17、后量子密码学:NIST竞赛与算法分析

后量子密码学与NIST竞赛解析

后量子密码学:NIST竞赛与算法分析

1. NIST安全强度分类

在NIST后量子竞赛中,所有提交的算法都需根据现有的抗量子对称密码和哈希函数,实现特定的保护强度。NIST安全级别数字越高,保护强度越强,具体分类如下表所示:
| NIST安全级别 | 等效安全性 | 量子抗性 |
| — | — | — |
| 1 | AES - 128 | 弱 |
| 2 | SHA - 256/SHA3 - 256 | 强 |
| 3 | AES - 192 | 更强 |
| 4 | SHA - 384/SHA3 - 384 | 非常强 |
| 5 | AES - 256 | 最强 |

NIST认为这五个级别都具有量子抗性,但安全级别1被描述为“在可预见的未来可能安全,除非量子计算机的发展速度超过预期”,相对较弱。因为使用Grover算法的量子计算机可将AES - 128的保护强度有效降低至64位。目前虽无公开已知的攻击能破解64位强度的AES,但未来出现此类攻击并非遥不可及。因此,许多密码专家认为勉强达到NIST安全级别1的密码实现并非真正的长期抗量子密码。不过,NIST认为它们目前是可接受的,并将其视为在时间和资源允许时过渡到更强大密码学的“桥梁”。

NIST认为安全级别2和3“在可预见的未来可能安全”,级别4和5“可能过度”。密码专家信任“可能过度”的抗量子密码,但性能和实现方面的考虑可能阻碍其当前部署。例如,许多当前的软件程序和设备默认使用AES - 128,尚无法使用AES - 256或更大的密钥。

大多数NIST竞赛的参赛者提交了满足NIST安全级别1、3和5的算法实现,多数跳过了级别2和4

提供了基于BP(Back Propagation)神经网络结合PID(比例-积分-微分)控制策略的Simulink仿真模型。该模型旨在实现对杨艺所著论文《基于S函数的BP神经网络PID控制器及Simulink仿真》中的理论进行实践验证。在Matlab 2016b环境下开发,经过测试,确保能够正常运行,适合学习和研究神经网络在控制系统中的应用。 特点 集成BP神经网络:模型中集成了BP神经网络用于提升PID控制器的性能,使之能更好地适应复杂控制环境。 PID控制优化:利用神经网络的自学习能力,对传统的PID控制算法进行了智能调整,提高控制精度和稳定性。 S函数应用:展示了如何在Simulink中通过S函数嵌入MATLAB代码,实现BP神经网络的定制化逻辑。 兼容性说明:虽然开发于Matlab 2016b,但理论上兼容后续版本,可能会需要调整少量配置以适配不同版本的Matlab。 使用指南 环境要求:确保你的电脑上安装有Matlab 2016b或更高版本。 模型加载: 下载本仓库到本地。 在Matlab中打开.slx文件。 运行仿真: 调整模型参数前,请先熟悉各模块功能和输入输出设置。 运行整个模型,观察控制效果。 参数调整: 用户可以自由调节神经网络的层数、节点数以及PID控制器的参数,探索不同的控制性能。 学习和修改: 通过阅读模型中的注释和查阅相关文献,加深对BP神经网络PID控制结合的理解。 如需修改S函数内的MATLAB代码,建议有一定的MATLAB编程基础。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值