Kryptografische Probleme, die innerhalb binärer Variablenräume operieren, können routinemäßig in Boolesche Erfüllbarkeitsprobleme (SAT) hinsichtlich spezifischer kryptografischer Bedingungen wie der Übereinstimmung von Klartext und Chiffretext umgewandelt werden. Mit der schnellen Entwicklung des Lernens für diskrete Daten erleichtert diese SAT-Darstellung auch die Nutzung von maschinellen Lernansätzen in der Hoffnung, Muster und Strategien, die in kryptografischen Strukturen vorhanden sind, auf datengetriebene Weise automatisch zu erfassen. Bestehende neurale SAT-Löser verwenden konsequent die konjunktive Normalform (CNF) zur Instanzdarstellung, die im kryptografischen Kontext zu einer Skalierungsexplosion und einem Verlust an hochrangiger Semantik führen kann. Insbesondere können häufig verwendete XOR-Operationen in kryptografischen Problemen eine exponentielle Anzahl von Klauseln verursachen. In diesem Papier schlagen wir eine Graphstruktur basierend auf arithmetischer Normalform (ANF) vor, um den Engpass bei XOR-Operationen effizient zu bewältigen. Darüber hinaus entwerfen wir eine Kodierungsmethode für AND-Operationen in diesen ANF-basierten Graphen, die eine verbesserte Effizienz im Vergleich zu alternativen allgemeinen Graphformen für SAT demonstriert. Anschließend schlagen wir CryptoANFNet vor, einen graphbasierten Lernansatz, der einen Klassifikator auf der Grundlage eines Nachrichtenaustauschschemas trainiert, um die Erfüllbarkeit von Klartext-Chiffretext vorherzusagen.