#fourier-analysis

共收录 2 条相关安全情报。

← 返回所有主题
👥 作者: Ritam Bhaumik, Chun Guo, Xiaoning Guo, Ashwin Jha

本文研究「独立随机置换之和」这类由置换构造函数的变换,在经典与量子查询模型下的不可区分性(即伪随机性)安全界。设 G 为阶为 N 的有限阿贝尔群,π^k_+(x)=π_1(x)+…+π_k(x),其中 π_i 为 G 上独立均匀随机置换,k≥2。作者提出统一的傅里叶分析框架:把构造本身表示为其概率密度函数,把区分器表示为其接受函数,经典与量子查询模型分别对应接受函数傅里叶支撑的不同限制,从而在同一框架内同时推导两类界。经典模型下得到对任意 q<N 的 O_k(q/N^{k-1/2}) 界;在生日阈值以下进一步收紧为 O_k(q^2/N^k)。量子模型下,通过模拟论证得到 q≤(N-1)/2 时 O_k(N^{-(k-3/2)});利用傅里叶插值给出 q≤4N/15 的具体有限界,以及在整个 1≤q≤(N-1)/2 范围内的查询相关界:k=2 时为 O(min{N^{-1/2}, q^3/N^2+1/N}),k≥3 时为 O_k(min{q^3/N^k, N^{-(k-3/2)}});q=1 时前一界可精确到 O(N^{-2})。在 G=F_2^n 上,作者给出一个单查询傅里叶攻击,其量级与单查询上界相符;同时给出一个 N/2 查询的奇偶性攻击,优势达 1/2,说明所得界已经触及常量优势的查询阈值,即界在阶上是最优的。文章还研究二元向量空间上置换之和的两个变体:一是允许任意满射线性后处理(包含截断),得到保留输出长度依赖关系的经典与量子界;二是分析 Dinur 的变长输出单置换构造 LXoP,对每个固定输出宽度给出经典与量子安全界,并针对单块与两块输出给出具体的量子安全界。整体贡献在于提供统一、可复用的傅里叶分析工具,并为 XoP/LXoP 系构造给出更紧、且在关键参数区间可匹配攻击的安全界。

💡 推荐理由: 置换之和(XoP)是大量对称密码构造、可调分组密码与 MAC 方案的安全基石。本文同时给出经典与量子查询模型下的紧界,并证明界在阶上最优,直接决定这些构造在量子对手下的参数选择与安全裕度评估,对密码设计与标准化评估有直接价值。

🎯 建议动作: 研究跟进,并纳入内部密码方案安全评估的参考依据

排序因子: 来自 arXiv 其他板块 (+2) | Community 数据源 (+1) | LLM 评分加成 (+0.5)
推荐 3.5
Conf: 50%
👥 作者: Wonseok Choi, Minki Hhan, Junyoung Jang

本文研究两个或多个独立随机置换的 XOR(XoP)构造在量子敌手下的伪随机性。XoP 是经典密码学中从置换构造伪随机函数(PRF)的典型方案,其经典安全性可超越生日界,即当 r≥2 时能提供超过 2^{n/2} 的安全性,但它在量子敌手可对构造进行叠加查询(superposition query)模型下的安全性此前仍广泛未决。作者证明了:对于定义在 {0,1}^n 上的 r≥2 个随机置换的 XOR,任何 q 次量子查询算法将其与随机函数区分开的优势不超过 O(min{q^3/2^{rn}, q^{1.5}/2^{(r-0.5)n}, 1/2^{(r-1.5)n}}),其中 q 远小于 2^n。这意味着 XoP 在整个查询范围内都保持安全,远超量子碰撞查找攻击给出的约 2^{n/3} 界,是首个从置换构造出发实现量子版“超越生日界安全”的方案。证明方法为傅里叶分析变体的多项式方法:任意 q 次量子算法的优势被至多 2q 阶的傅里叶分量(或构造的 2q 组输入输出数据)控制;作者对多数分量的范数给出了良好上界,从而得到 2^{-(r-3/2)n} 的安全性。低阶分量的范数过大,不足以直接给出 q^3/2^{rn} 与 q^{1.5}/2^{(r-0.5)n} 两项界,因此作者将这些低阶分量重新解释为其他问题的优势:例如 2 阶与 4 阶项分别对应“带植入碰撞的随机函数”与“不带植入碰撞的随机函数”的区分优势,并利用 Zhandry 的小范围分布技术加以界定。过程中还为(反直觉地)大范围的小范围不可区分性证明了新界,具有独立价值。作者同时给出若干启发式攻击,表明在 q≤2^{n/2} 和接近 2^n 的范围内所给界可能是紧的。

💡 推荐理由: 该工作首次为基于置换的 PRF 构造(XoP)建立了量子叠加查询下的超越生日界安全性,并给出完整查询范围的界与攻击紧性分析。对评估对称原语在后量子敌手模型下的安全裕度、指导 PRF/密钥派生设计具有直接理论参考价值。

🎯 建议动作: 研究跟进,纳入内部后量子密码评估参考

排序因子: 来自 arXiv 其他板块 (+2) | Community 数据源 (+1) | LLM 评分加成 (+0.5)