活动介绍

后量子密码Dilithium签名验证算法的故障攻击分析与对策

立即解锁
发布时间: 2025-08-31 01:15:05 阅读量: 9 订阅数: 19 AIGC
### 后量子密码Dilithium签名验证算法的故障攻击分析与对策 #### 1. 引言 Shor算法的出现凸显了后量子密码学(PQC)的紧迫性。美国国家标准与技术研究院(NIST)第三轮评选确定了四种新的后量子公钥方案,预计2024年标准化。在选定的三种数字签名方案中,有两种基于结构化格上的难题。本文聚焦于NIST推荐的量子安全数字签名标准CRYSTALS - Dilithium(简称Dilithium)。 虽然Dilithium设计上能抵抗时序攻击,但实际实现可能泄露秘密信息。故障攻击对密码系统安全构成重大威胁,本文着重分析Dilithium验证算法对故障攻击的敏感性,提出伪造签名的方法,并给出相应的对策。 #### 2. 预备知识 ##### 2.1 Dilithium概述 Dilithium是基于Fiat - Shamir带中止原理的格基签名方案,其安全性源于解决模块学习误差(M - LWE)和SelfTargetMSIS问题的难度。它有三个安全级别,签名算法有确定性和随机化两种变体。为提高效率,使用了诸如Power2Round、Decompose等舍入子函数,并通过打包和解包函数存储多项式。 - **密钥生成**:通过ExpandA函数从公共种子ρ扩展矩阵A,采样随机秘密向量s1和s2,计算t = A s1 + s2,仅公开t的高位t1,低位t0保密。最后计算tr并添加到私钥中。 ```plaintext Algorithm 1. KeyGen Output: pk = (ρ, t1), sk = (ρ, K, tr, s1, s2, t0) 1 ζ ←{0, 1}256 2 (ρ, ρ′, K) ∈{0, 1}256 × {0, 1}512 × {0, 1}256 := H(ζ) 3 A ∈Rk×l_q := ExpandA(ρ) 4 (s1, s2) ∈Sl_η × Sk_η := ExpandS(ρ′) 5 t := A s1 + s2 6 (t1, t0) := Power2Roundq(t, d) 7 tr ∈{0, 1}256 := H(ρ || t1) 8 return pk = (ρ, t1), sk = (ρ, K, tr, s1, s2, t0) ``` - **签名**:签名过程包含拒绝采样循环,生成签名直到满足安全和正确性属性。生成掩码向量y,计算w = Ay,压缩w为高位w1和低位w0,哈希消息和w1采样挑战c,计算潜在签名z = y + c s1,包含向量h记录w1高位溢出的系数。 ```plaintext Algorithm 2. Sign Input: sk = (ρ, K, tr, s1, s2, t0) Output: σ = (˜c, z, h) 1 A ∈Rk×l_q := ExpandA(ρ) 2 μ ∈{0, 1}512 := H(tr || M) 3 κ := 0, (z, h) :=⊥ 4 ρ′ ∈{0, 1}512 := H(K || μ) 5 while (z, h) =⊥do 6 y ∈˜Sl_γ1 := ExpandMask(ρ′, κ) 7 w := A y 8 w1 = HighBitsq(w, 2 γ2) 9 ˜c ∈{0, 1}256 := H(μ || w1) 10 c ∈Bτ := SampleInBall(˜c) 11 z := y + c s1 12 r0 := LowBitsq(w - cs2, 2 γ2) 13 if ∥z∥∞≥γ1 - β or ∥r0∥∞≥γ2 - β then 14 (z, h) :=⊥ 15 else 16 h := MakeHintq(−c t0, w - cs2 + c t0, 2 γ2) 17 if ||c t0||∞≥γ2 or |h|hj=1 > ω then 18 (z, h) :=⊥ 19 return σ = (˜c, z, h) ``` - **签名验证**:验证算法使用签名和公钥计算A z - c t1 2d的高位,通过提示向量h校正结果。若签名正确,结果等于w1,可重新计算挑战c。最后检查z的系数小于γ1 - β,h中的提示数小于ω。 ```plaintext Algorithm 3. Verify Input: pk = (ρ, t1), σ = (˜c, z, h) Output: True or False 1 A ∈Rk×l_q := ExpandA(ρ) 2 μ ∈{0, 1}512 := H(H(ρ || t1) || M) 3 c := SampleInBall(˜c) 4 w′_1 := UseHintq(h, Az - ct1 2d, 2γ2) 5 return ||z||∞< γ1 - β and ˜c = H(μ || w′_1) and |h|hj=1 ≤ω ``` ##### 2.2 故障模型 过去二十年,故障注入攻击成为破坏设备安全的有力手段。攻击技术包括激光束和电磁(EM)脉冲,可精确控制时空。常见的故障模型有: - **跳过故障**:故意跳过程序中的选定代码行,可通过CPU时钟或电压毛刺、EM脉冲注入或激光束实现。 - **测试反转故障**:反转条件分支结果,可通过反转条件或破坏相关指令实现。 - **随机
corwn 最低0.47元/天 解锁专栏
赠100次下载
继续阅读 点击查看下一篇
profit 400次 会员资源下载次数
profit 300万+ 优质博客文章
profit 1000万+ 优质下载资源
profit 1000万+ 优质文库回答
复制全文

相关推荐

史东来

安全技术专家
复旦大学计算机硕士,资深安全技术专家,曾在知名的大型科技公司担任安全技术工程师,负责公司整体安全架构设计和实施。
最低0.47元/天 解锁专栏
赠100次下载
百万级 高质量VIP文章无限畅学
千万级 优质资源任意下载
千万级 优质文库回答免费看
立即解锁

专栏目录

最新推荐

Tableau基础图表的创建与理解

### Tableau基础图表的创建与理解 在数据可视化领域,Tableau是一款功能强大的工具,它提供了多种类型的图表来帮助我们更好地理解和展示数据。下面将详细介绍如何在Tableau中创建几种常见的基础图表。 #### 1. 交叉表(文本表) 很多人在查看数据时,更倾向于使用熟悉的表格形式。Tableau提供了创建交叉表或文本表的功能,操作步骤如下: - 保存之前创建图表的进度。 - 若要从现有图表创建新的交叉表,在工作表标签处右键单击,选择“Duplicate as Crosstab”,即可生成一个新的文本表。 创建完成后,会发现Tableau做了一些有趣的改变: - “Regio

概率注释模型:特征添加与序列标注任务建模

### 概率注释模型:特征添加与序列标注任务建模 在数据标注领域,不同的模型有着各自的特点和适用场景。部分汇集模型在稀疏数据条件下展现出更好的适应性,它通过信息共享机制,让标注者的注释行为相互影响,从而使模型在数据有限时也能有效工作。当有足够的注释时,部分汇集模型和非汇集模型的性能可能相近,但整体而言,部分汇集模型更为通用。 #### 1. 添加特征以增强模型能力 传统的裁决模型主要依赖编码者提供的注释,但研究表明,让模型具备数据感知能力,即除了注释外,使用特征来刻画项目,能够提升模型的裁决能力。 ##### 1.1 Raykar 等人的判别模型 Raykar 等人(2010)利用特征丰

数据故事创作:从理论到实践的全面指南

# 数据故事创作:从理论到实践的全面指南 ## 1. SWD工作坊:实践与提升 在工作中,我们可以组织 SWD 工作坊来提升数据故事讲述的能力。首先是前期准备工作: - 给团队发送三小时的日程邀请,并预订一个有充足桌面空间和白板的会议室。 - 准备好物资,如彩色马克笔、活动挂图和多种尺寸的便利贴(6x8 英寸的便利贴很棒,因为它们与标准幻灯片尺寸相同,可用于以低技术方式模拟整个演示文稿;同时准备一些较小的便利贴,供那些想在深入细节之前进行更高级故事板制作并关注总体主题和流程的人使用)。 为实际的工作坊指定一名计时员。在项目工作时间,计时员要留意时间,在进行到一半和还剩 20 分钟时提醒参与

Tableau高级功能:地图与仪表盘操作指南

### Tableau高级功能:地图与仪表盘操作指南 #### 1. 高级地图功能 在使用Tableau进行数据可视化时,地图是一种非常强大的工具。从2018年起,Tableau引入了一些高级地图技术,极大地提升了地图可视化的能力。不过,在使用这些高级功能时,要确保地图能合理反映数据比例,避免数据的错误呈现。下面将详细介绍几种高级地图功能。 ##### 1.1 密度标记(Density Marks) 密度标记类型可用于查看特定区域内数据的集中程度。以查看美国大陆机场集中情况为例: - 操作步骤: 1. 双击“Origin Latitude”和“Origin Longitude”,并

利用MicrosoftFairlearn实现AI系统的公平性

# 利用 Microsoft Fairlearn 实现 AI 系统的公平性 ## 1. 公平机会的概念 在美国,“公平机会”指的是每个人都应拥有平等的成功机会,不论其种族、性别或其他个人特征如何。这一概念在教育、就业和住房等多个领域都有应用,其核心信念是所有人都应得到公平对待,不应因种族或性别等因素受到歧视。 为确保所有美国人享有公平机会,人们采取了一系列举措。例如,平权行动旨在帮助那些历史上遭受歧视的群体获得教育和就业机会;禁止在教育和就业中进行歧视的法律,也有助于营造公平竞争的环境。 然而,实现公平机会并非易事。在判断某人是否拥有平等的成功机会时,对于应考虑哪些因素可能存在分歧。此外

优化PowerBI体验与DAX代码的实用指南

### 优化 Power BI 体验与 DAX 代码的实用指南 在当今的数据驱动时代,Power BI 作为一款强大的商业智能工具,在数据分析和可视化方面发挥着重要作用。同时,DAX(Data Analysis Expressions)语言作为 Power BI 中进行高级计算和查询的关键,其优化对于提升整体性能至关重要。本文将详细介绍如何在 Power BI 中使用 Power Automate Visual、集成 Dynamics 365 进行数据分析,以及优化 DAX 代码的十种方法。 #### 1. 使用 Power Automate Visual 在 Power BI 中,你可以

Snowflake数据平台全方位解析

# Snowflake数据平台全方位解析 ## 1. Snowflake的发布计划 Snowflake每周会进行两次计划内发布,包含以下类型: - 完整发布:除周五外的任意一天进行部署,涵盖新功能、功能增强或更新以及问题修复。 - 补丁发布 此外,每月还会进行一次行为变更发布。 ## 2. Snowpark支持的语言 Snowpark支持多种客户端开放API语言,为开发者提供了丰富的选择: - Node.js - .NET - Go - Java - Python - SQL Snowflake数据平台对开发者十分友好,允许应用开发者在多种编程语言中进行选择。 ## 3. 查询性能测

问答与对话系统技术探索

### 问答与对话系统技术探索 #### 1. 领域阅读资源概述 问答系统是一个活跃且广泛的领域。有一些关于问答系统和问题类型的简要但实用的综述。对于受限领域和开放领域问答的更全面介绍也有相关资料。常用的问答方法包括利用结构化知识源(如知识图谱和本体)的系统、基于检索的系统、交互式问答、视觉问答以及基于深度学习的方法等。 对话系统近年来受到了很多关注,这主要得益于语音识别和自然语言理解的进步。关于对话系统有很好的入门资料,广泛接受的对话言语行为理论也有相应的发展。马尔可夫决策过程框架的基础以及部分可观测马尔可夫决策过程的讨论都有相关文献。强化学习、时间差分学习和Q学习也都有不错的讨论资料。

电子商务中的聊天机器人:开发、测试与未来趋势

# 电子商务中的聊天机器人:开发、测试与未来趋势 ## 1. Rasa助力电商聊天机器人开发 Rasa为电子商务提供了“零售入门包”,这本质上是一个专门用于客户服务的基础示例聊天机器人。该机器人预装了训练数据,具备多种零售客户服务技能,如查询订单状态。零售虚拟助手开发者可利用此项目创建适合在线零售的定制聊天机器人。 Rasa拥有高度可定制的开发系统,开发者能选择将关键组件(如特定语言模型)集成到项目中。此外,Rasa拥有庞大的社区,便于开发者融入其生态系统。它为电商聊天机器人开发提供了众多功能和优势,是一款出色的工具。一些选择Rasa开发虚拟助手的企业包括食品配送公司HelloFresh和

预训练模型的十大关键问题探索

# 预训练模型的十大关键问题探索 ## 1. 模型安全与认知学习 ### 1.1 模型安全 在模型安全方面,具备语音知识的模型不会被“U r stupid!”这类表述所误导。因此,构建具有丰富知识的大模型是保障模型安全的可靠途径。 ### 1.2 认知学习 当前大模型的学习范式仍以数据驱动为主,无法充分反映现实世界中的潜在风险。人类能够主动与世界交互并持续获取知识,还能从“试错”过程中学习避免错误。所以,对于构建安全模型而言,从认知和交互中学习至关重要。 ### 1.3 安全与伦理挑战 安全和伦理是人工智能领域长期存在的话题,在文学和艺术作品中也有广泛讨论。面对强大机器失控的担忧,我们需