【摘 要】
:
随着量子计算机的快速发展,设计能够抵抗量子计算攻击的密码函数成为密码学研究的热点。杂凑函数作为密码学中的重要工具,设计安全的杂凑函数显得尤为重要。目前常用杂凑函数
论文部分内容阅读
随着量子计算机的快速发展,设计能够抵抗量子计算攻击的密码函数成为密码学研究的热点。杂凑函数作为密码学中的重要工具,设计安全的杂凑函数显得尤为重要。目前常用杂凑函数多为迭代型的杂凑函数,它们的优点是速度快,缺点是安全性需要经过长时间攻击检验。本文主要研究基于格的、抗量子计算攻击的、可证明安全杂凑函数。“可证明安全”指的是函数的安全性基于格上困难问题。论文主要工作为:1.详细分析了SWIFFT压缩函数的实现效率。指出采用8输入快速傅里叶变换(FFT,Fast Fourier Transform)实现SWIFFT函数时,需要4032次加/减法,1664次乘法,存储量为256个Z8257内的元素;采用16输入FFT实现SWIFFT函数时,需要17344次加/减法,5376次乘法,存储量为16个Z16257内的元素;指出实现SWIFFT函数时,能用最少比特移位代替FFT流向图中乘法的?取值为合适取值,并提供了计算?合适值的方法。2.设计了一种基于模格最小整数解问题(M-SIS,Small Integer Solution Problem in Module Lattices)的压缩函数。基于模格上的困难问题,将SWIFFT压缩函数的安全参数从n增加为N(28)dn,构造了M-SWIFFT压缩函数。该函数采用FFT实现并行运算,效率比SWIFFT函数低,但安全性比SWIFFT函数高。新设计的M-SWIFFT压缩函数具有可证明安全性,在函数中寻找碰撞或原像至少和最差情况模格中寻找非零短向量一样困难。3.设计了一种基于格困难问题的杂凑函数。将SWIFFT和M-SWIFFT作为重要组成部分,构造了M-SWIFFTX杂凑函数。该杂凑函数以HAIFA(HAsh Iterative FrAmework)作为迭代结构,添加S-盒和字节转换使杂凑函数具备伪随机性。新设计的杂凑函数具有高并行性,可证明安全性,且抗量子计算攻击。与SWIFFTX杂凑函数相比,M-SWIFFTX杂凑函数效率相对较低,但安全性较高。它是M-SIS困难问题设计密码函数的新应用。
其他文献
兴趣是最好的老师,提升中学生对数学学习的兴趣是中学数学教学中的重要技巧,也是中学生获得数学基本知识技能。提升学生数学学习兴趣适应新的教育模式、符合新课程改革的要求
学者散文的概念自1960年代由余光中提出后,便引起了文学界、评论界的关注,逐渐被视为中国现代散文的一个重要分支。一般认为,所谓学者散文,是指由学者创作的、才情与理趣兼备、既具有文学的审美价值又具有学术的文化内涵的散文作品。被台湾文学界尊称为“永远的齐老师”的齐邦媛,一生倾注于中西文学的教学、研究,致力于推动台湾文学的发展和传播。其晚年创作的回忆录《巨流河》展现了在风雨飘摇的时代中,父(师)辈和自己
针对当今大学校园中普遍存在各类生活和学习资源得不到充分利用的问题,分析了设立淮信易物网络平台的背景与意义,并就该平台的设立与运行进行了实地调查和可行性分析。运用AS
中职学校的学生在数学学习能力上有着些许差异,同时不同专业的学生对于数学学习的要求也不同。基于这些情况,此篇文章就中职数学教学中出现的问题,并根据不同专业及学生之间
港口作为物流的重要节点,其信息化建设程度决定了港口运营效率的高低。港口信息化建设存在投入和维护成本高、资源浪费等问题。在港口信息化建设过程中引入云计算技术,能够解
本文的研究对象,是19世纪挪威来华传教士阿蒙森编写的《华英捷径》(Short Cut to Western Mandarin:1910),这是一本针对西南官话学习的初级口语速成教材。本文考订《华英捷径》的成书背景及选材编排;分析针对西南官话的独具特色的阿蒙森音节表;研究教材中方言词的选编及消亡情况;描述、分析和揭示其中的语法点。全文共分六章:第一章绪论,说明选题意义,本文对《华英捷径》的研究可丰富
研究背景:创伤性脑损伤(traumatic brain injury,TBI)是神经外科中的常见病,具有高致残率和高死亡率的特点。氧化应激反应在整个脑损伤的过程中起到了重要的作用,并且核因子E
STS(科学、技术、社会)教育是近几年来世界各国科学教育改革中出现的一种新的科学教育思想,它强调科学、技术和社会相互之间的关系,如科学对现代社会生活的影响,科技知识对解
本系统是应L公司业务需求,结合当代计算机技术和人力资源理论,应用C/S架构,以C#语言编程而设计的人力资源管理信息系统。系统设计简单,兼容性强,具有易于修改升级的特点。
协同过滤推荐算法是目前最常用的推荐算法。虽然协同过滤推荐算法已经得到了广泛的应用,但是其中仍然存在数据稀疏性问题和冷启动问题。数据稀疏性问题是由于用户只能对海量商品中非常少部分的商品进行评分,评分数据的稀疏性会非常高,导致评分向量的稀疏性也非常高。冷启动问题是由于系统中不存在或者存在少量的目标用户的历史数据,导致推荐算法无法准确地分析目标用户的兴趣和爱好。这两个问题最终都会影响推荐算法的推荐效果。