云数据访问控制基础理论知识总结

最新推荐文章于 2023-09-25 20:45:16 发布

fa1c4

最新推荐文章于 2023-09-25 20:45:16 发布

阅读量1.3k

点赞数 4

分类专栏：数据安全

本文链接：https://blog.csdn.net/qq_33976344/article/details/115825065

版权

数据安全专栏收录该内容

24 篇文章 28 订阅

订阅专栏

双线性映射

存在一个四元组 $p, G, G_T, e)$ . p是大素数, $G, G_T$ 是阶为素数p的循环群. 同时满足以下3个条件的映射e: $G$ X $G$ → $G_T$ , 称为双线性映射.
(1) 双线性: $对于\forall u,v \in G, a,b\in Z_p, 有 e(u^a, v^b) = e(u, v)^{ab}$
(2) 非退化性: $\exist g \in G, 使e(g, g)在G_T中的阶是p$
(3) 可计算性: $对于\forall u,v \in G, 都能够计算e(u, v)$

概念解释:
现代密码学的理论知识, 主要解释一下群相关的概念.
循环群: G中存在元素g, 生成的循环子群就是G本身, 称G为循环群. 对于G中任意元素g, 存在循环集 ${g, g^2, ..., g^k \}$ ( $g^k = e$ )是G的子群, 这个循环集称为G的k阶循环子群.
群的阶: 有限群的元素个数就是群的阶.
阿贝尔群: 满足交换律 $a * b = b * a$ 的群称为阿贝尔群. 典型例子就是 $Z_n = \{0, 1, ..., n - 1\}$ 模n加法下的n阶的整数集. 所以定义里涉及的 $Z_p$ 是模p加法下的p阶整数集.

线性秘密共享方案

假设参与者集合 $P = \{P_1, P_2, ..., P_n\}$ , 若 $\Pi$ 满足以下2个条件, 则称为P上的一个线性秘密共享方案(LSSS, Linear Secret Sharing Scheme).
(1) 对于每个参与者所持有的秘密份额都可以构成 $Z_p$ 上的向量
(2) 每个LSSS的 $\Pi$ 都对应一个生成矩阵 $M(l\times n)$ , 且映射 $\rho: \{1,2,...,l\} → P$ 把 M 的每一行映射到参与者 $\rho(i)$ , $\rho$ 是单射函数. 对于向量 $\mathbf{v} = (s, y_2, y_3, ..., y_n)$ , $\in Z_p$ 是共享秘密值, $y_i$ 是随机数用来隐藏共享秘密值, 则共享秘密值 $s$ 的 $l$ 个秘密份额是 $\mathbf{Mv}$ , 第i个秘密份额表示为 $\lambda_i = (\mathbf{Mv})_i$ , 对应分配给 $\rho(i)$ .

概念解释:
把共享方案 $\Pi$ , 生成矩阵 $M$ , 映射 $\rho$ 捆绑起来看作实现一个LSSS的要素, 所做的运算, 相当于把共享秘密值s代入矩阵 $M$ 和向量 $v$ 的运算中, s被拆分成了 $l$ 份(而且是夹带n - 1个随机数成分的值), 然后由映射 $\rho$ 分配给 $l$ 个参与者. 这样就实现了线性秘密共享.

CDH假设

给定三元组 $g^a, g^b) \in G^3$ , 其中 $\in Z_p^*$ 且未知, 要求计算 $g^{ab}$ 的值. 设敌手 $\mathcal{A}$ 成功计算出 $g^{ab}$ 的概率是 $Adv_A^{CDH} = | Pr[\Alpha(g^a, g^b) = g^{ab}] | \leq \varepsilon$ . 如果 $\varepsilon$ 是可忽略的, 则称CDH问题是 $\varepsilon-$ 困难的.

概念解释:
一个经验规律, 数学上还没有严格证明, 这个问题很难解, 但是事实证明确实是计算难解问题, 所以就作为假设进行实践的前提, 如果这个问题被破解, 那依据此假设的理论都会倒塌.

密钥加密密钥树

key encryption key, KEK树是一个完全二叉树.令用户集合 $U = \{u_1, u_2, ..., u_N\}$ , 属性集合 $W = \{ att_1, att_2, ..., att_n \}$ . 设 $G_i \subset U$ 是拥有属性集合 $att_i$ 的一个用户集合, 称为属性群. $G_i$ 是可以正常访问属性 $att_i$ 的访问列表. 令 $\mathcal{G} = \{ G_1, G_2, ..., G_n \}$ 是属性群集合.

概念解释:
属性群 $G_i$ 就可看作是一个用户集合, 本质是一个集合, 它对应拥有属性 $att_i$ 的用户集合. 比如对于用户 $u_1, u_2, u_3$ , 分别有属性集合 ${att_1, att_2\}, \{att_1, att_2,att_3 \}, \{att_2, att_3\}$ , 则 $G_1 = \{u_1, u_2 \}, G_2 = \{u_1, u_2, u_3\}, G_3 = \{u_2, u_3\}$ .

在这里插入图片描述

数据服务管理者

DSM, data service manager. 负责构建KEK树.
(1) 每个叶子对应一个用户 $u_k$ , 中间节点 $v_j$ 包含一个随机值 $\theta_j$ .
(2) 路径生成算法 $Path(u_k)$ , 找出叶子结点到根节点经过的中间结点.
(3) 最小覆盖集算法 $Mincs(G_i)$ , 找出可以覆盖属性群 $G_i$ 中所有用户的最少节点的集合.
(4) 对于任意 $Path(u_k)和Mincs(G_i)$ , 路径和最小覆盖集最多一个交点.