标签：图片 orm 机器学习 算法 情况下 log sky 私钥 傅立叶变换
在所有后量子密码体制中，格是研究最活跃和最灵活的。它们具有很强的安全性，能够进行密钥交换、数字签名，以及构造出像全同态加密这样复杂的算法。尽管格密码体制的优化和安全性都需要非常复杂的数学证明，但基本思想只需要基本的线性代数。假设你有一个如下线性方程组：
求解x是一个经典的线性代数问题，可以用高斯消元法快速求解。另一种思考方式是我们有一个神秘的函数，
给定向量a，我们在不知道x的情况下，得到了ax的结果，在查询这个函数足够多次之后，我们可以在短时间内学习f（通过求解上面的方程组）。通过这种方式，我们可以将线性代数问题重新定义为机器学习问题。
现在，假设我们在函数中引入了少量噪音，即在x和a相乘之后，我们加上一个误差项e，然后整体模上一个（中等大小的）素数 q，最后我们包含噪音的神秘函数看起来是这样的：
学习这种带噪音的神秘函数已经在数学上被证明是极其困难的。直觉告诉我们，在这种情况下使用高斯消元，它的每一步都会使误差项e变得越来越大，直到它超过关于函数的所有有用信息。在密码学文献中，这被称为错误学习问题（LWE）。
基于LWE的密码学之所以被称为是基于格的密码学，是因为LWE的困难性证明依赖于这样一个事实，即在格中找到最短向量，已知它属于NP-hard问题。在这里，我们不会深入讨论格的数学问题，但我们可以把格看作是n维空间的平铺图：
格是由坐标向量表示的。在上面的例子中，通过结合e1、e2和e3（通过法向量加法）可以到达格中的任何点。最短向量问题（SVP）：给定一个格，找到向量长度最短的元素。这很难直观的原因是因为并非所有给定格的坐标系都同样易于使用。在上面的例子中，我们可以用三个非常长且非常接近的坐标向量来表示格，这使得找到接近原点的向量变得更加困难。事实上，有一种规范的方法可以找到格的“最坏可能”表示。当使用这种表示时，已知最短向量问题为NP-hard问题。
在讨论如何使用LWE进行抗量子密码研究之前，我们应该指出的是LWE本身并不是NP-hard问题。它不是直接归约为SVP，而是归约为SVP的近似值，根据推理，它实际上不是NP-hard问题。尽管如此，目前还没有多项式（或次指数）时间内的算法来求解LWE。
现在让我们使用LWE问题来构建一个实际的密码体制。最简单的方案是由Oded Regev在他最初的论文中构造的，同时他也证明了LWE问题的困难度。这里，密钥是一个n维的整系数模q的向量，也就是上面提到的LWE私钥。公钥是前面讨论的矩阵A，以及LWE函数的输出向量。
这个公钥的一个重要特性是，当它乘以向量(-sk，1)时，我们得到误差项，大约为0。
为了加密一位消息m，我们取A的随机列之和，并在结果的最后一个坐标中编码m，即如果m为0，就加0，如果m为1，就加q/2。换句话说，我们选择一个元素为0或1的随机向量x，然后计算：
直观地说，我们已经求解了LWE函数（我们知道它很难被破解）的值，并在这个函数的输出中编码了m。
解密是有效的，因为知道了LWE私钥就将允许接收方收回消息，外加一个小的错误项。
正确选择错误分布后，它将不会使消息失真超过q/4。接收方可以测试输出是否接近于0或q/2 mod q，并相应地解码出m。
该体制的一个主要问题是它需要很大的密钥。要加密一位消息，需要在安全参数中使用大小为n2的公钥。然而，格密码体制的一个吸引人的方面是它们的速度非常快。
自从Regev的第一篇论文发表以来，围绕基于格密码体制的研究进行了大量工作。其中关于改进其实用性的一个关键突破是Ring-LWE，Ring-LWE是LWE问题的一个变体，其中密钥是由若干多项式表示的。这导致了密钥大小的二次减少，加速了加密和解密，仅使用n*log(n)次操作（使用快速傅立叶变换，FFT）。
Kyber是一种密钥封装机制（KEM），它遵循与上述系统类似的构造，但是使用了一些奇特的代数数论来获得比Ring-LWE更好的性能。对于合理的安全参数，密钥大小约为1kb（仍然很大），但加密和解密时间大约为0.075毫秒。考虑到这种速度是通过软件实现的，Kyber KEM似乎很有希望用于后量子密码中的密钥交换。
Dilithium是一种基于与Kyber类似技术的数字签名方案。它的细节超出了本文的范围，但值得一提的是，它也实现了相当不错的性能。公钥大小约为1kb，签名为2kb。这也非常高效。在Skylake处理器上，计算签名所需的平均周期约为200万次。验证的平均周期为39万次。
摘自 http://www.qukuaiwang.com.cn/news/13589.html
图示
如图在 LWE 问题中，蓝色的部分是均匀随机的（或与均匀随机不可区分）， 是私钥，
是不公开的部分。简单来说，就是一个均匀随机的矩阵，乘上服从某个分布的私钥，再加上一个服从某个分布的错误扰动项，计算得到的
与均匀随机不可区分
RLWE 与 LWE 问题很类似，只不过在 RLWE 问题中，和 LWE 相比，直观的看所有元素要"小了很多"。因为 RLWE 中，每个部分都是一个多项式，而不是 LWE 问题中的矩阵。这极大的提高了方案的实际效率，并减小了通信开销。
摘自 https://zhuanlan.zhihu.com/p/45880224
https://blog.csdn.net/weixin_43255133/article/details/83031862
http://www.qukuaiwang.com.cn/news/13589.html
标签：图片 orm 机器学习 算法 情况下 log sky 私钥 傅立叶变换
原文地址：https://www.cnblogs.com/xdyixia/p/12600255.html
