М.В. Хорошайлова1, А.В. Кузнецов2, А.С. Демихова3

1,2 ФГБОУ ВО «Воронежский государственный технический университет» (г. Воронеж, Россия)

3 АО «ВЦКБ «Полюс» (г. Воронеж, Россия)
1 pmv2205@mail.ru; 2, 3 kipr@vorstu.ru

Постановка проблемы. Все существующие на сегодняшний день способы определения параметров зашифрованного кода основаны на известных типах канального кодирования и шифрования. Однако данные скремблирующего кода, получаемые несогласованными сторонами связи, неизвестны. Поэтому для дальнейшего определения параметров линейных блочных кодов необходимо анализировать, закодирован ли исходящий сигнал и какой при этом использован метод шифрования.

Цель. Представить методику определения типов шифрования линейных блочных кодов путем совместного использования корреляционных признаков и сверточных нейронных сетей (СНС).

Результаты. Разработан метод определения типа шифрования линейного блочного кода, основанный на определении корреляционных признаков и сетевой модели выделения корреляционных признаков. Проведено моделирование зависимости параметров линейного блочного кода, числа выборок и порядка полинома генератора при различных условиях ошибок, результаты которого показали, что по сравнению с традиционным методом определения признаков предложенный метод с применением СНС и долгой краткосрочной памяти имеет лучшую скорость распознавания при высокой частоте битовых ошибок (BER) и может распознавать тип шифрования линейного блочного кода в условиях BER и шума.

Практическая значимость. Представленные результаты по идентификации параметров кода шифрования могут быть использованы для последующего определения параметров шифратора, что имеет важное значение на практике.

Хорошайлова М.В., Кузнецов А.В., Демихова А.С. Методика определения типов шифрования линейны блочных кодов // Радиотехника. 2024. Т. 88. № 7. С. 40-44. DOI: https://doi.org/10.18127/j00338486-202407-08

1. Хорошайлова М.В., Свиридова И.В., Ципина К.Д. Реконфигурируемый низкоплотностный декодер для многоуровневых беспроводных локальных сетей // Радиотехника. 2023. Т. 87. № 8. С. 94-99. DOI: https://doi.org/10.18127/j00338486-202308-15.
2. Bandara K., Bergmeir C., Hewamalage H. LSTM-MSNet: Leveraging forecasts on sets of related time series with multiple
   seasonal patterns // IEEE Trans. Neural Netw. Learn. Syst. 2021. № 32. Р. 1586–1599.
3. Хорошайлова М.В. Архитектура для стохастических LDPC-декодеров c использованием эффективной площади кристалла на основе ПЛИС // Вестник Воронежского гос. технич. ун-та. 2018. Т. 14. № 1. С. 95-100.
4. Башкиров А.В., Хорошайлова М.В. Алгоритмы низкой сложности декодирования и архитектура для недвоичных низкоплот-ностных кодов // Радиотехника. 2016. № 6. С. 10-14.
5. Zhang L.M., Tan J.Y., Zhong Z.G. Blind identification of self-synchronous scrambling codes based on cosine coincidence // J. Electron. Inf. Technol. 2022. № 44. Р. 1412–1420.
6. Ma Y., Zhang L.M. Reconstruction of scrambler with real-time test // J. Electron. Inf. Technol. 2016. № 38. Р. 1794–1799.