LLM은 신경 구분기(Neural Distinguishers)를 현명하게 만드는가?

신경 구분기(Neural distinguishers)는 대칭키 암호학(symmetric-key cryptography)을 위한 암호 해독 방법으로, 비밀 키(secret key)를 복구하기 위해 특정 차이(differences)를 가진 평문(plaintexts)과 암호문(ciphertexts) 쌍을 사용하여 머신러닝(machine learning) 모델을 학습시킵니다. 저희가 알고 있는 바로는, 신경 구분기를 위해 대규모 언어 모델(LLMs)의 사용을 탐구한 기존 연구는 없습니다. 본 논문에서는 프롬프트 설계(prompt design)를 통해 LLM 기반 신경 구분기를 제안하며, LLM이 신경 구분기를 강화할 수 있는지 조사하기 위해 SPECK-32/64를 대상으로 광범위한 실험을 수행합니다. 그 결과 세 가지 핵심 통찰을 발견했습니다. 첫째, LLM 기반 신경 구분기의 결과를 기존 연구의 ResNet과 비교함으로써, LLM이 신경 구분기의 성능에 관찰 가능한 개선을 제공하지 않음을 입증합니다. 둘째, 라운드(rounds) 수가 높을 경우, 차이(differences)의 선택이 ResNet과 마찬가지로 LLM 기반 신경 구분기에서도 더 이상 효과적이지 않음을 확인합니다. 셋째, 프롬프트 설계로서 XOR 연산 결과만을 포함함으로써 LLM 기반 신경 구분기의 성능을 크게 향상시킬 수 있음을 보여줍니다.