在 CRYPTO 2019 上，Gohr 首先介紹了基于四舍五入簡化 Speck32/64 的深度學習的差分密碼分析，并最終實現了比傳統差分區分器更高的精度。目前的研究人員更喜歡增加數據或改變網絡結構來提高神經區分器的準確性，但這會導致神經網絡參數數量的急劇增加，對訓練時間、計算和記憶的需求也會增加。在有限的硬件條件下構建神經區分器具有挑戰性，對大分組密碼進行基于深度學習的密碼分析更是難度更大。
本文從深度學習和密碼學的角度分析了神經網絡可能學習的特征，并提出了一種新的利用比特偏差和比特間相關性的比特選擇方法。我們的目標是實現用少量輸入數據構建的部分神經區分器與用所有位構建的神經區分器的近似精度。然后，將該方法應用于多種具有不同結構的輕量級分組密碼，驗證了所提方法的有效性和通用性。對于Speck32/64、Simon128/256和KATAN32/80，在保證精度的基礎上，PD-ML區分器與神經區分器相比，可以減少約50%的參數數量，顯著降低了網絡訓練成本。此外，與Simon64/128相比，Simon128/256的參數數量減少幅度更大，證明該方法對于深度學習輔助密碼的大分組密碼分析具有重要意義。此外，我們的方法以選擇比特為目標，與Amirhossein和Liu的隨機方法相比，大大減少了搜索時間。
 

Partial ML-distinguisher,Partial Bits Selection,Deep Learning,Differential Analysis