Desain Kriftografi Berbasis Graf Temporal Berbobot

GNN memanfaatkan kemampuan deep learning untuk menganalisis struktur graf. GNN digunakan untuk memodelkan kriptografi berbasis perilaku.

Aplikasi lebih sering diarahkan ke pengenalan pola dalam data terenkripsi.

b. Kelebihan:

1. Sangat fleksibel dan cocok untuk dataset besar dengan struktur kompleks.

2. Dapat digunakan untuk mendeteksi anomali dalam protokol kriptografi atau data terenkripsi.

c. Kekurangan:

1. Kurang Efisien untuk Enkripsi: GNN lebih cocok untuk analisis data daripada untuk enkripsi langsung.

2. Membutuhkan daya komputasi tinggi untuk pelatihan model.

3. Tergantung pada keberadaan dataset besar untuk pembelajaran.

d. Aplikasi:

1. Deteksi serangan terhadap protokol keamanan.

2.