该论文研究轻量级分组密码 SIMON 和 SIMECK 的差分分析可视化问题。SIMON 与 SIMECK 同属基于 Feistel 结构的轻量级密码算法，广泛应用于物联网设备，但这类密码对差分密码分析敏感，需要评估其抵抗能力。现有方法多用启发式与采样技术提高分析效率，但鲜有使用机器学习（ML）引导的图表示学习（GRL）来高效识别和可视化高概率差分簇。作者提出了一种特征工程策略，从部分差分分布表（pDDT）中提取四种差分属性，以揭示原始差分数据中隐藏的结构化信息。基于增强后的特征，他们为 SIMON32 和 SIMECK32 构建并比较了三种 ML 引导的有向图模型，分别采用 K 近邻（KNN）、决策树（DT）和随机森林（RF）。实验结果表明，该框架首次实现了差分聚类效应的图可视化——高概率单比特差分在学习的嵌入空间中形成几何上邻近的簇。三种模型在识别高概率差分时均达到 1.0 的精确率，即零误报；其中 KNN 在簇分离度、F1 分数和图构建时间上表现最佳，构建时间约为 2.3 秒，而 DT 和 RF 则产生近似完美回归的最优路径。这些结果在两个轻量级密码上保持一致，证明该框架可推广到其他 AND-rotation 轻量级密码家族。