本文针对基于广义Reed-Solomon（GRS）码的高速率McEliece密码系统变体提出攻击。由于直接使用GRS码的McEliece系统已被证明不安全，研究者提出了多种变体，将置换矩阵替换为行和列权重更大的矩阵M，但许多变体仍以GRS码作为密钥。以往的攻击成功处理了行和列权重在1到1+R（R为码率）之间的方案，但权重为2及更大的情况尚未被攻破。本文在高码率场景下，为这些密码系统中出现的公钥构造了区分器，并提出了一个框架，可将足够好的区分器转化为密钥恢复攻击。当掩码矩阵M的行和列权重均为2时，利用立方码（cube code）区分器成功实现了对高码率方案的攻击。该工作揭示了此类变体的安全弱点，为后量子密码中基于码的密码系统的设计提供了重要警示。

该论文提出了CryptanalysisBench，一个用于评估大型语言模型（LLM）进行密码分析能力的基准测试。密码分析旨在寻找密码方案的攻击方法，涉及数学推理和网络安全，而LLM在这两个领域发展迅速。基准包含191个任务，覆盖六类密码原语（如分组密码、哈希函数等），主要来自四个NIST标准化竞赛。测试分为三个层级：第一层为已知存在实际攻击的密码原语；第二层为尚无已知实际攻击的原语，包括完整强度和缩小型变体；第三层为前沿生产级原语。作者测试了五个前沿模型（Claude Opus 4.8、Sonnet 5、Mythos 5、GPT 5.5和GLM 5.2），结果显示它们能破解第一层级65%-86%的方案，第二层中完整强度方案6-12个，所有缩小型变体共24-61个。更重要的是，模型生成了新的密码分析结果，例如利用SpoC AEAD设计缺陷的密钥恢复攻击，以及发现KINDI的CCA安全性证明中的错误，这些此前均未被已知。论文表明LLM在密码分析领域的能力正在快速提升，并可能很快达到甚至超越已发表的技术水平。该基准可用于追踪AI密码分析是否成为严重威胁，以及作为候选方案部署前的压力测试工具。

本文研究学习带误差问题（LWE）中秘密向量的恢复问题，特别关注秘密具有低汉明重量的情况。LWE是后量子密码学的基础假设，其安全性依赖于给定样本恢复秘密的困难性。传统方法通常假设秘密均匀分布，但在许多实际场景（如FrodoKEM、Kyber等方案）中，秘密往往具有稀疏性。作者提出了一种从"完美提示"到"近似提示"的转变：即攻击者可以获得关于秘密的部分信息（如某些位的值或软信息），这些信息可能来自侧信道攻击或协议特性。核心贡献是设计了一种高效的秘密恢复算法，利用低汉明重量和近似提示，将问题转化为求解近似最短向量问题（apprSVP）或使用格基约简技术。实验表明，当秘密汉明重量较低且提示质量较高时，算法能在多项式时间内恢复秘密，比传统格攻击更有效。该工作对LWE参数选择具有指导意义，提示需要避免低重量秘密或限制信息泄露。

本文延续了作者前期的研究工作，提出了一种针对椭圆曲线离散对数问题（ECDLP）的“推测与确定”（Guess and Determine）攻击方法。该方案基于拉斯维加斯（Las Vegas）算法，将求解ECDLP转化为在矩阵中寻找零子式（zero minor）的问题。作者利用超平面排列的交集偏序集（intersection poset of hyperplane arrangement），开发了一种在矩形矩阵中寻找零子式的算法。论文详细讨论了该算法的复杂度、成功概率，并提供了实现细节和模拟结果。零子式的寻找本身也是一个具有独立研究意义的问题。该工作为评估椭圆曲线密码系统的安全性提供了新的分析视角和理论工具。

该论文介绍了一项使用生成式深度学习（具体为生成对抗网络，GAN）进行密码分析的研究。研究背景在于传统密码分析方法往往依赖人工设计的启发式算法或数学求解，而深度学习尤其是生成模型在捕捉复杂分布方面具有潜力。核心问题是探索GAN能否用于学习和近似密码算法的统计特性，从而辅助或改进密码分析过程。方法上，论文提出了一个名为EveGAN的框架，通过对抗训练让生成器模拟“明文-密文”对的联合分布，而判别器则试图区分真实的密码对与生成器产生的假对。实验部分在简化密码系统上测试了EveGAN的能力，表明其能够在某些假设下恢复部分密钥信息或降低暴力破解搜索空间。主要贡献在于首次系统性地评估GAN在密码分析中的应用，并指出了生成模型在密码学分析中的潜在价值与局限。适合对AI与密码学交叉领域感兴趣的研究人员阅读，但需注意其攻击假设较弱，实际场景下的有效性仍需验证。

该论文提出了一种名为 MergeLLL 的新型格基约简算法框架，灵感来源于归并排序的分治策略，并在重组阶段引入了 PotLLL 风格的深度插入操作。传统的 LLL 算法及其变体在高维格上的计算复杂度迅速增长，而 MergeLLL 通过将格基分割为子基，独立进行局部约简，然后通过层次化合并重构完整基，从而优先改善局部格结构，再逐步优化全局基性质。这种方法显著提升了 Gram-Schmidt 正交性和数值稳定性，同时降低了整体计算成本。由于算法天然支持并行化，能够高效地利用多核和分布式计算环境。论文证明了约简和合并步骤通过幺模变换保持了格结构，并实现了对数级别的并行深度。在子集和问题以及 NTRU 密码系统衍生格的实验表明，MergeLLL 相比经典 LLL 算法表现出更好的正交性、更少的昂贵交换操作次数以及更优的 Hermite 因子，意味着能够生成更高质量的约简基。该工作对于格密码的安全参数评估和密码分析具有重要参考价值。

本文对 Stickel 型密钥交换方案进行了密码分析，这类方案基于有限域上 n×n 矩阵的双边乘法，且矩阵来自具有特定交换结构的公共子空间。研究表明，所有此类方案（包括 Stickel 原始方案、Shpilrain 的多项式扩展、Nager 的代数扩展等）都可以在多项式时间内被破解：通过一个证人发现（witness-finding）攻击，攻击者可以从公开信息中恢复共享密钥。此外，作者提出了一种新的密钥建立方案，该方案同样使用双边矩阵乘法，但通过私有权项对交换子空间进行共轭隐藏，从而阻断了上述基于公共子空间的攻击。新方案中的证人发现问题可直接归约到 Edmonds 问题——一个标准的 NP 难问题，暗示其可能具有更强的安全性。论文为后量子密码学中的密钥交换提供了新视角，既暴露了现有方案的根本弱点，也给出了一个潜在更安全的替代方案。由于是纯理论分析，未提供实际实现或性能评估。

该论文探索了大型语言模型（LLM）在对称密码分析中神经区分器任务上的应用。神经区分器是一种通过机器学习模型区分密文对来恢复密钥的方法，以往工作多使用ResNet等传统深度学习模型，但尚未有研究将LLM用于此任务。作者提出了一种基于LLM的神经区分器方法，通过设计prompt将明文-密文对输入LLM，并针对SPECK-32/64轻量级密码进行了大量实验。实验发现三个关键结果：第一，与现有ResNet结果相比，LLM并未带来可观测的性能提升，甚至在某些指标上略差；第二，随着加密轮数增加，差分选择对LLM和ResNet的效果均急剧下降，表明高轮数下差分特征丧失；第三，将简单的XOR运算结果作为prompt的一部分输入LLM，可以显著提升区分能力，这暗示LLM可能更擅长利用直接计算得出的特征而非原始数据。该研究为LLM在密码学应用中的潜力提供了初步评估，尽管当前LLM未能超越专用模型，但prompt设计的优化方向值得关注。适合密码学研究人员、AI安全交叉领域从业者以及对称密码分析开发者阅读。

本文研究自动破解同音替代密码（homophonic substitution cipher）的问题。此类密码将每个明文字母随机映射到多个密文字符，从而弱化字母频率特征，增加破译难度。作者提出使用注意力增强的长短期记忆（LSTM）模型，在共享密钥（shared-key）设置下学习密文到明文的映射：所有密文取自同一个已知的同音码池，但每个密钥使用该池中的不同一致子集。实验基于ChronoFidelius工具生成的合成密文，源自1500–1899年的英语和瑞典语历史文本。测试变量包括密文长度、世纪、可变长编码以及模拟转录错误。模型仅通过对齐的密文-明文对进行训练，不依赖外部语言模型、频率统计或密钥搜索启发式。结果表明，模型在两种语言和所有历史时段均实现了接近完美的字符级解密准确率，对短文本和噪声密文也表现稳健；而面对共享池之外的密文时，模型则按预期失败，说明其可作为在怀疑密钥重用场景下的实用解密和密钥空间验证工具。

该论文系统研究了AES类密码中线性层（特别是MDS矩阵）在相关差分密码分析中的安全性。相关差分是一种利用两个差分在加密过程中的关联性来降低攻击复杂度的技术。Daemen和Rijmen（2009）指出，即使满足最大分支数（MDS性质），线性层仍可能存在相关差分结构；Bardeh和Rijmen（2022）展示了如何在简化轮AES中利用该现象发起攻击。本文旨在从理论上刻画线性层避免或存在相关差分的条件。首先，作者证明任意非MDS矩阵一定存在非平凡的相关差分对，从而表明MDS性质是避免相关差分的必要条件。紧接着，证明了所有奇数阶对称MDS矩阵都存在相关差分，这排除了大量基于Cauchy矩阵的构造。对于循环矩阵，作者强化了已知结果：当阶数n满足n ≡ ±2 (mod 12)时，循环矩阵才可能避免相关差分；否则必然存在相关差分。最后，论文将焦点缩小到3×3 MDS矩阵（定义在F_{2^m}上），给出了一个显式的充要条件——包含15个多项式约束——用于判断矩阵是否完全免于相关差分。这些结果为密码算法设计者提供了明确的指导：在选用线性层时，不仅需要满足MDS性质，还需避开对称、循环等高危矩阵类别，或通过额外散射操作来消除潜在弱点。论文通过代数证明和分类，完善了相关差分分析的理论基础，对评估和改进AES类密码的安全性具有重要意义。

本文提出一种基于机器学习的攻击方法 SalsaPicante，针对带有稀疏二进制秘密的学习与错误（LWE）问题。LWE 是后量子密码（PQC）系统的基础难题，NIST 标准化的密钥交换机制（KEM）基于模 LWE，而现有同态加密（HE）库多基于环 LWE。出于效率考虑，PQC HE 方案常采用稀疏二进制秘密（即秘密向量中非零元素很少），但这可能削弱安全性。先前的工作 SALSA 展示了在低维度（n ≤ 128）和低汉明重量（h ≤ 4）下对稀疏二进制 LWE 的机器学习攻击，但它需要窃听数百万个 LWE 样本，并且在更高的汉明重量或维度下失败。SalsaPicante 通过改进攻击策略，能够在更实际的参数下（如更高维度和更高汉明重量）成功恢复秘密，同时减少所需样本数量。实验证明该方法对中等规模参数有效，揭示了稀疏二进制秘密在 PQC 实现中的潜在风险。本文适合密码学研究人员、后量子安全实现者及同态加密系统开发者阅读。