计算机科学与技术学院2021级电子信息专业研究生黄莹以第一作者在SCI三区期刊Computer Networks (影响因子：5.493)发表研究论文，论文题目为《An efficient differential analysis method based on deep learning》。

该论文是在我校李浪教授的指导下完成，衡阳师范学院计算机科学与技术学院为署名单位。论文核心理论是：差分分析是评估密码算法安全的重要方法之一。深度学习作为一种强有力工具，成功解决了许多领域的疑难问题。传统密码分析方向的研究者也利用神经网络模型来提高差分区分器区分密文和随机序列的能力。然而，很少有研究关注算法设计之初需要考虑的理论安全问题。本文着眼于密码算法的设计阶段，提出了一种适用于分组密码差分分析的通用神经网络模型DABC。该模型类似于多层感知机，引入了能够学习差分分析数据集隐含信息的残差连接模块。DABC模型学习差分数据集中的算法特征来预测最小活跃S盒数。该模型与两种经典的神经网络模型在相同实验条件下进行最小活跃S盒数的预测。实验验证了DABC模型能够更为准确的预测最小活跃S盒数，准确率可达97%。

图1：DABC网络结构图