在上一篇文章当中花了较大篇幅对群进行了介绍,通过循环群就可以对本文所提到的离散对数问题(DLP) 进行解释。
首先来看离散对数问题的一般定义:
定义1. 离散对数问题(DLP)
给定一个阶为的群,群操作为,有一生成元以及一元素,找到一个满足的整数,满足:
也可表示为:
DLP可被用来构造单向函数,单向函数指的是假设有一个函数,已知输入计算是计算简单的,而已知输出计算在计算上是困难的。带入到DLP中,我们可以得到正向问题为:;而逆向问题为:。如果选择了合适的群,那么正向计算出很容易,而逆向计算出是个很困难的问题。
为了方便大家对DLP的理解,这里先介绍基于群的DLP,其中是一个素数。在上一篇文章中介绍过,是由小于且与互素的正整数所构成的集合,对于模的乘法构成一个阿贝尔有限循环群。如果参数足够大的话,在群中计算离散对数是个非常困难的问题。
示例1
考虑群内的DLP,其中该群生成元为,对于的DLP可以被表示为:
找到的唯一办法就是暴力搜索,即尝试所有可能的值,最终得到。但即使是用这么小的数字,找到也不是一件容易事。
在实际中,为了安全性(主要为了防止Pohlig-Hellman攻击),群的阶数最好是素数,对于上面提到的,其阶为,显然不是素数,所以人们常会选择的子群中阶为素数的子群来建立DLP,而不是本身。
示例2
的阶为46,根据前一篇文章中的子群性质,可知的子群的阶只能为1、2、23,由于,所以是的有23个元素的子群的生成元。我们找到一个元素,其中,建立DLP:找到一个正整数()使得
利用暴力搜索可以得到x=17。
需要注意的一点是,并不是在所有循环群中的DLP都是困难的,这样的循环群就不能被用于构造DLP难题,DLP也不会是一个单向函数。
示例3
考虑整数模素数加法群,例如是一个生成元为的有限循环群,下表能够展示出生成整个群的过程:
i | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 |
2 | 4 | 6 | 8 | 10 | 1 | 3 | 5 | 7 | 9 | 0 |
现在我们设,建立DLP:找到一个整数()使得
即
虽然该群中的运算是模11加法,但是、、之间的关系却可以被模11乘法表示,那么为了求解,可以简单地对求逆元:
求逆元的算法并不复杂,可以根据扩展欧几里得算法(后续文章会提到)计算出,然后就能得到:
从上面的表格就能验证出这个结果是正确的。
上面示例3的结果可以被推广到为任意值且元素、的任何群中,因此可以得到结论在中计算推广的DLP会非常简单。
介绍完反例以后,下面列举一些密码学中推荐使用的一些离散对数问题:
- 素数域的乘法群或其子群,例如古典Diffie-Hellman密钥交换、ElGamal或数字签名算法(DSA)都用到了这个群;
- 椭圆曲线构成的循环群,后续文章会介绍到,它们如今逐渐占据了密码学主流位置;
- 伽罗瓦域上的乘法群或其子群,和1的使用完全一致,但并不常用,因为针对其的攻击要比针对1的攻击更加强大,因此在提供相同安全等级的情况下基于的DLP要求参数长度比1更长。
下面介绍一种非暴力搜索的解决离散对数问题的算法,名为Shanks’ Baby-Step Giant-Step方法,或简称为BSGS。BSGS是一个时间与内存平衡的方法,它通过额外的存储来减少蛮力搜索的时间。
BSGS算法的思想是将群中离散对数重写为
通常情况下的大小选择为群的阶的平方根,即。下面可以将离散对数进行变形:
算法的核心思想就是找到上面方程的解,进而就能得到离散对数问题的解。该算法分为两阶段,即baby-step和giant-step。
Baby-Step
在此阶段,要计算并存储所有的值,其中。这一步需要个群操作,并需要存储个群元素。
Giant-Step
在此阶段,算法检查范围内所有的,并判断baby-step阶段计算的一些易存储的项是否满足以下条件:
如果上面等式成立,那么就意味着找到了一个解满足上面的等式,这样离散对数问题的解就可以表示为
BSGS算法需要计算复杂度和相同大小的存储复杂度,因此一般为了追求的攻击复杂度,群的阶至少为,因此在中,素数的长度应该有160bit。
下面是用Python3对BSGS算法的代码实现,关键步骤在代码中都有注释:
from math import sqrt, ceil
def bsgs_alg(alpha: int, beta: int, p: int) -> int:
# 求出m
m = ceil(sqrt(p - 1))
# 初始化一个baby数组,存放baby-step结果
baby = []
x_g, x_b = -1, -1
# baby-step
baby.append(1)
for i in range(1, m):
baby.append((baby[i - 1] * alpha) % p)
# 对生成元求逆
alpha_inv = (alpha ** (p - 2)) % p
# 求alpha逆元的m次幂
alpha_pow = (alpha_inv ** m) % p
# giant-step
product = beta % p
for j in range(m):
try:
# 查询baby表中是否有匹配的
x_b = baby.index(product)
x_g = j
break
except ValueError:
product *= alpha_pow
product %= p
if x_b == -1:
return x_b
else:
return x_g * m + x_b