学习笔记之加密解密，PKI，CA

最新推荐文章于 2025-04-05 20:11:18 发布
最新推荐文章于 2025-04-05 20:11:18 发布
阅读量166 收藏
点赞数
分类专栏： 加密解密
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_44559052/article/details/100680225
版权
本文详细介绍了加密解密技术的基本概念，包括对称加密、公钥加密和单向加密等不同加密方式的特点与应用场景。此外还讲解了OpenSSL和GPG这两种常用的Linux加密工具，并深入探讨了公钥基础设施(PKI)的组成及其工作原理。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

1.加密解密

背景：在网络通信中为了达到安全需要，比如通信保密性，保证信息完整性和可用性，这就需要一些技术，下面就来介绍相关的技术

技术包括：加密和解密

       服务（用于抵御***的服务，也即是为了上述安全目标而特地设计的安全服务）

 

 加密和解密：

      传统加密方法：替代加密方法、置换加密方法

      现代加密方法：主要是现代块加密方法

注：真正的加密主要依赖密钥而不是加密算法

 服务：

    认证机制

    访问控制机制

 加密包括：

      对称加密

      公钥加密

      单向加密

      认证加密

2.对Linux系统：为了实现上述安全目标需要一些工具需要一些服务来实现上述功能，而linux的常用工具如下：

   linux常用于上述功能(就是的加密算法、协议或服务等)

   解决方案的工具主要有两个OpenSSL（ssl），GPG（pgp）

     OpenSSL（ssl）：是ssl协议和加密解密的实现

     GPG（pgp）：是gpg协议的实现

 

3. OpenSSL是什么？

   OpenSSL由三部分组成：

         libencrypt库(用于实现加密解密的库)

         libssl库(用于实现ssl安全通信机制的库)

         openssl多用途命令行工具(能实现加密解密等)

   

4.详解加密解密

加密算法和协议：(我们了解工作模式就行了)

  4.1对称加密：加密和解密使用同一个密钥

      常见的方式：

      DES：data encryption standard 使用16位加密

      3DES：Triple DES（即三倍的DES）

      AES:advanced encryption standart高级加密

          （128bits，192bits，256bits，384bits）

      blowfish

      twofish

      IDEA

      RC6

      CASTS

     加密算法特性： 

        1、加密解密使用同一个密钥 

        2、将原始数据分隔成为固定大小的块逐个进行加密

      缺陷：

        1、密钥过多()

        2、密钥发放困难

  4.2公钥加密:密钥分为公钥和私钥

    公钥：从私钥中提取产生；可公开给所有人；pubkey

    私钥：通过工具创建，使用者自己留存，必须保证其私密性：secret key

    特点：用公钥加密的数据，只能使用与之配对儿的私钥解密；反之亦然 

   

   公钥加密的算法:

     算法：RSA,DSA,ELGamal

         dsa不能用于加密解密，仅能用于签名

         rsa：既能加密解密又能用于签名

         DSS:Digital Signature Standard(数字签名标准)

         DSA:Digital Signature Algorthm

    公钥加密用途：

        数字签名：主要在于让接收方确认发送方的身份

        密钥交换：发送方用对方公钥加密一个对称密钥，并发送给对方

        数据加密

        主要是前两种

    双方通信的加密过程步骤：

      第一：发送方(A)先生成一份数据，为了保证数据安全无误保密的送达给接收方(B)，A要先用单向加密的算法计算出这段数据的特征码

      第二：A会用自己的私钥加密这段特征码，并将结果附加在数据后面，

      第三：A生成一个临时的对称密钥，并使用这对称密钥加密整段数据

      第四：A会获取B的公钥，并使用B的公钥去再加密上一步已经加密的整段数据，并发送给B，实现秘密通信

    双方的解密过程：

       第一：B用自己的私钥去解密发送过来的对称密钥

       第二：用对称密钥解密整段加密的内容

       第三：用A的公钥去解密这段特征码，能解密则判断是A发送过来的，A的身份得到验证。

       第四：B再用同样的对称加密算法去计算这段数据的特征码，并与解密出来的进行比较，如果相同，数据完整性得到验证，同时保密性也得到验证。

    

    思考：这中间存在安全隐患就是，中途有个人在冒充，同时冒充AB，这时中间人就将AB的信息全部看了一遍。为了解决这个问题于是就有了第三方CA

 

   4.3 单向加密：即提取数据指纹(特征码)，只能加密，不能解密

    

     特性：定长输出，雪崩效应(初始结果的微小改变将导致结果的巨大变化)

     功能：实现数据的完整性校验

     算法：md5：Message Digest5,128bits消息摘要算法

         sha1， sha256，sha224，  sha384，  sha512

         sha1:secure hash algorthm 1,安全的hash算法

 

 

5. PKI：public key infrastructure

     公钥基础设施

  它是以CA为核心生成的另一个安全机构

  其组成：

      签证机构：CA

      注册机构：RA

      证书吊销列表：CRL

      证书存取库

  证书包含的内容：

     X509v3（数字证书结构标准ｖ３版）：定义了证书的结构以及认证协议标准

         版本号： 

         序列号： serial

         签名算法ID（用什么算法算的）

         发行者名称

         有效期限

         主体名称（拥有者的信息）

         主体公钥

         发行者的唯一标识

         主体的唯一标识

         扩展

         发行者的签名

部分截图：如下

wKiom1cZiPbD5SqBAABJk420JP4356.png

 

 

6. CA：

  CA种类：公共信任的CA，私有CA；

    

  建立私有CA：(只在私有范围内使用时)

      工具：openssl：使用范围很小就可以用此来生成CA

          OpenCA

      

  6.1 构建私有CA:

      在确定配置为CA的服务上生成一个自签证书，并为CA提供所需要的目录及文件即可；    

    步骤：(要做到耳熟能详)

      (1) 生成私钥；

         ~]# (umask 077; openssl genrsa -out /etc/pki/CA/private/cakey.pem 4096)

      (2) 生成自签证书；

         ~]# openssl req -new -x509 -key /etc/pki/CA/private/cakey.pem -out /etc/pki/CA/cacert.pem -days 3655

          以上命令内容说明：

            -new：生成新证书签署请求；

            -x509：生成自签格式证书，专用于创建私有CA时使用；

            -key：生成请求时用到的私有文件路径；

            -out：生成的请求文件路径；如果自签操作将直接生成签署过的证书；

            -days：证书的有效时长，单位是day；

          (3) 为CA提供所需的目录及文件；

            ~]# mkdir  -pv  /etc/pki/CA/{certs,crl,newcerts}##一般就已经存在

            ~]# touch  /etc/pki/CA/{serial,index.txt}

            ~]# echo  01 > /etc/pki/CA/serial  ##此为给一个序列号

             

注意：只有创建私建CA时，就是只有作为CA主机的时候才在/etc/pki/CA/目录下进行创建，即上面的例子。在用到证书目录下的服务器要在其对应目录下创建，比如下面的例子实现，以httpd服务器为例。其目录为/etc/httpd/ssl

      

  6.2 某服务器要用到证书进行安全通信的服务器，需要向CA请求签署证书：   

        步骤123在服务器172.18.26.22上执行

        步骤4在主机172.18.26.21上执行

    步骤：（以httpd为例）

       (1) 用到证书的主机A生成私钥；

          ~]# mkdir  /etc/httpd/ssl 

          ~]# cd  /etc/httpd/ssl

          ~]# (umask  077; openssl  genrsa -out  /etc/httpd/ssl/httpd.key  2048)

       (2) 生成证书签署请求

          ~]# openssl req -new -key /etc/httpd/ssl/httpd.key -out /etc/httpd/ssl/httpd.csr  -days  365

       (3) 将请求通过可靠方式发送给CA主机；

             比如远程复制：

               #scp httpd.csr root@172.18.26.21:/tmp/

       (4) 在CA主机上签署证书；

           先创建文件

           ~]# touch  /etc/pki/CA/{serial,index.txt}

           ~]# echo  01 > /etc/pki/CA/serial

           再签署

           ~]# openssl ca  -in  /tmp/httpd.csr  -out  /etc/pki/CA/certs/httpd.crt  -days  365

     注：在第二步的时候配置服务地址比如httpd注意是以www开头的。

    查看证书中的信息：

      ~]# openssl  x509  -in /etc/pki/CA/certs/httpd.crt  -noout  -serial  -subject

             -serial表示查看序列号

             -subject 查看

知识补充：1.scp 命令：把本机文件复制到远程主机上

  

 

ChatGPT 使用 拓展资料：强化学习DQN 单模型、双模型、DoubleDQN、DuelingDQN
段智华的博客
03-26 3684
ChatGPT 使用 拓展资料：强化学习DQN 单模型、双模型。
PyTorch实战：强化学习入门
AI天才研究院
02-18 202
1. 背景介绍 1.1 什么是强化学习 强化学习（Reinforcement Learning，简称RL）是一种机器学习方法，它通过让智能体（Agent）在环境（Environment）中采取行动，根据环境给出的奖励（Reward）或惩罚（Penalty）来学习最优策略。强化学习的目标是让智能体在长期
掌握PyTorch的策略梯度和Qlearning实现
AI天才研究院
01-25 678
1.背景介绍 策略梯度和Q-learning是两种非常重要的强化学习算法，它们在人工智能和机器学习领域具有广泛的应用。在本文中，我们将深入探讨PyTorch实现策略梯度和Q-learning的核心概念、算法原理、最佳实践以及实际应用场景。 1. 背景介绍 强化学习是一种机器学习方法，它涉及到一个智能体与环境之间的交互过程。智能体通过执行动作来影响环境，并从环境中接收反馈来学习如何取得最大化的...
DDQN的Pytorch实现.zip
05-19
使用Pytorch和多项式分布采样实现DDQN算法 DDQN和Nature DQN一样，也有一样的两个Q网络结构。在Nature DQN的基础上，通过解耦目标Q值动作的选择和目标Q值的计算这两步，来消除过度估计的问题。
强化学习与 PyTorch【1.0】
最新发布
qq_43416206的博客
04-05 909
其实，在本书的开头就给人工智能下定义是不合适的， 因为定义下得不好， 很可能会误导读者。但是， 对人工智能的定义没有基本的认识， 也是一件很麻烦的事情，因为很可能没过多久就会有读者开始纠结于“这种人工智能够不够智能”“这个东西配不配叫人工智能” 这样基本的而充满争议的问题了。需要注意的是，机器学习也好，人工智能也罢，这两个词汇本身就在无形中给人一种误导。它们让人们觉得， 机器是自己在学习的， 由人制造出来的这个“智能”的东西自己有分析、 思考、进化的能力。
强化学习：DQN（转载）
qq_30934313的博客
01-10 210
关于强化学习中DQN 主要内容： 强化学习是什么？ 主要表现的3个方面 ： 1 使用神经网络逼近函数 2 使用经验回放进行训练 3 设置单独的target DQN 计算Q值 详见http://www.broadview.com.cn/article/419382 ...
【强化学习】深度Q网络(DQN)求解倒立摆问题 + Pytorch代码实战
热门推荐
知不足而奋进，望远山而前行
10-22 2万+
Agent 必须在两个动作之间做出决定 - 向左或向右移动推车 - 以使连接到它的杆保持直立。 深度 Q\mathrm{Q}Q 网络算法是这样的，我们初始化两个网络 ：估计网络 QQQ 和 目标网络 Q^，Q^\hat{Q} ， \hat{Q}Q^​，Q^​ 就等于 QQQ ，一开始 目标网络 Q^\hat{Q}Q^​ 与原来的 QQQ 网络是一样的。在每一个回合中，我们用演员与环境交互，在每一次交互的过程中，都会得到一个 状态 sts_tst​ ，会采取某一个动作 at。a_{t 。}at。​ 怎么知道采
pytorch DQN实战
qq_45092173的博客
03-05 464
Deep Q-Network实战 示例一立杆子 示例一源自莫烦pytorch教学4.5, 原文链接：https://www.bilibili.com/video/av15997678?p=27 """ View more, visit my tutorial page: https://morvanzhou.github.io/tutorials/ My Youtube Channel: http...
强化学习算法：此存储库包含大多数基于pytorch实现的经典深度强化学习算法，包括-DQN，DDQN，Dualling Network，DDPG，SAC，A2C，PPO，TRPO。 （更多算法仍在进行中）
01-30
深度强化学习算法 该存储库将使用PyTorch实现经典的深度强化学习算法。 该存储库的目的是为人们提供清晰的代码，以供他们学习深度强化学习算法。 将来，将添加更多算法，并且还将保留现有代码。 当前实施 深度Q学习网络（DQN） 基本DQN 双Q网络 决斗网络架构 深度确定性策略梯度（DDPG） 优势演员评判（A2C） 信任区域策略梯度（TRPO） 近端政策优化（PPO） 使用克罗内克因素信任区域（ACKTR）的演员评论家 软演员评论（SAC） 更新信息 :triangular_flag: 2018年10月17日-在此更新中，大多数算法已得到改进，并添加了更多关于图的实验（DPPG除外）。 PPO现在支持atari游戏和mujoco-env 。 TRPO非常稳定，可以得到更好的结果！ :triangular_flag: 2019-07-15-在此更新中，不再需要为openai基准安装。 我在rl__utils模块中集成了有用的功能。 DDPG也重新实现，并支持更多结果。 自述文件已被修改。 代码结构也有微小的调整。 :triangular_flag: 201
【PyTorch深度强化学习】：精通DQN与DDPG算法（专家级攻略）
[【PyTorch深度强化学习】：精通DQN与DDPG算法（专家级攻略）](https://d3i71xaburhd42.cloudfront.net/e6a1640c03c50a55ef3e00a0592dbb0851fe33bb/3-Figure1-1.png) # 1. 深度强化学习基础 在深度强化学习（DRL）...
【PyTorch入门到精通】：深度学习神经网络构建必备技能
PyTorch是一个流行且功能丰富的深度学习框架，广泛应用于研究和工业界。本文首先介绍了PyTorch框架的基本概念和核心组件，然后详细探讨了其基础操作，包括张量的使用、自动求导机制，以及如何构建和管理深度学习模型...
DDQN_Mario:超级马里奥兄弟的Pytorch-DDQN实现
05-03
超级马里奥兄弟的Pytorch-DDQN实现 该项目和实现本文的 必需的 结果 参考 nailo2c / dqn-mario
Python-深度强化学习PyTorch实现集锦
08-11
This repository contains most of classic deep reinforcement learning algorithms, including - DQN, DDPG, A3C, PPO, TRPO. (More algorithms are still in progress)
【PyTorch强化学习优化】：梯度裁剪与熵正则化的终极策略
![【PyTorch强化学习优化】：梯度裁剪与熵正则化的终极策略]...PyTorch是一个流行的深度学习框架，其动态计算图和易用性使得它在强化学习领域有着
《边做边学深度强化学习：PyTorch程序设计实践》——6.2DDQN
longgegeo的博客
01-26 1304
重新实现函数update_target_q_function，在其中执行Brain类的函数update_target_q_network，在Environment类的试验（episode）结束时，执行Agent类的函数update_target_q_function。Dueling Network是一种在动作价值函数输出层之前增加一层，用于输出状态价值V(s)和优势函数A(s,a) = Q(s,a)-V(s)的方法，学习状态价值V(s)时，能独立于动作而学习状态价值V(s)，具有提高学习性能的优点。
基于Pytorch的强化学习(DQN)之 Multi-agent 训练架构
ZDDWLIG的博客
04-03 8744
目录 1. 引言 2. 训练架构 2.1 Fully decentralized 2.2 Fully centralized 2.3 Centralized&Decentralized 1. 引言 我们上一次讲到了Multi-agent的基本概念，现在来讲讲具体的训练方法，以Actor-Critic方法为例。 2. 训练架构 我们知道在Single-agent中的Actor-Critic方法中需要一个策略函数 作为Actor进行执行action，还有一个价值函数 进
DQN原理及PyTorch实现【强化学习】
新缸中之脑
12-02 724
欢迎来到我们的强化学习系列的第三部分。在上两篇博客中，我们介绍了强化学习中的一些基本概念，并研究了多臂bandit问题及其求解方法。这篇博客会有点长，因为我们将首先学习一些新概念，然后应用深度学习来构建深度 RL 代理。然后我们将训练该代理来平衡车杆。可以在访问这篇博客对应的代码库。
基于Pytorch的强化学习(DQN)之 Experience Replay
ZDDWLIG的博客
03-29 2167
目录 1. 引言 2. 经验回放算法 2. 优先经验回放 2.1 抽取方法改进 2.2 学习率修正 1. 引言 我们之前学过TD 算法，基本的TD算法的思路如下 观测到一个transition 计算TD target 计算TD error 梯度下降 我们发现一个transition在使用之后就会被丢弃了，我们不会在后面使用到它，这样的训练速度就非常慢：想象AI在打boss，但是一下就被秒了，它从中获取不到足够的信息，只能一遍又一遍地去刷boss，那又需要将前面的所以关..
《白话强化学习与PyTorch》学习笔记---第八章
cat_ziyan的博客
11-11 4337
《白话强化学习与PyTorch》学习笔记-第八章 第八章用了DQN及各种改进算法来训练Gym中的atari游戏—pong 首先先来看一下官方网站中的游戏介绍： 简单来说，训练目的是使得分最大化。在这个环境中的观察结果(observation)是RGB图像，大小为（210，160，3），在2~4（随机采样）帧内重复同一个动作。从环境中得到observation后，我们会先对数据进行预处理操作： d...
pytorch实现DQN强化学习
06-01
DQN（Deep Q-Network）是一种使用深度神经网络实现的强化学习算法，用于解决离散动作空间的问题。在PyTorch中实现DQN可以分为以下几个步骤： 1. 定义神经网络：使用PyTorch定义一个包含多个全连接层的神经网络，输入为状态空间的维度，输出为动作空间的维度。 ```python import torch.nn as nn import torch.nn.functional as F class QNet(nn.Module): def __init__(self, state_dim, action_dim): super(QNet, self).__init__() self.fc1 = nn.Linear(state_dim, 64) self.fc2 = nn.Linear(64, 64) self.fc3 = nn.Linear(64, action_dim) def forward(self, x): x = F.relu(self.fc1(x)) x = F.relu(self.fc2(x)) x = self.fc3(x) return x ``` 2. 定义经验回放缓存：包含多条经验，每条经验包含一个状态、一个动作、一个奖励和下一个状态。 ```python import random class ReplayBuffer(object): def __init__(self, max_size): self.buffer = [] self.max_size = max_size def push(self, state, action, reward, next_state): if len(self.buffer) < self.max_size: self.buffer.append((state, action, reward, next_state)) else: self.buffer.pop(0) self.buffer.append((state, action, reward, next_state)) def sample(self, batch_size): state, action, reward, next_state = zip(*random.sample(self.buffer, batch_size)) return torch.stack(state), torch.tensor(action), torch.tensor(reward), torch.stack(next_state) ``` 3. 定义DQN算法：使用PyTorch定义DQN算法，包含训练和预测两个方法。 ```python class DQN(object): def __init__(self, state_dim, action_dim, gamma, epsilon, lr): self.qnet = QNet(state_dim, action_dim) self.target_qnet = QNet(state_dim, action_dim) self.gamma = gamma self.epsilon = epsilon self.lr = lr self.optimizer = torch.optim.Adam(self.qnet.parameters(), lr=self.lr) self.buffer = ReplayBuffer(100000) self.loss_fn = nn.MSELoss() def act(self, state): if random.random() < self.epsilon: return random.randint(0, action_dim - 1) else: with torch.no_grad(): q_values = self.qnet(state) return q_values.argmax().item() def train(self, batch_size): state, action, reward, next_state = self.buffer.sample(batch_size) q_values = self.qnet(state).gather(1, action.unsqueeze(1)).squeeze(1) target_q_values = self.target_qnet(next_state).max(1)[0].detach() expected_q_values = reward + self.gamma * target_q_values loss = self.loss_fn(q_values, expected_q_values) self.optimizer.zero_grad() loss.backward() self.optimizer.step() def update_target_qnet(self): self.target_qnet.load_state_dict(self.qnet.state_dict()) ``` 4. 训练模型：使用DQN算法进行训练，并更新目标Q网络。 ```python dqn = DQN(state_dim, action_dim, gamma=0.99, epsilon=1.0, lr=0.001) for episode in range(num_episodes): state = env.reset() total_reward = 0 for step in range(max_steps): action = dqn.act(torch.tensor(state, dtype=torch.float32)) next_state, reward, done, _ = env.step(action) dqn.buffer.push(torch.tensor(state, dtype=torch.float32), action, reward, torch.tensor(next_state, dtype=torch.float32)) state = next_state total_reward += reward if len(dqn.buffer.buffer) > batch_size: dqn.train(batch_size) if step % target_update == 0: dqn.update_target_qnet() if done: break dqn.epsilon = max(0.01, dqn.epsilon * 0.995) ``` 5. 测试模型：使用训练好的模型进行测试。 ```python total_reward = 0 state = env.reset() while True: action = dqn.act(torch.tensor(state, dtype=torch.float32)) next_state, reward, done, _ = env.step(action) state = next_state total_reward += reward if done: break print("Total reward: {}".format(total_reward)) ``` 以上就是在PyTorch中实现DQN强化学习的基本步骤。需要注意的是，DQN算法中还有很多细节和超参数需要调整，具体实现过程需要根据具体问题进行调整。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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