ACWC:Worst-Case to Average-Case Decryption Error

参考文献:

  1. [LS19] Lyubashevsky V, Seiler G. NTTRU: Truly Fast NTRU Using NTT[J]. IACR Transactions on Cryptographic Hardware and Embedded Systems, 2019: 180-201.
  2. [DHK+23] Duman J, Hövelmanns K, Kiltz E, et al. A thorough treatment of highly-efficient NTRU instantiations[C]//IACR International Conference on Public-Key Cryptography. Cham: Springer Nature Switzerland, 2023: 65-94.
  3. [KP23] Kim J, Park J H. NTRU+: compact construction of NTRU using simple encoding method[J]. IEEE Transactions on Information Forensics and Security, 2023.
  4. NTRU 加密方案
  5. NTTRU:兼容 NTT 算法
  6. FO-like Transformation in QROM

文章目录

  • Worst-Case to Average-Case Decryption Error
    • ACWC0
    • GOTP
    • ACWC
    • NTRU
  • Semi-generalized One-time Pad
    • SOLP
    • ACWC2
    • FO-Equivalent Transform Without Re-encryption
    • NTRU+

自从 [LS19] 提出了 NTT-friendly NTRU-based KEM,其计算效率终于可以和 MLWE/RLWE-based KEM 相竞争,并且 NTRU 具有更紧凑的密文(但是使用模切换之后并不明显)。但是其 Worst-Case Decryption Error 远远大于 Average-Case Decryption Error,这可能被 decryption-error attacks 所利用,导致私钥信息的泄露。

在这里插入图片描述

多项式环 R q = Z q [ X ] / ( F ( X ) ) R_q=\mathbb Z_q[X]/(F(X)) Rq=Zq[X]/(F(X)),NTRU 的私钥形如 f = p f ′ + 1 f=pf'+1 f=pf+1,公钥形如 h = p g / f h=pg/f h=pg/f,其中 p p p 是明文模数。加密是 c = h r + m ∈ R q c=hr+m \in R_q c=hr+mRq,其中 r ← η r \gets \eta rη 是短的随机多项式, m ∈ R p m \in R_p mRp 是消息。解密是 [ f c ] p ∈ R p [fc]_p \in R_p [fc]pRp,只要满足 ∥ p ( g r + f ′ m ) + m ∥ ∞ < q / 2 \|p(gr+f'm)+m\|_\infty < q/2 p(gr+fm)+m<q/2 即可解密正确。

PKE 最基本的要求是 Average-Case Decryption Error 可忽略。为了抵御 decryption-error attacks,还需要保证 Worst-Case Decryption Error 也是可忽略的。

  • third-round NTRU 中,设置 m , r ← ψ k m,r \gets \psi_k m,rψk 并选取相对较大的 q q q,获得了 perfect correctness error,从而 Worst-Case Decryption Error 也是零。
  • NTTRU 中,使用更小空间中的消息 m ′ ∈ M m' \in M mM 生成 m = H ( m ′ ) ∈ R p m=H(m') \in R_p m=H(m)Rp,然后使用 NTRU 加密 m m m,使用 G ( m ) G(m) G(m) 对消息 m ′ m' m 做一次一密。由于明文空间缩小了,于是随机的 ( s k , p k ) (sk,pk) (sk,pk) 存在某些 m ′ m' m 使得解密失败的概率可忽略。

Worst-Case to Average-Case Decryption Error

[DHK+23] 提出了两种转换方法,它们都将 Average-Case OW-CPA PKE 转换到 Worst-Case OW-CPA PKE,在 ROM 以及 QROM 都工作,安全归约请看论文。

ACWC0

这个方法类似于 [LS19] 或者 [FO99],先将随机数用 PKE 加密,然后再把消息用随机数加密,这两部分组成了最终的密文。

在这里插入图片描述

好处:没有解密失败率的损失,支持任意分布的消息。

坏处:密文携带的一些冗余(比如 256-bit 的协商密钥)。

GOTP

[DHK+23] 定义了 on-time pad 的一般化:

在这里插入图片描述

最简单的 GOTP 就是:设置 X , U , Y = { 0 , 1 } n X,U,Y = \{0,1\}^n X,U,Y={0,1}n,以及 ψ X , ψ Y , ψ U = U ( { 0 , 1 } n ) \psi_X,\psi_Y,\psi_U = \mathcal U(\{0,1\}^n) ψX,ψY,ψU=U({0,1}n),这就是 on-time pad 本身。

ACWC

这个转换把 PKE 的明文空间分为 M = M 1 × M 2 M=M_1 \times M_2 M=M1×M2,对应的分布是 ψ M = ψ M 1 × ψ M 2 \psi_M = \psi_{M_1} \times \psi_{M_2} ψM=ψM1×ψM2。假设消息空间是 M ′ M' M,给定 G O T P : M ′ × U → M 2 GOTP: M' \times U \to M_2 GOTP:M×UM2 以及随机神谕 F : M 1 → U F: M_1 \to U F:M1U。转换过程是:

在这里插入图片描述

好处:密文长度不变。

坏处:解密失败率有损失,消息必须服从 GOTP 所要求的分布

NTRU

基于 R N T R U η RNTRU_{\eta} RNTRUη(KeyGen 中的 ( f , h = p g / f ) (f,h=pg/f) (f,h=pg/f) 实例)和 R L W E η RLWE_{\eta} RLWEη(Enc 中的 ( h , c = h r + m ) (h,c=hr+m) (h,c=hr+m) 实例),

  1. 设置 p = 2 p=2 p=2 以及 η = ψ 2 \eta=\psi_2 η=ψ2,利用 ACWC 把对应的 OW-CPA NTRU 转换成 OW-CPA NTRU-A,然后使用 FO 把它转换成 IND-CCA KEM
  2. 设置 p = 3 p=3 p=3 以及 η = U ( { − 1 , 0 , 1 } ) \eta=\mathcal U(\{-1,0,1\}) η=U({1,0,1}),利用 ACWC 把对应的 OW-CPA NTRU 转换成 OW-CPA NTRU-B,然后使用 FO 把它转换成 IND-CCA KEM
  3. 设置 p = 3 p=3 p=3 以及 ψ 2   m o d   ± 3 \psi_2 \bmod^\pm{3} ψ2mod±3,利用 ACWC 把对应的 OW-CPA NTRU 转换成 OW-CPA NTRU-C,然后使用 FO 把它转换成 IND-CCA KEM

Semi-generalized One-time Pad

[KP23] 针对 NTRU 天然具有的 Randomness Recoverability(不需要 f f f,只给定 m m m,则 r = ( c − m ) h − 1 r=(c-m)h^{-1} r=(cm)h1)、Message Recoverability(不需要 f f f,只给定 r r r,则 m = c − h r m=c-hr m=chr)、Injectivity 性质,提出了更简单的 GOLP,并且移除了 FO 中的 Re-encryption 步骤。

在这里插入图片描述

在这里插入图片描述

SOLP

[KP23] 提出了 GOTP 的一种简单变体:

在这里插入图片描述

它只需要保证消息的隐藏性,对于随机性的要求从隐藏性替换为了刚性。

ACWC2

[KP23] 利用 SOTP 给出了新的 ACWC 转换:

在这里插入图片描述

它把 Average-Case OW-CPA PKE 转换到 Worst-Case IND-CPA PKE,在 ROM 和 QROM 都工作,并且比 ACWC 更紧。安全归约请看论文。

FO-Equivalent Transform Without Re-encryption

进一步的,利用 PKE 的 MR 和 RR 性质,可以消除 FO 中的 Re-encryption 步骤,直接比较 RO 产生的加密随机带即可。

在这里插入图片描述

在原始的 FO 转换中,强制敌手的解密查询的输入是 well-formed 密文(用 Enc Orcale 获得),从而不泄露额外的知识。即使 m ′ = m m'=m m=m,对于不同的 r ′ ′ ≠ r r'' \neq r r′′=r,也不能保证 c = E n c ( p k , m ′ ; r ′ ′ ) c=Enc(pk,m';r'') c=Enc(pk,m;r′′),因此 Re-encryption 是不可缺少的。但是因为 NTRU 具有 RR(实际构造中用到)和 MR(归约中用到)性质,那么 ( m ′ , r ′ ) (m',r') (m,r) 都可以从密文中恢复,从而只需测试 r ′ = r ′ ′ r'=r'' r=r′′ 即可。

NTRU+

SOTP 实例化:

在这里插入图片描述

使用 p = 3 p=3 p=3 η = ψ 1 \eta=\psi_1 η=ψ1, 利用 ACWC2 将对应的 OW-CPA NTRU转化为 INC-CPA NTRU+,最后使用 F O ‾ ⊥ \overline{FO}^\perp FO 转化为 IND-CCA KEM

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/675223.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

【功能超全】基于OpenCV车牌识别停车场管理系统软件开发【含python源码+PyqtUI界面+功能详解】-车牌识别python 深度学习实战项目

车牌识别基础功能演示 摘要&#xff1a;车牌识别系统(Vehicle License Plate Recognition&#xff0c;VLPR) 是指能够检测到受监控路面的车辆并自动提取车辆牌照信息&#xff08;含汉字字符、英文字母、阿拉伯数字及号牌颜色&#xff09;进行处理的技术。车牌识别是现代智能交通…

npm彻底清理缓存

在使用npm过程中&#xff0c;肯定会遇到清缓存的情况&#xff0c;网上的命令一般为 npm cache clear --force有时笔者在清理缓存之后npm install依然失败&#xff0c;仔细发现&#xff0c;执行该命令之后npm报了一个警告 npm WARN using --force Recommended protections dis…

低代码能做复杂业务场景嘛?低代码平台该如何选择?

在当前数字化改革的浪潮中&#xff0c;低代码平台作为新兴的开发工具受到了广泛关注。然而&#xff0c;就像所有新兴技术一样&#xff0c;关于其价值和适用性的争议也一直存在。一方面&#xff0c;一些人认为低代码平台简化了应用程序的构建过程&#xff0c;使得非专业开发者也…

融合通信系统 | 让传统通信沟通无边界

随着通信技术以及互联网的发展&#xff0c;融合通信在各行各业中的应用日益增多&#xff0c;融合通信多样的通信方式为行业用户带来了极佳的通信体验&#xff0c;助力各行各业蓬勃发展&#xff0c;同时也为人们的生活和工作带来了极大的便利和效率。 融合通信系统是一种集成多种…

《数据资产》专题:《数据资产》如何确权、估值? 《数据产权》如何明确、保护?

2020 年 04 月 10 日&#xff0c;《中共中央国务院 关于“构建更加完善的要素市场化配置体制机制”的意见》正式公布&#xff0c;将数据确立为五大生产要素&#xff08;土地、资本、劳动力以及技术&#xff09;之一&#xff0c;数据要素市场化已成为建设数字中国不可或缺的一部…

PTA 统计空格、大小写字母、数字和其它字符的数量

从键盘上输入一个字符串, 计算字符串里分别有多少个空格、小写字母、大写字母、数字和其他字符。 输入格式: 键盘中随机输入英文字符串&#xff0c;统计出字符串中空格、小写字母、大写字母、数字和其他字符分别有多少个。例如&#xff1a; -al1E 3xce6lRS TP9PS P?!gfyh# …

【Linux】进程(4):优先级

大家好&#xff0c;我是苏貝&#xff0c;本篇博客带大家了解Linux的进程&#xff08;4&#xff09;&#xff1a;优先级&#xff0c;如果你觉得我写的还不错的话&#xff0c;可以给我一个赞&#x1f44d;吗&#xff0c;感谢❤️ 目录 &#xff08;A&#xff09;什么是优先级&am…

代码随想录第23天|回溯part3 组合与分割

39.组合总和 class Solution { public:vector<vector<int>> res;vector<int> path;void backTracking(vector<int>& candidates,int target,int sum,int n,int step){if(n > 150) return;if(sum > target) return;if(sum target){res.push_…

亿发:制造型企业信息化规划——从破冰到全面落地

在制造型企业中&#xff0c;信息化规划的落地是一个复杂而关键的过程。尽管规划和蓝图可能已经制定完毕&#xff0c;但如何成功地实施信息化才是关键所在。本文将详细介绍制造型企业信息化规划的落地过程&#xff0c;通过三个周期逐步推进&#xff0c;最终实现信息化与自动化的…

git commit使用husky校验代码格式报错,没有将钩子 ‘.huskypre-commit‘ 设置为可执行,钩子被忽略。

使用git提交代码时&#xff0c;通过husky校验代码格式&#xff0c;终端报错 因为没有将钩子 .husky/pre-commit 设置为可执行 系统&#xff1a;Mac husky 在 Windows 上能够正常运行 解决办法 # 没有权限就给个权限 使用 chmod x 给权限 # 通过这行命令解决husky钩子不执行…

Facebook代运营 | Facebook广告投放步骤及要点

Facebook体量大&#xff0c;素材的更新频率快&#xff0c;通过Facebook进行广告投放的用户也越来越多&#xff0c;Facebook坐拥大量用户&#xff0c;同时有着非常科学的用户画像构建系统和推送机制&#xff0c;对于很多广告涉足的伙伴来说&#xff0c;更加的友好。 1. 创建广告…

Unity3D获得服务器时间/网络时间/后端时间/ServerTime,适合单机游戏使用

说明 一些游戏开发者在做单机游戏功能时&#xff08;例如&#xff1a;每日奖励、签到等&#xff09;&#xff0c;可能会需要获得服务端标准时间&#xff0c;用于游戏功能的逻辑处理。 问题分析 1、自己如果有服务器&#xff1a;自定义一个后端API&#xff0c;客户端按需请求…

揭秘App推广新秘诀:Xinstall助你轻松触达海量用户

随着互联网的快速发展&#xff0c;App市场竞争日益激烈&#xff0c;如何在众多的App中脱颖而出&#xff0c;成为企业关注的焦点。然而&#xff0c;随着流量红利的衰退&#xff0c;传统的推广方式已经无法满足企业的需求。在这个关键时刻&#xff0c;Xinstall作为一款专业的App推…

第二篇 多路数据选择器

实验二 多路数据选择器 2.1 实验目的 理解多路数据选择器的概念&#xff1b; 使用门级结构描述实现多路选择器&#xff1b; 使用行为描述实现多路选择器&#xff1b; 完成实验设计、仿真&#xff0c;并在DE1-SOC上验证电路。 2.2 原理介绍 在多路数据传送过程中&#xf…

黑马微服务实用篇知识梳理

1、微服务治理 1.1服务注册与发现Eureka和Nacos a、nacos和eureka&#xff0c;二者都支持服务注册与发现&#xff0c;但nacos还包括了动态配置管理、服务健康监测、动态路由等功能&#xff0c;是更全面的服务管理平台 b、eureka需要独立部署为服务并运行&#xff0c;需要自行搭…

elementUI - 折叠以及多选的组件

//子组件 <template><!-- 左侧第二个 --><div class"left-second-more"><div class"layer-list-wrapper1"><el-collapse v-model"activeNames" change"handleChange"><el-collapse-item v-for"…

分享一个比较好用的在线串口调试助手

web在线调试助手 链接地址如下&#xff1a; 在线串口调试在线串口调试助手 Online serial port debugging assistanthttps://www.bbaiot.com/

QT treeWidget如何添加虚线

1、添加以下代码即可&#xff1a; ui.treeWidget->setStyle(QStyleFactory::create("windows"));2、效果如下&#xff1a;

文件夹加密软件哪个好用?文件加密的4个必备方法(2024)

如果您的电脑上有重要的个人或商业内容&#xff08;例如知识产权&#xff09;&#xff0c;您可能想知道如何确保数据的安全。如果笔记本电脑丢失或被盗&#xff0c;他人可能会访问硬盘驱动器的内容&#xff0c;从而获取到您的个人隐私信息。因此&#xff0c;通过文件夹加密软件…

LLM主要类别架构

LLM主要类别架构介绍 LLM主要类别 LLM本身基于transformer架构。自2017年&#xff0c;attention is all you need诞生起&#xff0c;transformer模型为不同领域的模型提供了灵感和启发。基于原始的Transformer框架&#xff0c;衍生出了一系列模型&#xff0c;一些模型仅仅使用e…