这篇文章介绍了20243408 2025-2026-2 《Python程序设计》综合实践报告，分享给大家做个参考，收藏极客资料网收获更多编程知识

20243408 2025-2026-2 《Python程序设计》综合实践报告

课程：《Python程序设计》
班级：2434
姓名：梁灏
学号：20243408
实验教师：王志强
实验日期：2026年5月25日
必修/选修：公选课

1. 实验内容

1.1 项目名称

基于GAN的密码学S-Box生成与评估系统

1.2 项目源代码

已全部上传至Gitee。链接：https://gitee.com/lucaslianghao/sbox

1.3 项目简介

本综合实践基于本人参与的大学生创新创业项目，已于2026年完成结项，定级市级项目。本项目旨在综合运用Python程序设计所学的知识，完成一个完整的、具有实际应用价值的项目。具体要求如下：

1. 基于生成对抗网络（GAN）技术，设计并实现一个密码学S-Box自动生成系统。

2. 集成多种主流GAN架构（Original GAN、DCGAN、WGAN-GP、WGP-IM、CGAN），支持一键训练和模型切换。

3. 实现S-Box密码学性能的全面评估，包括非线性度、差分均匀度、代数次数、SAC、BIC等核心指标。

4. 利用Matplotlib/Seaborn实现多维度的可视化分析，包括雷达图、热力图、多模型对比图等。

5. 支持CSV、JSON、Excel等多种格式的数据导出，便于后续分析。

6. 提供AES标准S-Box基准对比，量化生成S-Box的密码学质量。

2. 实验分析

2.1 背景与意义

S-Box（Substitution Box，替换盒）是分组密码算法中的核心非线性组件，直接影响密码算法的安全性。AES（高级加密标准）的S-Box以其优秀的密码学性能闻名：非线性度达到112（上界120）、差分均匀度仅为4（最小2）、代数次数为7（最大值），是目前最经典和最安全的S-Box设计之一。

然而，传统S-Box设计方法（如有限域求逆+仿射变换、混沌系统、遗传算法等）存在设计周期长、优化困难、缺乏多样性等问题。近年来，生成对抗网络（GAN）在图像生成、文本生成等领域取得巨大成功，其强大的数据分布学习能力使其成为S-Box生成的潜在方法。

本实验的核心思路是：利用GAN学习高质量S-Box（如AES、SM4）的数据分布，从而自动生成具有优良密码学性能的新型S-Box。这涉及到密码学、深度学习、数据可视化等多个领域的交叉融合，是Python综合编程能力的全面检验。

2.2 技术分析

关键技术点包括：

1. 密码学：S-Box构造理论、仿射等价变换、密码学指标计算（Walsh-Hadamard变换、差分分布表、代数正规形式）

2. 深度学习：五种GAN架构的生成器与判别器网络设计、对抗训练策略

3. 数据处理：基于NumPy/Pandas的大规模S-Box批量生成、评估和统计分析

4. 数据可视化：基于Matplotlib/Seaborn的多维密码学指标可视化

2.3 系统架构设计

基于面向对象设计原则，系统采用模块化分层架构：

• core层：提供密码学计算核心、GAN模型定义、损失函数等基础组件
• modules层：封装训练器、评估器、导出器和可视化器等高层功能模块
• main层：主控程序，整合所有功能并提供交互式菜单界面

这种架构保证了代码的高内聚、低耦合特性，便于单独测试和维护各功能模块。

3. 实验设计与实现

3.1 项目结构

Sbox/
├── main.py                         # 主程序入口（功能1：训练；功能2：全流程自动化）
├── requirements.txt                # 项目依赖配置
├── core/                           # 核心功能层
│   ├── crypto/                     # 密码学模块
│   │   ├── crypto.py              # S-Box生成与数据集优化
│   │   ├── aes_sbox.py            # AES S-Box基准
│   │   ├── sbox_analyzer.py       # 密码学指标分析器
│   │   └── enhanced_sbox_generator.py  # 增强生成器
│   ├── models/                     # GAN模型定义
│   │   ├── gan_original.py        # 原始GAN
│   │   ├── gan_dcgan.py           # DCGAN
│   │   ├── gan_wgp_im.py          # WGAN-GP改进版
│   │   ├── gan_cgan.py            # 条件GAN
│   │   ├── generator.py           # WGAN-GP生成器
│   │   └── discriminator.py       # WGAN-GP判别器
│   └── utils/                      # 工具模块
│       ├── losses.py              # GAN损失函数
│       └── crypto_losses.py       # 密码学专用损失
├── modules/                        # 功能模块层
│   ├── trainer.py                 # GAN训练模块
│   ├── evaluator.py               # S-Box评估模块
│   ├── visualizer.py              # 可视化模块
│   ├── exporter.py                # 数据导出模块
│   └── report_helper.py           # 报告生成辅助
├── results/                        # 输出结果目录
│   ├── original_gan/              # 各GAN模型训练结果
│   ├── dcgan/
│   ├── wgan_gp/
│   ├── cgan/
│   ├── wgp_im/
│   ├── charts/                    # 可视化图表
│   ├── export/                    # 导出数据文件
│   └── pipeline_*/                # 流程运行结果
└── 

3.2 密码学核心实现

3.2.1 AES S-Box构造

AES S-Box基于有限域GF(2^8)上的乘法逆元与仿射变换构造。核心代码位于 aes_sbox.py

# AES S-Box生成：GF(2^8)求逆 + 仿射变换
def generate_aes_sbox():
    sbox = np.zeros(256, dtype=np.uint8)
    for i in range(256):
        inv = _gf_inverse(i, AES_MOD_POLY)      # 步骤1: GF(2^8)求逆
        sbox[i] = affine_transform(inv, AES_AFFINE_A, AES_AFFINE_B)  # 步骤2: 仿射变换
    return sbox

其中，仿射变换的核心是有限域上的矩阵运算：

def affine_transform(x, A, b):
    x_vec = np.array([(x >> i) & 1 for i in range(8)], dtype=np.uint8)
    Ax = (A @ x_vec) % 2                          # 矩阵乘法 mod 2
    y_vec = (Ax + b) % 2                          # 加偏移 mod 2
    y = 0
    for i in range(8):
        y |= y_vec[i] << i                        # 位拼接恢复整数值
    return y

3.2.2 密码学指标分析器

系统通过sbox_analyzer.py实现完整的密码学指标计算，使用Numba JIT编译加速核心计算：

class SBoxAnalyzer:
    """S-Box密码学分析器，支持5大核心指标计算"""
    
    @staticmethod
    @jit(nopython=True)
    def _compute_ddt_core(sbox_np, size):
        """差分分布表（DDT）计算 - JIT加速"""
        ddt = np.zeros((size, size), dtype=np.uint16)
        for x in range(size):
            for dx in range(size):
                dy = sbox_np[x] ^ sbox_np[x ^ dx]
                ddt[dx, dy] += 1
        return ddt

    def nonlinearity(self):
        """基于Walsh-Hadamard变换计算非线性度"""
        lat = self.compute_lat()
        max_abs_bias = np.max(np.abs(lat[1:]))
        return (self.size // 2) - max_abs_bias
    
    def algebraic_degree(self):
        """基于代数正规形式（ANF）计算代数次数"""
        all_anf_coeffs = self._get_all_anf_coeffs()
        max_degree = 0
        for anf in all_anf_coeffs:
            for i in range(1, self.size):
                if anf[i] != 0:
                    term_degree = bin(i).count('1')  # 计算项中变量的数量
                    degree = max(degree, term_degree)
            max_degree = max(max_degree, degree)
        return max_degree

指标说明：

• 非线性度：通过线性逼近表（LAT）的最大绝对值偏差计算。AES S-Box的非线性度为112（上界120）。
• 差分均匀度：通过差分分布表（DDT）的非零输入差分最大条目计算。AES S-Box的差分均匀度为4（最小值2）。
• 代数次数：通过代数正规形式中最高次项计算。AES S-Box的代数次数为7（最大值）。

3.2.3 训练数据集优化策略

为确保GAN生成高质量的S-Box，系统在crypto.py中实现了三阶段数据集生成策略：

def generate_dataset(base_sboxes, num_samples):
    """
    三阶段优化数据集生成
    
    Phase 1: 添加原始基准S-Box（AES、SM4）- 保证质量锚点
    Phase 2: 生成仿射等价S-Box并质量过滤 - 保持密码学强度
    Phase 3: 应用增强变换（逆组合、位置换、受控交换、循环移位）
    """
    # Phase 1: 高质量基准
    for idx, sbox in enumerate(base_sboxes):
        if len(sbox) == 256:
            dataset.append(np.array(sbox, dtype=np.uint8))
    
    # Phase 2: 仿射等价变换（保持密码学性质）
    for attempt in range(max_affine_attempts):
        new_sbox = generate_affine_equivalent_sbox(base_sbox)
        if len(np.unique(new_sbox)) != 256:  # 双射性验证
            continue
        # ... 质量检查与去重
    
    # Phase 3: 增强变换（可控扰动）
    # _apply_inverse_composition: GF(2^8)逆元素组合
    # _apply_bit_permutation: 比特级置换
    # _apply_controlled_swaps: 受控对交换
    # _apply_cyclic_shift_variant: 循环移位变体

仿射等价变换是S-Box生成的关键技术。两个S-Box是仿射等价的，当且仅当存在可逆仿射变换将其中一个映射为另一个。仿射等价保持核心密码学性质（非线性度、差分均匀度），因此是生成高质量S-Box变体的标准方法。

3.3 GAN模型架构设计

系统支持5种主流GAN架构，每种都有特定的生成器(Generator)和判别器(Discriminator)网络结构。

3.3.1 WGAN-GP（主力架构）

WGAN-GP是系统的核心架构，其生成器使用转置卷积+自注意力机制，判别器使用卷积网络+LeakyReLU。代码核心结构如下：

1. generator.py- 生成器网络：

class Generator(nn.Module):
    """
    S-Box生成器：噪声 → 全连接层 → 转置卷积 → 自注意力 → 输出256维S-Box
    """
    def __init__(self, noise_dim=256, output_dim=256, base_channels=64):
        super(Generator, self).__init__()
        self.fc = nn.Linear(noise_dim, self.initial_channels * 4 * 4)   # 噪声投影
        self.conv1 = nn.ConvTranspose2d(..., kernel_size=4, stride=2)   # 上采样1
        self.attn = SelfAttention(in_dim=base_channels * 4)              # 自注意力
        self.conv2 = nn.ConvTranspose2d(..., kernel_size=4, stride=2)   # 上采样2
        self.tanh = nn.Tanh()                                           # 输出归一化
        
    def forward(self, z):
        # 噪声 → FC → 重塑为4×4特征图 → 上采样到8×8 → 自注意力 → 上采样到16×16
        # 最终reshape为256维S-Box向量

SelfAttention机制能捕获特征图中远距离像素之间的依赖关系，对于S-Box这种需要全局一致性的数据尤为重要。

2. discriminator.py- 判别器网络：

class Discriminator(nn.Module):
    """
    S-Box判别器：256维输入 → 重塑16×16 → 卷积下采样 → 标量评分
    """
    def __init__(self, input_dim=256, base_channels=64):
        super(Discriminator, self).__init__()
        self.reshape = nn.Unflatten(1, (1, 16, 16))                    # 重塑为2D
        self.conv_blocks = nn.Sequential(
            nn.Conv2d(1, 64, 4, 2, 1),   # 16×16→8×8
            nn.LeakyReLU(0.2),
            nn.Conv2d(64, 128, 4, 2, 1), # 8×8→4×4
            nn.LeakyReLU(0.2),
            nn.Conv2d(128, 256, 4, 1, 0), # 4×4→1×1
            nn.LeakyReLU(0.2)
        )
        self.fc = nn.Linear(256, 1)  # 输出Wasserstein距离评分

3.3.2 其他架构

架构	特点	应用场景
Original GAN	经典架构，使用BCE损失	基线对比
DCGAN	批归一化+转置卷积，训练更稳定	特征学习
WGAN-GP	Wasserstein距离+梯度惩罚，训练稳定	主力模型
WGP-IM	WGAN改进版，增强多样性	多样性生成
CGAN	条件输入，可指定S-Box类型	定向生成

3.3.3 统一训练框架

trainer.py中实现了一个统一的训练调度器，可根据model_type参数自动选择对应的网络结构：

class GANTrainer:
    """统一GAN训练调度器，支持5种架构"""
    SUPPORTED_MODELS = ['original_gan', 'dcgan', 'wgan_gp', 'wgp_im', 'cgan']
    
    def _build_models(self):
        """根据model_type自动构建对应的生成器和判别器"""
        if self.model_type == 'original_gan':
            self.generator = OriginalGANGenerator(...)
        elif self.model_type == 'dcgan':
            self.generator = DCGANGenerator(...)
        elif self.model_type in ['wgan_gp', 'wgp_im']:
            self.generator = Generator(...)  # WGAN-GP架构
        elif self.model_type == 'cgan':
            self.generator = CGANGenerator(...)
    
    def train_model(self, epochs=100, batch_size=64, ...):
        """统一训练流程：数据准备 → 对抗训练 → 结果保存"""
        dataloader = self._prepare_dataset(batch_size=batch_size)
        # 对抗训练循环（判别器与生成器交替更新）
        for epoch in range(1, epochs + 1):
            for real_sboxes, labels in dataloader:
                # 步骤1: 训练判别器
                # 步骤2: 训练生成器
                # 步骤3: 可选梯度惩罚（WGAN-GP）

3.4 评估与导出模块

3.4.1 S-Box批量评估器

evaluator.py实现了单次和批量S-Box评估，并与AES基准自动对比：

class SBoxEvaluator:
    CORE_METRICS = ['nonlinearity', 'differential_uniformity', 
                    'algebraic_degree', 'sac_average', 'bic_average']
    
    def evaluate_sbox(self, sbox, sbox_name=None):
        """评估单个S-Box的所有密码学指标"""
        analyzer = SBoxAnalyzer(sbox)
        metrics = analyzer.evaluate()
        # 与AES基准对比，计算差值
        aes_metrics = self.aes_baseline.get_metrics()
        result['nl_diff'] = metrics['nonlinearity'] - aes_metrics['nonlinearity']
        # ...
        return result
    
    def evaluate_sboxes(self, sbox_list, names=None, show_progress=True):
        """批量评估多个S-Box，返回DataFrame"""
        for sbox, name in tqdm(zip(sbox_list, names)):
            result = self.evaluate_sbox(sbox, sbox_name=name)
            results.append(result)
        return pd.DataFrame(results)

3.4.2 多格式导出器

exporter.py支持CSV、JSON、Excel三种格式的数据导出：

class SBoxExporter:
    def export_to_csv(self, sbox_list, metrics_df=None):
        """导出S-Box和评估指标为CSV格式"""
        
    def export_to_json(self, sbox_list, metrics_df=None):
        """导出为JSON结构化数据"""
        
    def export_to_excel(self, sbox_list, metrics_df=None):
        """导出为Excel多工作表文件"""
        
    def batch_generate_and_export(self, generator_path, num_boxes=10, ...):
        """批量生成+评估+导出的一体化流程"""

3.4.3 AES基准对比系统

aes_sbox.py中预置了AES S-Box的标准值和所有密码学指标，支持与GAN生成S-Box的自动化对比：

class AESSboxBaseline:
    # 标准AES S-Box（256字节，十六进制）
    AES_SBOX = np.array([
        0x63, 0x7c, 0x77, 0x7b, 0xf2, 0x6b, 0x6f, 0xc5, ...], dtype=np.uint8)
    
    # 预计算的密码学指标（避免重复计算）
    # nonlinearity: 112, differential_uniformity: 4
    # algebraic_degree: 7, sac: ~0.5, bic: ~0.5
    
    @classmethod
    def compare_with_gan_sbox(cls, gan_sbox_metrics):
        """对比GAN生成S-Box与AES的差距"""
        comparison = {}
        for key in ['nonlinearity', 'differential_uniformity', ...]:
            diff = gan_sbox_metrics[key] - aes_metrics[key]
            comparison[f'{key}_diff'] = diff
        return comparison

3.5 可视化模块

系统通过visualizer.py提供了8种可视化图表类型，全面展示S-Box的密码学性能：

3.5.1 训练过程可视化

def plot_training_curves(self, loss_dict, ...):
    """绘制GAN训练损失曲线（Generator Loss vs Discriminator Loss）
    包含趋势分析和收敛状态判断
    """
    ax.plot(epochs, g_losses, label='Generator Loss', color='#2196F3', ...)
    ax.plot(epochs, d_losses, label='Discriminator Loss', color='#F44336', ...)

3.5.2 单模型雷达图

def plot_metrics_radar(self, metrics_df, ...):
    """绘制雷达图展示单个模型的5维密码学指标
    支持同时对比多个S-Box实例
    自动将各指标归一化到0-100范围便于直观比较
    """
    categories = ['非线性度', '差分均匀度\n(反向)', '代数次数', 'SAC均值', 'BIC均值']
    # 对各指标进行归一化处理
    # nonlinearity → /112*100, differential_uniformity → 反向归一化
    # sac/bic → 越接近0.5越好

图3.1 单模型雷达图(WGP_IM)

3.5.3 S-Box热力图

def plot_sbox_heatmap(self, sbox, ...):
    """将256维S-Box重塑为16×16矩阵，以热力图形式可视化
    右侧面板显示统计信息（最小/最大/均值/标准差/中位数）
    使用GridSpec布局防legend遮挡
    """
    gs = fig.add_gridspec(1, 2, width_ratios=[4, 1], wspace=0.05)
    ax_heatmap = fig.add_subplot(gs[0])  # 热力图
    ax_stats = fig.add_subplot(gs[1])     # 统计信息

图3.2 单模型热力图(WGP_IM)

3.5.4 多模型对比图

def plot_multi_model_radar_comparison(self, all_metrics_dict, ...):
    """多模型雷达对比图：每个模型用不同颜色多边形表示
    直观比较5种GAN架构在不同指标上的表现
    """
    
def plot_generation_time_comparison(self, timing_data, ...):
    """生成时间效率对比图
    左侧：各阶段（生成/评估/可视化/导出）耗时详细对比
    右侧：总处理时间排名
    """

图3.3 多模型对比图

3.5.5 时间效率对比

图3.4 时间效率对比图

3.5.6 图表类型总览

图表类型	功能	输出示例
训练损失曲线	展示G/D损失随epoch变化趋势	training_curve_*.png
单模型雷达图	5维密码学指标雷达对比	*_radar.png
S-Box热力图	16×16矩阵可视化+统计信息	*_heatmap.png
多模型柱状对比	各模型5指标柱状图	multi_model_comparison_*.png
多模型雷达对比	各模型5指标雷达叠加	*_multi_model_radar.png
时间效率对比	各阶段耗时+总排名	*_time_comparison.png
Loss分布图	各模型最终G/D Loss对比	loss_distribution_*.png

3.6 主程序整合

main.py作为主控程序，通过面向对象的 SBoxSystem 类整合所有功能，并提供两个核心功能入口：

class SBoxSystem:
    """主系统类，整合所有功能模块"""
    
    def __init__(self):
        self.trainer = None
        self.evaluator = SBoxEvaluator()
        self.exporter = SBoxExporter()
        self.visualizer = SBoxVisualizer()
        self.aes_baseline = AESSboxBaseline()
    
    # 功能1：一键训练全部5种GAN架构
    def train_all_models_interactive(self):
        """用户设置训练参数 → 依次训练5种模型 → 保存结果"""
    
    # 功能2：全流程自动化
    def full_auto_pipeline(self):
        """S-Box生成 → 密码学评估 → 可视化图表 → 数据导出 → AES对比
        单个模型执行5个步骤，所有模型执行完成后统一对比"""
    
    def run(self):
        """主循环：显示菜单 → 用户选择 → 执行功能"""

功能2的完整处理流程：

选择模型 → 第1个模型 → [生成S-Box → 密码学评估 → 可视化 → 导出] → 第2个模型 → ... → 全部完成后:
    → 多模型综合对比雷达图
    → 生成时间效率对比图  
    → 指标热力矩阵图
    → 双射率分析图
    → AES差距深度分析图
    → 性能分布箱线图
    → 综合摘要报告

4. 实验结果

4.1 程序运行示例

系统启动后将显示欢迎界面和主菜单：

===================================================
      基于GAN的密码学S-Box生成与评估系统
      S-Box Generation & Evaluation System based on GAN

      核心功能:
      ◆ 一键训练5种GAN架构模型
      ◆ 自动化S-Box生成+评估+可视化+导出
      ◆ AES基准对比与性能分析
      ◆ 多格式输出 (CSV/JSON/Excel)
===================================================

=======================主菜单 (Main Menu)=======================
1. 训练GAN模型 (Train All GAN Models) → 一键训练全部5种架构
2. S-Box全流程自动化 (Full Auto Pipeline) → 生成 + 评估 + 可视化 + 导出 + 对比
0. 退出系统 (Exit System) → 退出系统

4.2 GAN模型训练结果

训练过程中，系统实时输出损失值变化，并使用tqdm进度条显示每轮训练进度：

[开始训练] 模型类型: wgan_gp
  - 训练轮数: 50
  - 批次大小: 64
  - 学习率(G/D): 0.0002/0.0002

Epoch 1/50: 100%|██████████████| 16/16 [00:03<00:00, 4.52it/s]
Epoch 50/50: 100%|█████████████| 16/16 [00:02<00:00, 5.61it/s]

[训练总结] 成功: 5/5 个模型

已保存的训练结果:
  - results/original_gan/generator_final.pth
  - results/dcgan/generator_final.pth
  - results/wgan_gp/generator_final.pth
  - results/wgp_im/generator_final.pth
  - results/cgan/generator_final.pth

4.3 密码学性能评估结果

训练完成后，系统自动对每个模型生成的S-Box进行5项核心密码学指标评估：

[AES基准指标]
  非线性度: 112.00         ← 接近Bent函数上界120
  差分均匀度: 4.00          ← 最大差分概率2^-6
  代数次数: 7.00            ← 达到最大值
  SAC均值: 0.5000           ← 严格雪崩准则
  BIC均值: 0.5000           ← 比特独立准则

[各模型平均性能对比]
  模型: ORIGINAL_GAN   非线性度: 96.40  差分均匀度: 8.20
  模型: DCGAN          非线性度: 95.45  差分均匀度: 8.35
  模型: WGAN_GP        非线性度: 100.33  差分均匀度: 7.41
  模型: WGP_IM         非线性度: 98.10  差分均匀度: 7.90
  模型: CGAN           非线性度: 97.22  差分均匀度: 8.10

4.4 可视化图表输出

系统自动生成的可视化图表保存在 results/charts/ 目录下：

• 训练损失曲线图：直观展示生成器与判别器的对抗训练收敛过程
• 各模型雷达图：5维指标的多边形对比
• S-Box热力图：16×16矩阵的颜色映射可视化
• 多模型对比雷达图：叠加展示5种架构的性能差异
• 时间效率对比图：左右双面板展示各阶段耗时分布和总排名

4.5 数据导出文件

系统自动导出CSV和JSON双格式的S-Box数据文件，包含：

• S-Box原始值（256维整数数组）
• 密码学评估指标
• 与AES基准的差值分析

4.6 项目运行实例(视频)

5. 实验过程中遇到的问题和解决过程

问题1：热力图图例遮挡问题

在生成热力图时，右侧colorbar图例会与统计信息面板重叠，导致图表不可读。

解决方案：重新设计布局方案。将原先的单一面板改为使用 GridSpec 双面板布局，热力图区域和统计信息区域分离，同时在GridSpec中设置 width_ratios=[4, 1] 确保合理的空间分配，并调整 wspace=0.05 保持紧凑美观。

gs = fig.add_gridspec(1, 2, width_ratios=[4, 1], wspace=0.05)
ax_heatmap = fig.add_subplot(gs[0])  # 热力图
ax_stats = fig.add_subplot(gs[1])     # 右侧统计面板

问题2：多格式文件加载兼容性

用户可能需要加载不同格式的S-Box文件（.npy, .csv, .json），如果格式不统一会导致解析错误。

解决方案：在main.py中实现通用的文件加载器 load_sbox_from_file()，根据文件扩展名自动选择解析策略，并处理多种数据组织结构（如CSV中的 sbox_values 列、JSON中的 values 字段等）。

6. 课程总结与感想体会

6.1 课程学习总结

通过本学期《Python程序设计》课程的学习，我从Python基础语法入门，逐步掌握了以下核心技能：

1. 编程基础：变量与数据类型、控制流（分支和循环）、函数定义和模块化编程、面向对象编程。
2. 数据处理：使用NumPy进行数组运算和矩阵操作，使用Pandas进行数据分析和统计，掌握了数据筛选、聚合、透视等基本方法。
3. 数据可视化：运用Matplotlib和Seaborn生成各种图表（折线图、柱状图、雷达图、热力图等），并能根据需求自定义图表样式和布局。
4. 机器学习和深度学习：学习了神经网络的基本原理（前向传播、反向传播、损失函数），学习了PyTorch框架的使用。
5. 版本控制：掌握了Git的基本操作（init、add、commit、push、pull），能够将代码托管到Gitee平台进行版本管理。
6. 开发工具：熟练使用PyCharm IDE进行代码编写、调试和项目管理，能够在命令行环境中运行和测试Python程序。

6.2 综合实践体会

本次综合实践项目是课程学习成果的集中体现。开发基于GAN的密码学S-Box生成与评估系统的过程中，我深刻体会到：

（1）理论与实践的结合：密码学中的S-Box设计理论（有限域运算、仿射变换、Walsh-Hadamard变换等）与深度学习技术（GAN、卷积网络、自注意力机制）的结合并非简单的技术叠加，而是需要在理解双方原理的基础上找到合理的结合点。例如，将256维的S-Box重塑为16×16矩阵输入卷积网络，就是考虑了S-Box作为8×8置换表的内在结构特点。

（2）工程化思维的重要性：一个完整的项目不仅需要核心功能能跑通，还需要考虑架构设计、模块划分、错误处理、用户交互等多方面因素。本项目中采用的分层架构（core/modules/main）和面向对象设计，使得代码具有良好的扩展性和可维护性。

（3）调试能力的成长：在开发过程中遇到的各类错误（类型错误、维度不匹配、Pandas操作歧义、matplotlib布局问题等）让我真正体会到调试能力是编程能力的核心组成部分。学会阅读错误信息、定位问题根源、查阅文档、设计修复方案，是整个实验中最有价值的学习过程。

（4）AI辅助编程的体验：在实验过程中，我使用了LLM辅助代码生成和调试，体验到了AI在代码生成、错误修复、文档编写方面的效率提升。同时也认识到，理解代码原理、做出正确设计决策仍然是人类开发者的核心价值。

6.3 对本课程的意见和建议

1. 适当增加算法与数据结构的实践：Python在实际项目中常常涉及复杂的数据处理流程，适当补充算法复杂度分析、数据结构选择等内容会更有帮助。

2. 增加团队协作项目：目前的实验以个人为主，如果能引入小组协作项目（如使用Git进行团队协作开发），将更贴近实际工作场景。

3. 推荐继续保持AI辅助编程的教学：AI工具已成为现代软件开发的标配，课程中引导学生正确使用AI工具（而非禁用）是非常前瞻的做法。

7. 参考资料

1. 舒瑞，等. 基于生成对抗网络模型的S盒构造方法.
2. 程琴琴. 基于智能计算的S盒构造与分析.
3. 闫庆文. 分组密码S盒的设计与应用研究.
4. 殷新春，等. 基于遗传算法的S盒的构造.
5. 金晨辉，等. AES密码算法S盒的线性冗余研究.
6. 冷永清，等. S盒密码学指标自动评估系统设计与实现.
7. 李莹，等. 新型数字域混沌系统的设计及其在S盒构造中的应用研究.
8. 刘坤尧，等. SMS4算法S盒的一种极紧凑实现方法.
9. Design of S-boxes based on neural networks. IEEE Access.
10. A Style-Based Generator Architecture for Generative Adversarial Networks. CVPR.
11. Improved Procedures for Training Primal Wasserstein GANs. ICLR.
12. Goodfellow I, et al. Generative Adversarial Networks. NeurIPS 2014.
13. Daemen J, Rijmen V. The Design of Rijndael: AES - The Advanced Encryption Standard.
14. Nyberg K. Differentially uniform mappings for cryptography. EUROCRYPT 1993.

文章来源:https://www.cnblogs.com/lucas-liangpi/p/20247026
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系邮箱：jacktools123@163.com进行投诉反馈，一经查实，立即删除！