位置: IT常识 - 正文
推荐整理分享全同态加密:CKKS(全同态加密代码),希望有所帮助,仅作参考,欢迎阅读内容。
文章相关热门搜索词:全同态加密与同态加密区别,全同态加密与同态加密区别,全同态加密 原理,全同态加密 原理,全同态加密应用场景,全同态加密与同态加密区别,全同态加密技术研究现状,全同态加密算法,内容如对您有帮助,希望把文章链接给更多的朋友!
参考文献:
Cheon J H, Kim A, Kim M, et al. Homomorphic encryption for arithmetic of approximate numbers[C]//International conference on the theory and application of cryptology and information security. Springer, Cham, 2017: 409-437.全同态加密:BGV全同态加密:BFVCKKS explained series文章目录CKKSCanonical EmbeddingGaussian DistributionsSIMDLHERotateCKKS不论是 LSB 编码的 BGV,还是 MSB 编码的 BFV,它们的同态运算都是对 Zt\mathbb Z_tZt 上明文的精确计算,因为密文中的明文空间和噪声空间是分离的。例如,在 BGV 中是 te+mte+mte+m,在 BFV 中是 δm+e\delta m+eδm+e。但是,这种精确计算是在同余意义下的,如果将明文视为实数,那么实际上同态运算时的噪声破坏了明文的 MSB ⌊m/t⌋\lfloor m/t \rfloor⌊m/t⌋,仅保留了 LSB [m]t[m]_t[m]t,如图:
而 CKKS 关注近似计算,它使得在密文中的明文空间和噪声空间是不分离的,噪声位于明文空间的 LSB 位置。也就是说,在 CKKS 中是 m+em+em+e,同态运算破坏明文的 LSB,但不破坏其 MSB。这也是合理的,可以将噪声破坏 LSB 视为浮点运算的精度误差。类似 BGV 做模切换,来使得噪声规模不会指数级增长;CKKS 也要做重缩放(rescaling),使得消息规模不会随电路深度而指数级增长,同时移除了 LSB 上的部分浮点误差。如图:
Canonical Embedding符号:
ΦM(x)∈Z[x]\Phi_M(x) \in \mathbb Z[x]ΦM(x)∈Z[x],MMM 次单位根的分圆多项式,度数为 N=ϕ(M)N = \phi(M)N=ϕ(M)
R:=Z[x]/(ΦM(x))R := \mathbb Z[x]/(\Phi_M(x))R:=Z[x]/(ΦM(x)),数域 Q[x]/(ϕM(x))\mathbb Q[x]/(\phi_M(x))Q[x]/(ϕM(x)) 的子环(离散子群)
Rq=R/qRR_q = R/qRRq=R/qR,商环 Zq[x]/(ΦM(x))\mathbb Z_q[x]/(\Phi_M(x))Zq[x]/(ΦM(x))
S:=R[x]/(ΦM(x))S := \mathbb R[x]/(\Phi_M(x))S:=R[x]/(ΦM(x)),分圆环(cyclotomic ring),其中元素 a(x)a(x)a(x) 的系数构成向量 a⃗=(a,⋯ ,aN−1)∈RN\vec a = (a_0,\cdots,a_{N-1}) \in \mathbb R^Na=(a0,⋯,aN−1)∈RN
∥a∥:=∥a⃗∥∞\|a\| := \|\vec a\|_{\infty}∥a∥:=∥a∥∞,环元素的无穷范数
∥a∥1:=∥a⃗∥1\|a\|_1 := \|\vec a\|_1∥a∥1:=∥a∥1,环元素的L1 范数
ZM∗:={x∈ZM:gcd(x,M)=1}\mathbb Z_M^* := \{x \in \mathbb Z_M:gcd(x,M)=1\}ZM∗:={x∈ZM:gcd(x,M)=1},乘法群
ξM:=exp(−2πi/M)\xi_M := exp(-2\pi i/M)ξM:=exp(−2πi/M),MMM 次本原单位根
规范嵌入(canonical embedding)σ:S→CN\sigma: S \to \mathbb C^Nσ:S→CN 定义为 σ(a):=(a(ξMj))j∈ZM∗\sigma(a) := (a(\xi_M^j))_{j \in \mathbb Z_M^*}σ(a):=(a(ξMj))j∈ZM∗ 其中 a∈Q[x]/(ϕM(x))⊂Sa \in \mathbb Q[x]/(\phi_M(x)) \sub Sa∈Q[x]/(ϕM(x))⊂S
∥a∥∞can:=∥σ(a)∥∞\|a\|_\infty^{can} := \|\sigma(a)\|_\infty∥a∥∞can:=∥σ(a)∥∞,规范嵌入范数(canonical embedding norm)
CRTMCRT_MCRTM,MMM 次本原单位根 ξMj, j∈ZM∗\xi_M^j,\, j \in \mathbb Z_M^*ξMj,j∈ZM∗ 上的 Vandermonde 矩阵(可逆),使得 CRTM⋅a⃗=(a(ξMj))j∈ZM∗=σ(a)CRT_M \cdot \vec a = (a(\xi_M^j))_{j \in \mathbb Z_M^*} = \sigma(a)CRTM⋅a=(a(ξMj))j∈ZM∗=σ(a)(规范嵌入是线性变换)
∥U=(uij)∥∞:=maxi∑j∣uij∣\|U=(u_{ij})\|_\infty := \max_{i} \sum_j |u_{ij}|∥U=(uij)∥∞:=maxi∑j∣uij∣,矩阵的无穷范数
cM:=∥CRTM−1∥∞c_M := \|CRT_M^{-1}\|_\inftycM:=∥CRTM−1∥∞,环常数(ring constant),仅与 MMM 有关
性质:
∀a,b∈S\forall a,b \in S∀a,b∈S,有 ∥a⋅b∥∞can≤∥a∥∞can⋅∥b∥∞can\|a \cdot b\|_\infty^{can} \le \|a\|_\infty^{can} \cdot \|b\|_\infty^{can}∥a⋅b∥∞can≤∥a∥∞can⋅∥b∥∞can∀a∈S\forall a \in S∀a∈S,有 ∥a∥∞can≤∥a∥1\|a\|_\infty^{can} \le \|a\|_1∥a∥∞can≤∥a∥1∀a∈S\forall a \in S∀a∈S,有 ∥a∥∞≤cM⋅∥a∥∞can\|a\|_\infty \le c_M \cdot \|a\|_\infty^{can}∥a∥∞≤cM⋅∥a∥∞canGaussian Distributions定义线性子空间: H:={z⃗=(zj)j∈ZM∗∈CN: zj=zˉ−j, ∀j∈ZM∗}\mathbb H := \{ \vec z = (z_j)_{j \in \mathbb Z_M^*} \in \mathbb C^N:\, z_j = \bar z_{-j},\, \forall j \in \mathbb Z_M^* \}H:={z=(zj)j∈ZM∗∈CN:zj=zˉ−j,∀j∈ZM∗}
也就是所有满足共轭约束的向量。可以验证,作为内积空间(inner product space)H≅RN\mathbb H \cong \mathbb R^NH≅RN,关于幺正矩阵(unitary basis matrix,酉矩阵) U=[12Ii2J12J−i2I]∈CN×NU = \begin{bmatrix} \frac{1}{\sqrt 2}I & \frac{i}{\sqrt 2}J\\ \frac{1}{\sqrt 2}J & \frac{-i}{\sqrt 2}I\\ \end{bmatrix} \in \mathbb C^{N \times N}U=[21I21J2iJ2−iI]∈CN×N
其中 I∈CN/2×N/2I \in C^{N/2 \times N/2}I∈CN/2×N/2 是单位阵,JJJ 是其翻转矩阵(reversal matrix) J=[⋯1⋯1⋮1⋯]∈CN/2×N/2J = \begin{bmatrix} 0 & \cdots & 0 & 1\\ 0 & \cdots & 1 & 0\\ & \vdots\\ 1 & \cdots & 0 & 0\\ \end{bmatrix} \in \mathbb C^{N/2 \times N/2}J=⎣⎡001⋯⋯⋮⋯010100⎦⎤∈CN/2×N/2
易知,共轭转置 UH=U−1U^H = U^{-1}UH=U−1,并且有:H=U⋅RN\mathbb H = U \cdot \mathbb R^NH=U⋅RN,UH⋅H=RNU^H \cdot \mathbb H = \mathbb R^NUH⋅H=RN
对于 r>r > 0r>0,定义 Gaussian function 为 ρr:Rn→(,1]\rho_r: \mathbb R^n \to (0,1]ρr:Rn→(0,1] 为 ρr(z⃗)=exp(−π∥z⃗∥22r2)\rho_r(\vec z) = \exp\left(\frac{-\pi \|\vec z\|_2^2}{r^2}\right)ρr(z)=exp(r2−π∥z∥22)
对于 r⃗=(r1,⋯ ,rN)∈(R+)N\vec r = (r_1,\cdots,r_N) \in (\mathbb R^+)^Nr=(r1,⋯,rN)∈(R+)N,H\mathbb HH 上的 elliptical Gaussian distribution Γr⃗\Gamma_{\vec r}Γr 定义为:根据 Γri\Gamma_{r_i}Γri 独立采样 zi∈Rz_i \in \mathbb Rzi∈R,然后输出 U⋅z⃗U \cdot \vec zU⋅z
上述连续高斯分布同时诱导了环 S:=R[x]/(ϕM(x))S := \mathbb R[x]/(\phi_M(x))S:=R[x]/(ϕM(x)) 上的分布 Ψr⃗\Psi_{\vec r}Ψr,它的采样输出为:e⃗:=CRTM−1⋅U⋅z⃗\vec e := CRT_M^{-1} \cdot U \cdot \vec ze:=CRTM−1⋅U⋅z,就是 e(x)∈Se(x) \in Se(x)∈S 在基 1,x,x2,⋯ ,xN−11,x,x^2,\cdots,x^{N-1}1,x,x2,⋯,xN−1 上的组合系数。
为了获得离散高斯分布,执行圆整操作 χ:=⌊Ψr⃗⌉R∨\chi := \lfloor \Psi_{\vec r}\rceil_{R^\vee}χ:=⌊Ψr⌉R∨,即把采样结果 e∈Se \in Se∈S 最近的环元素 e′∈R∨e' \in R^\veee′∈R∨ 作为离散采样结果。其中 R∨R^\veeR∨ 是环 RRR 的 dual fractional ideal(这啥?),我数学不好没看懂 (╥╯^╰╥)
SIMDCKKS 使用 RLWE,类似 BGV 使用分圆多项式 ϕM(x)\phi_M(x)ϕM(x),根据 CRT 可以将密文分成 NNN 个的槽(slot),从而可以实现 SIMD。
基于 RLWE 的密码方案的明文空间可以被视作 SSS 的子集,其中的元素是 ∥m∥∞can≪q\|m\|_\infty^{can} \ll q∥m∥∞can≪q 的那些 m(x)m(x)m(x)
令 ξM\xi_MξM 是一个复平面上的 MMM 次本原单位根。分圆环 S:=R[x]/(ΦM(x))S := \mathbb R[x]/(\Phi_M(x))S:=R[x]/(ΦM(x)),对于 a∈Sa \in Sa∈S,规范嵌入为 σ(a):=(a(ξMj))j∈ZM∗∈CN\sigma(a) := (a(\xi_M^j))_{j \in \mathbb Z_M^*} \in \mathbb C^Nσ(a):=(a(ξMj))j∈ZM∗∈CN。
确切地说,由于 a∈Sa \in Sa∈S 是实系数多项式,因此 a(ξ−j)=a(ξj‾)=a(ξj)‾a(\xi^{-j}) = a(\overline{\xi^j}) = \overline{a(\xi^j)}a(ξ−j)=a(ξj)=a(ξj),规范嵌入的像 Im(σ)=H⊂CNIm(\sigma) = \mathbb H \sub \mathbb C^NIm(σ)=H⊂CN,容易看出同构 H≅S\mathbb H \cong SH≅S
由于 H\mathbb HH 中的元素满足共轭约束,因此令 TTT 是 ZM∗\mathbb Z_M^*ZM∗ 的乘法子群,使得 ZM∗/T={±1}\mathbb Z_M^*/T = \{\pm 1\}ZM∗/T={±1},那么考虑自然投影(natural projection)π:H→CN/2\pi: \mathbb H \to \mathbb C^{N/2}π:H→CN/2 π((zj)j∈ZM∗):=(zj)j∈T\pi((z_j)_{j \in \mathbb Z_M^*}) := (z_j)_{j \in T}π((zj)j∈ZM∗):=(zj)j∈T
那么关于映射 π\piπ,有同构 H≅CN/2\mathbb H \cong \mathbb C^{N/2}H≅CN/2
由于 R=Z[x]/(ϕ(x))R = \mathbb Z[x]/(\phi(x))R=Z[x]/(ϕ(x)),因此它有一组 Z−\mathbb Z-Z−基 {1,x,⋯ ,xN−1}\{1,x,\cdots,x^{N-1}\}{1,x,⋯,xN−1},这利用规范嵌入 σ(⋅)\sigma(\cdot)σ(⋅) 可以得到一个秩 NNN 的理想格(ideal lattice)σ(R)\sigma(R)σ(R),基为 {σ(1),σ(x),⋯ ,σ(xN−1)}\{\sigma(1),\sigma(x),\cdots,\sigma(x^{N-1})\}{σ(1),σ(x),⋯,σ(xN−1)}
现在,我们已经有了 S→HS \to \mathbb HS→H 的同构 σ\sigmaσ,以及 H→CN/2\mathbb H \to \mathbb C^{N/2}H→CN/2 的同构 π\piπ,那么就有同构映射 π∘σ:(S, ∥⋅∥∞can)→(CN/2, ∥⋅∥∞)\pi \circ \sigma: (S,\, \|\cdot\|_\infty^{can}) \to \mathbb (C^{N/2},\, \|\cdot\|_\infty)π∘σ:(S,∥⋅∥∞can)→(CN/2,∥⋅∥∞)
由于 R⊂SR \sub SR⊂S 是子环,因此 σ(R)⊂H\sigma(R) \sub \mathbb Hσ(R)⊂H 是离散子群,从而 π(σ(R))⊂CN/2\pi(\sigma(R)) \sub \mathbb C^{N/2}π(σ(R))⊂CN/2 是有限精度的浮点数向量集合。如图:
所以,任给一个复向量 z⃗∈CN/2\vec z \in \mathbb C^{N/2}z∈CN/2,它的原像 π−1(z⃗)\pi^{-1}(\vec z)π−1(z) 不一定落在格 σ(R)\sigma(R)σ(R) 上,需要就近圆整 ⌊π−1(z⃗)⌉σ(R)\lfloor \pi^{-1}(\vec z) \rceil_{\sigma(R)}⌊π−1(z)⌉σ(R),得到最接近的格点,这就导致了圆整误差。为了提高浮点数精度,可以设置一个 scaling factor Δ≥1\Delta \ge 1Δ≥1,先 z⃗′=Δ⋅z⃗\vec z' = \Delta \cdot \vec zz′=Δ⋅z,然后 π−1(σ−1(z⃗′))∈R\pi^{-1}(\sigma^{-1}(\vec z')) \in Rπ−1(σ−1(z′))∈R 得到对应的明文。
CKKS 的编码、解码算法为:
LHECKKS 使用了:BGV 的密钥切换技术、模切换技术、打包技术,BFV 的重线性化技术。抽象的来说,CKKS 方案如下(注意 Enc 算法):
CKKS 使用模切换过程,来移除密文中明文信息的被噪声淹没的 LSB 部分,叫做重缩放(rescaling)。固定 base p>p>0p>0 和模数 q>q_0 > 0q0>0(都不必是素数)。对于深度为 LLL 的电路,设置梯子为 ql=ql⋅qq_l = q^l \cdot q_0ql=ql⋅q0,第 lll 层的密文属于 Rql2R_{q_l}^2Rql2
同态运算时,密文中的消息和噪声的规模都会增长。为了方便管理密文,还要在 ccc 上附加上一些标签:层级 ≤l≤L0 \le l \le L0≤l≤L,消息上界 v∈Rv \in \mathbb Rv∈R,噪声上界 B∈RB \in \mathbb RB∈R
另外,同态运算之前,需要参与运算的两个密文 (c,l,v,B), (c′,l′,v′,B′)(c,l,v,B),\, (c',l',v',B')(c,l,v,B),(c′,l′,v′,B′) 的 level 保证一致。假设 l′<ll' < ll′<l,那么需要将 ccc 降级到 l′l'l′ 级的 Rql′R_{q_{l'}}Rql′ 上:
如果使用 RS 过程,c↦RS(c)c \mapsto RS(c)c↦RS(c),那么消息从 mmm 变化为 ql′qlm\frac{q_{l'}}{q_l}mqlql′m而直接简单模约简,c↦cmod ql′c \mapsto c \mod q_{l'}c↦cmodql′,这不会改变消息 mmm如果选取 M=2k+1M = 2^{k+1}M=2k+1,那么 ϕM(x)=xN+1\phi_M(x) = x^N+1ϕM(x)=xN+1,其中 N=2kN = 2^kN=2k,环 R=Z[x]/(xN+1)R = \mathbb Z[x]/(x^N+1)R=Z[x]/(xN+1) 有良好的性质:
此时 R∨=N−1⋅RR^\vee = N^{-1} \cdot RR∨=N−1⋅R,从而噪声 e′∈R∨e' \in R^\veee′∈R∨ 可以转化为 e=N⋅e′∈Re = N \cdot e' \in Re=N⋅e′∈R,它的各个系数是相互独立的离散高斯采样。圆整运算可以高效计算,因为 CRTMCRT_MCRTM 是正交阵,因此 ⌊a(x)⌉σ(R)=∑i⌊ai⌉Z⋅xi\lfloor a(x) \rceil_{\sigma(R)} = \sum_i \lfloor a_i\rceil_\mathbb Z \cdot x^i⌊a(x)⌉σ(R)=∑i⌊ai⌉Z⋅xi(多项式圆整就是各项系数分别圆整)CKKS 使用了多种分布(我不知道为何需要这么多。为了效率?为了安全性?):
DG(σ2)DG(\sigma^2)DG(σ2):实数 σ>\sigma>0σ>0,采样 ZN\mathbb Z^NZN 上向量,各分量是方差为 σ2\sigma^2σ2 的 Z\mathbb ZZ 上独立的离散高斯采样HWT(h)HWT(h)HWT(h):正整数 hhh,采样 {,±1}N\{0,\pm 1\}^N{0,±1}N 上向量(signed binary vectors),汉明重量为 hhhZO(ρ)ZO(\rho)ZO(ρ):实数 ≤ρ≤10 \le \rho \le 10≤ρ≤1,采样 {,±1}N\{0,\pm 1\}^N{0,±1}N 上向量,它的各个分量以 ρ/2\rho/2ρ/2 的概率为 1,−11,-11,−1,以 1−ρ1-\rho1−ρ 的概率为 0CKKS 方案如下:
我们说一个密文 (c∈Rql2,l,v,B)(c \in R_{q_l}^2,l,v,B)(c∈Rql2,l,v,B) 是 m∈Sm \in Sm∈S 的有效密文(valid encryption),如果 ∥m∥∞can≤v\|m\|_\infty^{can} \le v∥m∥∞can≤v 且 <c,sk>=m+2mod ql<c,sk> = m+2 \mod q_l<c,sk>=m+2modql,其中 e∈Se \in Se∈S 满足 ∥e∥∞can≤B\|e\|_\infty^{can} \le B∥e∥∞can≤B。可以证明:
为了达到 λ−\lambda-λ−比特的安全性,需要使得 N≥λ+1107.2log(P⋅qL)N \ge \frac{\lambda+110}{7.2} \log(P \cdot q_L)N≥7.2λ+110log(P⋅qL)。由于 qLq_LqL 是梯子中最大的模数,因此让 PPP 接近于 qLq_LqL 即可。对于 λ=80\lambda = 80λ=80,文章中设置 σ=3.2\sigma = 3.2σ=3.2,h=64h = 64h=64。
下图展示了安全性和计算效率之间的 tradeoff:为了提高安全性,这需要提升分圆多项式的次数 NNN,即使我们不需要太多的(N/2N/2N/2个) 明文槽。
Rotate根据数论知识,域扩张 Q(ξM)/Q\mathbb Q(\xi_M)/\mathbb QQ(ξM)/Q 的 Galois 群 Gal:=Gal(Q(ξM)/Q)Gal := Gal(\mathbb Q(\xi_M)/\mathbb Q)Gal:=Gal(Q(ξM)/Q) 是个同构于 ZM∗\mathbb Z_M^*ZM∗ 的乘法群,其中的元素是自同构映射: κk:m(x)↦m(xk), ∀gcd(k,M)=1\kappa_k: m(x) \mapsto m(x^k),\, \forall gcd(k,M)=1κk:m(x)↦m(xk),∀gcd(k,M)=1
一个明文多项式为 m(x)∈R⊂Q(ξM)m(x) \in R \sub \mathbb Q(\xi_M)m(x)∈R⊂Q(ξM),解码后对应的明文向量是 z⃗=π(σ(m(x)))∈CN/2\vec z = \pi(\sigma(m(x))) \in \mathbb C^{N/2}z=π(σ(m(x)))∈CN/2。对于任意的 i,j∈T⊂ZM∗i,j \in T \sub \mathbb Z_M^*i,j∈T⊂ZM∗,令 k=j−1⋅imod Mk = j^{-1} \cdot i \mod Mk=j−1⋅imodM,那么计算 m′=κk(m)m' = \kappa_k(m)m′=κk(m),满足 zj′=m′(ξMj)=κ(m(ξMj))=m(ξMjk)=m(ξMi)=ziz_j' = m'(\xi_M^j) = \kappa(m(\xi_M^j)) = m(\xi_M^{jk}) = m(\xi_M^{i}) = z_izj′=m′(ξMj)=κ(m(ξMj))=m(ξMjk)=m(ξMi)=zi
也就是说,自同构映射 κk\kappa_kκk 可以实现把明文信息从槽 iii 搬移到槽 jjj
定义向量 (ci)I(c_i)_I(ci)I 上的自同构映射为:κk((ci)I):=(κk(ci))I\kappa_k((c_i)_I) := (\kappa_k(c_i))_Iκk((ci)I):=(κk(ci))I,可以验证,如果 c∈Rql2c \in R_{q_l}^2c∈Rql2 是明文 m∈Rm \in Rm∈R 在私钥 (1,s)(1,s)(1,s) 下的有效密文,那么 κk(c)∈Rql2\kappa_k(c) \in R_{q_l}^2κk(c)∈Rql2 是明文 κk(m)∈R\kappa_k(m) \in Rκk(m)∈R 在私钥 (1,κk(s))(1,\kappa_k(s))(1,κk(s)) 下的有效密文。
类似 BGV 的 Pack / Unpack 技术,将密文的密钥切换变换 τ(1,s)→(1,κk(s))\tau_{(1,s) \to (1,\kappa_k(s))}τ(1,s)→(1,κk(s)) 和 τ(1,κk(s))→(1,s)\tau_{(1,\kappa_k(s)) \to (1,s)}τ(1,κk(s))→(1,s) 作为公钥发布,从而实现密文上各个槽里的明文信息的任意搬移。
上一篇:人类记忆系统之谜,也许就是这么回事儿(人类记忆存储在哪)
下一篇:【TypeScript】TS类型断言-类型的声明和转换(五)(typescript类型别名)
友情链接: 武汉网站建设