CN117614627B - 一种具有量子抗性的工业网络数据算法设计方法 - Google Patents
一种具有量子抗性的工业网络数据算法设计方法 Download PDFInfo
- Publication number
- CN117614627B CN117614627B CN202410095663.XA CN202410095663A CN117614627B CN 117614627 B CN117614627 B CN 117614627B CN 202410095663 A CN202410095663 A CN 202410095663A CN 117614627 B CN117614627 B CN 117614627B
- Authority
- CN
- China
- Prior art keywords
- quantum
- learning
- algorithm
- error
- error problem
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 122
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013461 design Methods 0.000 title claims abstract description 14
- 238000004088 simulation Methods 0.000 claims abstract description 32
- 238000012795 verification Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 67
- 238000009826 distribution Methods 0.000 claims description 27
- 238000011161 development Methods 0.000 claims description 18
- 238000005516 engineering process Methods 0.000 claims description 18
- 238000012544 monitoring process Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000003066 decision tree Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000011160 research Methods 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008713 feedback mechanism Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 241001391944 Commicarpus scandens Species 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000002096 quantum dot Substances 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000018109 developmental process Effects 0.000 description 16
- 230000007246 mechanism Effects 0.000 description 11
- 230000006872 improvement Effects 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 230000007774 longterm Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
- G06N10/60—Quantum algorithms, e.g. based on quantum optimisation, quantum Fourier or Hadamard transforms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/08—Key distribution or management, e.g. generation, sharing or updating, of cryptographic keys or passwords
- H04L9/0816—Key establishment, i.e. cryptographic processes or cryptographic protocols whereby a shared secret becomes available to two or more parties, for subsequent use
- H04L9/0852—Quantum cryptography
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Electromagnetism (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Complex Calculations (AREA)
Abstract
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。
Description
技术领域
本发明涉及工业网络数据算法技术领域，尤其涉及一种具有量子抗性的工业网络数据算法设计方法。
背景技术
随着量子计算技术的发展，其对现有加密算法构成了严重威胁，特别是对传统的基于数学难题（如大数分解和离散对数问题）的加密方法。当前的加密技术，如RSA和椭圆曲线密码学（ECC），已被证明在量子计算机面前极易受到攻击。Shor算法的提出，特别是在量子计算领域的，已经展示了能够在多项式时间内破解这些传统加密方法的能力。因此，存在着迫切的需求来发展新的加密方法，以抵御量子计算机的潜在威胁。
学习带误差问题提供了一种在量子计算环境下仍然保持安全的加密方法的潜力。学习带误差问题的安全性基于格计算问题的难度，目前认为即使是量子计算机也无法在有效时间内解决这类问题。然而，即使是基于学习带误差问题的算法，也面临着由于量子技术进步而带来的安全挑战。
现有技术中，学习带误差问题参数的选择，如模数q、维数n和误差分布等通常是静态的，缺乏对不断进步的量子计算能力的适应性。这种静态配置使得算法在长期内可能无法抵抗量子计算的快速发展。此外，现有的学习带误差问题算法往往没有考虑到不同安全级别的需求，缺乏灵活性来适应不同应用场景的安全和性能要求。最后，当前的学习带误差问题算法通常缺乏一个系统性的方法来定期评估和更新算法参数，以应对新出现的威胁和技术发展。综上所述，现有的基于学习带误差问题的加密算法虽然在理论上能够抵抗量子计算的威胁，但在实际应用中仍面临许多挑战。这些挑战包括缺乏动态适应量子技术进步的能力、无法灵活应对不同安全级别需求的限制，以及缺少有效的长期维护和更新机制。因此，如何提供一种具有量子抗性的工业网络数据算法设计方法是本领域技术人员亟需解决的问题。
发明内容
本发明的一个目的在于提出一种具有量子抗性的工业网络数据算法设计方法，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，引入了一种动态调整学习带误差问题参数的机制，使算法能够适应量子计算能力的快速发展，及时调整参数以维持其安全性，从而克服了现有技术的静态配置局限。
根据本发明实施例的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：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。
可选的，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。
可选的，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。
可选的，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。
可选的，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。
可选的，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。
可选的，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。
可选的，所述创建反馈机制具体包括：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：
；
其中，和/>分别表示性能指标和安全性指标，均由决策树模型提供，/>和/>表示权重系数。
可选的，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。
可选的，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。
本发明的有益效果是：
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，引入了一种动态调整学习带误差问题参数的机制，使算法能够适应量子计算能力的快速发展，及时调整参数以维持其安全性，从而克服了现有技术的静态配置局限。
本发明针对不同的应用场景和安全需求，提供了不同安全级别的配置选项，这种灵活性使得算法可以根据具体需求调整其性能和安全性，适应从一般数据保护到高度机密数据保护的各种场景。且通过集成持续评估和自动更新机制，能够定期检测和响应量子计算技术的最新发展，这确保了算法在面对新的威胁和技术演进时能够及时更新和升级，提供了一种有效的长期安全解决方案。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明提出的一种具有量子抗性的工业网络数据算法设计方法的总流程图；
图2为本发明提出的一种具有量子抗性的工业网络数据算法设计方法的量子攻击模型评估流程图。
实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
参考图1，一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；
本实施方式中，S1具体包括：
S11、确定学习带误差问题参数集，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。
通过本实施方式的步骤S11-步骤S14确保了所设计的算法在量子计算环境下具有高度的安全性，同时考虑了实用性和灵活性，适用于多种工业应用场景。
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；
本实施方式中，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。
通过本实施方式的步骤S21-步骤S23确保了所设计的算法在量子计算环境下对工业网络数据进行有效的加密和解密处理，提供了一种高度安全的保护方法，同时也考虑了实用性和灵活性，适用于多种工业应用场景。
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。
本实施方式中，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；
本实施方式中，使用Grover算法来加速搜索满足学习带误差问题的解，Grover算法适用于未排序的数据库搜索问题，可将搜索时间从经典的O(N)降低到O()，Grover算法的搜索时间为O(/>)，其中/>为搜索空间的大小，即所有可能的/>的数量，在场景中将找到满足/>的向量/>的时间大幅减少，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，例如，如果/>是一个m位的二进制向量，则需要m个量子比特；
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。
在Grover算法中引入量子纠错代码，以减少量子噪声和操作错误对搜索效率的影响。量子纠错代码可以提高算法的鲁棒性，从而在实际量子计算机上实现更高效和可靠的搜索，通过Grover算法不仅加速了搜索满足学习带误差问题条件的，而且还通过引入量子纠错代码来提高量子算法的鲁棒性，这种应用有望在未来的量子计算时代中为工业网络数据提供更强大的安全保护。
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；
本实施方式中，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。
结合实时量子攻击模拟结果和经典计算能力的限制，动态调整上述参数。例如，如果量子计算能力有显著提升，可以预设算法自动增加维数n、向量长度m和误差分布的标准差σ的值。
通过本实施方式可以确保算法在保持计算效率的同时，最大限度地提高抗量子攻击的能力。
本实施方式中，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。
本实施方式中，创建反馈机制具体包括：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：
；
其中，和/>分别表示性能指标和安全性指标，均由决策树模型提供，/>和/>表示权重系数。
定期使用最新的数据更新决策树模型。
运行遗传算法，基于更新后的模型结果，寻找新的最优参数组合。
将遗传算法找到的最优参数反馈应用到学习带误差问题算法中，并持续监控其表现。
在遗传算法中引入自适应参数调整机制。例如，根据连续几代的适应度变化调整交叉和变异率，以适应快速变化的数据环境。将决策树模型与量子计算能力预测模型相结合，预先调整参数以应对未来的量子攻击。
本实施方式结合了决策树的解释性和遗传算法的强大搜索能力，为学习带误差问题算法提供了一种有效的参数优化和自适应更新机制。
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；
本实施方式中，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。
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。
本实施方式中，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。
基于趋势分析和安全性评估，自动化监视系统能够自动生成调整学习带误差问题算法参数的建议。例如，如果预测显示量子计算能力将在未来一年内显著提高，系统可能建议增加学习带误差问题参数n和m的值，并且，能够自动生成关于量子计算领域的最新发展和学习带误差问题算法安全性状态的报告，供研究人员和决策者参考。
通过本实施方式监控系统不仅能提供实时的安全评估和技术趋势分析，还能提前预测并适应量子计算技术的发展，从而帮助确保学习带误差问题算法长期保持其安全性和有效性。
实施例
在一个大型工业制造企业A公司的场景中，A公司依赖于高度复杂的网络系统来管理其生产线、物流、供应链和数据分析。这些系统积累了大量的机密数据，包括商业秘密、专利设计和客户信息。面临着量子计算技术发展带来的安全挑战，A公司采用了本发明提出的基于学习带误差问题的具有量子抗性的工业网络数据算法。
在实施过程中，首先根据A公司的具体需求设置了学习带误差问题算法的初步参数：选择了一个较大的素数作为模数q，并设置了适当的维数n和向量长度m，以确保算法的基本安全性。随后，A公司利用本发明提出的动态参数调整机制，根据实时监测到的网络环境和潜在的安全威胁，自动调整了学习带误差问题算法的参数。监测到潜在的量子攻击模式时，系统自动增加了n和 m 的值，以增强算法的安全性。
为了验证算法的有效性，A公司在一个季度内进行了一系列的安全测试，并生成如下表格：
上述表1所示的测试结果显示，在引入本发明的算法后，针对学习带误差问题算法的攻击成功率从原先的26.71%降低到了1.31%，改善率为95.1%，同时对商业秘密、专利设计和客户信息这三个重要数据类型进行监测后发现，商业秘密从原先的约25%降低到了1.1%，改善率为95.6%，专利设计从原先的约30%降低到了5%，改善率为83.3%，客户信息从原先的约22%降低到了4%，改善率为81.8%。因此可以看出在对机密数据本发明的算计极大的降低了攻击的成功率。
此外，上述表2所示的测试结果显示，通过对比实施前后的数据，发现算法实施后，网络系统面对常规攻击的抵抗能力也有显著提升。在实施前，网络系统平均每月遭受约78次安全入侵尝试，而实施后这一数字降至每月平均3次，减少百分比96.1%。
除了安全性的提升，本发明的算法还展现了高度的灵活性和适应性。在一个典型的生产高峰期，A公司网络系统的数据流量和处理需求急剧增加，本发明的算法能够根据实际性能需求，动态调整参数，以保证在不牺牲安全性的情况下最大化处理效率，数据显示，在生产高峰期，即便在保持高安全标准的前提下，网络系统的处理效率仍比以往提高了31.25%。
最后通过建立的持续评估和更新机制，A公司能够定期获得关于量子计算技术发展和安全威胁的最新信息，并据此更新算法的参数。在观察到量子计算能力的一个重大突破后，系统自动提议增加了误差分布标准差σ的值，进一步加强了算法的安全性。
通过实施例1可以看出，本发明的算法不仅在提高工业网络数据安全性方面取得了显著成效，还在保障网络系统运行效率和适应性方面展现了出色的表现。通过这一实施例，充分验证了本发明的算法在实际工业环境中的有效性和实用性。
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，引入了一种动态调整学习带误差问题参数的机制，使算法能够适应量子计算能力的快速发展，及时调整参数以维持其安全性，从而克服了现有技术的静态配置局限。
本发明针对不同的应用场景和安全需求，提供了不同安全级别的配置选项，这种灵活性使得算法可以根据具体需求调整其性能和安全性，适应从一般数据保护到高度机密数据保护的各种场景。且通过集成持续评估和自动更新机制，能够定期检测和响应量子计算技术的最新发展，这确保了算法在面对新的威胁和技术演进时能够及时更新和升级，提供了一种有效的长期安全解决方案。
综上所述，本发明基于学习带误差问题的具有量子抗性的工业网络数据算法设计方法，在提高量子抗性的同时，通过其动态参数调整、灵活的安全级别设置以及持续评估和自动更新机制，解决了现有技术在适应性、灵活性和长期维护方面的不足，为保护工业网络数据安全提供了一种更加全面和前瞻性的解决方案。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (1)
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：
F(q,n,m,σ)＝w1×Performance(q,n,m,σ)-w2×Rosk(q,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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410095663.XA CN117614627B (zh) | 2024-01-24 | 2024-01-24 | 一种具有量子抗性的工业网络数据算法设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410095663.XA CN117614627B (zh) | 2024-01-24 | 2024-01-24 | 一种具有量子抗性的工业网络数据算法设计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117614627A CN117614627A (zh) | 2024-02-27 |
| CN117614627B true CN117614627B (zh) | 2024-04-02 |
Family
ID=89953935
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410095663.XA Active CN117614627B (zh) | 2024-01-24 | 2024-01-24 | 一种具有量子抗性的工业网络数据算法设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117614627B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109450635A (zh) * | 2018-11-15 | 2019-03-08 | 中国科学院重庆绿色智能技术研究院 | 一种基于容错学习问题的发送方可否认加密方法 |
| CN114499861A (zh) * | 2022-03-30 | 2022-05-13 | 浙江九州量子信息技术股份有限公司 | 一种基于机器学习的量子密钥云安全态势感知方法 |
| CN117081724A (zh) * | 2023-10-18 | 2023-11-17 | 中国电子科技集团公司第三十研究所 | 一种带错误学习问题实例计算量的估算方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8019079B2 (en) * | 2007-07-08 | 2011-09-13 | Georgia Tech Research Corporation | Asymmetric cryptosystem employing paraunitary matrices |
-
2024
- 2024-01-24 CN CN202410095663.XA patent/CN117614627B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109450635A (zh) * | 2018-11-15 | 2019-03-08 | 中国科学院重庆绿色智能技术研究院 | 一种基于容错学习问题的发送方可否认加密方法 |
| CN114499861A (zh) * | 2022-03-30 | 2022-05-13 | 浙江九州量子信息技术股份有限公司 | 一种基于机器学习的量子密钥云安全态势感知方法 |
| CN117081724A (zh) * | 2023-10-18 | 2023-11-17 | 中国电子科技集团公司第三十研究所 | 一种带错误学习问题实例计算量的估算方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117614627A (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11308222B2 (en) | Neural-network training using secure data processing | |
| Niu et al. | An image encryption approach based on chaotic maps and genetic operations | |
| Wang et al. | A novel image encryption scheme of dynamic S-boxes and random blocks based on spatiotemporal chaotic system | |
| CN109376540B (zh) | 一种基于Duffing映射与遗传操作的图像加密方法 | |
| CN108830092B (zh) | 涉及数据随机加密的神经网络模型加密保护系统及方法 | |
| Vimalathithan et al. | Cryptanalysis of simplified-DES using computational intelligence | |
| Suri et al. | A Pareto-optimal evolutionary approach of image encryption using coupled map lattice and DNA | |
| Bu et al. | Privacy preserving back-propagation based on BGV on cloud | |
| CN113014570A (zh) | 一种基于卷积神经网络的通信数据加解密方法 | |
| CN110225222B (zh) | 一种基于3d正交拉丁方和混沌系统的图像加密方法 | |
| Liu et al. | Secure outsourcing of large matrix determinant computation | |
| Shivaramakrishna et al. | A novel hybrid cryptographic framework for secure data storage in cloud computing: Integrating AES-OTP and RSA with adaptive key management and Time-Limited access control | |
| CN117614627B (zh) | 一种具有量子抗性的工业网络数据算法设计方法 | |
| Shahrakht et al. | A Novel Attack on Complex APUFs Using the Evolutionary Deep Convolutional Neural Network. | |
| Mu et al. | Approach to design neural cryptography: A generalized architecture and a heuristic rule | |
| Agrawal | Harnessing Quantum Cryptography and Artificial Intelligence for Next-Gen Payment Security: A Comprehensive Analysis of Threats and Countermeasures in Distributed Ledger Environments | |
| Chu et al. | CryptoQFL: Quantum Federated Learning on Encrypted Data | |
| Zefreh et al. | Image security system using recursive cellular automata substitution and its parallelization | |
| CN108632033B (zh) | 一种外包计算中基于随机加权酉矩阵的同态加密方法 | |
| Arora et al. | Application of Artificial Neural Network in Cryptography | |
| CN113343277B (zh) | 一种安全高效的委托隐私数据类别预测的方法 | |
| Wang et al. | Hyperdetect: A real-time hyperdimensional solution for intrusion detection in iot networks | |
| CN102377757A (zh) | 物联网络攻击的预测及预警方法 | |
| Zhang et al. | An efficient image encryption algorithm based on S-box and DNA code | |
| Balaji et al. | Handling Information Security Wisely Utilising the Aggressive Cuckoo Search Algorithm in Lock Systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |