今天学什么之NTT

正在努力的研究牲

于 2024-03-07 11:24:23 发布

阅读量944

点赞数 25

文章标签：算法 python

本文链接：https://blog.csdn.net/weixin_49391089/article/details/136525905

版权

NTT（数论变换，Number Theoretic Transform）

一、NTT的数学原理

NTT是快速傅里叶变换（FFT）在模数域下的等价形式。它主要用于大整数乘法等问题中，尤其是在模数运算环境下。NTT的优点在于它避免了浮点数运算，减少了误差的积累，特别适用于加密和编码领域。

1.1 知识点补充

1.1.1模数运算环境

模数运算是指在取余运算的过程中，只考虑余数而忽略商的计算。在模数运算中，我们通常使用一个模数（模）来对一个数进行取余运算。

举个简单的例子，具体的计算步骤如下：

假设我们要计算13对5取模的结果，我们要计算 13 mod 5
首先，我们将13除以5，得到商2和余数3。
在模数运算中，我们只关心余数，因此13 mod 5 的结果为3。

因此，13 mod 5 的结果是3。在计算机科学和密码学领域，模数运算经常被使用，特别是在加密算法和校验方法中。

1.1.2 符号

在数学中，符号 “|” 通常表示“整除”。所以当我说到 “n | (p-1)” 时，意思是 n 能够整除 (p-1)，也就是说，(p-1) 是 n 的倍数。
List item

1.1.3 原根和

原根（Primitive Root）：在数论中，给定一个正整数n，如果存在一个整数a，使得对于任意与n互质的正整数k，都存在一个正整数m，使得a^m≡k ( mod n) ，那么a就被称为模n的原根。换句话说，原根是一个可以生成模n剩余类的整数。

举个例子，考虑模12的情况，我们可以计算出2、5和11都是模12的原根。例如，以2为底的幂次运算：

2^1≡2 ( mod 12)
2^2≡4 ( mod 12)
2^3≡8 ( mod 12)
2^4≡4 ( mod 12)
2^5≡10 ( mod 12)
2^6≡2 ( mod 12)...

我们可以看到，对于与12互质的任何数k，总能找到一个m，使得2m≡k(mod12)2m≡k(mod12)。因此，2是模12的原根。

单位根（Unit Root）：在复数域中，给定一个正整数n，单位根是指满足方程xn=1xn=1的复数解。单位根的个数为n，可以用复数平面的单位圆上的点来表示。

举个例子，考虑单位根的情况，我们来看看模5的单位根。方程x5=1x5=1有五个根，分别是1、e2πi/5e2πi/5、e4πi/5e4πi/5、e6πi/5e6πi/5和e8πi/5e8πi/5，其中ee是自然对数的底，i是虚数单位。这五个复数都满足x5=1x5=1的条件，因此它们都是模5的单位根。

总结：原根是数论中与模n的剩余类相关的概念，单位根是复数域中与方程xn=1xn=1相关的概念。两者在不同领域的数学中有不同的含义和应用。

1.2 原理概述

1.2.1 单位根

在NTT中，我们使用的是n阶原根的幂作为单位根，而不是FFT中的复数单位根。如果有一个数ω满足ω^n ≡ 1 (mod p)，其中p是质数，且n | (p-1)，那么称ω是模p的n次本原单位根。

1.2.2 DFT和IDFT

NTT基于离散傅里叶变换（DFT）和其逆变换（IDFT）的概念，但是在有限域（模p）中进行计算。对于一个长度为n的序列a，其NTT变换定义为另一个序列A，其中A[k] = Σ(a[j] * ω^(jk)) mod p，j从0到n-1。逆变换则用ω的逆元进行计算。

1.2.3 蝴蝶操作

NTT和FFT一样，通过分治策略实现快速计算。这个过程中的基本操作被称为“蝴蝶操作”，它将序列分为“偶数部分”和“奇数部分”，然后递归地应用变换，最后合并结果。

1.2.4 模数选择

为了使NTT正确运行，模数p需要满足特定条件：p = kn + 1，其中k是正整数，这保证了n阶原根的存在。此外，为了简化逆元和模逆的计算，通常选择p使得它是一个质数。

1.3 示例

假设我们要对序列a = [1, 2, 3, 4]进行NTT变换，选择n=4，p=17（一个满足条件的模数，因为17-1可以被4整除），并找到一个4次本原单位根ω=3（因为3^4 ≡ 1 (mod 17)）。

计算A[0]:
    A[0] = 13^0 + 23^0 + 33^0 + 43^0 = 10 (mod 17)

计算A[1]:
    A[1] = 13^0 + 23^1 + 33^2 + 43^3 = 1 + 6 + 9 + 8 = 24 ≡ 7 (mod 17)

计算A[2]:
    A[2] = 13^0 + 23^2 + 33^4 + 43^6 = 1 + 9 + 3 + 4 = 17 ≡ 0 (mod 17)

计算A[3]:
    A[3] = 13^0 + 23^3 + 33^6 + 43^9 = 1 + 8 + 4 + 1 = 14 (mod 17)

所以，NTT变换的结果是A = [10, 7, 0, 14]。

1.4 简单算法

用Python编写的NTT算法示例：

python

def ntt(a, p, omega):
“”"
NTT算法实现

参数:
a -- 输入的序列
p -- 模数
omega -- 本原单位根

返回值:
A -- NTT变换后的结果序列
"""
n = len(a)

if n == 1:
    return a

# 分治：将输入序列分为偶数部分和奇数部分
even = ntt(a[0::2], p, omega)  # 偶数部分
odd = ntt(a[1::2], p, omega)   # 奇数部分

# 合并结果
A = [0] * n
factor = 1
for k in range(n//2):
    t = (odd[k] * factor) % p
    A[k] = (even[k] + t) % p
    A[k + n//2] = (even[k] - t) % p
    factor = (factor * omega) % p

return A
示例用法
a = [1, 2, 3, 4]
p = 17
omega = 3
A = ntt(a, p, omega)
print(A)

这段代码中，ntt 函数使用递归方式实现了NTT算法。它首先检查输入序列的长度，如果长度为1，则直接返回该序列。否则，它将输入序列分为偶数部分和奇数部分，然后递归地对它们进行NTT变换。最后，通过合并结果得到最终的NTT变换序列。

在示例中，我们使用了输入序列 [1, 2, 3, 4]，模数 p = 17，本原单位根 omega = 3。运行代码后，将会输出NTT变换后的结果序列。

至此，我还没完全学明白，我还要再摸索摸索