整数格与子集和密码系统破解
1. 整数格基础与相关定理
在整数格的研究中,有几个关键的定理和引理。首先,在某些例子里,最终得到的向量 (b_1) 实际上是最短向量,但定理仅保证计算出的基中第一个向量的范数最多是最短向量范数的 (2^{(\ell - 1)/2}) 倍,其中 (\ell) 是格的维度。
1.1 引理 13.14
设 (L \subseteq R^n) 是一个 (n) 维格,具有约化基 (b_1, \cdots, b_n) 以及对应的 Gram - Schmidt 正交化(GSO)基 (b_1^
, \cdots, b_n^
),则有 (\lambda_n(L) \leq \sqrt{n} \max{|b_1^
|, \cdots, |b_n^
|})。
证明过程如下:
设 (M) 为上述最大值。根据算法步骤 6,对于任意 (j < i \leq n),(b_i) 在 (b_j^
) 上的投影长度最多为 (|b_j^
|/2 \leq M/2),且 (|b_i| = |b_i^
| \leq M)。所以 (|b_i|^2 \leq \sum_{1\leq j < i} |b_j^
|^2/4 + |b_i^*|^2 \leq ((n - 1)/4 + 1)M^2 < nM^2)。由于 (b_1, \cdots, b_n) 是 (L) 的基,可得 (\lambda_n(L) \leq \max{|b_1|, \cdots, |b_n|} \leq \sqrt{n}M)。
1.2 基约化的成本估计
定理 13.15 表明,算法 13.13 能正确计算 (L \subseteq Z^n) 的约化基,并且在多项式时间内运行。若给定 (L) 的每个生成元的范数的比特长度最多为 (m),则该算法使用 (O(n^4m)) 次对整数的算术运算,这些整数的比特长度为 (O(nm))。
为了估计算术运算的次数,关键在于界定步骤 7 - 10 中发生交换的次数。这里引入一个值 (D),它始终是正整数,初始时较小,并且在算法中除了每次交换步骤会至少减少到原来的 (3/4) 外,其余情况保持不变,所以交换步骤的次数有限。
1.3 相关引理
-
引理 13.16
:
- 考虑步骤 6 中 (1 \leq j < i \leq \ell) 的一次执行。设 (B, B^ \in Q^{\ell\times n}),(M \in Q^{\ell\times \ell}) 和 (C, C^ \in Q^{\ell\times n}),(N \in Q^{\ell\times \ell}) 分别是替换前后 (b_k),(b_k^ ),(\mu_{kh}) 的矩阵,(E = (e_{kh}) \in Z^{\ell\times \ell}) 是一个矩阵,满足 (e_{kk} = 1) 对所有 (k) 成立,(e_{ij} = -\lceil\mu_{ij}\rceil),其余 (e_{kh} = 0),则 (C = EB),(C^ = B^*),(N = EM)。
- 在每次执行步骤 6 之前,有不变式 (|\mu_{ih}| \leq 1/2) 对于 (j < h < i) 成立。
- Gram - Schmidt 正交基 (b_1^ , \cdots, b_{\ell}^ ) 在步骤 6 中不变,并且在步骤 5 - 6 的循环之后,对于 (1 \leq h < i) 有 (|\mu_{ih}| \leq 1/2)。
-
引理 13.17
:假设在步骤 8 中交换 (b_{i - 1}) 和 (b_i),分别用 (c_1, \cdots, c_{\ell}) 和 (c_1^
, \cdots, c_{\ell}^
) 表示交换后向量及其 Gram - Schmidt 正交基的值,则:
- 对于 (k \in {1, \cdots, \ell} \setminus {i - 1, i}),(c_k^ = b_k^ )。
- (|c_{i - 1}^ |^2 < \frac{3}{4}|b_{i - 1}^ |^2)。
- (|c_i^ | \leq |b_{i - 1}^ | )。
-
引理 13.18
:在步骤 4 - 10 的每次迭代开始时,有以下不变式成立:
- (|\mu_{kh}| \leq \frac{1}{2}) 对于 (1 \leq h < k < i)。
- (|b_{k - 1}^ |^2 \leq 2|b_k^ |^2) 对于 (1 \leq k < i)。
- 引理 13.19 :对于 (1 \leq k \leq \ell),有 (d_k = \prod_{1\leq h \leq k} |b_h^*|^2 > 0)。
-
引理 13.20
:
- 在步骤 5 - 6 中,所有的 (d_k) 都不改变。
- 如果在步骤 7 - 10 中交换 (b_{i - 1}) 和 (b_i),用 (d_k^ ) 表示 (d_k) 的新值,对于任意 (k),则当 (k \neq i - 1) 时 (d_k^ = d_k),且 (d_{i - 1}^* \leq \frac{3}{4}d_{i - 1})。
1.4 算法复杂度分析
通过引入循环变量 (D = \prod_{1\leq k < \ell} d_k),可以对算术运算的次数进行界定。步骤 1 - 3 需要 (O(n^3)) 次 (Z) 中的运算。步骤 6 的一次执行相当于计算矩阵乘积 (EB) 和 (EM),成本为 (O(n)) 次运算,所以步骤 5 - 6 循环中 (Z) 里的运算次数为 (O(\ell n))。若在步骤 7 - 10 发生交换,只有 (b_{i - 1}^ ),(b_i^ ) 以及过渡矩阵 (M) 的第 (i - 1) 和 (i) 行与列会改变,更新这些元素需要 (O(n)) 次运算,且被步骤 5 - 6 的成本所主导。
初始时 (D) 的值 (D_0) 满足 (D_0 = |a_1^ |^{\ell - 1}|a_2^ |^{\ell - 2} \cdots |a_{\ell - 1}^ | \leq |a_1|^{\ell - 1}|a_2|^{\ell - 2} \cdots |a_{\ell - 1}| \leq R^{\ell(\ell - 1)/2})。根据引理 13.20,(D) 在步骤 5 - 6 不变,在步骤 7 - 10 发生交换时至少减少到原来的 (3/4),所以交换步骤的次数被 (log_{4/3} D_0 \in O(\ell^2m)) 所界定。最终,步骤 4 - 10 循环的总迭代次数为 (e + e^ = 2e + \ell - 1 \in O(\ell^2m)),因此 (Z) 中总的运算次数为 (O(\ell^3nm) \subseteq O(n^4m))。
1.5 算法 13.13 示例
以下表格展示了算法 13.13 在一个三维格上的运行过程,包括基向量、相关参数、Gram 行列式 (d_k) 及其乘积 (D) 的值:
|步骤| (\begin{pmatrix} b_1 \ b_2 \ b_3 \end{pmatrix}) | (\begin{pmatrix} \mu_{21} \ \mu_{31} \ \mu_{32} \end{pmatrix}) | (\begin{pmatrix} |b_1^
|^2 \ |b_2^
|^2 \ |b_3^*|^2 \end{pmatrix}) | (d_1, d_2) | (D) | 操作 |
| ---- | ---- | ---- | ---- | ---- | ---- | ---- |
| 4 | (\begin{pmatrix} 1 \ 1 \ 1 \ -1 \ 0 \ 2 \ 3 \ 5 \ 6 \end{pmatrix}) | (\begin{pmatrix} \frac{1}{3} \ \frac{14}{3} \ \frac{13}{14} \end{pmatrix}) | (\begin{pmatrix} 3 \ \frac{14}{3} \ \frac{9}{14} \end{pmatrix}) | 3, 14 | 42 | rep(3, 2) |
| 4 | (\begin{pmatrix} 1 \ 1 \ 1 \ -1 \ 0 \ 2 \ 4 \ 5 \ 4 \end{pmatrix}) | (\begin{pmatrix} \frac{1}{3} \ \frac{13}{3} \ -\frac{1}{14} \end{pmatrix}) | (\begin{pmatrix} 3 \ \frac{14}{3} \ \frac{9}{14} \end{pmatrix}) | 3, 14 | 42 | rep(3, 1) |
| 5 | (\begin{pmatrix} 1 \ 1 \ 1 \ -1 \ 0 \ 2 \ 0 \ 1 \ 0 \end{pmatrix}) | (\begin{pmatrix} \frac{1}{3} \ \frac{1}{3} \ -\frac{1}{14} \end{pmatrix}) | (\begin{pmatrix} 3 \ \frac{14}{3} \ \frac{9}{14} \end{pmatrix}) | 3, 14 | 42 | ex(3, 2) |
| 5 | (\begin{pmatrix} 1 \ 1 \ 1 \ 0 \ 1 \ 0 \ -1 \ 0 \ 2 \end{pmatrix}) | (\begin{pmatrix} \frac{1}{3} \ \frac{1}{3} \ -\frac{1}{2} \end{pmatrix}) | (\begin{pmatrix} 3 \ 2 \ \frac{9}{2} \end{pmatrix}) | 3, 2 | 6 | ex(2, 1) |
| 4 | (\begin{pmatrix} 0 \ 1 \ 0 \ 1 \ 1 \ 1 \ -1 \ 0 \ 2 \end{pmatrix}) | (\begin{pmatrix} 1 \ 0 \ \frac{1}{2} \end{pmatrix}) | (\begin{pmatrix} 1 \ 2 \ \frac{9}{2} \end{pmatrix}) | 1, 2 | 2 | rep(2, 1) |
| 6 | (\begin{pmatrix} 0 \ 1 \ 0 \ 1 \ 0 \ 1 \ -1 \ 0 \ 2 \end{pmatrix}) | (\begin{pmatrix} 0 \ 0 \ \frac{1}{2} \end{pmatrix}) | (\begin{pmatrix} 1 \ 2 \ \frac{9}{2} \end{pmatrix}) | 1, 2 | 2 | |
其中,(d_1 = |b_1^ |^2),(d_2 = |b_1^ |^2|b_2^ |^2),(D = d_1d_2),且 ((\det L)^2 = d_3 = |b_1^ |^2|b_2^ |^2|b_3^ |^2 = 9) 始终成立。“操作”列中,(rep(i, j)) 表示用 (b_i - \lceil\mu_{ij}\rceil b_j) 替换 (b_i),(ex(i, i - 1)) 表示交换 (b_i) 和 (b_{i - 1})。
1.6 推论 13.21
给定线性无关的向量 (a_1, \cdots, a_{\ell} \in Z^n),其范数的比特长度最多为 (m),基约化算法 13.13 能计算出 (L = \sum_{1\leq i \leq \ell} Z a_i) 的约化基 (b_1, \cdots, b_{\ell})。此外,(b_1) 是 (L) 中的一个“短”非零向量,满足 (|b_1| \leq 2^{(\ell - 1)/2}\lambda_1(L) = 2^{(\ell - 1)/2} \min{|y|: 0 \neq y \in L})。该算法使用 (O(n^6m^3)) 次比特运算。
若每个 (a_i) 的每个元素最多有 (k) 位,则 (m \leq (\log_2 n)/2 + k),输入大小 (N) 最多为 (N \approx n^2k),算法的运行时间变为 (O^{\sim}(n^2N^2))。在实际应用中,每个 (a_i) 通常是“稀疏”的,长度约为 (n + k) 而非 (nk)。
2. 子集和密码系统
2.1 子集和问题
子集和问题(或背包问题)是要判断给定 (t_0, t_1, \cdots, t_n \in N),是否存在 (x_1, \cdots, x_n \in {0, 1}) 使得 (t_0 = \sum_{1\leq i \leq n} t_i x_i)。例如,输入 ((1215, 366, 385, 392, 401, 422, 437)) 就是问是否存在 (x_1, \cdots, x_6 \in {0, 1}) 使得 (366x_1 + 385x_2 + 392x_3 + 401x_4 + 422x_5 + 437x_6 = 1215)。这个问题是 NP - 完全的。
2.2 子集和密码系统原理
Diffie 和 Hellman 发明公钥密码学后,Merkle 和 Hellman 提出了基于子集和问题的公钥加密方案。该系统的计算量比其他系统(如 RSA)小,吞吐量更高。其原理是 Bob 公布公钥 (t_1, \cdots, t_n),Alice 想秘密发送 (n) 位 (x_1, \cdots, x_n) 时,将其编码为 (t_0 = \sum_{1\leq i \leq n} t_i x_i) 并发送 (t_0)。
为了使解码在有秘密知识时容易,而在没有秘密时困难,使用了特殊的“超递增”序列 (s_1 \ll s_2 \ll \cdots \ll s_n) 作为求和项。例如 (s_i = 2^{i - 1}) 时,解 ((x_1, \cdots, x_n)) 就是 (s_0) 的二进制表示。一般来说,只要 (s_i > \sum_{1\leq j < i} s_j) 对所有 (i) 成立,解就是唯一且容易计算的。然后将 (s_i) 乘以一个随机数 (r) 模另一个随机数 (m > \sum_{1\leq i \leq n} s_i)(且 (\gcd(r, m) = 1))得到公钥 (t_i),即 (t_i = r s_i \pmod{m})。Bob 的私钥 (sk = (r, m)) 允许他将 (t_0) 乘以 (r^{-1} \pmod{m}) 后解决一个简单的子集和问题。
2.3 子集和问题与短向量问题的联系
以示例 13.23 为例,考虑由矩阵 (\begin{pmatrix} 1215 & 0 & 0 & 0 & 0 & 0 & 0 \ -366 & 1 & 0 & 0 & 0 & 0 & 0 \ -385 & 0 & 1 & 0 & 0 & 0 & 0 \ -392 & 0 & 0 & 1 & 0 & 0 & 0 \ -401 & 0 & 0 & 0 & 1 & 0 & 0 \ -422 & 0 & 0 & 0 & 0 & 1 & 0 \ -437 & 0 & 0 & 0 & 0 & 0 & 1 \end{pmatrix}) 的行生成的格 (L \subseteq Z^7)。算法 13.13 计算出短向量 (y = (0, 0, 0, 1, 1, 1, 0) \in L),且 (1215 = 366\times0 + 385\times0 + 392\times1 + 401\times1 + 422\times1 + 437\times0)。设 (a_i) 为第 (i) 行向量,(x_0 = 1),(x = (0, 0, 1, 1, 1, 0) \in {0, 1}^6) 为解向量,则 (y = \sum_{0\leq i \leq 6} a_i x_i),说明基约化可以解决这个特定的子集和问题。
2.4 算法 13.26:子集和的短向量算法
输入: 正整数 t0, t1, ..., tn。
输出: (x1, ..., xn) ∈ Zn 或 “failure”。
1. 令 M = ⌈2n/2n1/2⌉ + 1。
2. 如果 t0 < ∑(1≤i≤n) ti/2,则 t0 ← ∑(1≤i≤n) ti - t0。
3. 对于 0 ≤ i ≤ n,令 ai ∈ Zn+1 为矩阵
⎛
⎜
⎜
⎜
⎜
⎜
⎝
t0M 0 0 ··· 0
-t1M 1 0 ··· 0
-t2M 0 1 ··· 0
... ... ... ... ...
-tnM 0 0 ··· 1
⎞
⎟
⎟
⎟
⎟
⎟
⎠
的第 i 行。
4. 令 L ⊆ Zn+1 为由 a0, ..., an 生成的格。运行基约化算法 13.13 得到一个短非零向量 y = (y0, ..., yn) ∈ L。
5. 如果 y0 = 0 且存在某个 δ ∈ ±1 使得 δy ∈ {0, 1}n+1,则
x ←
⎧
⎨
⎩
(1 - δy1, ..., 1 - δyn) 如果步骤 2 中的条件对于输入 t 成立,
(δy1, ..., δyn) 否则。
否则返回 “failure”。
6. 返回 x。
该算法的思路是计算格 (L) 的约化基,期望得到的短向量本质上是 (z = a_0 + \sum_{1\leq i \leq n} x_i a_i = (0, x_1, \cdots, x_n) \in L),其中 ((x_1, \cdots, x_n)) 是子集和问题的解,且 (|z| \leq \sqrt{n}),与 (t_i M) 相比很小。
2.5 定理 13.27
设 (\epsilon > 0),(n \geq 4),(C \geq \epsilon^{-1} 2^{n(n + \log_2 n + 5)/2}) 为整数,考虑输入 (t = (t_0, t_1, \cdots, t_n) \in E) 到算法 13.26,其中 ((t_1, \cdots, t_n)) 在 (T = {1, \cdots, C}^n) 中均匀随机选取。则算法以至少 (1 - \epsilon) 的概率正确返回子集和问题 (t) 的解 (x)。
证明过程如下:
- 定义 (E^
= {t \in E : t_0 \geq \sum_{1\leq i \leq n} t_i/2}),步骤 2 将输入 (t \in E \setminus E^
) 转换为 (E^
) 中的输入并保持可解性。
- 对于 (t \in E),固定一个解 (x),则 (z = (0, x_1, \cdots, x_n) = a_0 + \sum_{1\leq i \leq n} x_i a_i \in L),且 (0 < |z| \leq n^{1/2}),所以 (\pm z) 是 (L) 中的两个“短”向量。由推论 13.21 可知,步骤 4 的输出 (y) 满足 (|y| \leq 2^{n/2} \lambda_1(L) \leq 2^{n/2} n^{1/2} < M)。
- 考虑子格 (K = {v = (v_0, \cdots, v_n) \in L : v_0 = 0}),对于任意 (v = \sum_{0\leq i \leq n} r_i a_i \in L),有 (v_0 = M \cdot (r_0 t_0 - \sum_{1\leq i \leq n} r_i t_i))。若 (v_0 \neq 0),则 (|v| \geq |v_0| \geq M),由此可得 (y_0 = 0) 且 (y \in K)。
- 定义 (F = {(v, t) \in Z^{n + 1} \times E^
: v \in K_t \setminus Z(0, x_t), |v| \leq M, (t_1, \cdots, t_n) \in T}),通过一系列推导可得 (#F \leq \epsilon C^n),从而得出算法返回“failure”的概率 (p \leq #\pi_2(F) / C^n \leq #F / C^n \leq \epsilon)。
2.6 子集和问题的密度
子集和问题 (t = (t_0, \cdots, t_n)) 的密度定义为 (\delta(t) = \frac{n}{\log_2(\max_{1\leq i \leq n} t_i)})(假设存在 (i) 使得 (t_i \geq 2))。子集和密码系统将 (n) 位 (x_1, \cdots, x_n) 加密为单个数字 (t_0 = \sum_{1\leq i \leq n} t_i x_i),其比特长度平均约为 (\max_{1\leq i \leq n}{\log_2 t_i}),所以 (\delta(t)) 大致是信息率 (\frac{明文长度}{密文长度})。
当 (\epsilon) 为常数时,定理 13.27 和条件 (C \geq 2^{(1/2 + \gamma)n^2})(对于足够大的 (n))表明,算法 13.26 几乎能解决所有密度 (\delta(t) \leq \frac{2}{n}) 的子集和问题。在实践中,该算法表现更好,似乎能解决大多数密度 (\delta(t) < 0.9408) 的子集和问题。Merkle 和 Hellman 最初的提议中,建议 (n = 100),(m) 为 200 位,密度为 0.5。上述子集和攻击针对的是低密度子集和问题,对于一般的子集和问题,由于其是 NP - 完全的,攻击效果不佳。
2.7 示例 13.31
对于 (n = 6) 和 (\epsilon = 1/10),可以取 (C = 36238786559)。运行 100 个例子,其中 ((t_1, \cdots, t_6)) 在 (T = {1, \cdots, C}^6) 中随机选取,(x) 在 ({0, 1}^6 \setminus {(0, \cdots, 0)}) 中随机选取,算法在所有情况下都返回了 (x)。
综上所述,整数格的基约化算法在解决子集和问题以及破解子集和密码系统中具有重要作用,通过将子集和问题转化为短向量问题,并利用格的性质和算法的复杂度分析,为密码分析提供了有效的方法。但需要注意的是,该方法主要适用于低密度子集和问题,对于一般的子集和问题仍然面临挑战。
3. 整数格与子集和密码系统破解的流程总结
3.1 基约化算法流程
以下是基约化算法的主要流程:
1.
初始化
:输入线性无关的向量 (a_1, \cdots, a_{\ell} \in Z^n),其范数的比特长度最多为 (m)。
2.
步骤 1 - 3
:进行一些初始的计算,需要 (O(n^3)) 次 (Z) 中的运算。
3.
步骤 5 - 6 循环
:每次执行步骤 6 相当于计算矩阵乘积 (EB) 和 (EM),成本为 (O(n)) 次运算,此循环中 (Z) 里的运算次数为 (O(\ell n))。
4.
步骤 7 - 10
:若发生交换,只有 (b_{i - 1}^
),(b_i^
) 以及过渡矩阵 (M) 的第 (i - 1) 和 (i) 行与列会改变,更新这些元素需要 (O(n)) 次运算,且被步骤 5 - 6 的成本所主导。通过引入循环变量 (D = \prod_{1\leq k < \ell} d_k) 来界定交换步骤的次数,交换步骤的次数被 (log_{4/3} D_0 \in O(\ell^2m)) 所界定。
5.
输出
:最终得到约化基 (b_1, \cdots, b_{\ell}),该算法使用 (O(n^6m^3)) 次比特运算。
3.2 子集和问题求解流程
对于子集和问题,使用算法 13.26 的流程如下:
graph TD;
A[输入正整数 t0, t1, ..., tn] --> B[计算 M = ⌈2n/2n1/2⌉ + 1];
B --> C{判断 t0 < ∑(1≤i≤n) ti/2};
C -- 是 --> D[t0 ← ∑(1≤i≤n) ti - t0];
C -- 否 --> E[保持 t0 不变];
D --> F[生成矩阵及向量 ai];
E --> F[生成矩阵及向量 ai];
F --> G[生成格 L 并运行基约化算法 13.13 得到短非零向量 y];
G --> H{判断 y0 = 0 且存在 δ ∈ ±1 使得 δy ∈ {0, 1}n+1};
H -- 是 --> I{判断步骤 2 条件是否成立};
I -- 是 --> J[x ← (1 - δy1, ..., 1 - δyn)];
I -- 否 --> K[x ← (δy1, ..., δyn)];
J --> L[返回 x];
K --> L[返回 x];
H -- 否 --> M[返回 “failure”];
4. 实际应用与注意事项
4.1 实际应用场景
- 密码分析 :在密码学领域,对于基于子集和问题的密码系统,如 Merkle - Hellman 公钥加密方案,基约化算法可以用于破解密码。通过将子集和问题转化为短向量问题,利用格的性质和算法的有效性,在一定条件下能够成功获取加密信息。
- 组合优化 :子集和问题在组合优化中也有广泛应用,例如资源分配、背包问题等。基约化算法可以帮助找到满足特定条件的最优解。
4.2 注意事项
- 问题类型 :上述方法主要适用于低密度子集和问题,对于一般的子集和问题,由于其是 NP - 完全的,算法的效率会显著下降,甚至无法在合理时间内得到结果。
- 参数选择 :在定理 13.27 中,参数 (n)、(C) 和 (\epsilon) 的选择会影响算法的成功率。例如,(C) 的取值需要满足 (C \geq \epsilon^{-1} 2^{n(n + \log_2 n + 5)/2}) 才能保证算法以至少 (1 - \epsilon) 的概率正确返回解。
- 计算复杂度 :虽然基约化算法在多项式时间内运行,但当 (n) 和 (m) 较大时,计算复杂度仍然较高,可能会导致计算时间过长或资源消耗过大。
5. 总结与展望
5.1 总结
本文介绍了整数格的基约化算法以及子集和密码系统的破解方法。通过一系列的定理和引理,分析了基约化算法的复杂度和有效性,证明了在一定条件下,该算法能够以较高的概率解决子集和问题。同时,探讨了子集和问题的密度与算法成功率的关系,指出该方法主要适用于低密度子集和问题。
5.2 展望
- 算法优化 :未来可以进一步研究基约化算法的优化方法,降低计算复杂度,提高算法在处理大规模问题时的效率。例如,可以探索更高效的矩阵运算方法或改进循环变量 (D) 的更新策略。
- 新应用领域 :除了密码分析和组合优化,整数格和子集和问题的研究可能在其他领域有潜在的应用,如机器学习、通信网络等。可以进一步探索这些领域的应用场景,拓展研究的广度和深度。
- 应对新密码系统 :随着密码学的发展,可能会出现新的基于子集和问题或类似问题的密码系统。需要不断研究和改进破解方法,以应对新的安全挑战。
总之,整数格和子集和问题的研究具有重要的理论和实际意义,未来还有许多值得深入探索的方向。
1382



被折叠的 条评论
为什么被折叠?



