活动介绍

设备无关的概率量子不经意传输方案

立即解锁
发布时间: 2025-08-31 00:55:46 阅读量: 15 订阅数: 36 AIGC
# 设备无关的概率量子不经意传输方案 ## 1 引言 在经典密码学领域,私密信息检索(PIR)和对称私密信息检索(SPIR)自首次提出以来就备受关注。SPIR 是一种双方不信任的密码原语,客户端希望从服务器的数据库中检索信息,同时不向服务器透露所检索数据位的任何信息,而服务器则不想透露数据库其余部分的信息。然而,设计安全的 SPIR 方案是一项艰巨的任务,因为客户端隐私和数据库安全似乎相互冲突,在经典和量子领域都难以设计出信息论安全的 SPIR 方案。 本文聚焦于一种比 SPIR 更弱的原语——私密查询(PQ)。在 PQ 中,客户端可以获取比 SPIR 或 1 出 N 不经意传输更多的数据库信息,同时客户端的隐私在作弊敏感性方面得到保证,即如果服务器试图获取客户端查询的信息,客户端可以检测到。 量子私密查询(QPQ)是 PQ 在量子领域的应用。客户端向数据库发出查询,获取查询索引对应的数据位值,同时可以了解少量非预期的数据库位信息(数据库安全),服务器可以获取少量客户端查询索引的信息(用户隐私),且具有作弊敏感性。QPQ 的功能可以解释为概率性的 n 出 N 不经意传输(这里 n = 1)。 目前,QPQ 领域已经提出了多种协议,这些协议的基本思想相似,但在密钥生成过程上有所不同。一些协议利用纠缠态生成共享密钥,另一些协议则向客户端发送单量子比特。这些协议的安全性基于以下事实: - 服务器知道用于加密数据库的整个密钥。 - 客户端知道部分密钥位。 - 服务器无法获取客户端已知密钥位的位置信息。 然而,现有的 QPQ 协议存在一个问题,即其安全性依赖于通信双方的设备,如提供量子比特的源和测量量子比特的探测器。在设备无关(DI)场景中,需要去除对设备的信任假设,并保证安全。但由于 QPQ 的不信任性质,证明其 DI 安全性比量子密钥分发(QKD)更困难。 为了去除信任假设并提高整体安全性,本文提出了一种新的 QPQ 方案,利用共享的 EPR 对和 POVM 测量,实现了全设备无关的认证,并提供了正式的安全分析,得到了不诚实客户端和服务器的最大作弊概率的上界。 ## 2 相关工作 ### 2.1 现有 QPQ 协议 - **早期协议**:Giovannetti 等人首次提出了 QPQ 协议,随后的一些协议也相继出现,但这些协议都使用了量子存储器,目前难以实际实现。 - **基于 QKD 的协议**:Jakobi 等人提出了基于 QKD 协议的 QPQ 方案,之后 Gao 等人进行了灵活的推广,Rao 等人对经典后处理进行了更有效的改进。Zhang 等人提出了基于反事实 QKD 方案的 QPQ 协议,Yang 等人提出了基于 B92 QKD 方案的灵活 QPQ 协议。 ### 2.2 现有协议的局限性 - **设备信任问题**:现有的 QPQ 协议的安全性依赖于设备的信任,在 DI 场景中,这些信任假设需要被去除。 - **非最大纠缠态的问题**:一些协议使用非最大纠缠态,这些态在实际制备中较为困难,且在 DI 认证方面不如最大纠缠态稳健。 ## 3 本文贡献 ### 3.1 提出全 DI - QPQ 方案 - 利用 EPR 对的自测试、POVM 测量的自测试和投影测量的自测试,去除了对设备(源和测量设备)的信任,实现了全 DI 安全性。这是首次提出这样的全 DI - QPQ 方案。 ### 3.2 采用最优 POVM 测量 - 将客户端通常的投影测量替换为最优 POVM 测量,使得客户端平均可以确定地获得最多的原始密钥位,并可能在单次查询中检索最多的数据位。证明了该方案平均为客户端提供了最多的确定原始密钥位。 ### 3.3 提供通用安全分析 - 与现有的 QPQ 协议不同,本文考虑了所有保持正确性条件的攻击,提供了通用的安全分析,并为双方(服务器和客户端)的作弊概率提供了上界(即从熵的角度给出了信息泄漏量的下界)。 ## 4 符号和定义 ### 4.1 符号 |符号|含义| | ---- | ---- | |K|QPQ 协议的初始状态数,假设为渐近大| |\(\vert\psi\rangle_{BiAi}\)|第 i 个共享态,第一个量子比特对应 Bob,第二个对应 Alice| |\(\rho_{BiAi}\)|第 i 个共享态的密度矩阵表示| |\(\rho_{Ai}\) (\(\rho_{Bi}\))|第 i 个共享态在 Alice(Bob)侧的约化密度矩阵| |X|服务器 Bob 对应的 N 位数据库| |Xi|数据库的第 i 位| |R(RA)|Bob(Alice)对应的整个原始密钥,大小为 kN 位(k > 1)| |F(FA)|Bob(Alice)对应的整个最终密钥,大小为 N 位| |Ri(RAi)|Bob(Alice)侧的第 i 个原始密钥位| |Fi(FAi)|Bob(Alice)侧的第 i 个最终密钥位| |Il|客户端 Alice 查询的元素索引集| |M|Alice 侧使用的 POVM 设备| |A(B)|Alice(Bob)侧的测量结果| |A(A∗)|诚
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

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)、

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

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

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

PyTorch神经网络构建与训练全解析

### PyTorch 神经网络构建与训练全解析 #### 1. 特征标准化 在很多情况下,对特征进行标准化是一个很好的做法,即使并非总是必要(例如当所有特征都是二元特征时)。标准化的目的是让每个特征的值具有均值为 0 和标准差为 1 的特性。使用 scikit-learn 的 `StandardScaler` 可以轻松完成这一操作。 然而,如果你在创建了 `requires_grad=True` 的张量后需要进行标准化操作,就需要在 PyTorch 中直接实现,以免破坏计算图。以下是在 PyTorch 中实现特征标准化的代码: ```python import torch # Creat

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

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

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