计算对应的训练准确度；

其中，所述训练模块还用于：

利用下面的公式根据神经网络的训练次数以及神经网络的每一次训练准确度判断神经网络的学习算法是否需要加入优化算法进行优化：

其中R表示神经网络的学习算法的优化算法使能控制值；k₀表示神经网络的最终训练次数；μ(k₀-5)表示神经网络第k₀-5次训练后的准确度；

若R＝1表示神经网络的学习算法的优化算法使能打开，即需要加入优化算法对神经网络进行优化；

若R＝0表示神经网络的学习算法的优化算法使能关闭，即不需要加入优化算法对神经网络进行优化。