摘要：密码体制识别是指在已知密文条件下,通过分析密文中潜在的各类特征信息达到区分或识别其加密算法的过程,是现实中开展深层次密码分析的重要前提.基于机器学习的密码体制识别方法通过提取密文特征训练机器学习算法模型构建密码体制识别分类器,具有识别准确率高、操作流程简明且实用性强的特点,目前已成为密码体制识别领域的主流方法.本文基于NIST的随机性测试标准重新设计密文特征提取方法,进而提出了一种基于随机森林分类算法的密码体制识别方案.实验表明,该方案可以有效区分明密文以及分组密码不同模式(ECB模式与CBC模式)加密的密文,并以明显高于随机的的识别准确率完成对AES、DES、3DES、IDEA、Blowfish和Camellia共计六种密码体制的两两区分实验.大多数基于随机性测试的密文特征具有识别不同密码体制加密密文的能力,与现有的密文特征相比,本文提出的部分密文特征可以在较少的数据量下达到较高识别准确率.相关研究可以为进一步探索密文特征提取技术与密码体制识别方案提供参考.