参考文献:
- Brakerski Z, Vaikuntanathan V. Efficient fully homomorphic encryption from (standard) LWE[J]. SIAM Journal on computing, 2014, 43(2): 831-871.
- Brakerski Z, Gentry C, Vaikuntanathan V. (Leveled) fully homomorphic encryption without bootstrapping[J]. ACM Transactions on Computation Theory (TOCT), 2014, 6(3): 1-36.
- Peikert C. A decade of lattice cryptography[J]. Foundations and trends® in theoretical computer science, 2016, 10(4): 283-424.
文章目录
基础知识
快速数论变换 NTT,在文章 深入理解NTT 中介绍。BGV 方案中,使用多项式环
R
=
Z
[
x
]
/
(
f
(
x
)
)
R = \mathbb Z[x]/(f(x))
R=Z[x]/(f(x)),其中
f
(
x
)
=
x
d
+
1
f(x)=x^d+1
f(x)=xd+1 是分圆多项式,
d
=
2
k
d=2^k
d=2k 是二的幂次。环
R
R
R 包含所有次数小于
d
d
d 的整系数多项式。然后,选取它的一个主理想
I
=
(
q
(
x
)
)
I=(q(x))
I=(q(x)),满足它的指数
[
R
:
I
]
=
p
[R:I]=p
[R:I]=p 是个素数,即环
R
R
R 是
p
p
p 个陪集
a
i
+
I
,
a
i
∈
R
a_i+I,\, a_i \in R
ai+I,ai∈R 的不交并。做商环:
R
q
=
R
/
I
=
R
=
Z
[
x
]
/
(
q
(
x
)
,
f
(
x
)
)
R_q = R/I = R = \mathbb Z[x]/(q(x),f(x))
Rq=R/I=R=Z[x]/(q(x),f(x))
最简单的,可令
q
(
x
)
=
p
q(x)=p
q(x)=p 是个素数,那么
R
q
=
Z
p
[
x
]
/
(
f
(
x
)
)
R_q = \mathbb Z_p[x]/(f(x))
Rq=Zp[x]/(f(x))
假如
p
≡
1
m
o
d
2
d
p \equiv 1 \mod 2d
p≡1mod2d,那么在
R
p
R_p
Rp 上多项式
f
(
x
)
f(x)
f(x) 可以完全分解为线性的互素因式,
f
(
x
)
=
x
d
+
1
=
∏
i
=
1
d
(
x
−
ξ
i
)
f(x) = x^d+1 = \prod_{i=1}^d (x-\xi_i)
f(x)=xd+1=i=1∏d(x−ξi)
从而根据 CRT,令
P
i
=
(
x
−
ξ
i
,
p
)
P_i = (x-\xi_i,\, p)
Pi=(x−ξi,p) 为彼此互素的理想,有:
R
p
≅
Z
[
x
]
/
P
1
×
⋯
Z
[
x
]
/
P
d
R_p \cong \mathbb Z[x]/P_1 \times \cdots \mathbb Z[x]/P_d
Rp≅Z[x]/P1×⋯Z[x]/Pd
简记
Z
[
x
]
/
P
i
=
R
P
i
\mathbb Z[x]/P_i = R_{P_i}
Z[x]/Pi=RPi
LWE 和 RLWE 问题,在文章 格上困难问题 中介绍。为了方便方案的描述,BGV 不想对两种格困难问题分别构造方案,因此定义了 General Learning with Errors (GLWE) Problem:
其中的噪声分布(一般取做离散高斯分布)
χ
\chi
χ 是 ***B*-bounded distributions**,定义如下:
格上的陷门,在文章 格密码:陷门OWF 中介绍。在 BGV 中对 Gadget 的描述为:
G
:
=
I
n
⊗
g
=
[
g
0
⋯
0
g
0
⋮
0
⋱
⋮
.
.
.
g
]
∈
Z
q
n
×
n
l
G:=I_n \otimes g= \left[ \begin{array}{c | c c c} g & 0 & \cdots \\ \hline 0 & g & 0 \\ \vdots & 0 & \ddots & \vdots\\ & & ... & g\\ \end{array} \right] \in \mathbb Z_q^{n \times nl}
G:=In⊗g=⎣⎡g0⋮0g0⋯0⋱...⋮g⎦⎤∈Zqn×nl
其中
q
q
q 是素数,
l
=
⌈
log
q
⌉
l = \lceil \log q \rceil
l=⌈logq⌉,
g
=
[
1
,
2
,
4
,
⋯
,
2
l
]
g=[1,2,4,\cdots,2^{l}]
g=[1,2,4,⋯,2l]
x ⃗ = G u ⃗ \vec x = G \vec u x=Gu:将向量 u ⃗ ∈ R 2 n l \vec u \in R_2^{nl} u∈R2nl 分成 n n n块,每个长为 l l l的 block 做**二进制合成**,得到向量 x ⃗ ∈ R q n \vec x \in R_q^n x∈Rqn
u ⃗ = G − 1 ( x ) \vec u = G^{-1}(x) u=G−1(x):将向量 x ⃗ ∈ R q n \vec x \in R_q^n x∈Rqn 的每个分量都做**二进制分解**,得到向量 u ⃗ ∈ R 2 n l \vec u \in R_2^{nl} u∈R2nl
BGV
Basic Encryption Scheme
BGV 方案基于 BV 方案(在文章 全同态加密(FHE) 中介绍)。在 BGV 中,首先表述了基于 GLWE 的 BV 方案:
E . S e t u p ( 1 λ , 1 μ , b ) E.Setup(1^\lambda,1^\mu,b) E.Setup(1λ,1μ,b):- 如果 b = 0 b=0 b=0,那么设置 d = 1 d=1 d=1(LWE),如果 b = 1 b=1 b=1,那么设置 n = 1 n=1 n=1(RLWE)。甚至,可以设置这两个极端之间的参数?- 选取 μ \mu μ比特的素数模 q q q,设置 d = d ( λ , μ , b ) d=d(\lambda,\mu,b) d=d(λ,μ,b), n = n ( λ , μ , b ) n=n(\lambda,\mu,b) n=n(λ,μ,b), N = ⌈ ( 2 n + 1 ) log q ⌉ N=\lceil (2n+1)\log q \rceil N=⌈(2n+1)logq⌉, χ = χ ( λ , μ , b ) \chi = \chi(\lambda,\mu,b) χ=χ(λ,μ,b),使得 GLWE 实例的强度为 2 λ 2^\lambda 2λ- 令 R = Z [ x ] / ( x d + 1 ) R=\mathbb Z[x]/(x^d+1) R=Z[x]/(xd+1),明文空间为 R p R_p Rp,其中 p ≪ q p \ll q p≪q是素数(例如 p = 2 p=2 p=2),密文空间为 R q n + 1 R_q^{n+1} Rqn+1- 设置 p a r a m s = ( R , p , q , d , n , N , χ ) params=(R,p,q,d,n,N,\chi) params=(R,p,q,d,n,N,χ)
E . S e c r e t K e y G e n ( p a r a m s ) E.SecretKeyGen(params) E.SecretKeyGen(params):- 采样 s ′ ← χ n s' \leftarrow \chi^n s′←χn,设置 s k = s = ( 1 , s ) ∈ R q n + 1 sk = s = (1,s) \in R_q^{n+1} sk=s=(1,s)∈Rqn+1
E . P u b l i c K e y G e n ( p a r a m s , s k ) E.PublicKeyGen(params,\, sk) E.PublicKeyGen(params,sk):- 生成均匀随机矩阵 A ′ ← U ( R q N × n ) A' \leftarrow U(R_q^{N \times n}) A′←U(RqN×n),采样 e ← χ N e \leftarrow \chi^N e←χN- 计算 b = A ′ s ′ + p e b=A's'+pe b=A′s′+pe,**使得噪音 p e pe pe 属于理想 ( p ) (p) (p)**- 设置 p k = A = ( b , − A ′ ) ∈ R q N × ( n + 1 ) pk = A = (b,-A') \in R_q^{N \times (n+1)} pk=A=(b,−A′)∈RqN×(n+1),易知 A s = p e ≡ 0 m o d ( p ) As=pe \equiv 0 \mod (p) As=pe≡0mod(p)
E . E n c ( p a r a m s , p k , m ) E.Enc(params,\, pk,\, m) E.Enc(params,pk,m):- 给定明文 m ∈ R p m \in R_p m∈Rp,设置行向量 m ⃗ = ( m , 0 , ⋯ , 0 ) ∈ R q n + 1 \vec m = (m,0,\cdots,0) \in R_q^{n+1} m=(m,0,⋯,0)∈Rqn+1- 采样行向量 r ← R p N r \leftarrow R_p^N r←RpN,输出密文 c = m ⃗ + r A ∈ R q n + 1 c = \vec m+rA \in R_q^{n+1} c=m+rA∈Rqn+1
E . D e c ( p a r a m s , s k , c ) E.Dec(params,\, sk,\, c) E.Dec(params,sk,c):- 给定密文 c ∈ R q n + 1 c \in R_q^{n+1} c∈Rqn+1,输出明文 m = [ [ < c , s > ] q ] p ∈ R p m=[[<c,s>]_q]_p \in R_p m=[[<c,s>]q]p∈Rp其中 [ ⋅ ] q [\cdot]_q [⋅]q 表示模 q q q的余数,范围 ( − q / 2 , q / 2 ] (-q/2,q/2] (−q/2,q/2]
在 BGV 中
m
≡
[
<
c
,
s
>
]
q
m
o
d
p
m \equiv [<c,s>]_q \mod p
m≡[<c,s>]qmodp,可将
[
<
c
,
s
>
]
q
∈
R
q
[<c,s>]_q \in R_q
[<c,s>]q∈Rq 视为**由明文
m
m
m 编码的噪声**。
Homomorphic Operations
矩阵
A
∈
R
m
×
n
,
B
∈
R
p
×
q
A \in R^{m \times n},\, B \in R^{p \times q}
A∈Rm×n,B∈Rp×q的 **Kronecker product** 定义为:
A
⊗
B
=
[
A
i
j
⋅
B
]
i
j
∈
R
m
p
×
n
q
A \otimes B = \left[ A_{ij} \cdot B \right]_{ij} \in R^{mp \times nq}
A⊗B=[Aij⋅B]ij∈Rmp×nq
- 克罗内克积是结合的,但不是交换的
- 克罗内克积与矩阵加法间,满足左右分配律
( A ⊗ B ) T = A T ⊗ B T (A \otimes B)^T = A^T \otimes B^T (A⊗B)T=AT⊗BT, ( A ⊗ B ) − 1 = A − 1 ⊗ B − 1 (A \otimes B)^{-1} = A^{-1} \otimes B^{-1} (A⊗B)−1=A−1⊗B−1,注意对比 ( A B ) T = B T A T (AB)^T = B^TA^T (AB)T=BTAT、 ( A B ) − 1 = B − 1 A − 1 (AB)^{-1} = B^{-1}A^{-1} (AB)−1=B−1A−1、 ( A B ) ∗ = B ∗ A ∗ (AB)^* = B^*A^* (AB)∗=B∗A∗(穿脱原理)
( X ⊗ Y ) ( U ⊗ V ) = ( X U ) ⊗ ( Y V ) (X\otimes Y)(U \otimes V) = (XU) \otimes (YV) (X⊗Y)(U⊗V)=(XU)⊗(YV)
- 对于 A ∈ R m × m , B ∈ R n × n A \in R^{m \times m},B \in R^{n \times n} A∈Rm×m,B∈Rn×n,有 d e t ( A ⊗ B ) = d e t ( A ) n ⋅ d e t ( B ) m det(A \otimes B)=det(A)^n \cdot det(B)^m det(A⊗B)=det(A)n⋅det(B)m
r a n k ( A ⊗ B ) = r a n k ( A ) ⋅ r a n k ( B ) rank(A \otimes B) = rank(A) \cdot rank(B) rank(A⊗B)=rank(A)⋅rank(B)
根据上述性质,易知
<
c
1
⊗
c
2
,
s
1
⊗
s
2
>
=
(
c
1
⊗
c
2
)
T
(
s
1
⊗
s
2
)
=
(
c
1
T
⊗
c
2
T
)
(
s
1
⊗
s
2
)
=
(
c
1
T
s
1
)
⊗
(
c
2
T
s
2
)
=
<
c
1
,
s
1
>
⋅
<
c
2
,
s
2
>
\begin{aligned} <c_1 \otimes c_2,\, s_1 \otimes s_2> &= (c_1 \otimes c_2)^T (s_1 \otimes s_2)\\ &= (c_1^T \otimes c_2^T)(s_1 \otimes s_2)\\ &= (c_1^T s_1) \otimes (c_2^T s_2)\\ &= <c_1,s_1> \cdot <c_2,s_2> \end{aligned}
<c1⊗c2,s1⊗s2>=(c1⊗c2)T(s1⊗s2)=(c1T⊗c2T)(s1⊗s2)=(c1Ts1)⊗(c2Ts2)=<c1,s1>⋅<c2,s2>
因此,
- 同态加法: D e c ( c 1 + c 2 , s ) = D e c ( c 1 , s ) + D e c ( c 2 , s ) Dec(c_1+c_2,, s) = Dec(c_1,s)+Dec(c_2,s) Dec(c1+c2,s)=Dec(c1,s)+Dec(c2,s)
- 同态乘法: D e c ( c 1 ⊗ c 2 , s ⊗ s ) = D e c ( c 1 , s ) ⋅ D e c ( c 2 , s ) Dec(c_1 \otimes c_2,, s \otimes s) = Dec(c_1,s) \cdot Dec(c_2,s) Dec(c1⊗c2,s⊗s)=Dec(c1,s)⋅Dec(c2,s)
然而,上述的同态乘法有很大的缺陷:密文和私钥的规模指数级增大,噪声指数级增大。
Key Switching
密钥切换技术,用于降低密文和密钥的维度。
BGV 将 Gadget 视为二进制合并和分解,
有
B
i
t
D
e
c
o
m
p
(
c
)
=
G
−
1
(
c
)
,
P
o
w
e
r
s
o
f
(
s
)
=
s
T
G
BitDecomp(c)=G^{-1}(c),\, Powersof(s)=s^TG
BitDecomp(c)=G−1(c),Powersof(s)=sTG,易知:
<
B
i
t
D
e
c
o
m
p
(
c
,
q
)
,
P
o
w
e
r
s
o
f
(
s
,
q
)
>
=
∑
j
=
0
l
−
1
<
u
j
,
2
j
s
>
=
<
c
,
s
>
=
s
T
G
⋅
G
−
1
(
c
)
\begin{aligned} &<BitDecomp(c,q),Powersof(s,q)> \\ &= \sum_{j=0}^{l-1}<u_j,2^j s> \\ &= <c,s> \\ &= s^TG \cdot G^{-1}(c) \end{aligned}
<BitDecomp(c,q),Powersof(s,q)>=j=0∑l−1<uj,2js>=<c,s>=sTG⋅G−1(c)
密钥切换的程序为:
可以理解为:寻找
s
2
T
K
=
s
1
T
G
s_2^TK=s_1^TG
s2TK=s1TG的
K
K
K,设置
c
2
=
K
⋅
G
−
1
(
c
1
)
c_2=K \cdot G^{-1}(c_1)
c2=K⋅G−1(c1),于是
s
2
T
c
2
=
(
s
1
T
G
)
⋅
G
−
1
(
c
1
)
=
s
1
T
c
1
s_2^Tc_2 = (s_1^TG) \cdot G^{-1}(c_1) = s_1^Tc_1
s2Tc2=(s1TG)⋅G−1(c1)=s1Tc1
Modulus Switching
模切换技术,用于降低噪声的绝对大小(相对大小略有上升)。
模切换技术并不能降低噪声比率(*the ratio of the noise to the “noise ceiling” (the modulus size)*),而噪声比率约束了密文的同态能力。似乎降低噪音绝对大小并不会提高同态能力。然而,对于乘法来说:
- 噪声大小为 x x x,假设 q ≈ x k q\approx x^k q≈xk,于是噪声比率为 x / q ≈ x 1 − k x/q \approx x^{1-k} x/q≈x1−k
- 选择 a ladder of gradually decreasing moduli { q i ≈ q x i } {q_i \approx \dfrac{q}{x^i}} {qi≈xiq}
- 每次密文乘法,导致结果的噪声从 x a x^a xa成为 x 2 a x^{2a} x2a
- 假设不做模切换,那么下一次乘法将会达到 x 4 x^4 x4的噪声,最多只能做 log k \log k logk次乘法,噪声就会达到 x k = q x^k=q xk=q,导致不可解密。
- 如果每次都做模切换,第 j j j次乘法后,从 q j − 1 q_{j-1} qj−1切换到 q j q_{j} qj上,同时噪声从 x 2 x^2 x2降低到 x x x,比率为 x / q j = x j − k x/q_{j} = x^{j-k} x/qj=xj−k,因此最多可以做 k k k次乘法。
模切换的程序为:
(Leveled) FHE Based on GLWE without Bootstrapping
如果设置 Basic Encryption Scheme 的明文空间为
R
2
R_2
R2,那么 BGV 方案如下:
其同态运算为:
由于密钥切换和模切换,都是算术电路上计算的,因此它们比 Bootstrapping 的布尔电路计算要高效的多。为了计算深度
d
d
d 的算术电路,只要在初始化的时候设置
L
=
d
L=d
L=d 即可。
但随着
L
L
L 增大,模数
q
L
q_L
qL的比特长度会线性增长,从而导致每个 Gate 的计算复杂度上升。对于很深的电路,我们可以重新引入 Bootstrapping 作为优化(而非必需)。
Optimizations
Batching
上述的 BGV 方案中,设置了
p
=
2
p=2
p=2,从而可以对商环
R
2
R_2
R2 上的明文做运算。
奇素数
p
≡
1
m
o
d
2
d
p \equiv 1 \mod 2d
p≡1mod2d,根据数论可以知道,
R
p
≅
R
P
1
×
⋯
×
R
P
d
R_p \cong R_{P_1} \times \cdots \times R_{P_d}
Rp≅RP1×⋯×RPd
其中
P
i
=
(
p
,
x
−
ξ
i
)
P_i = (p,x-\xi_i)
Pi=(p,x−ξi),且陪集
0
+
P
i
,
⋯
,
(
p
−
1
)
+
P
i
0+P_i,\cdots,(p-1)+P_i
0+Pi,⋯,(p−1)+Pi 恰好拼成整个环
R
=
Z
[
x
]
/
(
f
(
x
)
)
R=\mathbb Z[x]/(f(x))
R=Z[x]/(f(x)),或者说
I
I
I作为加群的指数为
[
R
:
I
]
=
p
[R:I]=p
[R:I]=p(Emmmm, 怎么觉得不太对呢?奥,没问题)
上述的每个理想都是同构的,存在环
R
R
R 的**自同构**(automorphism)
σ
i
→
j
\sigma_{i \to j}
σi→j,使得
σ
i
→
j
(
P
i
)
=
P
j
\sigma_{i \to j}(P_i)=P_j
σi→j(Pi)=Pj,确切地说:
σ
i
→
j
(
∑
o
=
0
d
−
1
r
o
x
o
∈
P
i
)
=
∑
o
=
0
d
−
1
r
o
x
e
i
j
o
m
o
d
2
d
∈
P
j
\sigma_{i \to j}\left(\sum_{o=0}^{d-1}r_ox^{o} \in P_i \right) = \sum_{o=0}^{d-1}r_ox^{e_{ij}o \mod 2d} \in P_j
σi→j(o=0∑d−1roxo∈Pi)=o=0∑d−1roxeijomod2d∈Pj
其中
1
<
e
i
j
<
2
d
1< e_{ij} <2d
1<eij<2d 是奇数(是多少?论文里没说啊!)。
结合文章 全同态加密:CKKS 中内容,应为
e
i
j
=
(
2
j
+
1
)
−
1
⋅
(
2
i
+
1
)
m
o
d
2
d
,
∀
i
,
j
=
0
,
1
,
⋯
,
d
−
1
e_{ij} = (2j+1)^{-1} \cdot (2i+1) \mod 2d,\, \forall i,j=0,1,\cdots,d-1
eij=(2j+1)−1⋅(2i+1)mod2d,∀i,j=0,1,⋯,d−1。因为
d
d
d 是素数
2
2
2 的幂次,所以
ϕ
(
2
d
)
=
d
\phi(2d)=d
ϕ(2d)=d,因此有
ϕ
2
d
(
x
)
=
x
d
+
1
\phi_{2d}(x) = x^d+1
ϕ2d(x)=xd+1。这个分圆多项式的
d
d
d 个根就是
2
d
2d
2d 次本原单位根
ξ
2
d
k
,
∀
k
∈
Z
2
d
∗
\xi_{2d}^k,\, \forall k \in \mathbb Z_{2d}^*
ξ2dk,∀k∈Z2d∗。易知,
Z
2
d
∗
=
{
1
,
3
,
⋯
,
2
d
−
1
}
Z_{2d}^* = \{1,3,\cdots,2d-1\}
Z2d∗={1,3,⋯,2d−1},因此
k
k
k 都是奇数,从而
e
i
j
=
k
1
−
1
⋅
k
2
m
o
d
2
d
∈
Z
2
d
∗
e_{ij}=k_1^{-1} \cdot k_2 \mod 2d \in \mathbb Z_{2d}^*
eij=k1−1⋅k2mod2d∈Z2d∗ 也是奇数,这里
k
1
=
2
j
+
1
k_1=2j+1
k1=2j+1,
k
2
=
2
i
+
1
k_2=2i+1
k2=2i+1。此时,
f
′
(
x
)
=
σ
i
→
j
(
f
(
x
)
)
=
f
(
x
e
i
j
)
f'(x) = \sigma_{i \to j}(f(x)) = f(x^{e_{ij}})
f′(x)=σi→j(f(x))=f(xeij) 满足:
f
′
(
ξ
2
d
2
j
+
1
)
=
σ
i
→
j
(
f
(
ξ
2
d
2
j
+
1
)
)
=
f
(
ξ
2
d
(
2
j
+
1
)
e
i
j
)
=
f
(
ξ
2
d
2
i
+
1
)
f'(\xi_{2d}^{2j+1}) = \sigma_{i \to j}(f(\xi_{2d}^{2j+1})) = f(\xi_{2d}^{(2j+1)e_{ij}}) = f(\xi_{2d}^{2i+1})
f′(ξ2d2j+1)=σi→j(f(ξ2d2j+1))=f(ξ2d(2j+1)eij)=f(ξ2d2i+1)
于是,我们可以将一个密文上划分出
d
d
d(或者
d
d
d 的因子,类似不完全NTT)个**明文槽**(*plaintext slots*),第
i
i
i 个明文的取值范围是理想
P
i
P_i
Pi 对应的商环
R
P
i
R_{P_i}
RPi
我们使用 RLWE 版本的 BGV 方案,
- 设置 n = 1 n=1 n=1,令 d = 2 k d=2^k d=2k是二的幂次,选取奇素数 p ≡ 1 m o d 2 d p \equiv 1 \mod 2d p≡1mod2d
- 在 E . P u b l i c K e y G e n ( ) E.PublicKeyGen() E.PublicKeyGen() 中,设置 A s = p e As=pe As=pe
- 在 E . D e c ( ) E.Dec() E.Dec() 中,设置 m = [ [ < c , s > ] q ] p m = [[<c,s>]_q]_p m=[[<c,s>]q]p
- 在 S c a l e ( ) Scale() Scale() 中,设置 r = p r=p r=p
- 同态运算都是在 mod-p gates 的电路上的
注意,这里的
p
=
O
(
p
o
l
y
(
λ
)
)
p=O(poly(\lambda))
p=O(poly(λ)),此时同态运算的额外的噪声是多项式的。对于超多项式的
p
p
p ,噪音增长严重,从而无法使用。
使用 Batching 技术,计算一个密文的同态运算,就达到了
d
d
d 个明文的运算,因此效率几乎(因为模数
q
(
x
)
q(x)
q(x) 从
2
2
2增大到了
p
p
p,算术运算会慢一些)**提高了
d
d
d 倍**。
Bootstrapping as an Optimization
自举的优点为:
- Performance: L L L 不必设置的和电路深度一样大,于是每个门的计算复杂度独立于电路深度,计算效率高。
- Flexibility:假设循环安全,那么自举将导致无限深度的电路,而不必预设电路深度上界,更加灵活。
- Memory:可以把原始数据的密文用 AES 存储,占内存很小。当需要计算时,用 Bootstrapping 执行解密电路,解压(de-compressed)为长密文,再执行同态运算。解压的长密文没法重新变回 AES 短密文。
对于 LWE 版本的 BGV,解密函数为:
m
=
[
[
<
c
,
s
>
]
q
]
2
m = [[<c,s>]_q]_2
m=[[<c,s>]q]2,可以用
R
2
=
Z
2
R_2=\mathbb Z_2
R2=Z2 上的算术电路来计算它:
- 内积中的对应分量两两乘积,由于 c [ i ] c[i] c[i] 有 log q \log q logq 比特,因此 c [ i ] ⋅ s [ i ] c[i] \cdot s[i] c[i]⋅s[i] 可以写成至多(比特 0 0 0 的不必相加) log q \log q logq 个 s [ i ] s[i] s[i] 的左移的加和。一个 s [ i ] s[i] s[i] 的左移,它的长度至多为 2 log q 2 \log q 2logq 比特。
- 一个内积有 n n n个对应分量,共需要 n log q n \log q nlogq 个 2 log q 2 \log q 2logq 比特数的加和。使用二叉树式的电路,深度为 O ( log ( n log g ) ) = O ( log n + log log q ) O(\log(n \log g)) = O(\log n + \log\log q) O(log(nlogg))=O(logn+loglogq),逻辑门的数量为 O ( n log q ⋅ log q ) = O ( n log 2 q ) O(n \log q \cdot \log q) = O(n \log^2 q) O(nlogq⋅logq)=O(nlog2q)
- 然后,计算 < c , s > m o d q <c,s>\mod q <c,s>modq,除法可以转化为乘法,电路大小为 O ( p o l y log ( q ) ) O(poly\log(q)) O(polylog(q)),电路深度为 O ( log log q ) O(\log\log q) O(loglogq)
- 最后,计算 ( < c , s > m o d q ) m o d 2 (<c,s> \mod q) \mod 2 (<c,s>modq)mod2,仅需要截取最低位比特。
- 综上所述,Bootstrapping 的电路深度为: O ( log n + log log q ) O(\log n + \log\log q) O(logn+loglogq)电路大小为: O ( n log 2 q ) O(n \log^2 q) O(nlog2q)代入安全参数 n = O ( λ ) n=O(\lambda) n=O(λ) 和 log q = O ( log λ ) \log q = O(\log \lambda) logq=O(logλ):电路大小为 O ~ ( λ ) \tilde O(\lambda) O~(λ),电路深度为 O ( log λ ) O(\log \lambda) O(logλ)
对于 RLWE 版本的 BGV,解密函数中的向量长度为
2
2
2,每个分量都是多项式环
Z
2
[
x
]
/
(
f
(
x
)
)
\mathbb Z_2[x]/(f(x))
Z2[x]/(f(x)) 上的乘积,可以使用 DFT 来计算。其 Bootstrapping 的电路规模与 LWE 版本的类似。
由于噪声增长的没那么快,因此我们可以 Bootstrapping Lazily,每
L
L
L 层才自举一次,其他层都不执行自举程序。经最优化,得到:
L
=
θ
(
log
λ
)
L = \theta(\log \lambda)
L=θ(logλ)
Batching the Bootstrapping Operation
上述的 Batching 方案,每个明文槽都只能和对应的明文槽内的明文做运算。如果我们想让它们之间也可以交互计算怎么办呢?
思路是,
- 规定普通密文仅使用第一个明文槽 R P 1 R_{P_1} RP1,其他的槽中都是 0 ∈ R P i , i ≠ 1 0 \in R_{P_i},, i \neq 1 0∈RPi,i=1
- 利用理想之间的环 R R R自同构映射 σ i → j \sigma_{i \to j} σi→j,将各个槽里的明文进行搬移, m = [ [ < c , s > ] q ] P i ⟺ m = [ [ < σ i → j ( c ) , σ i → j ( s ) > ] q ] P j m=[[<c,s>]q]{P_i} \iff m=[[<\sigma_{i \to j}(c),\sigma_{i \to j}(s)>]q]{P_j} m=[[<c,s>]q]Pi⟺m=[[<σi→j(c),σi→j(s)>]q]Pj
- 选取 u ∈ 1 + P 1 u \in 1+P_1 u∈1+P1,且 u ∈ P i , i ≠ 1 u \in P_i,i \neq 1 u∈Pi,i=1,这用于将其他槽的内容清零。
实现 Pack 和 Unpack 函数,进行 normal homomorphic operation 和 batch operation 之间的转换:
只要上边的私钥链
s
1
,
s
2
,
⋯
s_1,s_2,\cdots
s1,s2,⋯ 是无环的,那么就可以避免 **circular security problem**,但需要存储的密钥切换映射
τ
\tau
τ 就会多一些。如果我们假设它是循环安全的,那么就只需要存储一个私钥
s
s
s 的那些映射即可。
利用上述的 Pack 和 Unpack,就可以对电路同一层的密文执行并行的 Bootstrapping。如果电路的宽度足够大(每一层的宽度为
O
(
λ
)
O(\lambda)
O(λ)),那么 Bootstrapping 的计算复杂度可以**降低一个
log
λ
\log \lambda
logλ 因子**。
其实上边的 Pack 和 Unpack 更重要的是:可以在明文需要串行计算时串行,可以并行计算时并行。从而加速单个算术电路的计算效率。否则,Batching 只能并行计算
d
d
d 个相同电路的 copy,对于不同的明文输入。
Plaintext Spaces
上述的方案中,
R
q
R_q
Rq上的
q
j
(
x
)
q_j(x)
qj(x) 都选做了素数。如果我们想要在很大的明文空间
Z
p
\mathbb Z_p
Zp上运算,那么
q
j
q_j
qj就不得不选取为安全参数
λ
\lambda
λ的指数级。此时
q
j
/
B
q_j/B
qj/B(
B
B
B是噪声上界)是指数级的,导致 LWE 问题不难。
因此,我们不直接使用
Z
p
\mathbb Z_p
Zp作为明文空间,而是使用同构的
R
/
I
R/I
R/I,其中理想
I
I
I 作为加群的指数为
[
R
:
I
]
=
p
[R:I]=p
[R:I]=p,同时获得理想
I
I
I的一组短格基
B
I
B_I
BI(
∥
B
I
∥
=
O
(
p
o
l
y
(
d
)
⋅
p
1
/
d
)
\|B_I\|=O(poly(d) \cdot p^{1/d})
∥BI∥=O(poly(d)⋅p1/d))。对于梯子“ladder”,我们选取多项式
q
j
∈
R
q_j \in R
qj∈R,构造主理想
(
q
j
)
(q_j)
(qj),使它满足
q
j
∈
1
+
I
q_j \in 1+I
qj∈1+I 且
∥
q
j
+
1
∥
/
∥
q
j
∥
\|q_{j+1}\|/\|q_j\|
∥qj+1∥/∥qj∥ 大约为
2
μ
2^\mu
2μ 大小,令理想
(
q
j
)
(q_j)
(qj) 的 **rotation basis** 为:
B
q
j
=
{
x
i
q
j
(
x
)
m
o
d
f
(
x
)
}
i
=
0
d
−
1
B_{q_j} = \{x^iq_j(x) \mod f(x)\}_{i=0}^{d-1}
Bqj={xiqj(x)modf(x)}i=0d−1
从
R
q
j
+
1
R_{q_{j+1}}
Rqj+1 模切换到
R
q
j
R_{q_j}
Rqj 的算法为:
说实话,这一节博主我没怎么看懂 (╥﹏╥) ,
- 最后一层 ∥ q 0 ∥ ≈ 2 μ |q_0| \approx 2^\mu ∥q0∥≈2μ,噪音远小于 q 0 q_0 q0。那么每次 reflesh 都降低 μ \mu μ 比特,是不是太奢侈了?
- 理想 I I I 怎么选取?除了 ( p ) (p) (p) 外还能有其他理想的指数也是素数 p p p 么?或者 p p p 不是素数?
- 怎么选的多项式 q j ( x ) q_j(x) qj(x)? I I I 的生成元的某个倍数再加一?
- 多项式范数 ∥ q j ( x ) ∥ |q_j(x)| ∥qj(x)∥ 怎么定义的?是系数向量的无穷范数么?相邻多项式的范数之比是什么几何意义?
先写在这儿等以后回顾。
版权归原作者 山登绝顶我为峰 3(^v^)3 所有, 如有侵权,请联系我们删除。