一种适用于海量量测数据采集的抗量子密码优化方法与流程

摘要: 本发明涉及信息安全与密码工程,并且更具体地,涉及一种适用于海量量测数据采集的抗量子密码优化方法及装置。背景技术:1、ml-kem的性能瓶颈主要在于多项式乘法,其...
一种适用于海量量测数据采集的抗量子密码优化方法与流程

本发明涉及信息安全与密码工程,并且更具体地,涉及一种适用于海量量测数据采集的抗量子密码优化方法及装置。

背景技术:

1、ml-kem的性能瓶颈主要在于多项式乘法,其核心通过数论变换(ntt)加速。在实际工程部署中,从资源受限的物联网(iot)嵌入式设备(如cortex-m、risc-v)到高性能服务器(x86 avx2),硬件环境差异巨大。

2、在ntt实现中,旋转因子的管理存在三种主要策略:全表存储(速度快但耗rom)、在线计算(省rom但极慢且耗能)和半表存储(折衷方案)。

3、现有技术存在以下缺陷和不足:

4、缺乏统一的评估框架: 现有的优化工作通常是碎片化的。有的只关注速度(alu周期),有的只关注存储(rom/ram),缺乏一个能同时涵盖存储、计算延迟、能耗和侧信道安全性的综合评估标准。

5、“试错法”效率低下: 系统架构师在面对异构硬件(不同架构、不同资源约束)时,往往依赖经验或繁琐的“试错法”(ad-hoc trial-and-error)来选择ntt实现策略,缺乏理论指导。

6、忽视硬件特性的差异性: 同样的策略(如在线计算)在高性能cpu上可能因为矢量化指令集而有效,但在嵌入式设备上却因为缺乏硬件乘法器而成为灾难。现有技术缺乏一种能将“硬件资源稀缺度”参数化并映射到优化目标的数学模型。

技术实现思路

1、根据本发明,提供了一种适用于海量量测数据采集的抗量子密码优化方法及装置,以解决现有技术中缺乏定量评估手段、难以在异构平台上快速选择最优密码实现策略的技术问题。

2、具体解决的技术问题如下:

3、针对现有优化评价维度单一的问题,提出一种包含rom、ram、alu延迟、能耗、安全性五个维度的多维成本模型。

4、针对不同硬件平台资源约束不同的问题,提出一种引入“硬件敏感度向量”的参数化评估方法,能够根据硬件特性自动调整优化权重。

5、提供一种数学化的最优策略选择方法,使得在任何给定硬件平台上,都能通过计算得出实现ml-kem ntt算子的帕累托最优(pareto-optimal)策略,避免盲目开发的技术问题。

6、根据本发明的第一个方面,提供了一种适用于海量量测数据采集的抗量子密码优化方法,包括:

7、将ntt变换中旋转因子的管理策略形式化为一个待评估的策略集合{s};

8、为所述策略集合{s}中的每一个策略s,构建一个多维成本向量c(s);

9、确定硬件敏感度向量,并根据所述硬件敏感度向量,确定硬件敏感度权重函数;

10、基于所述多维成本向量c(s)和所述硬件敏感度权重函数,构建加权目标函数与策略优选。

11、可选地,将ntt变换中旋转因子的管理策略形式化为一个待评估的策略集合{s},包括:

12、确定待评估的策略集合{s}:

13、其中,:全表存储策略,预计算所有因子;

14、:半表存储策略,利用代数对称性存储一半因子,运行时重构;

15、:在线生成策略,即时计算因子。

16、可选地,为所述策略集合{s}中的每一个策略s,构建一个多维成本向量c(s),包括:

17、为每个策略

s定义一个五维成本向量:

18、= (,,,,}

19、其中,为rom成本,为ram成本,为alu延迟成本,为能耗成本,为安全成本;

20、具体量化方法如下:

21、rom成本: 量化静态存储占用,n=旋转因子总数,w=字长,sfull为满额占用,为50%占用,sgen为0占用:

22、

23、ram成本: 量化运行时内存占用,包括临时变量、掩码存储或状态机变量,其中m是临时变量、掩码存储或状态机变量等的总数:

24、

25、alu延迟成本: 量化计算时间,仅含内存访问时间;包含内存访问加算术重构时间+;包含复杂的三角生成与乘法运算时间:

26、

27、能耗成本: 量化执行一次变换的能量消耗,焦耳,由内存访问能耗与算术逻辑能耗组成:

28、

29、安全成本: 量化侧信道攻击风险,全表查表若无掩码保护则风险最高:

30、

31、其中,为侧信道攻击安全代价。

32、可选地,确定硬件敏感度向量,并根据所述硬件敏感度向量,确定硬件敏感度权重函数,包括:

33、定义硬件敏感度向量  = (,,,,),其中每个分量[0,1],其中,为rom敏感度向量,为ram敏感度向量,为alu敏感度向量,为能耗敏感度向量,为安全敏感度向量;

34、根据所述硬件敏感度向量,确定硬件敏感度权重函数, 将客观的硬件参数映射为主观的优化权重,采用线性映射。

35、可选地,基于所述多维成本向量c(s)和所述硬件敏感度权重函数,构建加权目标函数与策略优选,包括:

36、基于所述多维成本向量c(s)和所述硬件敏感度权重函数,定义总成本函数为各维度成本的加权和:

37、=

38、定义最优策略为使总成本最小化的策略:

39、。

40、根据本发明的另一个方面,还提供了一种适用于海量量测数据采集的抗量子密码优化装置,包括:

41、转换策略集合模块,用于将ntt变换中旋转因子的管理策略形式化为一个待评估的策略集合{s};

42、构建多维成本向量模块,用于为所述策略集合{s}中的每一个策略s,构建一个多维成本向量c(s);

43、确定敏感度权重函数模块,用于确定硬件敏感度向量,并根据所述硬件敏感度向量,确定硬件敏感度权重函数;

44、构建函数和策略模块,用于基于所述多维成本向量c(s)和所述硬件敏感度权重函数,构建加权目标函数与策略优选。

45、可选地,转换策略集合模块,包括:

46、确定策略集合子模块,用于确定待评估的策略集合{s}:

47、其中,:全表存储策略,预计算所有因子;

48、:半表存储策略,利用代数对称性存储一半因子,运行时重构;

49、:在线生成策略,即时计算因子。

50、可选地,构建多维成本向量模块,包括:

51、构建多维成本向量子模块,用于为每个策略

s定义一个五维成本向量:

52、= (,,,,}

53、其中,为rom成本,为ram成本,为alu延迟成本,为能耗成本,为安全成本;

54、具体量化方法如下:

55、rom成本: 量化静态存储占用,n=旋转因子总数,w=字长,sfull为满额占用,为50%占用,sgen为0占用:

56、

57、ram成本: 量化运行时内存占用,包括临时变量、掩码存储或状态机变量,其中m是临时变量、掩码存储或状态机变量等的总数:

58、

59、alu延迟成本: 量化计算时间,仅含内存访问时间;包含内存访问加算术重构时间+;包含复杂的三角生成与乘法运算时间:

60、

61、能耗成本: 量化执行一次变换的能量消耗,焦耳,由内存访问能耗与算术逻辑能耗组成:

62、

63、安全成本: 量化侧信道攻击风险,全表查表若无掩码保护则风险最高:

64、

65、其中,为侧信道攻击安全代价。

66、可选地,确定敏感度权重函数模块,包括:

67、定义硬件敏感度向量子模块,用于定义硬件敏感度向量  = (,,,,),其中每个分量[0,1],其中,为rom敏感度向量,为ram敏感度向量,为alu敏感度向量,为能耗敏感度向量,为安全敏感度向量;

68、确定硬件敏感度权重函数子模块,用于根据所述硬件敏感度向量,确定硬件敏感度权重函数, 将客观的硬件参数映射为主观的优化权重,采用线性映射。

69、可选地,构建函数和策略模块,包括:

70、定义总成本函数子模块,用于基于所述多维成本向量c(s)和所述硬件敏感度权重函数,定义总成本函数为各维度成本的加权和:

71、=

72、定义最优策略子模块,用于定义最优策略为使总成本最小化的策略:

73、。

74、从而,本发明将ntt旋转因子的管理策略形式化,并建立包含存储、计算、能耗、安全的多维成本向量。通过引入硬件敏感度向量,使模型能感知目标平台的资源约束,并自动计算出使加权总成本最小的最优策略。该方法实现了从经验调优到量化决策的转变,能针对不同硬件自适应生成最匹配的实现方案,在保证安全性的同时,显著提升资源利用效率,降低后量子密码算法的实现门槛与优化成本。