申请/专利权人：金数信息科技(苏州)有限公司

申请日：2024-01-24

公开（公告）日：2024-04-02

公开（公告）号：CN117614627B

主分类号：H04L9/08

分类号：H04L9/08;G06N10/60

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2024.03.15#实质审查的生效;2024.02.27#公开

摘要：本发明公开了一种具有量子抗性的工业网络数据算法设计方法，包括如下步骤：S1、选择基础数学问题：选择学习带误差问题作为核心，进行数学和计算上的验证；S2、算法原型开发：基于学习带误差问题构建包括密钥生成、加密和解密算法的格加密算法；S3、量子攻击模型评估：通过量子攻击场景模拟，优化学习带误差问题参数设置，调整密钥长度和格的维数。本发明通过采用基于学习带误差问题的算法，在量子计算环境中提供了更强的安全性。

主权项：1.一种具有量子抗性的工业网络数据算法设计方法，其特征在于，包括如下步骤：S1、选择基础数学问题：选择学习带误差问题作为核心，进行数学和计算上的验证；S2、算法原型开发：基于学习带误差问题构建包括密钥生成、加密和解密算法的格加密算法；S3、量子攻击模型评估：通过量子攻击场景模拟，优化学习带误差问题参数设置，调整密钥长度和格的维数；所述S1具体包括：S11、确定学习带误差问题参数集，所述学习带误差问题参数集包括模数q、维数n、向量长度m以及误差分布的标准差σ；S12、选择一个随机矩阵A作为学习带误差问题的核心部分，其中，A是一个n×m维矩阵，每个元素从整数模q下的均匀分布中随机选取；S13、定义误差向量的生成方式，使误差向量分量独立且服从以0为中心的离散高斯分布，其标准差为σ；S14、根据S11-S13的参数，构建学习带误差问题： 其中，表示一个m维的未知向量，的每个分量随机选自{0,1}，表示一个n维的结果向量；所述S2具体包括：S21、密钥生成：随机选择一个n×m维的矩阵A，生成一个秘密向量长度为n，其中每个元素随机选自{0,1}，生成一个误差向量长度为m，其分量独立且服从以0为中心的离散高斯分布，标准差为σ，计算公钥： 其中，加法和乘法都是模数q下的运算，公钥转换为私钥为S22、选择一个n×1的随机向量长度为m，其中，随机向量的每个元素随机选自{0,1}，选择一个明文消息m，明文消息m∈{0,1}，将明文消息m编码为一个向量，长度与随机向量相同，计算加密消息： 其中，c表示加密后的信息，表示公钥向量的转置，q是模数，消息m被转换或编码成可以进行模运算的形式再进行加密；S23、解密时使用私钥计算其中，是相关向量矩阵的转置，通过加密的信息c中移除公钥加密的部分，再根据结果与的比较以恢复出明文消息m或是相关的信息；使用私钥解密，计算变量 并根据变量的值判断每个分量的明文消息m，在解密过程中使用，用于从近似值中恢复出消息m： 其中，如果变量向下取整接近q的一半，则消息m被解读为1，否则，消息m被解读为0；所述S3具体包括：S31、模拟量子攻击场景：构建量子算法的模拟环境，对当前学习带误差问题参数集中的模数q、维数n、向量长度m和误差分布的标准差σ执行攻击模拟，使用量子计算机模拟器来估计解决学习带误差问题的量子资源需求和时间复杂度；S32、参数优化：基于量子攻击模拟的结果，调整学习带误差问题参数集，增加模数q的大小，调整维数n和向量长度m或改变误差分布的标准差σ；S33、安全级别调整：根据不同的安全需求，设置不同的参数配置，对于高于预设值的安全级别，选择增加维数n和向量长度m的值以及更高维的格；S34、持续评估和更新：定期重新评估学习带误差问题参数集，定期监测量子计算领域的研究进展，并据研究进展更新算法的参数配置；所述构建量子算法具体包括：构造一个量子寄存器，其中包括大量量子比特以代表所有可能的通过应用Hadamard门于每个量子比特，生成一个均匀的叠加状态，每个可能的在初始状态下有相同的概率；构造一个量子神谕，识别学习带误差问题条件的量子神谕将相应的状态反转，而其他状态保持不变，应用Grover扩散操作，增强满足条件的状态的振幅，同时降低不满足条件的状态的振幅；重复Grover迭代后，量子寄存器指向满足学习带误差问题条件的所述调整学习带误差问题参数集具体包括：模数q的调整：监测在使用Grover算法的场景中量子攻击模拟的效果，如果发现攻击效率相对现有的攻击效率提高，等比例增加q的大小，直到达到预设的安全平衡点；维数n和向量长度m的调整：如果量子攻击模拟显示当前参数容易被攻破，逐渐增加n和m的值；误差分布的标准差σ的调整：监测误差向量对解决学习带误差问题的影响，如果量子攻击模拟显示误差向量容易被预测或攻击，增加σ提高随机性；所述S32还包括通过机器学习模型建立反馈机制，将量子攻击模拟的结果和当前算法性能数据作为输入，自动优化和调整学习带误差问题参数；所述建立反馈机制具体包括：收集量子攻击模拟不同参数设置下的攻击成功率和所需的量子资源的结果，同时收集当前学习带误差问题算法在不同参数设置下的加密解密时间和错误率的性能数据，对收集的数据进行归一化处理；构建决策树模型使用历史数据作为训练集训练模型，预测给定参数下的算法性能和安全性，输入为学习带误差问题参数集中的模数q、维数n、向量长度m和误差分布的标准差σ，输出为预测的性能指标和安全性指标；利用遗传算法寻找最优的参数组合：Fq,n,m,σ＝w1×Performanceq,n,m,σ-w2×Roskq,n,m,σ；其中，Performance和Risk分别表示性能指标和安全性指标，均由决策树模型提供，w1和w2表示权重系数；所述S33具体包括：S331、根据不同的应用需求和预期的安全标准，定义多个安全级别，安全级别从适用于一般数据保护的低级到适用于高度机密数据保护的高级；S332、针对每个安全级别，定义对应的学习带误差问题参数模数q、维数n、向量长度m和误差分布的标准差σ；S333、利用基于机器学习的自适应算法，根据当前的网络流量、计算资源和安全威胁自动选择最适合的安全级别和相应的学习带误差问题参数；所述S34具体包括：S341、建立实时收集量子计算技术发展的最新研究和公开信息的自动化监视系统，包括收集关于量子硬件的进展和量子算法的创新，集成一个模块来评估当前学习带误差问题算法在当前量子计算环境下的性能，包括使用Cirq来模拟Grover算法的量子攻击，并测试对学习带误差问题算法的影响；S342、使用数据分析和机器学习技术来识别量子计算技术发展的趋势，采用自回归积分滑动平均模型来预测量子比特数的增长，如果模型预测量子比特数增长率为r，则学习带误差问题参数根据下式进行调整： 利用收集到的数据和模拟结果来评估学习带误差问题算法的安全性，包括计算量子攻击成功的概率以及所需的量子资源。

全文数据：

权利要求：

百度查询： 金数信息科技(苏州)有限公司 一种具有量子抗性的工业网络数据算法设计方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD