2015, 37(8): 1994-1999.
doi: 10.11999/JEIT141635
刊出日期:2015-08-19
该文分析了He等人(2014)提出的无证书签名方案和Ming等人(2014)提出的无证书聚合签名方案的安全性,指出Ming方案存在密钥生成中心(KGC)被动攻击,He方案存在KGC被动攻击和KGC主动攻击。该文描述了KGC对两个方案的攻击过程,分析了两个方案存在KGC攻击的原因,最后对Ming方案提出了两类改进。改进方案不仅克服了原方案的安全性问题,同时也保持了原方案聚合签名长度固定的优势。
2015, 37(8): 1971-1977.
doi: 10.11999/JEIT141604
刊出日期:2015-08-19
为了分析ZUC序列密码算法在相关性能量分析攻击方面的免疫能力,该文进行了相关研究。为了提高攻击的针对性,该文提出了攻击方案的快速评估方法,并据此给出了ZUC相关性能量分析攻击方案。最后基于ASIC开发环境构建仿真验证平台,对攻击方案进行了验证。实验结果表明该方案可成功恢复48 bit密钥,说明ZUC并不具备相关性能量分析攻击的免疫力,同时也证实了攻击方案快速评估方法的有效性。相比Tang Ming等采用随机初始向量进行差分能量攻击,初始向量样本数达到5000时才能观察到明显的差分功耗尖峰,该文的攻击方案只需256个初始向量,且攻击效果更为显著。
2015, 37(1): 29-36.
doi: 10.11999/JEIT140129
刊出日期:2015-01-19
在目标识别中,对于样本数较多且分布复杂的数据,若将所有训练样本用来训练一个单一的分类器,会增加分类器的训练复杂度,且容易忽视样本的内在结构,不利于分类。因此人们提出了混合专家系统(ME),即将训练样本集划分为多个训练样本子集,并在每个子集上单独训练分类器。但是传统ME系统需要人为确定专家个数,并且每个子集的学习独立于后端的任务,如分类。该文提出一种基于Dirichlet过程(DP)混合隐变量(LV)支持向量机(SVM)模型(DPLVSVM)的目标识别算法,采用DP混合模型自动确定样本聚类个数,同时每个聚类中使用线性隐变量SVM(LVSVM)进行分类。不同于以往算法,DPLVSVM 将聚类过程和分类器的训练过程联合优化,保证了各个子集中样本的分布上的一致性和可分性,而且可以利用Gibbs采样技术对模型参数进行简便有效的估计。基于人工数据集、公共数据集以及雷达实测数据的实验验证了该文方法的有效性。