機器學習打破不完美的隨機性
我在兩個使用者之間有一個共享的隨機性。但更糟糕的是，Eve 可以聽取交流並猜測共享隨機性的嘈雜或容易出錯的版本，其相關性取決於它與任何一方的接近程度。是否有根據 Eve 使用機器學習的觀察來幫助洩露秘密的工作？
密碼學和機器學習都是非常廣泛的術語。我猜你想知道是否可以使用某種推理技術（如支持向量機或深度學習）來利用弱 PRNG 來提取密鑰。如果這是可能的，它只是在非常有限的方式下是正確的，並且可能有更有效的方法來推斷秘密材料（例如，參見Bleichenbacher’s method for learning about biased nonces）。
對我來說唯一明顯的應用似乎是驗證PRNG 的強度。
如果你願意考慮機器學習的其他類型的應用，你也許可以取得一些進展。例如，在這篇論文中（不幸的是，在付費牆之後），作者訓練了一個神經網路來對 DES 和 3DES 進行已知明文攻擊，並從給定的密文中推斷出明文。當然，DES 和 3DES 並不安全，密鑰也不會被該方法洩露。此外，我沒有發現這種方法比蠻力更好。為什麼不？
**當機器學習可以教你一些關於數據的知識時，它是最有用的。**好的密碼系統會發布他們的設計，所以我已經知道他們將如何處理這些數據，所以我真的只能了解密鑰材料生成的安全性：Kerckhoff 原理在行動中。
機器學習可能以其他方式融入安全領域。 進入對抗機器學習，它涉及機器學習本身的安全性。例如，你怎麼知道有人沒有給你故意偏向的訓練樣本來扭曲你的算法？
另外，考慮錯誤學習問題：給定一個線性方程組 mod some $ q $ ，假設添加了一些附加隨機雜訊來解決它。“隨機雜訊”部分使解決方案非常困難。在某種程度上，它顛覆了你的問題：試圖了解這個系統中的向量已經產生了一個有用的難題，可以從中建構密碼系統！