Článek ve sborníku konference

HUSA Jakub a DOBAI Roland. Designing Bent Boolean Functions With Parallelized Linear Genetic Programming. In: GECCO Companion '17 Proceedings of the Companion Publication of the 2017 on Genetic and Evolutionary Computation Conference. Berlín: Association for Computing Machinery, 2017, s. 1825-1832. ISBN 978-1-4503-4939-0.
Jazyk publikace:angličtina
Název publikace:Designing Bent Boolean Functions With Parallelized Linear Genetic Programming
Název (cs):Návrh bent boolovských funkcí pomocí pararelizovaného lineárního genetického programování
Strany:1825-1832
Sborník:GECCO Companion '17 Proceedings of the Companion Publication of the 2017 on Genetic and Evolutionary Computation Conference
Konference:Genetic and Evolutionary Computations Conference 2017
Místo vydání:Berlín, DE
Rok:2017
ISBN:978-1-4503-4939-0
DOI:10.1145/3067695.3084220
Vydavatel:Association for Computing Machinery
Klíčová slova
Bent Boolean functions, nonlinearity, parallelization, linear programming.
Anotace
Bent Boolovské funkce jsou jedním z kryptografických primitiv nezbytných pro zajištění bezpečnosti kryptografických algoritmů, kde poskytují nelinearitu jinak lineárním systémům. Maximální možná nelinearita Boolovské funkce je určena počtem jejích vstupů. K zaručení dostatečné bezpečnosti moderních systémů je tak zapotřebí vytvářet stále nové a větší Boolovské funkce. Jedním z přístupů který lze pro návrhu těchto funkcí použít je genetické programování. Tento článek navrhuje, k návrhu bent Boolovských funkcí, použít metodu lineárního genetického programování. Článek demonstruje že tento přístup umožňuje navrhnout větší funkce než které mohou být navrženy pomocí ostatních přístupů, a zkoumá jaký je vliv jednotlivých evolučních parametrů na množství výpočetního času, který je k uskutečnění tohoto návrhu potřeba. Paralelní implementace navržené metody je použita k nalezení nových bent boolovských funkcí, a její výstupy jsou porovnány s jinými podobnými metodami. Výsledky ukazují, že lineární genetické programování je schopno si s rostoucím množstvím požadovaných vstupů poradit lépe než ostatní přístupy, což umožňuje ve srovnatelném čase dosáhnou návrhu výrazně větších funkcí.
Abstrakt
Bent Boolean functions are cryptographic primitives essential to safety of cryptographic algorithms, providing a degree nonlinearity to otherwise linear systems. Maximum possible nonlinearity of a Boolean function is limited by the number of it's inputs, and as technology advances, functions with higher number of inputs are required to guarantee a level of security, demanded in many modern applications. Two of the possible ways to design bent Boolean functions, are genetic programming and Cartesian genetic programming, both of which have been successfully used to discover new larger bent Boolean functions in the past. This paper proposes a new approach using linear genetic programming. It shows that this new approach is suitable for design of bent Boolean functions, and explores the influence of multiple evolutionary parameters on evolution run time. Parallelized implementation of the proposed approach is used to search for new, larger bent functions, and it's results are compared to those obtained in other related works. The results show that linear genetic programming copes better with growing number of function inputs than Cartesian genetic programming, and is able to create significantly larger bent functions in comparable time.
BibTeX:
@INPROCEEDINGS{
   author = {Jakub Husa and Roland Dobai},
   title = {Designing Bent Boolean Functions With Parallelized
	Linear Genetic Programming},
   pages = {1825--1832},
   booktitle = {GECCO Companion '17 Proceedings of the Companion Publication
	of the 2017 on Genetic and Evolutionary Computation
	Conference},
   year = {2017},
   location = {Berl{\'{i}}n, DE},
   publisher = {Association for Computing Machinery},
   ISBN = {978-1-4503-4939-0},
   doi = {10.1145/3067695.3084220},
   language = {english},
   url = {http://www.fit.vutbr.cz/research/view_pub.php.cs?id=11402}
}

Vaše IPv4 adresa: 3.92.28.84