安全性归约（基础）

本来想整理下 “安全性归约” 的课程内容，便于复习。但是内容也太多了吧！(╬◣д◢)

算啦，先整理这一点儿吧 o(´^｀)o

基础与方法

现代密码学的三个层次：

1. 基本困难问题
2. 基于困难问题建立的密码原语（Cryptographic primitive）
3. 密码方案、密码协议、应用系统

安全性：

1. 信息论安全，两个分布几乎完全相同
2. 计算安全，两个分布不同（甚至差异很大），但是概率多项式时间（PPT）不可区分

可证明安全：给出安全模型，设计方案，归约证明安全性（攻击密码方案的计算复杂度，不低于求解基础困难问题）

1. 基于模拟的模型
2. 基于游戏的模型

构建密码方案过程：

1. 确立安全目标
2. 明确敌手模型
3. 给出安全性定义
4. 根据适当假设或原语构建方案
5. 归约证明方案满足安全性定义

图灵机（Turing machine）：确定性图灵机、非确定性图灵机、概率图灵机。单带图灵机、多带图灵机。

• 语言（Language）：字符串子集 $L\subset {\Sigma }^{\ast }$
• 判定问题：判断 $x\in L$ 还是 $x\notin L$
• 图灵可识别（Turing machine recognizable language）：对于语言 $L$ 以及字符串 $x$，存在一个图灵机，如果 $x\in L$ 那么总是有限步停机，且进入接受状态。而 $x\notin L$ 时，图灵机可能拒绝，也可能无限循环。
• 图灵可计算（Turing machine decidable language）：对于语言 $L$ 以及字符串 $x$，存在一个总是有限步停机、且可以正确判定的图灵机。这比图灵可识别的要求更严格。
• Godel 不完全定理：某些真数学命题不能被证明。存在可数无穷个图灵可计算问题，以及不可数无穷个图灵不可计算问题。
• Church-Turing 命题：任何可计算函数都可以被图灵机计算。如果是多项式时间可计算，那么可以被图灵机在多项式时间计算。

图灵机本身也是字符串，可作为图灵机的输入输出。简记 $M^T$ 为：图灵机 $M$ 在执行过程中可以访问图灵机 $T$

归约：将求解一个问题，转化为求解另一个问题

• Cook 归约（问题间的归约）：若 $T$ 可以求解问题 ${\Pi }_2$，存在 PPT 的 $M$，使得 $M^T$ 可求解问题 ${\Pi }_1$，记为 ${\Pi }_1\le {\Pi }_2$。图灵机 $M$ 可以调用多项式次 ${\Pi }_2$ 的神谕。
• Karp 归约（语言间的归约）：存在可有效计算的函数 $f$，使得 $x\in L_1⟺f(x)\in L_2$。注意 Karp 归约比 Cook 更加标准，它只调用一次 $L_2$ 上的神谕。如果函数 $f$ 是满的（总存在伪逆），那么 Karp 归约给出了两个语言的等价性。
• Levin 归约（关系间的归约）：从关系 $R_1$ 到关系 $R_2$，存在多项式时间可计算函数 $f,g,h$，使得
  • $x\in L(R_1)⟺f(x)\in L(R_2)$
  • $\forall (x,y)\in R_1$，那么 $(f(x),g(x,y))\in R_2$
  • $\forall x,z,(f(x),z)\in R_2$，推出 $(x,h(x,z))\in R_1$

不可区分性

可忽略函数（Negligible function）：函数 $\mu :\mathbb{N}\to \mathbb{R}$ 是可忽略的，如果对于任意多项式 $poly$，存在自然数 $N$，当 $n>N$ 时总有 $\mu (n)<1/poly(n)$

显著函数（noticeable function）：函数 $\mu :\mathbb{N}\to \mathbb{R}$ 是显著的，如果存在多项式 $poly$ 和自然数 $N$，当 $n>N$ 时总有 $\mu (n)\ge 1/poly(n)$

不可忽略函数 $\ne$ 显著函数：$f(n)=1/n,n\equiv 0(\mathrm{mod}2)$，$f(n)=1/2^n,n\equiv 1(\mathrm{mod}2)$

统计距离（statistical distance）：样本空间 $\Gamma$ 上的两个随机分布（变量） $X,Y$，
$$\begin{array}{rl}\Delta (X,Y)& :=\frac{1}{2}\sum _{\alpha \in \Gamma }|Pr[X=\alpha ]-Pr[Y=\alpha ]|\\ & :=\underset{S\subseteq \Gamma }{\max }|Pr[X\in S]-Pr[Y\in S]|\end{array}$$

不可区分性：两个有无限个随机分布的随机分布族 { X n } n , { Y n } n \{X_n\}_n,\{Y_n\}_n {Xn​}n​,{Yn​}n​，一个区分器 $D$ 不可区分它们，如果区分优势为 $Ad{v}_D=\Delta (D(X_n),D(Y_n))\le negl(n)$

概率总体（Probability ensemble）：令 $I$ 是可抽样的可数（有限/无限）集合，由 $I$ 索引的随机变量序列记为 X = { X i } i ∈ I X = \{X_i\}_{i \in I} X={Xi​}i∈I​，其中 $\forall i\in I,X_i$ 是域 D i ⊂ { 0 , 1 } ∗ D_i \sub \{0,1\}^* Di​⊂{0,1}∗ 上的随机变量。

（一致）计算不可区分：指标集合 I ⊆ { 0 , 1 } ∗ I \subseteq \{0,1\}^* I⊆{0,1}∗，两个概率总体 X = { X s } s ∈ I , Y = { Y s } s ∈ I X = \{X_s\}_{s \in I}, Y = \{Y_s\}_{s \in I} X={Xs​}s∈I​,Y={Ys​}s∈I​ 一致（Uniform）计算不可区分（Computational indistinguishability），如果对于任意 PPT 区分器 $D$，以及充分长的 $s$，都有
$$\left|\underset{X_s,D}{\mathrm{Pr}}[D(X_s,s)=1]-\underset{Y_s,D}{\mathrm{Pr}}[D(Y_s,s)=1]\right|\le negl(|s|)$$

• 封闭性：如果 $X\stackrel{c}{=}Y$，那么对于任意 PPT 算法 $M$，都有 { M ( X n ) } = c { M ( X n ) } \{M(X_n)\} \overset{c}{=} \{M(X_n)\} {M(Xn​)}=c{M(Xn​)}
• 传递性：如果 $X\stackrel{c}{=}Y$，$Y\stackrel{c}{=}Z$，那么 $X\stackrel{c}{=}Z$

安全参数 $|s|$ 表示问题的规模。如果 $I=\mathbb{N}$，那么写作
$$\left|\underset{X_n,D}{\mathrm{Pr}}[D(X_n,1^n)=1]-\underset{Y_n,D}{\mathrm{Pr}}[D(Y_n,1^n)=1]\right|\le negl(n)$$

非一致计算不可区分：指标集合 I ⊆ { 0 , 1 } ∗ I \subseteq \{0,1\}^* I⊆{0,1}∗，两个概率总体 X = { X s } s ∈ I , Y = { Y s } s ∈ I X = \{X_s\}_{s \in I}, Y = \{Y_s\}_{s \in I} X={Xs​}s∈I​,Y={Ys​}s∈I​ 非一致（Non-Uniform）计算不可区分，如果对于任意的非一致 PPT 电路簇 { C n : Ω s → { 0 , 1 } } n \{C_n:\Omega_s \to \{0,1\}\}_n {Cn​:Ωs​→{0,1}}n​，以及充分长的 $s$，都有
$$\left|\underset{X_s,C_{|s|}}{\mathrm{Pr}}[C_{|s|}(X_s)=1]-\underset{Y_s,C_{|s|}}{\mathrm{Pr}}[C_{|s|}(Y_s)=1]\right|\le negl(|s|)$$

如果两个概率总体是非一致计算不可区分的，那么一定是（一致）计算不可区分的。存在与均匀分布是一致不可区分、但非一致可区分的分布。

可有效重构（efficiently constructible）：概率总体 X = { X n } n ∈ N X = \{X_n\}_{n \in \mathbb N} X={Xn​}n∈N​，存在 PPT 算法 $S$，对于任意的 $n$，使得 $S(1^n)$ 与 $X$ 同分布（比信息论不可区分还强，完美不可区分）

重复抽样（Multiple samples）一致（非一致）计算不可区分：两个概率总体 X = { X n } n ∈ N , Y = { Y n } n ∈ N X = \{X_n\}_{n \in \mathbb N}, Y = \{Y_n\}_{n \in \mathbb N} X={Xn​}n∈N​,Y={Yn​}n∈N​ 可有效重构，如果它们是一致（非一致）计算不可区分的，那么对于任意多项式 $p(\cdot )$，下述分布
X ‾ = { X ‾ n = ( X n ( 1 ) , ⋯   , X n p ( n ) ) } n ∈ N ,   Y ‾ = { Y ‾ n = ( Y n ( 1 ) , ⋯   , Y n p ( n ) ) } n ∈ N \overline X = \{\overline X_n=(X_n^{(1)},\cdots,X_n^{p(n)})\}_{n \in \mathbb N},\, \overline Y = \{\overline Y_n=(Y_n^{(1)},\cdots,Y_n^{p(n)})\}_{n \in \mathbb N} X={Xn​=(Xn(1)​,⋯,Xnp(n)​)}n∈N​,Y={Yn​=(Yn(1)​,⋯,Ynp(n)​)}n∈N​

也是一致（非一致）计算不可区分的，其中 ${\overline{X}}_n,{\overline{Y}}_n$ 是独立同分布的 $p(n)$ 次抽样。

统计（信息论）不可区分：两个概率总体 X = { X n } n ∈ N , Y = { Y n } n ∈ N X = \{X_n\}_{n \in \mathbb N}, Y = \{Y_n\}_{n \in \mathbb N} X={Xn​}n∈N​,Y={Yn​}n∈N​ 统计接近，如果它们的统计距离
$$\Delta (X_n,Y_n):=\frac{1}{2}\sum _{\alpha }\left|Pr[X_n=\alpha ]-Pr[Y_n=\alpha ]\right|\le negl(n)$$

如果 X = { X n } n ∈ N , Y = { Y n } n ∈ N X = \{X_n\}_{n \in \mathbb N}, Y = \{Y_n\}_{n \in \mathbb N} X={Xn​}n∈N​,Y={Yn​}n∈N​ 统计接近，那么对于任意 PPT 算法 $D$，都有
$$\Delta (D(X_n),D(Y_n))\le \Delta (X_n,Y_n)\le negl(n)$$

如果两个概率总体是统计不可区分的，那么一定是计算不可区分的。存在与均匀分布计算不可区分、但统计距离不可忽略的分布。

安全模型

现代密码学体系结构：

基于模拟的安全模型

现实世界（Real world）：方案运行的真实环境。敌手除了可以获得公开参数，还可以获取到信道中泄露的信息

理想世界（Ideal world）：仅有方案的描述，方案并不运行。敌手仅可以获得公开参数。因此，在理想模型中可以实现任意合理的安全目标。

安全模型：对于现实世界里的任意算法 $A$，在理想世界中存在算法 $A^{\prime }$，使得 $A^{\prime }$ 可以完成（计算意义下） $A$ 的任务，即
$$(pub,A(pub,\rho ))\stackrel{c}{=}(pu{b}^{\prime },A(pu{b}^{\prime }))$$

以 PRF 为例，

基于游戏的安全模型

现实的攻击实验：方案 F = { F n } F=\{F_n\} F={Fn​}，挑战者 $Ch$ 和敌手 $D$ 玩一个交互游戏，敌手从交互信息中学习，输出结果。当某事件发生时，敌手赢得游戏，记为 $Exp{t}_D^{F_n}(1^n)=1$

理想的攻击实验：方案 F = { F n } F=\{F_n\} F={Fn​}，挑战者 $Ch$ 和敌手 $D$ 玩一个交互游戏，挑战者仅发送公开参数，敌手直接输出结果。当某事件发生时，敌手赢得游戏，记为 $Exp{t}_{D,Ideal}^{F_n}(1^n)=1$

安全模型：任意的 PPT 敌手 $D$，其区分优势可忽略，即
$$Ad{v}_D^{F_n}:=2\left|Pr[Exp{t}_D^{F_n}(1^n)=1]-Pr[Exp{t}_{D,Ideal}^{F_n}(1^n)=1]\right|\le negl(n)$$

以 PRF 为例，

归约证明

基于假设的安全性：方案基于某一假设，要么方案是安全的，要么假设不成立。

安全性证明：攻击方案比攻击假设更难，即存在归约：
$$\text{攻击假设 }\Gamma \text{ 的算法 }B\le \text{攻击方案 }\Pi \text{ 的算法 }A$$

归约方式：

• 黑盒归约：$B$ 以黑盒方式利用 $A$。也就是当作一个预言机（Oracle），可以询问，然后获得回应。
• 非黑盒归约：除了黑盒以外的方式利用 $A$。比如，有算法 $A$ 的代码描述（图灵机），但没有其运行策略（输入随机带）。

归约性能：如果 $A$ 运行时间为 $t$ 时成功概率为 $ϵ$，归约的时间代价为 $T$，归约的概率损失为 $L$，那么算法 $B$ 运行时间为 $t’=t+T$ 时成功概率为 ${ϵ}^{\prime }=ϵ/L$，

• 松散归约：$T,L$ 多项式有界
• 紧致归约：$T$ 多项式有界，$L$ 是常数

RO 模型

有些方案中，需要双方共享一个随机函数。

为了规避安全证明的困难性，使用共享的预言机 Oracle 取代随机函数 $H$，同时允许敌手进行常规询问外，可使用任意的 $m$ 询问 Oracle 获得对应的 $t=O(m)$

以 PRF 为例，