活动介绍

基于新假设的高效身份基签名方案

立即解锁
发布时间: 2025-08-31 00:55:49 阅读量: 10 订阅数: 39 AIGC
### 基于新假设的高效身份基签名方案 在多变量二次(MQ)环境中,身份基签名(IBS)方案的研究一直是密码学领域的重要方向。本文将详细介绍一种基于新假设的高效IBS方案,包括其正确性、安全性论证以及相关问题的复杂度分析。 #### 方案正确性 根据构造可知,$\tilde{P} = \tilde{F} \circ \tilde{T}$。对于所有$z \in F^d$,有$\tilde{P}_z = \tilde{F}_z \circ \tilde{T}_z$。由于$R_z$是非奇异的,所以$\tilde{P}_z = \tilde{F}_z \circ \tilde{T}_z = F_z \circ T_z$。通过对$R_z$的选择,$F_z$将是油醋(oil-and-vinegar)类型。并且,对于所有满足$z = H(id, tok_{id})$的身份$id \in U$,$\tilde{T}_z$始终是非奇异的。因此,$(\tilde{P}_z, (F_z, T_z))$是一个有效的UOV密钥对。方案的正确性可由加盐UOV签名的正确性得出。 #### 安全性论证 在随机预言模型下,我们论证了所提出的IBS构造在$\nu$-PWMQ问题下的安全性。 ##### 定理1 如果$\nu_{ext}$-PWMQ问题是难解的,那么所提出的IBS在经典随机预言模型下是EUF-ID-CMA安全的,其中$\nu_{ext}$是密钥提取查询的数量。 证明过程中,我们假设有一个量子PPT敌手$A$能够破坏签名方案的EUF-ID-CMA安全性。模拟器$S$会得到一个$\nu_{ext}$-PWMQ问题的实例$D := \{\tilde{P}, (z, SK_z)_{z \in V}, z^*, y^*\}$,其目标是找到$x^* \in F^n$,使得$\tilde{P}_{z^*}(x^*) = y^*$。我们将哈希函数$H$和$H_{uov}$都视为随机预言。 敌手$A$对$H$和$H_{uov}$进行的预言查询数量分别为$\nu_{id}$和$\nu_{uov}$。$Q_{ext}$用于存储密钥提取预言中涉及的身份 - 令牌对,$Q_{tok}$用于存储签名预言中每个身份的令牌信息。初始时,$Q_{ext} = \varnothing$且$Q_{tok} = \varnothing$。敌手$A$进行的签名查询数量为$\nu_s$。 模拟器$S$维护两个列表$List_{id}$和$List_{uov}$,分别用于记录$(id||tok, H(id||tok))$和$(m||r, H_{uov}(m||r))$的形式。模拟器$S$随机选择$(i^*, j^*) \overset{U}{\leftarrow} [\nu_{id} + \nu_s] \times [\nu_{uov} + \nu_s]$作为伪造身份$id^*$和消息$m^*$的猜测。 身份空间$U$根据一个偏置硬币(正面概率为$\lambda$)被划分为两个不相交的集合$U_{\lambda}$和$U \setminus U_{\lambda}$。决策一个身份$id$是否属于$U_{\lambda}$的方法是:先抛掷偏置硬币,当且仅当结果为正面时,将$id$分配给$U_{\lambda}$。在模拟过程中,回答密钥提取和签名预言查询的策略如下: 1. **密钥提取查询**:如果$id \in U_{\lambda}$,则中止。 2. **签名查询**: - 如果$id \in U_{\lambda}$,则通过操纵$H_{uov}$预言来回答查询,如同加盐UOV证明中所做的那样。 - 否则,使用相应的秘密密钥运行原始签名算法来回答查询。 模拟器$S$以如下方式回答所有可能以任意顺序出现的预言查询: - **哈希预言($H$)**: 1. 检查$(id_i||tok_i, *) \in List_{id}$。 - 如果是,则返回$H(id_i||tok_i)$。 - 否则: - 如果$i = i^*$,则设置$List_{id} := List_{id} \cup \{(id_i||tok_i, z^*)\}$并返回$z^*$。 - 否则,随机选择$z_i \overset{U}{\leftarrow} F^d$,设置$List_{id} := List_{id} \cup \{(id_i||tok_i, z_i)\}$并返回$z_i$。 - **密钥提取预言**: 1. 检查$id \notin U_{\lambda}$。 - 如果是,则执行以下步骤: - 随机选择$tok \overset{U}{\leftarrow} TokSpace$。 - 如果$(id||tok, *) \in List_{id}$,则中止。 - 否则,从$V$中选择$z$,设置$List_{id} := List_{id} \cup \{(id||tok, z)\}$,$V := V \setminus \{z\}$,$Q_{ext} := Q_{ext} \cup \{id||tok\}$,并返回密钥$SK_{id} := (tok, SK_z)$。 - 否则,中止。 - **哈希预言($H_{uov}$)**: 1. 检查$(m_j||r_j, *) \in List_{uov}$。 - 如果是,则返回$H_{uov}(m_j||r_j)$。 - 否则: - 如果$j = j^*$,则设置$List_{uov} := List_{uov} \cup \{(m_j||r_j, y^*)\}$并返回$y^*$。 - 否则,随机选择$y_j \overset{U}{\leftarrow} F^m$,设置$List_{uov} := List_{uov} \cup \{(m_j||r_j, y_j)\}$并返回$y_j$。 - **签名预言**:
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

利用Kaen实现PyTorch分布式训练及超参数优化

### 利用Kaen实现PyTorch分布式训练及超参数优化 #### 1. 启用PyTorch分布式训练支持 在进行模型训练时,我们可以使用Kaen框架来支持PyTorch的分布式训练。以下是相关代码示例: ```python train_glob = os.environ['KAEN_OSDS_TRAIN_GLOB'] if 'KAEN_OSDS_TRAIN_GLOB' in os.environ else 'https://raw.githubusercontent.com/osipov/smlbook/master/train.csv' val_glob = os.environ['

电力电子中的Simulink应用:锁相环、静止无功补偿器与变流器建模

# 电力电子中的Simulink应用:锁相环、静止无功补偿器与变流器建模 ## 1. 锁相环(PLL) ### 1.1 锁相环原理 锁相环(PLL)是一种控制算法,用于确定正弦输入的频率和相位角。它主要用于两个系统之间的频率匹配,匹配完成后会存在一个恒定的相位差,从而实现相位“锁定”。PLL由相位检测机制、PID控制器和用于生成相位角信息的振荡器组成。此外,系统中还包含一个低通滤波器,用于获取正弦输入的频率信息。在柔性交流输电系统(FACTS)设备中,PLL增益对稳定系统性能起着至关重要的作用。 ### 1.2 Simulink环境下的PLL设置 为了直观展示PLL如何反映频率和相位的变化

使用PyTorch构建电影推荐系统

### 使用 PyTorch 构建电影推荐系统 在当今数字化时代,推荐系统在各个领域都发挥着至关重要的作用,尤其是在电影推荐领域。本文将详细介绍如何使用 PyTorch 构建一个电影推荐系统,从数据处理到模型训练,再到最终的推荐生成,为你呈现一个完整的推荐系统构建流程。 #### 1. 数据探索与处理 首先,我们需要对 MovieLens 数据集进行探索和处理。该数据集包含用户对电影的评分信息,其中存在一些缺失的评分值,用 NaN 表示。我们的目标是利用非空评分训练推荐系统,并预测这些缺失的评分,从而为每个用户生成电影推荐。 以下是处理数据集的代码: ```python import p

模型生产化:从本地部署到云端容器化

# 模型生产化:从本地部署到云端容器化 ## 1. 引入 FastAPI 在将模型投入生产的过程中,我们首先要安装 FastAPI。由于 FastAPI 是一个 Python 模块,我们可以使用 pip 进行安装。打开一个新的终端,运行以下命令: ```bash $ pip install fastapi uvicorn aiofiles jinja2 ``` 这里我们安装了一些 FastAPI 所需的额外依赖项。uvicorn 是一个用于设置 API 的底层服务器/应用程序接口,而 aiofiles 则使服务器能够异步处理请求,例如同时接受和响应多个独立的并行请求。这两个模块是 FastA

模糊推理系统对象介绍

# 模糊推理系统对象介绍 ## 1. fistree 对象 ### 1.1 概述 fistree 对象用于表示相互连接的模糊推理系统树。通过它可以创建一个相互关联的模糊推理系统网络。 ### 1.2 创建方法 可以使用以下语法创建 fistree 对象: ```matlab fisTree = fistree(fis,connections) fisTree = fistree( ___ ,'DisableStructuralChecks',disableChecks) ``` - `fisTree = fistree(fis,connections)`:创建一个相互连接的模糊推理系统对象

强化学习与合成数据生成:UnityML-Agents深度解析

# 强化学习与合成数据生成:Unity ML - Agents 深度解析 ## 1. 好奇心奖励与超参数设置 在强化学习中,为了激发智能体的好奇心,可以传递与外在奖励相同的超参数。具体如下: - **好奇心奖励信号超参数**: - `reward_signals->curiosity->strength`:用于平衡好奇心奖励与其他奖励(如外在奖励)的缩放系数,取值范围在 0.0 到 1.0 之间。 - `reward_signals->curiosity->gamma`:根据奖励实现所需的时间来调整奖励感知价值的第二个缩放系数,与外在奖励的 `gamma` 类似,取值范围也在

利用PyTorch进行快速原型开发

### 利用 PyTorch 进行快速原型开发 在深度学习领域,快速搭建和验证模型是非常重要的。本文将介绍两个基于 PyTorch 的高级库:fast.ai 和 PyTorch Lightning,它们可以帮助我们更高效地进行模型的训练和评估。 #### 1. 使用 fast.ai 进行模型训练和评估 fast.ai 是一个基于 PyTorch 的高级库,它可以让我们在几分钟内完成模型的训练设置。下面是使用 fast.ai 训练和评估手写数字分类模型的步骤: ##### 1.1 模型训练日志分析 在训练过程中,我们可以看到冻结网络的第一个训练周期,然后是解冻网络的两个后续训练周期。日志中

多视图检测与多模态数据融合实验研究

# 多视图检测与多模态数据融合实验研究 ## 1. 多视图检测实验 ### 1.1 实验数据集 实验参考了Wildtrack数据集和MultiviewX数据集,这两个数据集的特点如下表所示: | 数据集 | 相机数量 | 分辨率 | 帧数 | 区域面积 | | ---- | ---- | ---- | ---- | ---- | | Wildtrack | 7 | 1080×1920 | 400 | 12×36 m² | | MultiviewX | 6 | 1080×1920 | 400 | 16×25 m² | ### 1.2 评估指标 为了评估算法,使用了精度(Precision)、

排行榜接入全攻略:第三方SDK集成实战详解

![cocos2d-x 塔防游戏源码](https://docs.godotengine.org/en/3.1/_images/ui_mockup_break_down.png) # 1. 排行榜系统概述与应用场景 在现代互联网应用中,排行榜系统已成为增强用户参与感和提升活跃度的重要工具。无论是在游戏、社交、电商,还是内容平台中,排行榜都能有效激发用户的竞争意识与社交互动。排行榜系统不仅展示用户之间的排名关系,还承载着数据聚合、实时更新、多维度统计等复杂功能。本章将从排行榜的基本概念出发,探讨其在不同业务场景中的典型应用,并为后续技术实现打下理论基础。 # 2. 排行榜技术原理与架构设计

二维和三维偏微分方程耦合求解及生命科学中常微分方程问题的解决

### 二维和三维偏微分方程耦合求解及生命科学中常微分方程问题的解决 #### 1. 二维和三维偏微分方程耦合求解 在求解二维和三维偏微分方程时,有几个具体的问题和解决方法值得探讨。 ##### 1.1 获取相同网格点的 v 值 要在与 u 相同的网格点上获取 v 值,可以输入以下命令: ```matlab >> T_table=tri2grid(p,t,u(length(p)+1:end,end),x,y) ``` 示例结果如下: ``` T_table = 0.6579 0.5915 0.5968 0.6582 0 0.6042 0.4892 0.5073 0.6234 0 0.543