طراحی و پیاده‌سازی سامانه شناسایی الگوریتم‌ در پایتون

استخراج ویژگی‌های آماری از متن‌های رمز شده تولیدشده توسط الگوریتم‌های مختلف و به‌کارگیری چندین روش یادگیری ماشین، عملکرد این روش‌ها در شناسایی نوع الگوریتم رمزنگاری مورد ارزیابی و مقایسه قرار گیرد هدف اصلی طراحی و پیاده‌سازی سامانه‌ای جهت شناسایی نوع الگوریتم رمزنگاری از روی متن رمز شده با استفاده از روش‌های یادگیری ماشین. اهداف فرعی * تولید مجموعه داده رمز شده با استفاده از چند الگوریتم متداول * استخراج ویژگی‌های آماری از متن‌های رمز شده * آموزش مدل‌های مختلف یادگیری ماشین * مقایسه عملکرد مدل‌ها * تعیین مؤثرترین ویژگی‌ها در فرایند طبقه‌بندی روش تحقیق مرحله اول: تولید مجموعه داده استفاده از کتابخانه: ```python PyCryptodome ``` الگوریتم‌های مورد استفاده: * AES * 3DES * Blowfish * RC2 * ChaCha20 برای هر الگوریتم: * کلیدهای تصادفی * متن‌های اولیه تصادفی * متن‌های واقعی تولید خواهد شد. --- مرحله دوم: استخراج ویژگی ویژگی‌های پیشنهادی: * Shannon Entropy * Byte Frequency Distribution * Hamming Weight * Compression Ratio * Index of Coincidence * NIST Randomness Tests مطالعات جدید نشان داده‌اند ویژگی‌های مبتنی بر آزمون‌های تصادفی NIST در این حوزه بسیار مؤثر هستند. ([PMC][2]) --- مرحله سوم: آموزش مدل‌ها مدل‌های منتخب: ### مدل‌های کلاسیک * SVM * KNN * Random Forest * XGBoost ### مدل عصبی * Multi Layer Perceptron (MLP) --- مرحله چهارم: ارزیابی معیارها: * Accuracy * Precision * Recall * F1 Score * Confusion Matrix