目前机器学习跟使用数学工具的密码分析差别还比较远。超越数学分析方法的难度比较大。
上世纪九十年代，Biham和Shamir在美密会上提出差分分析，标志着对称密码分析初步入正轨。算法→数学模型，数学模型→高效算法。以差分分析、线性分析、积分分析等具代表性的经典分析方法为基础。
组合类方法：
差分差分：不可能差分分析，飞去来器攻击，矩形攻击（适合于nesNes）
差分线性：差分线性分析，高阶差分线性分析
线性线性
手工+编程语言（C、C++、Python）；
分支定界法：先找到第一轮的最优路线，再找第二轮，搜索速度快；
缺点：耗时费力，容易出错，定制化优化策略门槛高；
自动化密码分析方法应运而生。
把区分器搜索问题刻画成数学问题：MILP问题，SAT/SMT问题、CP问题。
（1）混合整数线性规划MILP问题
①目标函数和约束条件是线性的
②某些变量不是离散的
③NP完全问题
常用求解器：GUROBI，CPLEX、MATLAB
（2）布尔可满足性问题和可满足性模理论
SAT问题：变量只能是布尔变量；
运算：AND，OR，NOT；
SMT问题：更多变量模型（向量、数组）；
更多运算（加减乘除、逻辑）。
（3）约束规划CP
变量+变量取值范围+约束条件；
支持三种约束：枚举、算术、逻辑；
可解决找到一个解、所有解、证明问题的不可满足性；
NP问题。
（1）陆续覆盖更多密码分析方法；
（2）逐步实现算法密码特性的更精细刻画；
（3）不断优化自动化密码分析方法性能。
常见的SMT求解器STP、Boolector均为SAT-solver based。
支持CP的开源语言minizine在求解前首先将模型为求解器输入语言flatzinc预编译过程相对不可控。
首个集安全性和软硬件性能为一体的对称密码自动化评估系统。
安全性自动化评测：
①差分分析；
②线性分析；
③不可能差分分析；
④零相关线性分析；
⑤基于可分性的积分分析；
⑥相关密钥差分分析。
密码算法描述形式统一，简单易用，对使用人员要求低；通用性好，适用绝大多数分组密码算法；可以给出可证明的最优路线或最优界。
①目标算法→基本运算（分支运算，异或运算，轮函数等）；
②针对基本运算建模，刻画密码特性在运算中的传递规律；必要时引入中间变量，迭代使用基本运算模型，刻画密码特性在算法中的传递规律；
③根据所关心的特征设置目标函数，若有必要，针对某些固定值，设置额外约束条件，对目标函数和约束条件建模。
（1）适用性：模型简单、搜索效率高、适用于大状态算法的分析、结果可作为初步评估。
（2）局限性：模型对算法的刻画机器粗糙、有时候搜索结果无法分析为真实路线、无法反映真实的密码特性、无法用于ARX类算法。
（1）适用性：模型精确刻画可能的差分路线、可用于不超过5-bit S盒算法的搜索、可用于SIMON差分路线的搜索、可用于相关密钥差分路线搜索。
（2）局限性：长轮数算法效率问题、大S盒算法、大状态算法适用性问题、ARX类算法、不是面向概率的优化。
（1）适用性：适用于ARX类算法、模型直观、使用方便、给出算法差分概率的初步估计。
（2）局限性：STP求解器预编译为CNF，长轮数、大状态算法效率问题，依赖马尔可夫假设。
（1）适用性：解决了比特级分离特性的自动化搜索、支持AND-RX算法。
（2）局限性：没有用于复杂线形层算法、不支持ARX类算法。
NeuroSAT无法直接应用于密码分析中的SAT问题。
研究动机：①密码分析中考虑的SAT问题仅占据所有SAT问题的一小部分；②密码算法的迭代结构导致图的相似性。