异或算法——简单实用的数据加密方法

简介: 异或算法或许是最简单实用的数据加密方法

异或

异或算法的好处便是数A和数B异或后,把结果再和数A异或便可得到B,或者和数B异或可重新得到数据A。利用异或的这个特性可简单实现数据的加密和解密算法。

构建加密机加密

加密机实际上便是异或中的其中一个数,可以根据自己的需要随意构建。例如我可以构建如下加密机:

const int EncodeMachine[10] = {0x01,0x02,0x03,0x04,0x05,0x06,0x07,0x08,0x09,0x0A};

我需要加密的数据为:

int RawData[10] = {0x68, 0x12, 0x34, 0x56, 0x78, 0x89, 0x0A, 0X0B, 0X0C, 0X0D};

只需要执行如下算法即可

#define MAX_TEST_NUM 10;
int main()
{
    int EncodeData[MAX_TEST_NUM] = {0};
    int DecodeData[MAX_TEST_NUM] = {0};
    int i;

    printf("加密数据为:");
    for (i=0;i<MAX_TEST_NUM;i++)
    {
        EncodeData[i] = RawData[i]^EncodeMachine[i];
        printf("0x%02x ",EncodeData[i]);
    }

    printf("\r\n");
    
    printf("解密数据为:");
    for(i=0;i<MAX_TEST_NUM;i++)
    {
        DecodeData[i] = EncodeData[i]^EncodeMachine[i];
        printf("0x%02x ",DecodeData[i]);
    }
}

image.png

上图为运行结果,可以看到数据被解密出来。
如果把加密机中的数据随意写为:

const int EncodeMachine[10] = {0xFE,0xA2,0x41,0x69,0xBC,0xFE,0x7A,0xB8,0x39,0x5A};

可以看到加密的数据毫无规律,但是仍然可以解密出原始数据。
image.png

相关文章
|
20天前
|
算法 数据安全/隐私保护 计算机视觉
基于二维CS-SCHT变换和LABS方法的水印嵌入和提取算法matlab仿真
该内容包括一个算法的运行展示和详细步骤,使用了MATLAB2022a。算法涉及水印嵌入和提取,利用LAB色彩空间可能用于隐藏水印。水印通过二维CS-SCHT变换、低频系数处理和特定解码策略来提取。代码段展示了水印置乱、图像处理(如噪声、旋转、剪切等攻击)以及水印的逆置乱和提取过程。最后,计算并保存了比特率,用于评估水印的稳健性。
|
20天前
|
算法 数据安全/隐私保护
对称密钥加密算法和公开密钥加密算法有什么区别
【4月更文挑战第19天】对称密钥和公开密钥加密算法各有特点:对称密钥加密速度快,适用于大量数据,但密钥管理困难;公开密钥加密安全性高,密钥管理方便,但速度慢,常用于数字签名和身份验证。两者在不同场景下有不同优势。
48 6
|
13天前
|
存储 算法
【软件设计师】常见的算法设计方法——递推法
【软件设计师】常见的算法设计方法——递推法
|
2天前
|
数据安全/隐私保护 算法 安全
数据加密有哪些方法?
【6月更文挑战第2天】数据加密有哪些方法?
9 3
|
6天前
|
算法 数据安全/隐私保护 C++
基于二维CS-SCHT变换和扩频方法的彩色图像水印嵌入和提取算法matlab仿真
该内容是关于一个图像水印算法的描述。在MATLAB2022a中运行,算法包括水印的嵌入和提取。首先,RGB图像转换为YUV格式,然后水印通过特定规则嵌入到Y分量中,并经过Arnold置乱增强安全性。水印提取时,经过逆过程恢复,使用了二维CS-SCHT变换和噪声对比度(NC)计算来评估水印的鲁棒性。代码中展示了从RGB到YUV的转换、水印嵌入、JPEG压缩攻击模拟以及水印提取的步骤。
|
13天前
|
算法
【软件设计师】常见的算法设计方法——穷举搜索法
【软件设计师】常见的算法设计方法——穷举搜索法
|
13天前
|
机器学习/深度学习 监控 算法
【软件设计师】常见的算法设计方法——迭代法
【软件设计师】常见的算法设计方法——迭代法
|
20天前
|
算法
【免费】基于SOE算法的多时段随机配电网重构方法
【免费】基于SOE算法的多时段随机配电网重构方法
|
20天前
|
机器学习/深度学习 自然语言处理 算法
深度解析深度学习中的优化算法:从梯度下降到自适应方法
【4月更文挑战第28天】 在深度学习模型训练的复杂数学迷宫中,优化算法是寻找最优权重配置的关键导航者。本文将深入探讨几种主流的优化策略,揭示它们如何引导模型收敛至损失函数的最小值。我们将比较经典的批量梯度下降(BGD)、随机梯度下降(SGD)以及动量概念的引入,进一步探索AdaGrad、RMSProp和Adam等自适应学习率方法的原理与实际应用。通过剖析这些算法的理论基础和性能表现,我们旨在为读者提供一个关于选择合适优化器的参考视角。
|
20天前
|
算法
异或算法
异或算法