袁 科，黃雅冰，杜展飛*，李家保，賈春福,3

(1.河南大學 計算機與信息工程學院，河南 開封 475004；2.河南省空間信息處理工程研究中心，河南 開封 475004；3.南開大學 網(wǎng)絡空間安全學院，天津 300350)

隨著密碼算法的廣泛應用，密碼算法的安全性受到人們的廣泛關注。目前大多數(shù)的密碼分析技術都是基于密碼算法已知的前提下，開展對各種密碼算法的分析。然而在實際工作中，密碼分析者通常僅能獲取密文數(shù)據(jù)，而不知道所采用的具體密碼算法。在這種情況下，密碼破譯時只能進行唯密文分析。同時，隨著應用場景和通信環(huán)境的日益復雜，各種加密算法層出不窮，實際應用中獲得的密文長度不同，密鑰不同，密碼算法的識別需考慮更廣范圍的密碼算法集合。因此，高效地識別密文所使用的密碼算法成為密碼分析的先決條件，開展密碼算法識別研究具有非常重要的理論意義和實用價值。

密碼算法識別最初的研究對象是古典密碼算法。隨著現(xiàn)代密碼技術的飛速發(fā)展，傳統(tǒng)的基于統(tǒng)計學方法的密碼算法識別技術逐漸失效，研究者們提出了一系列基于機器學習方法的密碼算法識別方案，這些方案具有以下兩個特點：

1）識別方案主要圍繞分組密碼算法識別展開。如趙志誠利用隨機森林模型對隨機生成的圖片使用AES、DES、3DES、IDEA、Blowfish和Camellia 6種密碼體制在ECB工作模式下加密產生的密文進行區(qū)分。

2）識別方案主要在ECB及CBC模式下對密文進行區(qū)分。如Dileep等提出了一種利用支持向量機識別分組密碼加密算法的方法，對AES、DES、TDES、RC5和Blowfish密碼算法在ECB與CBC模式下的加密密文進行了區(qū)分實驗，結果表明使用高斯核函數(shù)的支持向量機模型有最好的性能。此外，ECB模式相較于CBC有更好的識別準確率；de Mello等分析了在ECB和CBC兩種模式下由ARC4、Blowfish、DES、Rijdael、RSA、Serpent和Twofish等7種密碼算法加密得到的密文文件，ECB在幾乎所有密碼算法上都能實現(xiàn)完全識別。

結合模式識別和機器學習的密碼算法識別也受到越來越多研究者的關注。de Souza等提出了一種基于自組織神經網(wǎng)絡借助語言和信息檢索方法的分組密碼識別方案，通過聚類和分類過程，實現(xiàn)對密文所屬密碼體制的分類識別。吳楊等提出了一種基于密文隨機性度量值分布特征的兩層識別方案，上層由K均值聚類算法對密碼算法進行聚類劃分，下層基于聚類的結果，通過進一步優(yōu)化特征向量來區(qū)分密碼算法，達到接近90%的分類準確率。在分層識別方案中，黃良韜等結合已有的密碼算法識別研究成果，提出了CM-簇分、CSN-簇分和CSBP-簇分3種簇分定義，其研究結果表明，加入分層的識別方案的密碼算法識別效果更佳。Arvind等提出了一種利用位平面圖像特征和模糊決策準則的方法，實現(xiàn)了識別和隔離用相同密鑰加密的圖像。但是，目前密碼算法識別方案仍然存在以下3個問題：

1）識別方案大多基于經典的單一分類器模型。de Mello等使用單一的支持向量機分類器識別方案對密碼算法進行識別；Sharif等比較了在分組密碼體制識別過程中不同分類模型的識別效果，認為Rotation Forest模型效果更好。

2）識別方案穩(wěn)定性不好。Fan等使用隨機森林、邏輯回歸和支持向量機3種分類模型對8種分組密碼體制開展識別任務。但以決策樹和支持向量機為例，單一的決策樹分類器在處理分類問題時由于數(shù)據(jù)集中存在噪聲或隨機錯誤，容易出現(xiàn)過擬合的狀況，導致分類結果只能達到局部最優(yōu)；而支持向量機分類器雖然泛化能力強，但其訓練代價較大，參數(shù)的調整和核函數(shù)的選擇都會極大地影響分類結果；趙志誠等提出了基于隨機性檢測的密碼算法識別方案，最高識別準確率可達80%以上，證明了隨機性檢測可有效地提取密文特征，但其方案相對復雜，且隨著分類對象的改變，所需的最優(yōu)特征不斷改變，需要提前分別訓練不同類別特征以此得到最優(yōu)特征，效率較低。

3）識別方案涉及因素較為單一，僅考慮加密模式對密碼算法識別效果的影響是不全面的。如丁偉等對5種分組密碼算法進行兩兩識別，提出了在訓練和測試過程中所使用的密鑰是否相同會對識別準確率有一定的影響。

為解決以上問題，本文基于集成學習思想提出一種混合梯度提升決策樹和邏輯回歸（hybrid gradient boosting decision tree and logistic regression，HGBDTLR）模型，并基于該模型構造出一種分組密碼算法識別方案（block cipher algorithm identification scheme based on HGBDTLR model，HGLBIS），旨在提高密碼算法識別的準確率與穩(wěn)定性。

1 基礎知識

1.1 密碼算法識別原理

目前，密碼算法識別方案的設計思想主要來源于統(tǒng)計方法和機器學習技術。不同的密碼算法進行加密產生的密文空間都存在一定的差異，由此可以提取出刻畫相應差異的特征，作為密碼算法識別的基礎。

密碼算法識別的任務是區(qū)分這些具有細小差異的特征，從而識別出特定的密文對應的密碼算法。由于密碼學的不斷發(fā)展，各種密碼算法不斷增多，各種特征之間存在著更為復雜與細微的差異，所以目前更多的是使用設計簡單、性能穩(wěn)定、能夠處理復雜數(shù)據(jù)關系的基于機器學習的密碼算法識別方案。

下文給出密碼算法識別的基本要素：密文、密文特征、密碼算法識別和密碼算法識別方案的形式化定義。

式中，準確率

h

被認為是對評價密碼算法辨認技術和識別方案的自然度量。定義4（密碼算法識別方案） 在密碼算法識別

R

=(

A

,

J

,

h

)中，密碼算法識別方案用三元組表示：

式中：

O

為直接對具體密碼算法進行識別的工作流程；

F

為對密文文件

F

進行特征提取得到的一組特征；

M

為密碼算法識別方案

P

采用的識別模型，在本文中即為HGBDTLR模型。其工作流程如圖1所示。

圖1 密碼算法識別工作流程Fig. 1 Workflow of cryptographic algorithm identification

1.2 密文特征提取

在機器學習領域，特征的選擇將直接影響分類器的識別結果。對密文進行隨機性檢測是評判密碼算法是否安全的一個重要標準，文獻[6,11]中均采用隨機性檢測提取密文特征且具有較好的效果，說明隨機性檢測能夠反映密文中存在的差異。

在常用的隨機性檢測標準中，美國國家標準與技術研究所（National Institute of Standards and Technology，NIST）制定的SP 800–22標準，具有較廣泛的檢測覆蓋率，對密文序列各個方面和序列分段方式都有全面且針對性的測試方法，受到許多研究人員的青睞。

依照現(xiàn)有研究及NIST隨機性檢測要求，對定義2進行擴充，給出定義5。

定義 5（基于NIST隨機性檢測提取密文特征） 密文特征可表示為四元組：

1.3 梯度提升決策樹模型

梯度提升決策樹（gradient boosting decision tree，GBDT）模型是一種應用很廣泛的機器學習模型，可以用于分類與回歸。該模型通過Boosting方式逐步構建一系列單個決策樹，再進行多輪迭代，每輪迭代產生一個弱分類器，而每個分類器在上一輪分類器的殘差基礎上進行訓練。由多棵決策樹組成，所有樹的結論累加起來作為最終結果。該模型能靈活地處理多個變量和目標之間的非線性關系，且擁有較高的預測準確度。當使用損失函數(shù)健壯時，模型魯棒性非常強，受異常值影響小。

1.4 邏輯回歸模型

邏輯回歸（logistic regression，LR）模型是一種形式簡單，可解釋性好的機器學習模型。該模型通過在線性回歸的基礎上增加一個sigmoid函數(shù)（非線形）映射，使其成為一個優(yōu)秀的分類算法。其計算代價不高，易于理解和實現(xiàn)，并且分類時計算量非常小，速度很快，存儲資源低。

2 HGLBIS方案

本文基于HGBDTLR模型構造分類器，進而提出HGLBIS方案，所提的HGLBIS方案分為訓練和測試兩個階段。

2.1 HGBDTLR模型

基于若干弱分類器組合成的集成學習模型在分類問題上穩(wěn)定性更強、識別效率更高、參數(shù)設置更靈活；其Stacking的自動化集成策略既可有效對抗過擬合問題，又可有效提升單一分類器的泛化能力和魯棒性。許多研究表明，集成學習分類器比單一的分類器擁有更好的預測性能，并已在許多不同的問題場景得到廣泛應用。

相較于傳統(tǒng)的分類模型，GBDT模型雖然能靈活地處理各種類型的數(shù)據(jù)，包括連續(xù)值和離散值，且魯棒性較強，但是該模型的分類效率受參數(shù)設置影響較大，不合適的參數(shù)設置會導致模型更加復雜，進而使模型陷入過擬合；LR模型雖然簡單且易于實現(xiàn)，但其容易欠擬合，一般準確度不太高，不能很好地處理大量多類特征或變量。針對該問題，本文基于集成學習思想提出混合梯度決策樹和邏輯回歸模型，簡稱HGBDTLR模型。下面詳細介紹HGBDTLR模型的框架和具體算法流程。

2.1.1 HGBDTLR模型的框架

HGBDTLR模型的主要思想是集成學習中的疊加法，將多個基分類器分布在多層上，每一層分類器的預測結果作為下一層的輸入，以此類推，通過多層訓練實現(xiàn)集成，從而得到最終的分類預測結果。HGBDTLR模型是將GBDT模型和LR模型進行集成，首先，用原始10組特征訓練GBDT模型；然后，利用GBDT模型學習到的樹來構造新特征；之后，將新特征做one-hot編碼；最后，將這些新特征加入到原有特征中，用這11組特征訓練LR模型，并進行預測。

2.1.2 HGBDTLR模型的算法流程

HGBDTLR模型的具體算法流程如算法所示。

算 法 HGBDTLR模型算法

2.2 HGLBIS方案

基于HGBDTLR模型構造HGLBIS密碼算法識別方案，該方案可分為密文特征提取和密碼算法識別分類器的構造兩個主要部分。1）密文特征提取?；诘?.2節(jié)定義5給出的NIST隨機性檢測提取密文特征，總共得到15種特征，選定有意義的10種作為分類需要的密文特征。2）密碼算法識別分類器的構造。基于第2.1.1節(jié)提出的HGBDTLR模型框架，使用第2.1.2節(jié)給出的HGBDTLR模型算法構造密碼算法識別分類器。HGLBIS方案以提取到的各類密文特征數(shù)據(jù)作為分類器的輸入，經過數(shù)據(jù)的訓練與測試階段，從而完成對具體密碼算法地識別?；贖GLBIS方案的識別流程如圖2所示。

圖2 HGLBIS方案識別流程Fig. 2 Identification process based on HGLBIS

選取定義4的密碼算法識別方案

P

=(

O

,

F

,HGBDTLR)，其中，HGBDTLR表示本文方案采用的識別模型，即混合梯度提升決策樹和邏輯回歸模型，基于該模型構造的HGLBIS密碼算法識別方案工作流程如下，分為訓練和測試兩個部分。

1）訓練階段包括如下8個步驟：

輸入：密碼算法已知的一組測試密文文件

C

={

C

,

C

,···,

C

}，其中，

n

=

k

×

F

，

k

為密碼算法集合

A

={

a

,

a

,···,

a

}中的密碼算法數(shù)量，

F

為每種密碼算法加密的密文數(shù)量。

輸出：訓練好的HGBDTLR模型。

①輸入總共

n

個密文文件，根據(jù)文獻[8]中的隨機性檢測方法對每一個密文文件提取特征，得到

n

組密文特征集

S

={|

i

=1,2,···,

n

,

j

=1,2,···,

d

}，其中為第

i

個訓練密文文件的第

j

個特征。②將特征集和密文標簽組成樣本二元組(

S

,

L

)作為原始數(shù)據(jù)集，記為

T

。③以十折重復隨機子抽樣挑選

T

中的75%用于進行有監(jiān)督學習，記為

T

，另外25%用于驗證訓練得到的模型性能，記為

T

。④輸入特征集

T

，共有

n

×75%個密文文件，每個密文文件表示一個樣本，每個樣本有

d

個特征。⑤輸入回歸樹的個數(shù)

M

。⑥使用GBDT算法默認的損失函數(shù)

L

(

y

,

f

(

x

))=(

y

-

f

(

x

))作為第2.1.2節(jié)給出的HGBDTLR算法的輸入損失函數(shù)，從而訓練出一個HGBDTLR分類模型。⑦將特征集

T

輸入到訓練好的模型中進行預測，并將預測結果與原始標簽進行比較，得到模型識別準確率，從而對模型性能進行評判。

⑧修改步驟⑤中回歸樹的個數(shù)，重復步驟⑤～⑦，直至找到能使準確率達到最高的模型，即為最終訓練好的HGBDTLR模型。

2）測試階段包括如下2個步驟：

輸入：密碼算法未知的一組測試密文文件

C

={

C

|

i

=1,2,···,

n

}，其中

n

為待測密文文件的個數(shù)。輸出：待測密文文件分類結果即加密使用的密碼算法

A

={

A

|

A

∈

A

,

i

=1,2,···,

n

}。①對待識別密文文件

C

,

C

,···,

C

的內容進行特征提取，得到密文特征

S

={=1,2,···,

n

,

j

=1,2,···,

d

}。②將密文特征

S

輸入到已訓練好的HGBDTLR分類模型中，輸出識別結果，即與該密文對應的密碼算法標簽

A

。

3 實驗環(huán)境

3.1 數(shù)據(jù)準備

在由Python編寫的開源工具sp800_22_tests-master基礎上進行改進以實現(xiàn)密文特征提取。主程序負責從磁盤讀取密文文件，每種隨機性檢測算法被封裝成一個子模塊，各子模塊間相互獨立，互不干擾，特征提取時各模塊并行執(zhí)行，并將結果保存到不同的文件中。

實驗選擇用Python的Crypto密碼算法庫進行加密。所用的明文是通過Python的Crypto加密模塊使用Fortuna Accumulator方法生成的隨機數(shù)據(jù)，明文文件大小為1、8、64、256和512 kB的500個文件。加密密鑰和初始化向量使用Crypto的Cipher加密模塊生成。密文由AES、3DES、Blowfish、CAST和RC2這5種分組密碼算法的ECB模式和固定16位字符串密鑰加密生成。使用這5種分組密碼算法分別對5種不同大小的明文進行加密，每種密碼算法加密的密文樣本量均為500份，總共產生2 500個密文文件。利用NIST隨機性測試程序中的15種隨機性測試方法對2 500個密文文件分別進行特征提取，并選定有意義的10種特征值作為輸入分類器的實驗數(shù)據(jù)。對該實驗數(shù)據(jù)進行重復隨機子抽樣驗證，隨機抽取75%的樣本作為訓練集，其余25%作為測試集，用于后文對5種密碼算法的二分類與五分類識別實驗。5種密碼算法具體參數(shù)如表1所示。

表1 5種分組密碼算法的具體參數(shù)
Tab. 1 Specific parameters of five block cipher algorithms

標記結構密鑰 工作模式 參數(shù)規(guī)模 實現(xiàn)方式AESSP選定ECB固定參數(shù)Crypto 3DESFeistel 選定ECB固定參數(shù)Crypto Blowfish Feistel 選定ECB固定參數(shù)Crypto CASTFeistel 選定ECB固定參數(shù)Crypto RC2Feistel 選定ECB固定參數(shù)Crypto

3.2 分類結果評價標準

本文采用準確率、查準率、查全率、

F

度量、“受試者工作特征”曲線（receiver operating characteristic curve，ROC）與ROC曲線下的面積（area under roc curve，AUC）作為評價方案識別效果好壞的標準。利用混淆矩陣得到以上標準對應的數(shù)值或圖象，混淆矩陣共產生4種結果，即真陽性、真陰性、假陽性和假陰性。令

X

、

X

、

X

、

X

分別表示其對應的樣本數(shù)，式（6）～（8）分別用于計算方案的準確率、查準率、查全率：

ROC曲線以假陽性率為橫坐標，真陽性率為縱坐標生成，當正負樣本的分布發(fā)生變化時，其形狀能夠基本保持不變，因此，該評估指標能降低不同測試集帶來的干擾，更加客觀地衡量模型本身的性能。根據(jù)ROC曲線位置，將整幅圖劃分成了兩部分，曲線下方部分的面積被稱為AUC，用于表示預測準確性，AUC值越高，也就是曲線下方面積越大，說明預測準確率越高。

4 實驗結果與分析

從準確率、查準率、查全率、

F

度量、ROC曲線和AUC值6個方面開展識別實驗。其中，預測模型建立在利用文獻[11]給出的特征提取方法提取的10個特征的基礎上。

4.1 密碼算法二分類識別

本文基于十折重復隨機子抽樣，首先，使用8種分類模型，即支持向量機（support vector machines，SVM）、隨機森林（random forest，RF）、高斯樸素貝葉斯（Gaussian naive Bayes，GNB）、決策樹（decision tree，DT）、K-近鄰（K-neighbors，KNN）、Ada-Boost、GBDT和LR分別構造8種分組密碼算法識別方案，即SVMBIS方案、RFBIS方案、GNBBIS方案、DTBIS方案、KNNBIS方案、ABBIS方案、GBDTBIS方案和LRBIS方案，作為與本文提出的HGBDTLR模型所構造的HGLBIS方案的對比方案；然后，選擇5種分組密碼算法中最典型的2種AES和3DES加密算法加密的5種不同大?。?、8、64、256和512 kB）的密文文件進行二分類測試，結果如表2所示。

由表2可以看出：在同一密文大小文件下，本文所提的HGLBIS方案的識別準確率均顯著高于其他8種單一分類方案。在512 kB大小的密文文件上，HGLBIS方案的準確率相對較低為65%，相較于單一GBDTBIS方案52.5%的識別準確率提升了12.5%，相較于單一LRBIS方案50%的識別準確率提升了15%。在8和256 kB的密文文件上，HGLBIS方案的識別準確率高達70%，相較于單一GBDTBIS方案52.5%和47.5%的識別準確率提升了17.5%和22.5%，相較于單一LRBIS方案45%和42.5%的識別準確率提升了25%和27.5%。通過比較9種分類方案的查準率，查全率以及

F

度量，可以發(fā)現(xiàn)，在密文文件大小相同的情況下，本文所提的HGLBIS方案的這3種指標同樣高于其他8種單一分類方案，進一步說明了HGLBIS方案分類效果最好。

表2 9種分組密碼算法識別方案二分類識別結果
Tab. 2 Binary classification identification results of nine block cipher algorithm identification schemes

評估指標文件大小/kB分類器SVMBIS方案RFBIS方案GNBBIS方案DTBIS方案KNNBIS方案ABBIS方案GBDTBIS方案LRBIS方案HGLBIS方案35.040.047.540.040.037.547.542.567.5 8 37.547.555.045.045.047.552.545.070.0 1準確率/%6460.056.064.042.046.044.048.056.067.5 25640.050.042.557.550.035.047.542.570.0 51250.055.047.550.050.055.052.550.065.0 1 35.740.948.240.940.037.849.643.667.4 8 38.249.155.545.944.448.253.945.972.8查準率/%6462.757.665.942.347.945.649.958.469.8 25640.953.043.560.151.035.248.743.770.2 51250.055.047.849.550.00. 5551.850.064.8 1 35.040.047.540.040.037.547.542.567.5 8 37.547.555.045.045.047.552.545.070.0查全率/%6460.056.064.042.046.044.048.056.067.5 25640.050.042.557.550.035.047.542.570.0 51250.055.047.550.050.055.052.550.065.0 1 35.040.047.540.040.037.547.542.567.5 8 37.547.555.045.045.047.552.545.070.0 F1度量/%6460.056.064.042.046.044.048.056.067.5 25640.050.042.557.550.035.047.542.570.0 512 kB50.055.047.550.050.055.052.550.065.0

為更直觀地表現(xiàn)不同方案之間的識別結果的差異，將二分類識別中9種分類方案在5種大小的密文下的識別準確率以2維折線圖展示，如圖3所示。由圖3可以看出：經典分類方案的識別準確率較低，基本維持在30%～60%之間波動；而本文提出的HGLBIS方案具有最高的識別準確率，并且不低于65%；同時，隨著密文長度的變化，識別準確率曲線呈波動性變化，說明密文文件大小對識別準確率具有一定的影響，但相較于其他8種分類方案，本文提出的HGLBIS方案的識別準確率波動性最小，基本不受文件大小的影響，即HGLBIS方案具有更強的穩(wěn)定性。

圖3 二分類識別中9種分類方案在5種大小密文文件下的識別準確率Fig. 3 Identification accuracy of nine classification schemes in binary classification under five sizes of ciphertext files

9種分類方案對5種大小的密文在AES和3DES二分類識別中的接受者操作特性ROC曲線如圖4所示。由圖4可知：密文文件大小不同，得到的分類模型結果不同，除了64 kB以外的其他4種文件大小情況下，本文所提的HGLBIS方案的ROC曲線顯著靠近左上角，其AUC值最高，并且能夠將其他8種方案的曲線完全包含起來，表明HGLBIS方案的分類效果最好。對于密文文件大小為64 kB的ROC曲線，除了SVMBIS和LRBIS方案外，HGLBIS方案同樣具有最高的AUC值；SVMBIS和LRBIS方案的AUC值也與本文所提的HGLBIS方案基本相近。表明HGLBIS方案在絕大多數(shù)情況下均具有最高的識別準確率，只有在極少數(shù)情況下優(yōu)勢無法體現(xiàn)。

圖4 9種分類方案對5種大小的密文在AES和3DES二分類識別中的ROC曲線Fig. 4 ROC curves of nine classification schemes for five sizes of ciphertext in AES and 3DES

4.2 密碼算法五分類識別

使用9種分組密碼算法識別方案對AES、3DES、Blowfish、CAST和RC2這5種分組密碼算法加密得到5種不同大小的密文文件，在9種分類方案上進行五分類實驗，其識別結果如表3所示。

表3 9種分組密碼算法識別方案五分類識別結果
Tab. 3 Five classification identification results of nine block cipher algorithm identification schemes

評估指標文件大小/kB分類器SVMBIS方案RFBIS方案GNBBIS方案DTBIS方案KNNBIS方案ABBIS方案GBDTBIS方案LRBIS方案HGLBIS方案17.625.026.425.619.225.627.225.632.0 8 17.622.420.820.019.215.214.418.429.0 1準確率/%6415.216.817.622.424.012.015.216.028.0 25618.419.213.622.421.621.618.416.830.0 51231.024.017.020.017.021.024.019.028.0 13.927.324.928.916.230.127.521.133.3 8 20.028.624.421.626.221.217.224.030.3 1查準率/%6414.417.519.328.026.413.419.414.729.2 25618.420.813.425.121.024.718.619.030.9 51231.526.517.625.719.620.027.319.928.3 17.625.026.425.619.225.627.225.632.0 8 17.622.420.820.019.215.214.418.429.0 1查全率/%6415.216.817.622.424.012.015.216.028.0 25618.419.213.622.421.621.618.416.830.0 51231.024.017.020.017.021.024.019.028.0 17.625.026.425.619.225.627.225.632.0 8 17.622.420.820.019.215.214.418.429.0 1 F1度量/%6415.216.817.622.424.012.015.216.028.0 25618.419.213.622.421.621.618.416.830.0 51231.024.017.020.017.021.024.019.028.0

由表3可知：相比于其他8種分類方案，在密文文件大小相同的情況下，本文提出的HGLBIS方案的識別準確率僅在文件大小為512 kB時比SVMBIS方案的識別準確率略低3%，在另外4種文件大小時均高于其他分類方案。HGLBIS方案的識別準確率在30%左右波動（最高為32%，最低為28%），高于其他方案多在20%左右波動的識別準確率，也高于隨機猜測20%的識別準確率。查準率、查全率和

F

度量與準確率具有相似的規(guī)律，僅在文件大小為512 kB時比SVMBIS方案的3種指標值略低，進一步說明HGLBIS分類方案在絕大多數(shù)情況下分類效果最好。總體來說，本文提出的HGLBIS分類方案的分類效果最優(yōu)。同時，隨著密文文件大小的變化，9種方案的識別率呈波動變化，其中，HGLBIS分類方案波動幅度最小，模型穩(wěn)定性最高。

5 結 論

本文基于集成學習的思想提出了一種混合梯度提升決策樹和邏輯回歸（HGBDTLR）模型，并在此基礎上提出了一種基于集成學習的分組密碼算法識別方案HGLBIS。實驗結果表明：基于集成學習的密碼算法識別方案與傳統(tǒng)的密碼算法識別方案相比，在分類問題上有更強的穩(wěn)定性、更高的識別效率，能在一定程度上改善密碼算法識別工作中因密碼算法數(shù)量的增多、密文數(shù)據(jù)復雜化以及數(shù)據(jù)間干擾的增加，導致的識別準確率及識別穩(wěn)定性變差等問題。

但是，本方案在極個別情況下相對于單一識別方案識別效果不佳，在包含分組密碼、公鑰密碼體制場景下的識別效果等方面，仍有進一步思考與實驗之處。在下一步研究工作中，將考慮加入如RSA、El-Gamal、ECC等經典公鑰密碼作為實驗對象，擴展應用場景，同時，嘗試從不同的分類算法內部結構入手，進一步提升所提方案的識別準確率和穩(wěn)定性。總之，基于集成學習的密碼算法識別方案作為一種新思路，值得進一步探索，對未來密碼算法識別工作具有積極意義。