目录

一. 铺垫性介绍

1.1 傅里叶级数

1.2 傅里叶矩阵的来源

二. 格基与傅里叶矩阵

2.1 傅里叶矩阵详细解释

2.2 格基与傅里叶矩阵

---

写在前面：有关傅里叶变换的解释太多了，这篇博客主要总结傅里叶矩阵在格密码中的运用。对于有一定傅里叶变换基础的同学，可直接跳转2.2看结论。

一. 铺垫性介绍

1.1 傅里叶级数

傅里叶级数的表达如下：

傅里叶级数可以看成无限维度的线性代数。这个过程可以看成将函数f(x)投影成很多的sin与cos，与此同时产生傅里叶系数与.

反过来，借助无限的sin与cos序列，乘以对应的傅里叶系数，也能够重建原始的函数f(x)。

当然，格密码中我们更加关心有限维度的离散傅里叶变换。

1.2 傅里叶矩阵的来源

将傅里叶级数右边的函数改为输入n个值，由此输出n个值。这两个向量，y与c之间的关系一定是线性的，数字信号处理过程中也经常会用到此性质。既然是线性关系，那我们可以将其构建为一个矩阵，由此便出现了傅里叶矩阵F。比如，给定输出y有四个值2,4,6,8，求解输入c的本质就是：已知Fc=y，求解c，如下：

二. 格基与傅里叶矩阵

2.1 傅里叶矩阵详细解释

先从4维的离散傅里叶矩阵（后续记为DFT）F说起：

离散傅里叶矩阵的共轭矩阵记为，熟悉线性代数的都知道，DFT矩阵满足如下：

排除系数4的影响，也就是矩阵乘以本身的共轭矩阵为单位阵，这不就类似正交阵（准确来讲应该叫酉矩阵）。

给定任意的维度n，傅里叶矩阵可以将输入c与输出y联系起来。这个过程可以写成n个线性方程，当然也可以写成离散级数，包含n个傅里叶系数，n个输出点，如下：

当x取0时，也就是系数全为1，第一个线性方程往往比较简单，如下：

将1的N次方根主值记为，其实就是复数根，以上变换过程推广到n维为：

注意左边第一个矩阵即为傅里叶矩阵。将行数与列数记为从0到n-1，傅里叶矩阵中的元素可以总结为。比如第一行就是，第一列就是，这两个的元素均为。

在利用傅里叶矩阵时，很多时候需要求逆。根据复数的性质，易知：

我们知道的角度为,的角度为,类似如下：

也就是可以得出：

也就是傅里叶矩阵的逆长这个样子：

第一个等号代表，傅里叶矩阵的逆。第二个等号代表逆矩阵与共轭矩阵的关系。

如果用3维举例子的话，三维的傅里叶矩阵如下：

三维的逆傅里叶矩阵如下：

F的第j行，的第j列，相乘计算：

其实就是单位阵的对角线元素。

F的第j行乘以的第k列，计算：

除了对角线元素，其他位置均为0（单位阵）。

如果我们将，以上方程即可改写为：

因为，W满足如下：

也就是W也为1的单位根。

2.2 格基与傅里叶矩阵

格基的本质是一个矩阵，通常格点为实数的向量点。如果将其推广到复数域，格基B也可以取复数。

根据以上讨论，傅里叶矩阵：

1. N维方阵；
2. 对称矩阵（关于对角线）；
3. 正交阵（注意差N倍系数，严格叫酉矩阵）；

已经出现论文讨论将傅里叶矩阵作为格基，之所以这样是有如下好处：

1. 格基为正交阵，格基良好，可解决很多格上困难问题（CVP,LWE等）；
2. 逆矩阵容易求，很容易导出对偶格；

格密码中很多时候需要利用“环版本”，比如RLWE或者Ring-SIS问题。一个环元素本质是一个多项式，两个多项式相乘的计算复杂度为，但如果借助快速傅里叶变换（FFT），其复杂度可以降低到。