[FHE]基于LWE&RLWE的全同态加密方案设计大致思路
加密方案
LWE
方案公开参数:明文模数、密文模数、向量维数
密钥空间为,即素数域上的维向量。
明文空间取,为素数与上的一个数。
加密的过程:
选取随机数(和密文空间一样)。
计算其中为密钥,为噪声,在中满足高斯分布。
密文为,一共有维。
解密的过程:
计算,将结果对做取模运算得到。
R-LWE
方案公开参数:明文模数、多项式,以及多项式环。
用表示系数模的多项式环
密钥空间为,即选取密钥。
明文为一个多项式,明文空间为多项式环。
加密的过程:
选取随机数。
计算,也是系数模的多项式环上的一个元素。
其中是一个噪声多项式,其系数在上满足高斯分布。
密文为,为两个上的多项式,即。
解密的过程:
在上计算,将结果的系数对取模得到。
基于R-LWE问题的方案将向量编码为多项式。向量有维(其中可以取,为欧拉函数,在CRT编码的情况下,在CKKS中是),最多包含个数据。
加密后得到上的一个密文,可以看作一个维度为的向量。
噪声问题
噪声的阈值
解密运算都是在模的意义下进行的。
模运算后得到,如果比来的小的话,可想而知是一定可以被正确计算出来的(在模的空间中)。
另一方面,如果比大,则解密会产生错误。
举个例子:
在一个基于LWE的方案中,取模数,明文,噪声取自。
解密时计算,如果噪声较小,比如,则,模得到。
而如果噪声大一点,比如,得到,再模上得到.
或者取噪声,得到,得到。
所以噪声控制的要求就是。
【推荐】国内首个AI IDE,深度理解中文开发场景,立即下载体验Trae
【推荐】编程新体验,更懂你的AI,立即体验豆包MarsCode编程助手
【推荐】抖音旗下AI助手豆包,你的智能百科全书,全免费不限次数
【推荐】轻量又高性能的 SSH 工具 IShell:AI 加持,快人一步
· TypeScript + Deepseek 打造卜卦网站:技术与玄学的结合
· Manus的开源复刻OpenManus初探
· AI 智能体引爆开源社区「GitHub 热点速览」
· 从HTTP原因短语缺失研究HTTP/2和HTTP/3的设计差异
· 三行代码完成国际化适配,妙~啊~