关于求解线性序列的极小多项式和线性复杂度的BM算法实操理解

关于求解线性序列的极小多项式和线性复杂度的BM算法实操理解

在流密码中，线性反馈移位寄存器(LFSR)是非常重要部件。学过线性移位寄存器序列相关知识的朋友都知道，Berlekamp-Massey算法(以下简称BM算法)是求解序列的线性复杂度的有效的方法。网上有很多BM算法的流程，笔者在学习的时候，感觉对着流程能够计算序列的线性复杂度，但是如果是闭卷考试，这个过程也太难记住了！所以本篇重新理解了一下BM算法的求解流程，重在教你如何快速掌握BM算法的计算过程。 如果你已经了解BM算法，你可以直接看第3点。

1、简介

$N$是一个正整数，$a^{(N)}=a_0{a}_1\cdots a_{N-1}$是有限域$F_q$上的一个长度为$N$的序列，$f_N(x)$是一个能够产生$a^{(N)}$且阶数最小的线性移位寄存器的联接多项式 ，$l_N$是该线性反馈移位寄存器的阶数（也称作该序列的线性复杂度 ）。我们称二元组$(f_N(x),l_N)$是$a^{(N)}$的线性综合解 。另外，约定：0阶线性移位寄存器的联接多项式为$f(x)=1,l_N=0$，且长度为$n(\le N)$的零序列$000\cdots 0$由0阶的线性移位寄存器产生。

注意BM算法求的是联接多项式，要想得到生成多项式，可以根据“联接多项式和生成多项式为互反多项式“得出来。

2、BM算法的流程

算法流程不清楚的可以在网上搜一搜，有很多。

3、如何理解算法流程

(理解这里的算法可以结合上述步骤来理解，多看几遍就会懂)首先，对上述算法中的几个符号做好理解。序列是$a^{(N)}=a_0{a}_1\cdots a_{N-1}$，比如序列00101101中，$a_0=0，a_1=0,a_2=1\cdots$,为了规范计算，采用下标从0开始，但是在理解的时候，下标不再是从0开始，而是从1开始(这仅是个人的总结，你亦可以有自己的理解)。对每次迭代，要计算$f,l,d$，这里，$f_i$表示生成前$i$个字符的最小联接多项式，$l_i$表示$f_i$对应的LFSR的阶数，$d_i$表示第$i+1$个字符能否由$(f_i,l_i)$生成，若能生成，$d_i=0$,否则，$d_i=1$ 。如果你没有理解，没关系，我们通过实例来看看到底是怎么做的。

以二元序列$00101101$为例，首先，因为前2个字符都是0，根据简介中的约定，生成前0个字符的联接多项式，生成前1个字符的联接多项式，生成前2个字符的联接多项式都为1，即$f_0(x)=f_1(x)=f_2(x)=1$，当然它们对应的LFSR的长度为0，即$l_0=l_1=l_2=0$。那么$d_0$等于什么呢？根据上述理解，$d_0$表示第1个字符能否由$(f_0,l_0)$生成，显然可以(第1个字符为$a_0=0$)。同理，$d_1$表示第2个字符能否由$(f_1,l_1)$生成，第2个字符$a_1=0$，是可以生成的，所以$d_1=0$。第3个字符是1,不能由$(f_2=1,l_2=0)$生成（注意这是联接多项式），所以$d_2=1$。那$(f_2,l_2)$不能生成第三个字符了，我们就要找第三个字符的综合解，由于前面都是0，第三个字符才是1，所以我们找一个3级的寄存器，直接把$(a_0,a_1,a_2)$作初始状态，这自然可以生成前3个字符。通常为了统一规定，我们认为是$f_3=x^3+1,l_3=3$。得到$(f_3,l_3)$了，我们就可以进一步计算$d_3$，进而确定$(f_4,l_4)$。在这里，需要强调的是，只有第一个不为零的字符那里的多项式是这么规定的，比如这里的$f_3$，但是后续的$d_i=1$时，不是这么规定了，而是利用一个公式确定(上述流程中的最后那个更新公式) 。

其实这么看来，BM算法就是从第一个字符开始找，求出生成第一个字符的序列的线性综合解；然后再看这个线性综合解能不能继续生成第2个字符，也就是说这个线性综合解是不是前2个字符的线性综合解，如果是的，继续看第三个字符；如果不是的，则需要去寻找新的综合解。那么如何寻找新的综合解？根据上面说的，第一个非零字符的综合解是自己定(即第一个$a_{n0}\ne 0$时，$f_{n_0+1}=x^{n_0+1}+1$)，后续每个利用$f_{n+1}=f_n+x^{n-m}{f}_m$来确定，这里的$m$是根据$l$的值来确定的，找到当前已经得到的所有$l$中最近的那个跳跃的$l_m$。我们可以继续上面那个例子：

已经求出了$f_3,l_3$，看能不能由此生成第四个字符，可以看出，如果利用$f_3=x^3+1$，生成的第四个字符是0，确实等于第四个字符，所以$d_3=0,f_4=f_3=x^3+1,l_4=l_3=3$。再计算$d_4$:由$f_4$生成的第五个字符是0，但是实际上第五个字符$a_4=1$，所以$d_4=1$,此时$l_4=l_3=3\ne l_2=l_1=l_0=0$，所以从$l_4$开始往前看，发现$l_2$是最近(最后)一个跳跃的(即不相等)，所以$m=2,n=4$，即$f_5=f_4+x^{4-2}{f}_2=x^3+x^2+1$，$l_5=max(l_4,5-l_4)=3$。进一步计算，第六个字符1确实可以由$(f_5,l_5)$生成，所以$d_5=0,f_6=f_5,l_6=l_5$。 $d_6=1,f_7=f_6+x^{6-2}{f}_2=x^4+x^3+x^2+1$，$l_7=max(l_6,7-l_6)=4$。$d_7=1,f_8=f_7+x^{7-6}{f}_6=x^2+x+1,l_8=max(l_7,8-l_7)=4$.所以$a^{(8)}=00101101$的线性综合解是$(1+x+x^2,4)$，对应的特征多项式是$F(x)=x^{4}f(\frac{1}{x})=x^4+x^3+x^2$.

4、总结

大家可以细细理解一下过程，本篇目的不是讲算法原理和证明，是结合作者自身体验以理解性记忆的方式帮助大家记住BM算法的流程。

5、附BM算法的Python程序(二元序列)

if __name__ == '__main__':
	q = 2
	a = [0,0,1,0,1,1,0,1]
	d = []
	f = []
	l = []
	for i in range(len(a)+1):
		d.append(-100000)
		f.append([])
		l.append(-100000)

	f[0] = [1]
	l[0] = 0
	for n0 in range(len(a)):
		if a[n0] != 0:
			break

	for i in range(n0):
		d[i] = 0
	d[n0] = a[n0]

	for i in range(1,n0+1):
		f[i] = [1]
		l[i] = 0

	temp_f = [1]
	for i in range(1, n0+1):
		temp_f.append(0)
	temp_f.append(0-d[n0])
	f[n0+1] = temp_f
	l[n0+1] = n0 + 1


	for n in range(n0+1, len(a)):
		d[n] = 0
		for i in range(l[n]+1):
			d[n] += a[n-i]*f[n][i]
		d[n] = d[n] % q
		if d[n] == 0:
			f[n+1] = f[n]
			l[n+1] = l[n]
		else:
			for m in range(n-1,-1,-1):
				if l[m] < l[m+1]:
					break

			l[n+1] = max(l[n], n+1-l[n])

			temp_f = []
			temp_fn = f[n].copy()
			temp_fm = f[m].copy()
			for i in range(l[n+1]+1):
				if i > l[n]:
					temp_fn.append(0)
				if i > l[m]:
					temp_fm.append(0)
			k = n-m
			pre = []
			for i in range(k):
				pre.append(0)
			pre.extend(temp_fm[0:l[n+1]+1-k])
			temp_fm = pre
			f[n+1] = []

			for i in range(l[n+1]+1):
				f[n+1].append(temp_fn[i] - temp_fm[i])

	print('f(x):',f)
	print('l:',l)
	print('d:',d)

结果是：

f(x): [[1], [1], [1], [1, 0, 0, -1], [1, 0, 0, -1], [1, 0, -1, -1], [1, 0, -1, -1], [1, 0, -1, -1, -1], [1, -1, -1, 0, 0]]
#这个表示系数，如最后的[1,-1,-1,0,0]表示多项式1+x+x^2，系数是模2的
l: [0, 0, 0, 3, 3, 3, 3, 4, 4]
d: [0, 0, 1, 0, 1, 0, 1, 1, -100000]
[Finished in 0.1s]