Micciancio 和 Peikert 提出的基于随机格的陷门生成算法

最新推荐文章于 2023-01-06 15:30:17 发布

导导96

最新推荐文章于 2023-01-06 15:30:17 发布

阅读量1.3k

点赞数 3

本文链接：https://blog.csdn.net/weixin_44830789/article/details/106269081

版权

1.陷门的构造

单向陷门函数：已知, 很容易求解 y=f(x) ; 但是已知 f(x) ，很难求解, 需要一些额外的知识, $x=f^{-1}(y,k)$

1.本原矩阵 $G=\begin{bmatrix} ...g^{t}... & & & \\ & ...g^{t}... & & \\ & & \cdots& \\ & & & ...g^{t}... \end{bmatrix}\in Z_q^{n\times nk}$ , 其中 $g^{t}=[1, 2 ,4 ,\cdots, 2^{k-1}]\in Z^{1\times k}_{q}$

2 随机化 $G\rightarrow A$ 通过幺模矩阵，这个转换过程是陷门

定义：设矩阵 $A\in Z^{n\times m}_q$ , $G\in Z_q^{n\times \omega nk}$ , $m\geq \omega \geq n$ , 矩阵的-陷门是矩阵 $R\in Z^{(m-\omega )\times \omega }_q$ .。设可逆矩阵 $H\in Z^{n\times n}_q$ ,有以下等式成立。其中可以作为陷门的标签，最大谱范数 S_1(R) 可以判断陷门的质量。

均匀随机选取 $\overline{A}\in Z^{n\times\overline{ m}}_q$ ，定义了半随机矩阵 $[\overline{A}| HG]$
通过高斯抽样 $R\in Z^{\overline{m} \times n\log q }_q$ , $A=[\overline{A}|HG]\cdot \underbrace{\begin{bmatrix} I & -R\\ 0 & I \end{bmatrix}}_{unimodular }=[\overline{A}|HG-\overline{A}R]$ ，当且是均匀的,满足 $\widetilde{m}=n\log q$ ，输出均匀随机矩阵；

2.高斯原像抽样

如果抽样 $\textbf{x}$ 来自于集合 $\Lambda ^{\perp }_{\textbf{u}}(\textbf{G})$ ,满足 $r\geqslant 2\sqrt{ln(2n(1+1/\varepsilon ))/\pi }$ , 那么抽样 $\textbf{y}=\begin{bmatrix} R\\ I \end{bmatrix}\cdot\textbf{x}$ 来自于集合 $\Lambda ^{\perp }_{\textbf{u}}(\textbf{A})$ 。由于 $\begin{bmatrix} R\\ I \end{bmatrix}$ 不是方阵，所以协方差 $COV=r^2\begin{bmatrix} R\\ I \end{bmatrix}\begin{bmatrix} R^t& I \end{bmatrix}$ 非满秩的，y的分布式是非球体的可能会泄露陷门的消息。

正常的高斯分布

非球体的高斯分布

我们需要添加一个扰动 $\textbf{p}$ ,使高斯原像抽样服从高斯分布，该方法叫高斯卷积(‘convolution technique’.)

高斯卷积方法：

那么扰动 $\textbf{p}$ 协方差是 $\Sigma _{\textbf{p}}=s^2-r^2\begin{bmatrix} R\\ I \end{bmatrix}\begin{bmatrix} R^t& I \end{bmatrix}$ , 其中 $s\geqslant (s_1(\textbf{R})+1)(\Sigma _{\textbf{G}}+2)$

令 $\textbf{v}=\textbf{u}-\textbf{A}\textbf{P}$ , 那么抽样 $\textbf{y}=\begin{bmatrix} R\\ I \end{bmatrix}\cdot\textbf{x}$ 来自于集合 $\Lambda ^{\perp }_{\textbf{v}}(\textbf{A})$

输出高斯原像抽样 $\textbf{z}=\begin{bmatrix} R\\ I \end{bmatrix}\cdot\textbf{x}+\textbf{p}$

导导96

关注

3
点赞
踩
7

收藏

觉得还不错? 一键收藏
4
评论
Micciancio 和 Peikert 提出的基于随机格的陷门生成算法

单向陷门函数：已知, 很容易求解; 但是已知，很难求解, 需要一些额外的知识,1.本原矩阵, 其中2 随机化通过幺模矩阵，这个转换过程是陷门定义：设矩阵,,, 矩阵的-陷门是矩阵.。设可逆矩阵,有以下...
复制链接

扫一扫