参考文献:
- [MS18] Micciancio D, Sorrell J. Ring packing and amortized FHEW bootstrapping[J]. Cryptology ePrint Archive, 2018.
- [BGGJ20] Boura C, Gama N, Georgieva M, et al. Chimera: Combining ring-lwe-based fully homomorphic encryption schemes[J]. Journal of Mathematical Cryptology, 2020, 14(1): 316-338.
- [CDKS21] Chen H, Dai W, Kim M, et al. Efficient homomorphic conversion between (ring) LWE ciphertexts[C]//International Conference on Applied Cryptography and Network Security. Cham: Springer International Publishing, 2021: 460-479.
- [LHH+21] Lu W, Huang Z, Hong C, et al. PEGASUS: bridging polynomial and non-polynomial evaluations in homomorphic encryption[C]//2021 IEEE Symposium on Security and Privacy (SP). IEEE, 2021: 1057-1073.
文章目录
[MS18] 为了实现均摊 FHEW 自举,提出了 Ring packing 技术:将多个 LWE 密文(行矢)堆叠为 ( A , b ) (A,b) (A,b),然后按列转化为多项式 a j ( x ) , b ( x ) a_j(x), b(x) aj(x),b(x),使用 Key-Switch 执行同态线性解密 A ⋅ E ( s ) + b A\cdot E(s)+b A⋅E(s)+b(私钥被加密在多项式的常数项),最终获得打包了 μ ( x ) = ∑ j μ j x j \mu(x)=\sum_j \mu_jx^j μ(x)=∑jμjxj 的单个 RLWE 密文。虽然它是 Coeff Packing 的,但是 [MS18] 中的同态 InvDFT 的目标是加速同态的多项式乘法(线性解密部分),而非 SIMD 打包并行。但是其中的 SwK 是对于 LWE 私钥的各个分量分别用 RLWE 加密的 R L W E s ′ ( s i ⋅ g j ) RLWE_{s'}(s_i \cdot g_j) RLWEs′(si⋅gj),规模大、速度慢。计算过程中不需要用到同态旋转(主要的开销是秘钥切换),仅仅是对于 E ( s ) E(s) E(s) 的同态线性运算。
[BGGJ20] 提出的 Chimera 也使用类似的堆叠技术,将 TLWE 打包转换到 RLWE 密文上。不过它将堆叠出的矩阵 C = ( A , b ) C=(A,b) C=(A,b) 直接乘以 InvDFT,于是 ( I n v D F T ⋅ C ) ⋅ s = I n v D F T ( μ ( x ) ) (InvDFT \cdot C) \cdot s=InvDFT(\mu(x)) (InvDFT⋅C)⋅s=InvDFT(μ(x)),这就将各个 μ j \mu_j μj 编码到了明文槽。它的 SwK 也是各个私钥分量分别被加密在系数上 R G S W s ′ ( s i ) RGSW_{s'}(s_i) RGSWs′(si),规模很大(GB 级别)
[CDKS21] 提出了新的 LWE 的 Key-Switch 技术(后文简记 KS),将 LWE 密文嵌入到 RLWE 密文上,对应的 SwK 将LWE 私钥作为单个多项式做 RLWE 加密 R L W E s ′ ( s ( x ) ⋅ g j ) RLWE_{s'}(s(x) \cdot g_j) RLWEs′(s(x)⋅gj),从而极大的提高了 KS 的速度(两个数量级)。需要使用分圆域的自同构的某些特殊性质,消除一些杂项。推广这个 KS 过程,可以获得 LWE 打包到 RLWE 的过程,不过它也是 Coeff Packing 的(还应该使用 Coeff-to-Slot 过程将它们编码到明文槽)。令 N N N 是 RLWE 的维度,打包 n = N n=N n=N 个 LWE 密文,复杂度为 O ( N ) O(N) O(N) 次同态自同构, O ( N ) O(N) O(N) 次同态数乘。
之后的 Pegasus 也使用密文堆叠技术,对于私钥 s s s 的密文做线性变换,来实现 LWE-to-RLWE 过程。同态线性变换过程中,采取对角线乘法(旋转+阿达玛),LWE 私钥作为一个整体被加密在明文槽上 R L W E s ′ ( E c d ( s , Δ ) ) RLWE_{s'}(Ecd(s,\Delta)) RLWEs′(Ecd(s,Δ)),规模大大减小(MB 级别),同态解密的结果直接在明文槽上。令 N N N 是 RLWE 的维度,打包 n = N n=N n=N 个 LWE 密文,复杂度为 O ( N ) O(\sqrt{N}) O(N) 次同态旋转(由若干个自同构组成,完全分裂的二的幂分圆环只需要一个), O ( N ) O(N) O(N) 次同态数乘。
Conversion Between RLWE
Tower of Cyclotomic
令 m = 2 L + 1 m=2^{L+1} m=2L+1 是二的幂, N = ϕ ( m ) = 2 L N=\phi(m)=2^L N=ϕ(m)=2L 也是二的幂,分圆域 K = Q ( ζ m ) ≅ Q [ X ] / ( X N + 1 ) K=\mathbb Q(\zeta_m) \cong \mathbb Q[X]/(X^N+1) K=Q(ζm)≅Q[X]/(XN+1),分圆整数环 R = Z [ ζ m ] ≅ Z [ X ] / ( X N + 1 ) R=\mathbb Z[\zeta_m] \cong \mathbb Z[X]/(X^N+1) R=Z[ζm]≅Z[X]/(XN+1),为了区分不同维度我们记为 K N , R N K_N,R_N KN,RN
根据代数理论,域扩张
K
/
Q
K/\mathbb Q
K/Q 都是 Galois 扩张,Galois 群
G
a
l
(
K
/
Q
)
≅
Z
m
∗
=
{
1
,
3
,
⋯
,
2
N
−
1
}
Gal(K/\mathbb Q) \cong \mathbb Z_m^*=\{1,3,\cdots,2N-1\}
Gal(K/Q)≅Zm∗={1,3,⋯,2N−1},自同构:
τ
d
:
ζ
m
→
ζ
m
d
,
∀
d
∈
Z
m
∗
\tau_d: \zeta_m \to \zeta_m^d, \forall d\in\mathbb Z_m^*
τd:ζm→ζmd,∀d∈Zm∗
域的迹:
T
r
K
/
Q
:
a
∈
K
↦
∑
τ
∈
G
a
l
(
K
/
Q
)
τ
(
a
)
∈
Q
Tr_{K/\mathbb Q}: a \in K \mapsto \sum_{\tau \in Gal(K/\mathbb Q)} \tau(a) \in \mathbb Q
TrK/Q:a∈K↦τ∈Gal(K/Q)∑τ(a)∈Q
根据代数知识,
T
r
K
/
Q
Tr_{K/\mathbb Q}
TrK/Q 是
Q
\mathbb Q
Q-线性映射,并且满足
- T r K / Q ( 1 ) = [ K : Q ] = N Tr_{K/\mathbb Q}(1)=[K:\mathbb Q]=N TrK/Q(1)=[K:Q]=N
- T r K / Q ( X i ) = 0 , ∀ i ≠ 0 Tr_{K/\mathbb Q}(X^i)=0, \forall i \neq 0 TrK/Q(Xi)=0,∀i=0
对于分圆塔:
K
=
K
N
≥
K
N
/
2
≥
⋯
≥
K
1
=
Q
K=K_N \ge K_{N/2} \ge \cdots \ge K_1=\mathbb Q
K=KN≥KN/2≥⋯≥K1=Q
其中
K
n
,
n
=
2
l
K_n,n=2^l
Kn,n=2l 可以作为
K
N
K_N
KN 的子域(
R
n
≤
R
N
R_n \le R_N
Rn≤RN 类似),设置
Y
=
X
N
/
n
Y=X^{N/n}
Y=XN/n,
K
n
=
{
∑
i
∈
[
n
]
a
i
Y
i
:
a
i
∈
Q
}
⊆
K
N
K_n = \left\{\sum_{i \in [n]} a_i Y^i: a_i \in \mathbb Q\right\} \subseteq K_N
Kn=⎩
⎨
⎧i∈[n]∑aiYi:ai∈Q⎭
⎬
⎫⊆KN
基于分圆塔,可以将迹分解:
T
r
K
/
Q
=
T
r
K
2
/
K
1
∘
⋯
∘
T
K
N
/
K
N
/
2
Tr_{K/\mathbb Q} = Tr_{K_2/K_1} \circ \cdots \circ T_{K_N/K_{N/2}}
TrK/Q=TrK2/K1∘⋯∘TKN/KN/2
易知,相邻的域扩张的次数为
2
2
2,仅包含一个非凡自同构(另一个是恒等映射):
G
a
l
(
K
2
l
/
K
2
l
−
1
)
=
{
τ
1
∣
K
2
l
,
τ
2
l
+
1
∣
K
2
l
}
,
1
≤
l
≤
L
Gal(K_{2^l}/K_{2^{l-1}}) = \{\tau_1|_{K_{2^l}},\,\, \tau_{2^l+1}|_{K_{2^l}}\},\,\, 1 \le l \le L
Gal(K2l/K2l−1)={τ1∣K2l,τ2l+1∣K2l},1≤l≤L
其中的
τ
2
l
+
1
∣
K
2
l
\tau_{2^l+1}|_{K_{2^l}}
τ2l+1∣K2l 是自同构映射
τ
2
l
+
1
∈
G
a
l
(
K
/
Q
)
\tau_{2^l+1} \in Gal(K/\mathbb Q)
τ2l+1∈Gal(K/Q) 限制在
K
2
l
⊆
K
N
K_{2^l} \subseteq K_N
K2l⊆KN 上,容易验证它是
K
2
l
K_{2^l}
K2l 的
K
2
l
−
1
K_{2^{l-1}}
K2l−1-自同构。进一步的,简记
n
=
2
l
n=2^l
n=2l,
Y
=
X
N
/
n
Y=X^{N/n}
Y=XN/n 是
K
n
/
Q
K_n/\mathbb Q
Kn/Q 的扩张元,那么有:
T
r
K
n
/
K
n
/
2
(
Y
i
)
=
{
2
Y
i
,
∀
2
∣
i
0
,
∀
2
∤
i
Tr_{K_{n}/K_{n/2}}(Y^i) = \left\{\begin{aligned} 2Y^i, &&\forall 2\mid i\\ 0, &&\forall 2\nmid i\\ \end{aligned}\right.
TrKn/Kn/2(Yi)={2Yi,0,∀2∣i∀2∤i
因此,映射
μ
∈
K
n
↦
T
r
K
n
/
K
n
/
2
(
μ
)
∈
K
n
/
2
\mu \in K_n \mapsto Tr_{K_{n}/K_{n/2}}(\mu) \in K_{n/2}
μ∈Kn↦TrKn/Kn/2(μ)∈Kn/2,记号
a
∥
b
a\|b
a∥b 表示 “恰好整除”,
- 将系数 μ [ i ] , ( 2 N / n ) ∥ i \mu[i], (2N/n)\|i μ[i],(2N/n)∥i,加倍
- 将系数 μ [ i ] , ( N / n ) ∥ i \mu[i], (N/n)\|i μ[i],(N/n)∥i,清零
- 元素 μ ∈ K n ⊆ K N \mu \in K_n \subseteq K_N μ∈Kn⊆KN 的其他系数本来就是零,保持
我们定义
[
N
]
=
{
0
,
1
,
⋯
,
N
−
1
}
[N]=\{0,1,\cdots,N-1\}
[N]={0,1,⋯,N−1} 的一组划分(子域的系数索引),
I
k
:
=
{
i
∈
[
N
]
:
2
k
∥
i
}
,
0
≤
k
<
L
I_k := \{ i \in [N]: 2^k\|i \},\,\, 0 \le k< L
Ik:={i∈[N]:2k∥i},0≤k<L
特别地设置
I
L
=
{
0
}
I_L=\{0\}
IL={0},容易验证
[
N
]
=
⋃
k
I
k
[N] = \bigcup_k I_k
[N]=⋃kIk
对于
d
=
2
l
+
1
,
1
≤
l
≤
L
d=2^l+1, 1\le l \le L
d=2l+1,1≤l≤L,简记
i
=
2
k
j
∈
I
k
i=2^kj \in I_k
i=2kj∈Ik,其中
j
j
j 是奇数,
i
⋅
d
=
2
k
+
l
j
+
2
k
j
=
{
2
k
(
2
l
j
+
j
)
∈
I
k
∀
0
≤
k
≤
L
2
k
j
=
i
(
m
o
d
2
N
)
,
∀
k
>
L
−
l
2
L
+
2
k
j
=
N
+
i
(
m
o
d
2
N
)
,
k
=
L
−
l
i \cdot d = 2^{k+l}j + 2^kj = \left\{\begin{array}{ll} 2^k(2^lj+j) \in I_k &\forall 0 \le k \le L\\ 2^kj = i \pmod{2N}, &\forall k>L-l\\ 2^L+2^kj = N+i \pmod{2N}, &k=L-l\\ \end{array}\right.
i⋅d=2k+lj+2kj=⎩
⎨
⎧2k(2lj+j)∈Ik2kj=i(mod2N),2L+2kj=N+i(mod2N),∀0≤k≤L∀k>L−lk=L−l
因此,
τ
d
:
ζ
i
→
ζ
i
⋅
d
\tau_d: \zeta^i \to \zeta^{i\cdot d}
τd:ζi→ζi⋅d 是对各个索引
I
k
I_k
Ik 做了符号置换(signed permutation),
∀
i
∈
I
k
,
∃
r
∈
I
k
,
τ
d
(
X
i
)
=
±
X
r
\forall i \in I_k,\exist r \in I_k,\tau_d(X^i) = \pm X^r
∀i∈Ik,∃r∈Ik,τd(Xi)=±Xr。特别地对于
k
≥
L
−
l
k \ge L-l
k≥L−l 的那些
I
k
I_k
Ik,
τ
d
(
X
i
)
=
{
X
i
,
∀
i
∈
⋃
k
>
L
−
l
I
k
−
X
i
,
∀
i
∈
I
L
−
l
.
.
.
o
t
h
e
r
w
i
s
e
\tau_d(X^i) = \left\{\begin{aligned} X^i, &&\forall i \in \bigcup_{k>L-l}I_k\\ -X^i, &&\forall i \in I_{L-l}\\ ... &&otherwise \end{aligned}\right.
τd(Xi)=⎩
⎨
⎧Xi,−Xi,...∀i∈k>L−l⋃Ik∀i∈IL−lotherwise
因此,映射
μ
∈
K
N
↦
μ
+
τ
d
(
μ
)
∈
K
N
\mu \in K_N \mapsto \mu+\tau_d(\mu) \in K_N
μ∈KN↦μ+τd(μ)∈KN,
- 将系数 μ [ i ] , 2 L − l + 1 ∣ i \mu[i],2^{L-l+1}|i μ[i],2L−l+1∣i,加倍
- 将系数 μ [ i ] , i ∈ I L − l \mu[i], i \in I_{L-l} μ[i],i∈IL−l,清零
- 其他系数的变化较为复杂
LWE-to-LWE
LWE 密文
(
b
,
a
)
∈
Z
q
1
+
N
(b,a) \in \mathbb Z_q^{1+N}
(b,a)∈Zq1+N,私钥
s
∈
Z
N
s \in \mathbb Z^N
s∈ZN,线性解密获得相位(不考虑纠错),
μ
0
=
b
+
⟨
a
,
s
⟩
(
m
o
d
q
)
\mu_0 = b+\langle a,s \rangle \pmod q
μ0=b+⟨a,s⟩(modq)
执行 KS 时,抽象思路是
K
=
{
L
W
E
s
′
(
s
i
)
}
K=\{LWE_{s'}(s_i)\}
K={LWEs′(si)},然后同态解密获得
L
W
E
s
′
(
μ
0
)
LWE_{s'}(\mu_0)
LWEs′(μ0),但是这么做的复杂度太高了。[CDKS21] 提出了一种新的 KS 过程:
- 将 a a a 转化为多项式 a ( x ) = ι ( a ) ∈ R N , q a(x) = \iota(a) \in R_{N,q} a(x)=ι(a)∈RN,q,其中的映射 ι : Z N → R N \iota: \mathbb Z^N \to R_N ι:ZN→RN 是将向量作为多项式系数
- 将 s s s 转化为多项式 s ( x ) = τ − 1 ∘ ι ( s ) ∈ R N s(x) = \tau_{-1} \circ \iota(s) \in R_N s(x)=τ−1∘ι(s)∈RN,其中的 τ − 1 \tau_{-1} τ−1 是因为多项式乘积是向量反卷积
那么,获得的 ( b , a ( x ) ) ∈ R N , q 2 (b,a(x)) \in R_{N,q}^2 (b,a(x))∈RN,q2 可以视为 s ( x ) s(x) s(x) 加密的 RLWE 密文,容易验证 μ ( x ) = b + a ( x ) s ( x ) ∈ R N , q \mu(x) = b+a(x)s(x) \in R_{N,q} μ(x)=b+a(x)s(x)∈RN,q,它的常数项 μ [ 0 ] \mu[0] μ[0] 恰好就是 μ 0 \mu_0 μ0 了。
因此我们可以使用 K = { R L W E s ′ ( s ( x ) ⋅ g i ) } K=\{RLWE_{s'}(s(x) \cdot g_i)\} K={RLWEs′(s(x)⋅gi)} 作为 SwK,执行 RLWE 的秘钥切换,最后提取出常数项对应的 LWE 密文。其中的 g = ( g 1 , ⋯ , g d ) g=(g_1,\cdots,g_d) g=(g1,⋯,gd) 是 Gadget Vector,可使用 [BGV12] 的 Base decomposition 或者 [BEHZ16] 的 Prime decomposition(用于兼容 RNS 系统)。
具体算法为:
LWE Key-Switch 的噪声为
e
k
s
=
⟨
g
−
1
(
c
1
)
,
e
⟩
e_{ks} = \langle g^{-1}(c_1), e \rangle
eks=⟨g−1(c1),e⟩,其中
e
←
χ
σ
e \gets \chi_\sigma
e←χσ 是 SwK 的噪声。为了兼容 RNS 系统,我们使用素数分解
g
−
1
:
a
↦
{
[
a
]
q
i
∈
R
N
,
q
i
}
g^{-1}: a \mapsto \{[a]_{q_i} \in R_{N,q_i}\}
g−1:a↦{[a]qi∈RN,qi},那么可以计算出
e
k
s
e_{ks}
eks 各个系数的方差
V
k
s
≤
1
12
N
σ
2
⋅
∑
i
q
i
2
V_{ks} \le \frac{1}{12}N\sigma^2 \cdot \sum_i q_i^2
Vks≤121Nσ2⋅i∑qi2
易知 LWE-to-LWE 的噪声就是 Key-Switch 的噪声。
LWE-to-RLWE
上述的 LWE-to-LWE 过程中,产生的 c t ′ ct' ct′ 并非是有效 RLWE 密文(相位只有常数项是有意义的,其他位置都是无效数据)。[CDKS21] 使用迹 T r K / Q Tr_{K/\mathbb Q} TrK/Q 来消除 X i , i ≠ 0 X^i,i \neq 0 Xi,i=0 的系数,只保留常数项(缩放因子 N N N)。
直接计算 T r K / Q Tr_{K/\mathbb Q} TrK/Q 需要分别计算各个 τ d , d ∈ Z m ∗ \tau_d, d\in \mathbb Z_m^* τd,d∈Zm∗,共计需要 N N N 个自同构映射(每一次都需要做 KS 过程)。因此,借助分圆塔将 T r K / Q Tr_{K/\mathbb Q} TrK/Q 分解,成为 L = log N L=\log N L=logN 个相邻分圆域的迹 T r K 2 l / K 2 l − 1 Tr_{K_{2^l}/K_{2^{l-1}}} TrK2l/K2l−1 的组合,这样就只需要计算 log N \log N logN 个非凡自同构。
具体算法为:
为了消除 N N N 缩放因子,可以预先对输入的 LWE 密文缩放 [ N − 1 ] q [N^{-1}]_q [N−1]q 因子,从而上述算法的输出自然地消除了它们。
因为自同构
τ
d
\tau_d
τd 是保长的,因此不会导致噪声过度膨胀。同态迹的噪声是
V
a
r
≤
1
3
(
(
N
n
)
2
−
1
)
⋅
V
k
s
Var \le \frac{1}{3}((\frac{N}{n})^2-1) \cdot V_{ks}
Var≤31((nN)2−1)⋅Vks
选取
n
=
1
n=1
n=1,LWE-to-RLWE 的噪声就是
V
a
r
≤
1
3
(
N
2
−
1
)
⋅
V
k
s
Var \le \frac{1}{3}(N^2-1) \cdot V_{ks}
Var≤31(N2−1)⋅Vks
LWEs-to-RLWE
假如我们希望将相位是
μ
j
,
j
∈
[
n
]
\mu_j, j \in [n]
μj,j∈[n] 的多个 LWE 密文打包到单个 RLWE 密文中:直接使用上述的转换得到
c
t
j
ct_j
ctj,然后计算
c
t
′
=
∑
j
∈
[
n
]
c
t
j
⋅
Y
j
,
Y
=
X
N
/
n
ct' = \sum_{j \in [n]} ct_j \cdot Y^j, Y=X^{N/n}
ct′=∑j∈[n]ctj⋅Yj,Y=XN/n,那么它的相位就是:
μ
′
=
N
⋅
∑
j
∈
[
n
]
μ
j
Y
j
∈
R
n
⊆
R
N
\mu' = N \cdot \sum_{j \in [n]} \mu_j Y^j \in R_n \subseteq R_N
μ′=N⋅j∈[n]∑μjYj∈Rn⊆RN
然而上述算法的计算效率和噪声增长都不算好。[CDKS21] 提出了 FFT-style 递归算法:假设
n
=
2
l
n=2^l
n=2l,为了计算
μ
′
\mu'
μ′,可以将
μ
j
\mu_j
μj 分为大小
2
l
−
1
2^{l-1}
2l−1 的两组,分别计算出
μ
e
v
e
n
′
=
N
/
2
⋅
∑
j
∈
[
n
/
2
]
μ
2
j
Y
2
j
∈
R
n
/
2
μ
o
d
d
′
=
N
/
2
⋅
∑
j
∈
[
n
/
2
]
μ
2
j
+
1
Y
2
j
∈
R
n
/
2
\begin{aligned} \mu_{even}' &= N/2 \cdot \sum_{j \in [n/2]} \mu_{2j} Y^{2j} \in R_{n/2}\\ \mu_{odd}' &= N/2 \cdot \sum_{j \in [n/2]} \mu_{2j+1} Y^{2j} \in R_{n/2}\\ \end{aligned}
μeven′μodd′=N/2⋅j∈[n/2]∑μ2jY2j∈Rn/2=N/2⋅j∈[n/2]∑μ2j+1Y2j∈Rn/2
但是实际上我们只需要计算出
μ
e
v
e
n
,
μ
o
d
d
∈
R
N
\mu_{even},\mu_{odd} \in R_N
μeven,μodd∈RN,使得它们的
Y
2
j
Y^{2j}
Y2j 系数组成了
μ
e
v
e
n
′
,
μ
o
d
d
′
∈
R
n
/
2
\mu_{even}',\mu_{odd}' \in R_{n/2}
μeven′,μodd′∈Rn/2,然后将
μ
o
d
d
\mu_{odd}
μodd 旋转
Y
Y
Y 加到
μ
e
v
e
n
\mu_{even}
μeven 上,并使用自同构
τ
d
,
d
=
2
l
+
1
\tau_{d}, d=2^l+1
τd,d=2l+1 来消除
μ
o
d
d
\mu_{odd}
μodd 那些恰好被旋转到
μ
e
v
e
n
′
\mu_{even}'
μeven′ 位置上的杂项:
μ
=
(
μ
e
v
e
n
+
Y
⋅
μ
o
d
d
)
+
τ
d
(
μ
e
v
e
n
−
Y
⋅
μ
o
d
d
)
\mu = (\mu_{even} + Y \cdot \mu_{odd}) + \tau_d(\mu_{even} - Y \cdot \mu_{odd})
μ=(μeven+Y⋅μodd)+τd(μeven−Y⋅μodd)
由于
−
Y
⋅
μ
o
d
d
-Y \cdot \mu_{odd}
−Y⋅μodd 的有效系数
−
μ
2
j
+
1
-\mu_{2j+1}
−μ2j+1 是在
Y
2
j
+
1
Y^{2j+1}
Y2j+1 上,因此
τ
d
\tau_d
τd 将它们取反为
μ
2
j
+
1
\mu_{2j+1}
μ2j+1 ,而那些被旋转到
Y
2
j
Y^{2j}
Y2j 的杂项
−
e
-e
−e 则保持不变,正好和
Y
⋅
μ
o
d
d
Y \cdot \mu_{odd}
Y⋅μodd 添加到
μ
e
v
e
n
\mu_{even}
μeven 上的杂项
e
e
e 相互消除。最终,相位
μ
∈
R
N
\mu \in R_N
μ∈RN 的那些
Y
j
Y^j
Yj 的系数恰好是
N
⋅
μ
j
N \cdot \mu_j
N⋅μj,只要再消除其他的杂项就可以得到
μ
′
∈
R
n
\mu' \in R_n
μ′∈Rn,这里可以使用
T
r
K
N
/
K
n
Tr_{K_N/K_n}
TrKN/Kn 来消除它们。
具体算法为:
这个算法 Step 2 需要 n − 1 n-1 n−1 次自同构,step 3 需要 log ( N / n ) \log(N/n) log(N/n) 次自同构,均摊成本为 n + log ( N / n ) − 1 n \frac{n+\log(N/n)-1}{n} nn+log(N/n)−1,只要打包的 LWEs 够多 n = Ω ( log N ) n=\Omega(\log N) n=Ω(logN),均摊成本仅为 O ( 1 ) O(1) O(1)(但是打包 n ≥ 2 10 n \ge 2^{10} n≥210 个 LWEs 的延迟应该挺高了?)
注意到 μ j \mu_j μj 是打包在系数上的,一般 FHE 可能需要使得消息是打包在明文槽里的,这可以使用 [GHS12] [HS15] [HHC19] 的 Coeff-to-Slot 技术进行转换。[CDKS21] 说这些转换的速度特别快(真的么?秒的量级吧,不算快),因此主要开销还是在 LWEs-to-RLWE 上面。
可以证明 LWEs-to-RLWE 的噪声也是 V a r ≤ 1 3 ( N 2 − 1 ) ⋅ V k s Var \le \frac{1}{3}(N^2-1) \cdot V_{ks} Var≤31(N2−1)⋅Vks
Lightweight Communication
三种转换的效率和噪声:
优势:
- 原始的 KS 过程,对于前两个参数,执行时间为 203 203 203、 1628 1628 1628 毫秒,因此嵌入到 RLWE 后的效率提升了 2 2 2 个数量级(例如 1.03 1.03 1.03 毫秒)
- 噪声仅为 O ( log N ) O(\log N) O(logN)-bit,因此可以使用 LWE 密文,留出足够的噪声空间, b ∈ Z q b \in \mathbb Z_q b∈Zq 的大部分空间都可用于存储消息(例如 389 − 23 389-23 389−23 比特)
对于云计算场景,我们使用对称版本的 LWE 加密方案,那么多个密文的 a j ∈ Z q N a_j \in \mathbb Z_q^N aj∈ZqN 完全可以被替代为随机种子, a j = P R F ( s e e d , j ) a_j=PRF(seed,j) aj=PRF(seed,j),这导致了 Rate 高达 1 − o ( 1 ) 1-o(1) 1−o(1) 的对称加密。在同态运算之前,需要同态解密,因为 LWE-based 是 FHE 友好的(只需要部分的同态解密,不必纠错),直接使用上述的 LWEs-to-RLWE 就可以转化为合适的 FHE 密文(这三种转换都是保护相位的,通用于任意的 FHE 方案)