截断线性同余伪随机数生成器与近向量问题解析
1. 示例密度与传输率
在相关示例中,有如下密度信息:
|示例|n|max{log₂ tᵢ}|δ(t)|
| ---- | ---- | ---- | ---- |
|示例 13.23|6|log₂ 437 ≈ 8.771|0.684|
|示例 13.25, tᵢ|6|log₂ 60 ≈ 5.907|1.016|
|示例 13.25, sᵢ|6|log₂ 936 ≈ 9.870|0.608|
传输率不会超过 1。例如,秘密 111111 以 7 位数字 118 传输,传输率为 6/7。
2. 截断线性同余伪随机数生成器
线性同余生成器的公式为 (x_i = s x_{i - 1} + t \pmod{m})((i \geq 1)),其中 (m)、(s)、(t) 和随机种子 (x_0) 都在 (\mathbb{Z}_m) 中。然而,该生成器在密码学上不安全,观察四个连续输出就可能确定 (s)、(t) 和 (m)。
为了改进安全性,我们采用截断的方式,只使用 (x_i) 的部分信息。具体来说,取整数近似参数 (\alpha \geq 1),输出 (x_i) 的 (\alpha) - 近似值 (y_i),满足 (|x_i - y_i| \leq \alpha)。一个自然的选择是 (y_i = \lfloor \frac{x_i}{\alpha} \rfloor \cdot \alpha)。
当 (m) 是 (k) 位数字,(\alpha = 2^{\ell})((\ell < k))时,(y_i = \lfloor x_i \cdot 2^{-\ell} \rfloor \cdot 2^{\ell}),其末尾 (\ell) 位为 0。由于进位问题,这种截断在加法或减法下不稳健,所以我们采用 (|x_i - y_i| \leq \alpha) 这种更通用的近似方式。
攻击者的目标有两个:预测下一个值 (y_n) 和恢复密钥 (x_0)。
我们使用模 (m) 的对称代表系统 (R_m = {-\lfloor \frac{m}{2} \rfloor, \cdots, \lfloor \frac{m - 1}{2} \rfloor})。对于近似参数 (\alpha) 和 (u \in \mathbb{R}),(u) 的 (\alpha) - 邻域定义为 (V_{\alpha}(u) = {v \in \mathbb{Z} : |u - v| \leq \alpha})。
若 (u) 和 (v) 是正的 (k) 位整数,且前 (k - \ell) 位相同,则 (|u - v| < 2^{\ell + 1}),(v \in V_{2^{\ell + 1}}(u)),但反之不一定成立。例如,当 (k = 6),(0 \leq \ell \leq 4) 时,47 和 48 虽然在彼此的邻域内,但它们的前两位不同。
当 (t = 0) 时,未知整数 (x_0, \cdots, x_{n - 1}) 满足 (x_i = s^i x_0 \pmod{m})((0 \leq i < n))。我们考虑由矩阵 (A) 的行张成的格 (L = L_{s, m}):
[
A =
\begin{pmatrix}
m & 0 & 0 & \cdots & 0 \
-s & 1 & 0 & \cdots & 0 \
-s^2 & 0 & 1 & \cdots & 0 \
\vdots & \vdots & \vdots & \ddots & \vdots \
-s^{n - 1} & 0 & 0 & \cdots & 1
\end{pmatrix}
]
设 (z_i = x_i - y_i)((|z_i| \leq \alpha)),则 (z_i = s^i z_0 + (s^i y_0 - y_i) \pmod{m}),其中 (c_i = s^i y_0 - y_i) 是已知常数。
攻击生成器的步骤如下:
1. 如果向量 (z = (z_0, \cdots, z_{n - 1}) \in L) 是“小”的,则可以使用 (L) 的约化基通过标准的高斯消元法在 (\mathbb{Q}) 上计算 (z)。
2. 利用格技术工具证明对于“几乎所有”的生成器,(|z|) 是“小”的。
3. 将攻击扩展到非齐次生成器。
格基约化算法 13.13 作用于 (\mathbb{Z}^n) 中的 (n) 个线性无关向量,生成的约化基的第一个元素 (b_1) 满足 (|b_1| \leq 2^{\frac{n - 1}{2}} \lambda_1(L))。我们有如下定理:
定理 13.43 :设 (L \subseteq \mathbb{R}^n) 是由其约化基 ((b_1, \cdots, b_{\ell}) \in \mathbb{R}^{\ell \times n}) 生成的格,则对于所有 (i \leq \ell),有 (|b_i| \leq 2^{\frac{\ell - 1}{2}} \cdot \lambda_i(L) \leq 2^{\frac{\ell - 1}{2}} \lambda_{\ell}(L))。
对于矩阵 (A)、(c \in \mathbb{Z}^n) 和由 (A) 的行张成的格 (L),有如下引理:
引理 13.44 :存在至多一个 (z \in \mathbb{Z}^n),使得 (Az = c \pmod{m}) 且 (|z| \leq \frac{m}{\lambda_n(L) \cdot (2^{\frac{n + 1}{2}} + 1)})。给定 (A)、(c) 和 (m),可以在多项式时间内确定是否存在这样的 (z),如果存在则计算它。
结合引理 13.44 和相关条件,如果 (\alpha \leq \frac{m}{\lambda_n(L) \cdot (2^{\frac{n + 1}{2}} + 1)}),则 (t = 0) 的近似生成器可以被破解。为了分析 (\lambda_n(L)),我们引入对偶格 (L^ ) 的概念,其定义为 (L^ = {v \in \mathbb{R}^n : x \cdot v \in \mathbb{Z} \text{ 对于所有 } x \in L})。
引理 13.48 :如果 (A = (a_1, \cdots, a_n) \in \mathbb{R}^{n \times n}) 非奇异,(L) 是由 (A) 的行生成的格,则 (B = (A^T)^{-1} \in \mathbb{R}^{n \times n}) 是对偶格 (L^*) 的基。
对于格 (L_{s, m}),其对偶格 (L^*) 由 (u = \frac{1}{m}(1, s, s^2, \cdots, s^{n - 1})) 和 (e_2, \cdots, e_n) 生成。
我们有定理:
定理 13.51 :如果 (L) 是 (n) 维格,则 (1 \leq \lambda_1(L^*) \cdot \lambda_n(L) \leq n)。
为了得到 (\lambda_n(L)) 的上界,我们考虑集合 (E_C = {s \in \mathbb{Z} : |s^i t \bmod m| < C \text{ 对于 } 0 \leq i < n \text{ 且存在 } t \in \mathbb{Z} \text{ 使得 } \gcd(t, m) = 1})。
引理 13.52 :设 (n \geq 2) 且 (s \in E_C),则存在 (d_0, \cdots, d_{n - 1} \in \mathbb{Z}),不全被 (m) 整除,使得 (\sum_{0 \leq i < n} d_i s^i = 0 \pmod{m}),且 (|d_i| < (nC)^{\frac{1}{n - 1}} + 2) 对于所有 (i < n)。
当 (m) 是素数时,有如下定理:
定理 13.54 :设 (m) 是 (k) 位素数,(n \geq 9),(\varepsilon > 0),(25n \leq m^{1 - \varepsilon}),(\ell \leq (1 - \varepsilon)(1 - \frac{1}{n})(k - 1) - 3n),(\alpha = 2^{\ell})。给定 (s)、(m) 和生成器 (x_i = s x_{i - 1} \pmod{m})((t = 0))输出的 (\alpha) - 近似值 (y_0, \cdots, y_{n - 1}),除了至多 (m^{1 - \varepsilon}) 个 (s \in \mathbb{Z}_m) 外,该生成器可以在多项式时间内被破解。
这个结果几乎是最优的,因为当 (k) 很大,(\varepsilon) 很小时,(\ell = \log_2 \alpha) 的上界约为 ((1 - \frac{1}{n})k),即近似值 (y_i) 关于 (x_i) 只有约 (\frac{k}{n}) 位信息,我们使用 (n) 个近似值(总共约 (k) 位)来重构 (k) 位种子 (x_1)。
当 (t \neq 0) 时,我们令 (x_i’ = x_{i + 1} - x_i),则 (x_{i + 1}’ = s x_i’) (\pmod{m})。我们使用 (x_i’) 的近似值来破解生成器,具体步骤如下:
1. 计算 (x_i^
= \begin{cases} x_i’ = x_{i + 1} - x_i, & \text{如果 } x_{i + 1} - x_i \geq 0 \ x_i’ + m = x_{i + 1} - x_i + m, & \text{否则} \end{cases})。
2. 根据 (y_i) 确定 (y_i^
):(y_i^* = \begin{cases} y_{i + 1} - y_i, & \text{如果 } x_{i + 1} - x_i \geq 0 \ y_{i + 1} - y_i + m, & \text{否则} \end{cases})。
3. 当 (|y_{i + 1} - y_i| < 2\alpha) 时,我们考虑两种情况;当 (y_{i + 1} \geq y_i + 2\alpha) 时,(y_i’ = y_{i + 1} - y_i);当 (y_{i + 1} \leq y_i - 2\alpha) 时,(y_i’ = y_{i + 1} - y_i + m)。
4. 调用定理 13.54 的算法,输入 (s)、(m)、(t = 0)、(2\alpha) 和 (2\alpha) - 近似值 (y_0, \cdots, y_{n - 1})。
5. 如果算法返回 (v),则 (x_i’ = s^i v \pmod{m}),(x_{i + 1} = x_i + s^i v)。我们可以预测下一个值 (y_n),它等于 (y) 或 (y - \alpha),其中 (y = y_{n - 1} + \lfloor s^n v / \alpha \rfloor \cdot \alpha)。
3. 近向量问题
给定格 (L \subseteq \mathbb{R}^n) 和 (u \in \mathbb{R}^n),(u) 到 (L) 的距离定义为 (dist(u, L) = \min{|u - x| : x \in L})。如果 (|u - x| = dist(u, L)),则 (x) 是 (u) 到 (L) 的最近向量。最近向量问题(CVP)是给定 (u) 和 (L) 的基,计算这样的 (x)。近似最近向量问题 (\alpha) - CVP 是给定 (\alpha \geq 1),计算 (x \in L) 使得 (|u - x| \leq \alpha \cdot dist(u, L))。
有一个启发式方法将 (2\alpha) - CVP 归约到 (\alpha) - SVP:
1. 构造矩阵 (A’):将表示 (L) 的基的 (n \times n) 矩阵 (A) 放在矩阵 (A’) 的右上角,(A’ =
\begin{pmatrix}
0 & \cdots & A \
0 & 1 & u_1 & \cdots & u_n
\end{pmatrix})。
2. 使用 (\alpha) - SVP 算法计算格 (M)(由 (A’) 的行生成)中的非零向量 (y = (y_0, y_1, \cdots, y_n)),使得 (|y| \leq \alpha \cdot \lambda_1(M))。
3. 如果 (y_0) 整除 (y_1, \cdots, y_n),则返回 (u - \frac{1}{y_0} \cdot (y_1, \cdots, y_n));否则返回“失败”。
还有一个递归算法解决 (2^{n / 2}) - CVP:
算法 13.59(最近超平面算法)
输入:(\ell) 维格 (L) 在 (\mathbb{R}^n) 中的约化基 (B = (b_1, \cdots, b_{\ell})) 和 (u \in \text{span}
{\mathbb{R}}(L) \subseteq \mathbb{R}^n)。
输出:(x \in L) 使得 (|u - x| \leq 2^{\ell / 2} dist(u, L))。
1. 计算 ((b_1, \cdots, b
{\ell})) 的格拉姆 - 施密特正交化(GSO)((b_1^
, \cdots, b_{\ell}^
))。
2. (c \leftarrow \frac{u \cdot b_{\ell}^
}{b_{\ell}^
\cdot b_{\ell}^
})。
3. (c’ \leftarrow \lceil c \rceil),(v \leftarrow u - (c - c’) b_{\ell}^
),(y \leftarrow c’ b_{\ell})。
4. 如果 (\ell = 1),则返回 (x = y);否则,设 (M) 是由 (b_1, \cdots, b_{\ell - 1}) 生成的格,递归调用算法返回 (z \in M) 使其接近 (v - y)。
5. 返回 (x = y + z)。
定理 13.60 :最近超平面算法 13.59 的输出 (x) 满足 (|u - x| < 2^{\ell / 2} dist(u, L)),且算法在多项式时间内运行。
通过上述方法,我们可以在一定条件下破解截断线性同余伪随机数生成器,并解决近向量问题。这些技术在密码分析和格理论中具有重要应用。
下面是一个简单的 mermaid 流程图,展示攻击截断线性同余伪随机数生成器的主要步骤:
graph TD;
A[开始] --> B[考虑t = 0情况];
B --> C[构造格L];
C --> D[分析向量z];
D --> E[判断是否满足破解条件];
E -- 是 --> F[破解生成器];
E -- 否 --> G[分析对偶格L*];
G --> H[确定E_C集合];
H --> I[判断s是否在E_C中];
I -- 否 --> F;
I -- 是 --> J[处理t != 0情况];
J --> K[转换为t = 0情况];
K --> C;
F --> L[预测下一个值];
L --> M[结束];
通过这个流程图,我们可以更清晰地了解攻击截断线性同余伪随机数生成器的整体流程。从考虑 (t = 0) 的情况开始,逐步分析格和向量,判断是否满足破解条件。如果不满足,进一步分析对偶格和特殊集合 (E_C)。对于 (t \neq 0) 的情况,将其转换为 (t = 0) 的情况继续处理。最终,在成功破解生成器后,预测下一个值,完成整个攻击过程。
截断线性同余伪随机数生成器与近向量问题解析
4. 算法示例与实际效果
为了更直观地理解上述算法和理论,我们来看一个具体的示例。
示例 13.73 :我们取格 (L) 的约化基 ((b_1, b_2) = ((1, 2), (9, -4)))((\ell = n = 2)),目标向量 (u = (6, 0.9))。
下面我们使用最近超平面算法(算法 13.59)来计算 (u) 到 (L) 的近似最近向量:
1.
计算格拉姆 - 施密特正交化(GSO)
:
- 首先,根据公式计算 (b_1^
) 和 (b_2^
)。
- 设 (b_1=(1,2)),(b_2=(9,-4)),通过 GSO 公式计算得到 (b_1^
) 和 (b_2^
) 的值(具体计算过程根据 GSO 定义)。
2.
计算 (c) 值
:
- (c=\frac{u\cdot b_2^
}{b_2^
\cdot b_2^
}),将 (u=(6,0.9)) 和计算得到的 (b_2^
) 代入公式计算出 (c) 的值。
3.
计算 (c’)、(v) 和 (y)
:
- (c’=\lceil c\rceil),根据 (c) 的值取上整得到 (c’)。
- (v = u-(c - c’)b_2^
),将 (u)、(c)、(c’) 和 (b_2^
) 代入计算 (v)。
- (y = c’b_2),计算得到 (y) 的值。
4.
递归调用((\ell>1) 时)
:
- 由于 (\ell = 2>1),设 (M) 是由 (b_1) 生成的格,递归调用算法计算 (z\in M) 使其接近 (v - y)。
5.
返回结果
:
- 最终 (x = y + z),这个 (x) 就是 (u) 到 (L) 的近似最近向量,且满足 (|u - x|<2^{\ell/2}dist(u,L))。
通过这个示例,我们可以看到算法是如何逐步执行并得到结果的。在实际应用中,这些算法的效率和准确性对于解决相关问题至关重要。
5. 不同算法的对比分析
我们对解决近向量问题的两种方法(启发式方法和最近超平面算法)进行对比分析,如下表所示:
|算法|优点|缺点|适用场景|
| ---- | ---- | ---- | ---- |
|启发式方法(将 (2\alpha) - CVP 归约到 (\alpha) - SVP)|利用已有的 (\alpha) - SVP 算法,实现相对简单;在某些情况下能快速得到结果|假设条件不一定总是成立,可能返回“失败”;结果的准确性依赖于假设的满足程度|数据维度较高,且对结果准确性要求不是非常苛刻的场景|
|最近超平面算法(算法 13.59)|理论上保证了一定的近似度,即 (|u - x|<2^{\ell/2}dist(u,L));在多项式时间内运行|需要进行递归调用,可能涉及较多的计算步骤;对于大规模数据,计算量可能较大|对结果准确性有一定要求,且数据维度不是特别高的场景|
通过这个对比分析,我们可以根据具体的问题和数据特点选择合适的算法。如果对结果的准确性要求不高,且数据维度较大,启发式方法可能是一个不错的选择;而如果需要保证一定的近似度,且数据维度相对较小,最近超平面算法则更为合适。
6. 实际应用中的考虑因素
在实际应用截断线性同余伪随机数生成器和解决近向量问题时,还需要考虑以下几个因素:
1.
数据规模
:数据规模的大小会影响算法的运行时间和内存使用。对于大规模数据,一些算法可能会变得非常缓慢甚至无法运行。例如,最近超平面算法在数据维度较高时,递归调用的计算量会显著增加。因此,在处理大规模数据时,需要选择更高效的算法或者对数据进行预处理。
2.
安全性要求
:在密码学应用中,对截断线性同余伪随机数生成器的安全性要求较高。我们需要确保生成器不容易被破解,否则可能会导致信息泄露等安全问题。例如,根据定理 13.54,我们需要合理选择参数 (m)、(n)、(\varepsilon) 和 (\alpha) 等,以保证生成器在大多数情况下是安全的。
3.
随机性质量
:伪随机数生成器生成的随机数质量直接影响到应用的效果。如果随机数的随机性不好,可能会导致一些基于随机数的算法(如蒙特卡罗模拟等)出现偏差。因此,在选择伪随机数生成器时,需要评估其随机性质量。
7. 总结与展望
综上所述,我们对截断线性同余伪随机数生成器和近向量问题进行了深入的研究。通过对线性同余生成器的改进,我们提出了截断的方法来提高其安全性,并给出了相应的攻击方法和破解条件。在近向量问题方面,我们介绍了启发式方法和最近超平面算法来解决近似最近向量问题,并对两种算法进行了对比分析。
未来,我们可以在以下几个方面进行进一步的研究:
1.
算法优化
:继续优化现有的算法,提高其效率和准确性。例如,对于最近超平面算法,可以研究如何减少递归调用的次数,降低计算复杂度。
2.
新的攻击方法
:随着密码学技术的发展,可能会出现新的攻击方法来破解截断线性同余伪随机数生成器。我们需要不断研究和防范这些新的攻击。
3.
应用拓展
:将这些理论和算法应用到更多的领域,如机器学习、数据分析等。例如,在机器学习中,随机数的质量可能会影响模型的训练效果,我们可以利用截断线性同余伪随机数生成器生成高质量的随机数。
下面是一个 mermaid 流程图,展示整个研究过程和未来展望的关系:
graph TD;
A[截断线性同余伪随机数生成器研究] --> B[提出截断方法];
B --> C[分析攻击方法];
C --> D[确定破解条件];
A --> E[近向量问题研究];
E --> F[介绍启发式方法];
E --> G[介绍最近超平面算法];
F --> H[算法对比分析];
G --> H;
D --> I[总结研究成果];
H --> I;
I --> J[未来研究方向];
J --> K[算法优化];
J --> L[新的攻击方法研究];
J --> M[应用拓展];
通过这个流程图,我们可以清晰地看到整个研究过程的各个环节以及未来的研究方向。从对截断线性同余伪随机数生成器和近向量问题的研究开始,逐步分析和解决问题,总结研究成果。在此基础上,提出未来在算法优化、新攻击方法研究和应用拓展等方面的研究方向,为后续的研究提供了清晰的思路。
429



被折叠的 条评论
为什么被折叠?



