参考文献:
- [MS18] Micciancio D, Sorrell J. Ring packing and amortized FHEW bootstrapping[J]. Cryptology ePrint Archive, 2018.
- [BGGJ20] Boura C, Gama N, Georgieva M, et al. Chimera: Combining ring-lwe-based fully homomorphic encryption schemes[J]. Journal of Mathematical Cryptology, 2020, 14(1): 316-338.
- [CDKS21] Chen H, Dai W, Kim M, et al. Efficient homomorphic conversion between (ring) LWE ciphertexts[C]//International Conference on Applied Cryptography and Network Security. Cham: Springer International Publishing, 2021: 460-479.
- [LHH+21] Lu W, Huang Z, Hong C, et al. PEGASUS: bridging polynomial and non-polynomial evaluations in homomorphic encryption[C]//2021 IEEE Symposium on Security and Privacy (SP). IEEE, 2021: 1057-1073.
文章目录
- Conversion Between RLWE
- Tower of Cyclotomic
- LWE-to-LWE
- LWE-to-RLWE
- LWEs-to-RLWE
- Lightweight Communication
[MS18] 为了实现均摊 FHEW 自举,提出了 Ring packing 技术:将多个 LWE 密文(行矢)堆叠为 ( A , b )(A,b)(A,b),然后按列转化为多项式 aj( x ) , b ( x )a_j(x), b(x)aj(x),b(x),使用 Key-Switch 执行同态线性解密 A ⋅ E ( s ) + bA\cdot E(s)+bA⋅E(s)+b(私钥被加密在多项式的常数项),最终获得打包了 μ ( x ) = ∑jμjxj \mu(x)=\sum_j \mu_jx^jμ(x)=∑jμjxj 的单个 RLWE 密文。虽然它是 Coeff Packing 的,但是 [MS18] 中的同态 InvDFT 的目标是加速同态的多项式乘法(线性解密部分),而非 SIMD 打包并行。但是其中的 SwK 是对于 LWE 私钥的各个分量分别用 RLWE 加密的 R L W E s ′( si⋅ gj)RLWE_{s’}(s_i \cdot g_j)RLWEs′(si⋅gj),规模大、速度慢。计算过程中不需要用到同态旋转(主要的开销是秘钥切换),仅仅是对于 E ( s )E(s)E(s) 的同态线性运算。
[BGGJ20] 提出的 Chimera 也使用类似的堆叠技术,将 TLWE 打包转换到 RLWE 密文上。不过它将堆叠出的矩阵 C = ( A , b )C=(A,b)C=(A,b) 直接乘以 InvDFT,于是 ( I n v D F T ⋅ C ) ⋅ s = I n v D F T ( μ ( x ) )(InvDFT \cdot C) \cdot s=InvDFT(\mu(x))(InvDFT⋅C)⋅s=InvDFT(μ(x)),这就将各个 μj \mu_jμj 编码到了明文槽。它的 SwK 也是各个私钥分量分别被加密在系数上 R G S W s ′( si)RGSW_{s’}(s_i)RGSWs′(si),规模很大(GB 级别)
[CDKS21] 提出了新的 LWE 的 Key-Switch 技术(后文简记 KS),将 LWE 密文嵌入到 RLWE 密文上,对应的 SwK 将LWE 私钥作为单个多项式做 RLWE 加密 R L W E s ′( s ( x ) ⋅ gj)RLWE_{s’}(s(x) \cdot g_j)RLWEs′(s(x)⋅gj),从而极大的提高了 KS 的速度(两个数量级)。需要使用分圆域的自同构的某些特殊性质,消除一些杂项。推广这个 KS 过程,可以获得 LWE 打包到 RLWE 的过程,不过它也是 Coeff Packing 的(还应该使用 Coeff-to-Slot 过程将它们编码到明文槽)。令 NNN 是 RLWE 的维度,打包 n = Nn=Nn=N 个 LWE 密文,复杂度为 O ( N )O(N)O(N) 次同态自同构, O ( N )O(N)O(N) 次同态数乘。
之后的 Pegasus 也使用密文堆叠技术,对于私钥 sss 的密文做线性变换,来实现 LWE-to-RLWE 过程。同态线性变换过程中,采取对角线乘法(旋转+阿达玛),LWE 私钥作为一个整体被加密在明文槽上 R L W E s ′( E c d ( s , Δ ) )RLWE_{s’}(Ecd(s,\Delta))RLWEs′(Ecd(s,Δ)),规模大大减小(MB 级别),同态解密的结果直接在明文槽上。令 NNN 是 RLWE 的维度,打包 n = Nn=Nn=N 个 LWE 密文,复杂度为 O ( N)O(\sqrt{N})O(N) 次同态旋转(由若干个自同构组成,完全分裂的二的幂分圆环只需要一个), O ( N )O(N)O(N) 次同态数乘。
Conversion Between RLWE
Tower of Cyclotomic
令 m = 2 L + 1 m=2^{L+1}m=2L+1 是二的幂, N = ϕ ( m ) = 2L N=\phi(m)=2^LN=ϕ(m)=2L 也是二的幂,分圆域 K = Q ( ζm) ≅ Q [ X ] / ( XN+ 1 )K=\mathbb Q(\zeta_m) \cong \mathbb Q[X]/(X^N+1)K=Q(ζm)≅Q[X]/(XN+1),分圆整数环 R = Z [ ζm] ≅ Z [ X ] / ( XN+ 1 )R=\mathbb Z[\zeta_m] \cong \mathbb Z[X]/(X^N+1)R=Z[ζm]≅Z[X]/(XN+1),为了区分不同维度我们记为 KN, RN K_N,R_NKN,RN
根据代数理论,域扩张 K / QK/\mathbb QK/Q 都是 Galois 扩张,Galois 群 G a l ( K / Q ) ≅ Zm∗= { 1 , 3 , ⋯ , 2 N − 1 }Gal(K/\mathbb Q) \cong \mathbb Z_m^*=\{1,3,\cdots,2N-1\}Gal(K/Q)≅Zm∗={1,3,⋯,2N−1},自同构:
τ d: ζ m→ ζ m d,∀d∈ Z m ∗\tau_d: \zeta_m \to \zeta_m^d, \forall d\in\mathbb Z_m^* τd:ζm→ζmd,∀d∈Zm∗
域的迹:
T r K/Q :a∈K↦ ∑ τ∈Gal(K/Q) τ(a)∈QTr_{K/\mathbb Q}: a \in K \mapsto \sum_{\tau \in Gal(K/\mathbb Q)} \tau(a) \in \mathbb Q TrK/Q:a∈K↦τ∈Gal(K/Q)∑τ(a)∈Q
根据代数知识, T r K / Q Tr_{K/\mathbb Q}TrK/Q 是 Q\mathbb QQ–线性映射,并且满足
- T r K/Q (1)=[K:Q]=NTr_{K/\mathbb Q}(1)=[K:\mathbb Q]=N TrK/Q(1)=[K:Q]=N
- T r K/Q ( X i)=0,∀i≠0Tr_{K/\mathbb Q}(X^i)=0, \forall i \neq 0 TrK/Q(Xi)=0,∀i=0
对于分圆塔:
K= K N≥ K N/2 ≥⋯≥ K 1=QK=K_N \ge K_{N/2} \ge \cdots \ge K_1=\mathbb Q K=KN≥KN/2≥⋯≥K1=Q
其中 Kn, n = 2l K_n,n=2^lKn,n=2l 可以作为 KN K_NKN 的子域( Rn≤ RN R_n \le R_NRn≤RN 类似),设置 Y = X N / n Y=X^{N/n}Y=XN/n,
K n= { ∑ i ∈ [ n ]aiYi: ai∈ Q }⊆ K NK_n = \left\{\sum_{i \in [n]} a_i Y^i: a_i \in \mathbb Q\right\} \subseteq K_N Kn=⎩ ⎨ ⎧i∈[n]∑aiYi:ai∈Q⎭ ⎬ ⎫⊆KN
基于分圆塔,可以将迹分解:
T r K/Q =T rK 2/ K 1 ∘⋯∘ TK N/ K N/2Tr_{K/\mathbb Q} = Tr_{K_2/K_1} \circ \cdots \circ T_{K_N/K_{N/2}} TrK/Q=TrK2/K1∘⋯∘TKN/KN/2
易知,相邻的域扩张的次数为 222,仅包含一个非凡自同构(另一个是恒等映射):
Gal( K 2l / K 2 l − 1 )={ τ 1 ∣ K 2 l , τ2 l+1∣ K 2 l }, 1≤l≤LGal(K_{2^l}/K_{2^{l-1}}) = \{\tau_1|_{K_{2^l}},\,\, \tau_{2^l+1}|_{K_{2^l}}\},\,\, 1 \le l \le L Gal(K2l/K2l−1)={τ1∣K2l,τ2l+1∣K2l},1≤l≤L
其中的 τ 2l+ 1∣ K 2l\tau_{2^l+1}|_{K_{2^l}}τ2l+1∣K2l 是自同构映射 τ 2l+ 1∈ G a l ( K / Q )\tau_{2^l+1} \in Gal(K/\mathbb Q)τ2l+1∈Gal(K/Q) 限制在 K 2 l⊆ KN K_{2^l} \subseteq K_NK2l⊆KN 上,容易验证它是 K 2 l K_{2^l}K2l 的 K 2 l−1K_{2^{l-1}}K2l−1-自同构。进一步的,简记 n = 2l n=2^ln=2l, Y = X N / n Y=X^{N/n}Y=XN/n 是 Kn/ QK_n/\mathbb QKn/Q 的扩张元,那么有:
T rK n/ K n/2( Y i)= { 2 Y i,∀2∣i0,∀2∤i Tr_{K_{n}/K_{n/2}}(Y^i) = \left\{\begin{aligned} 2Y^i, &&\forall 2\mid i\\ 0, &&\forall 2\nmid i\\ \end{aligned}\right. TrKn/Kn/2(Yi)={2Yi,0,∀2∣i∀2∤i
因此,映射 μ ∈ Kn↦ T r Kn/ K n / 2 ( μ ) ∈ K n / 2 \mu \in K_n \mapsto Tr_{K_{n}/K_{n/2}}(\mu) \in K_{n/2}μ∈Kn↦TrKn/Kn/2(μ)∈Kn/2,记号 a ∥ ba\|ba∥b 表示 “恰好整除”,
- 将系数 μ[i],(2N/n)∥i\mu[i], (2N/n)\|i μ[i],(2N/n)∥i,加倍
- 将系数 μ[i],(N/n)∥i\mu[i], (N/n)\|i μ[i],(N/n)∥i,清零
- 元素 μ∈ K n⊆ K N\mu \in K_n \subseteq K_N μ∈Kn⊆KN 的其他系数本来就是零,保持
我们定义 [ N ] = { 0 , 1 , ⋯ , N − 1 }[N]=\{0,1,\cdots,N-1\}[N]={0,1,⋯,N−1} 的一组划分(子域的系数索引),
I k:={i∈[N]: 2 k∥i}, 0≤k<LI_k := \{ i \in [N]: 2^k\|i \},\,\, 0 \le k< L Ik:={i∈[N]:2k∥i},0≤k<L
特别地设置 IL= { 0 }I_L=\{0\}IL={0},容易验证 [ N ] = ⋃kIk [N] = \bigcup_k I_k[N]=⋃kIk
对于 d = 2l+ 1 , 1 ≤ l ≤ Ld=2^l+1, 1\le l \le Ld=2l+1,1≤l≤L,简记 i = 2kj ∈ Ik i=2^kj \in I_ki=2kj∈Ik,其中 jjj 是奇数,
i⋅d= 2 k+l j+ 2 kj= {2 k( 2 lj+j)∈ I k∀0≤k≤L 2 kj=i( m o d 2N),∀k>L−l 2 L+ 2 kj=N+i( m o d 2N),k=L−l i \cdot d = 2^{k+l}j + 2^kj = \left\{\begin{array}{ll} 2^k(2^lj+j) \in I_k &\forall 0 \le k \le L\\ 2^kj = i \pmod{2N}, &\forall k>L-l\\ 2^L+2^kj = N+i \pmod{2N}, &k=L-l\\ \end{array}\right. i⋅d=2k+lj+2kj=⎩ ⎨ ⎧2k(2lj+j)∈Ik2kj=i(mod2N),2L+2kj=N+i(mod2N),∀0≤k≤L∀k>L−lk=L−l
因此, τd: ζi→ ζ i ⋅ d \tau_d: \zeta^i \to \zeta^{i\cdot d}τd:ζi→ζi⋅d 是对各个索引 Ik I_kIk 做了符号置换(signed permutation), ∀ i ∈ Ik, ∃ r ∈ Ik, τd( Xi) = ± Xr \forall i \in I_k,\exist r \in I_k,\tau_d(X^i) = \pm X^r∀i∈Ik,∃r∈Ik,τd(Xi)=±Xr。特别地对于 k ≥ L − lk \ge L-lk≥L−l 的那些 Ik I_kIk,
τ d( X i)= {X i,∀i∈ ⋃ k>L−lI k− X i,∀i∈ I L−l …otherwise \tau_d(X^i) = \left\{\begin{aligned} X^i, &&\forall i \in \bigcup_{k>L-l}I_k\\ -X^i, &&\forall i \in I_{L-l}\\ … &&otherwise \end{aligned}\right. τd(Xi)=⎩ ⎨ ⎧Xi,−Xi,…∀i∈k>L−l⋃Ik∀i∈IL−lotherwise
因此,映射 μ ∈ KN↦ μ + τd( μ ) ∈ KN \mu \in K_N \mapsto \mu+\tau_d(\mu) \in K_Nμ∈KN↦μ+τd(μ)∈KN,
- 将系数 μ[i], 2 L−l+1 ∣i\mu[i],2^{L-l+1}|i μ[i],2L−l+1∣i,加倍
- 将系数 μ[i],i∈ I L−l \mu[i], i \in I_{L-l} μ[i],i∈IL−l,清零
- 其他系数的变化较为复杂
LWE-to-LWE
LWE 密文 ( b , a ) ∈ Zq 1 + N (b,a) \in \mathbb Z_q^{1+N}(b,a)∈Zq1+N,私钥 s ∈ ZN s \in \mathbb Z^Ns∈ZN,线性解密获得相位(不考虑纠错),
μ 0=b+⟨a,s⟩( m o d q)\mu_0 = b+\langle a,s \rangle \pmod q μ0=b+⟨a,s⟩(modq)
执行 KS 时,抽象思路是 K = { L W E s ′( si) }K=\{LWE_{s’}(s_i)\}K={LWEs′(si)},然后同态解密获得 L W E s ′( μ0)LWE_{s’}(\mu_0)LWEs′(μ0),但是这么做的复杂度太高了。[CDKS21] 提出了一种新的 KS 过程:
- 将 aa a 转化为多项式 a(x)=ι(a)∈ R N,q a(x) = \iota(a) \in R_{N,q} a(x)=ι(a)∈RN,q,其中的映射 ι: Z N→ R N\iota: \mathbb Z^N \to R_N ι:ZN→RN 是将向量作为多项式系数
- 将 ss s 转化为多项式 s(x)= τ −1 ∘ι(s)∈ R Ns(x) = \tau_{-1} \circ \iota(s) \in R_N s(x)=τ−1∘ι(s)∈RN,其中的 τ −1 \tau_{-1} τ−1 是因为多项式乘积是向量反卷积
那么,获得的 ( b , a ( x ) ) ∈ R N , q2 (b,a(x)) \in R_{N,q}^2(b,a(x))∈RN,q2 可以视为 s ( x )s(x)s(x) 加密的 RLWE 密文,容易验证 μ ( x ) = b + a ( x ) s ( x ) ∈ R N , q \mu(x) = b+a(x)s(x) \in R_{N,q}μ(x)=b+a(x)s(x)∈RN,q,它的常数项 μ[0]\mu[0] μ[0] 恰好就是 μ 0\mu_0 μ0 了。
因此我们可以使用 K = { R L W E s ′( s ( x ) ⋅ gi) }K=\{RLWE_{s’}(s(x) \cdot g_i)\}K={RLWEs′(s(x)⋅gi)} 作为 SwK,执行 RLWE 的秘钥切换,最后提取出常数项对应的 LWE 密文。其中的 g = ( g1, ⋯ , gd)g=(g_1,\cdots,g_d)g=(g1,⋯,gd) 是 Gadget Vector,可使用 [BGV12] 的 Base decomposition 或者 [BEHZ16] 的 Prime decomposition(用于兼容 RNS 系统)。
具体算法为:
LWE Key-Switch 的噪声为 e k s= ⟨ g − 1( c1) , e ⟩e_{ks} = \langle g^{-1}(c_1), e \rangleeks=⟨g−1(c1),e⟩,其中 e ← χσ e \gets \chi_\sigmae←χσ 是 SwK 的噪声。为了兼容 RNS 系统,我们使用素数分解 g − 1: a ↦ { [ a ] q i∈ R N , qi }g^{-1}: a \mapsto \{[a]_{q_i} \in R_{N,q_i}\}g−1:a↦{[a]qi∈RN,qi},那么可以计算出 e k s e_{ks}eks 各个系数的方差
V ks ≤ 1 12N σ 2⋅ ∑ i q i 2V_{ks} \le \frac{1}{12}N\sigma^2 \cdot \sum_i q_i^2 Vks≤121Nσ2⋅i∑qi2
易知 LWE-to-LWE 的噪声就是 Key-Switch 的噪声。
LWE-to-RLWE
上述的 LWE-to-LWE 过程中,产生的 c t′ ct’ct′ 并非是有效 RLWE 密文(相位只有常数项是有意义的,其他位置都是无效数据)。[CDKS21] 使用迹 T r K / Q Tr_{K/\mathbb Q}TrK/Q 来消除 Xi, i ≠ 0X^i,i \neq 0Xi,i=0 的系数,只保留常数项(缩放因子 NNN)。
直接计算 T r K / Q Tr_{K/\mathbb Q}TrK/Q 需要分别计算各个 τd, d ∈ Zm∗ \tau_d, d\in \mathbb Z_m^*τd,d∈Zm∗,共计需要 NNN 个自同构映射(每一次都需要做 KS 过程)。因此,借助分圆塔将 T r K/Q Tr_{K/\mathbb Q} TrK/Q 分解,成为 L = log NL=\log NL=logN 个相邻分圆域的迹 T r K 2 l/ K 2 l−1 Tr_{K_{2^l}/K_{2^{l-1}}}TrK2l/K2l−1 的组合,这样就只需要计算 log N\log NlogN 个非凡自同构。
具体算法为:
为了消除 NNN 缩放因子,可以预先对输入的 LWE 密文缩放 [ N − 1]q [N^{-1}]_q[N−1]q 因子,从而上述算法的输出自然地消除了它们。
因为自同构 τd \tau_dτd 是保长的,因此不会导致噪声过度膨胀。同态迹的噪声是
Var≤ 1 3(( N n ) 2−1)⋅ V ks Var \le \frac{1}{3}((\frac{N}{n})^2-1) \cdot V_{ks} Var≤31((nN)2−1)⋅Vks
选取 n = 1n=1n=1,LWE-to-RLWE 的噪声就是 V a r ≤ 13( N2− 1 ) ⋅ V k s Var \le \frac{1}{3}(N^2-1) \cdot V_{ks}Var≤31(N2−1)⋅Vks
LWEs-to-RLWE
假如我们希望将相位是 μj, j ∈ [ n ]\mu_j, j \in [n]μj,j∈[n] 的多个 LWE 密文打包到单个 RLWE 密文中:直接使用上述的转换得到 c tj ct_jctj,然后计算 c t′= ∑ j ∈ [ n ]c tj⋅ Yj, Y = X N / n ct’ = \sum_{j \in [n]} ct_j \cdot Y^j, Y=X^{N/n}ct′=∑j∈[n]ctj⋅Yj,Y=XN/n,那么它的相位就是:
μ ′=N⋅ ∑ j∈[n]μ j Y j∈ R n⊆ R N\mu’ = N \cdot \sum_{j \in [n]} \mu_j Y^j \in R_n \subseteq R_N μ′=N⋅j∈[n]∑μjYj∈Rn⊆RN
然而上述算法的计算效率和噪声增长都不算好。[CDKS21] 提出了 FFT-style 递归算法:假设 n = 2l n=2^ln=2l,为了计算 μ′ \mu’μ′,可以将 μj \mu_jμj 分为大小 2 l − 1 2^{l-1}2l−1 的两组,分别计算出
μ e v e n′ =N/2⋅ ∑ j∈[n/2]μ 2jY 2j ∈ R n/2 μ o d d′ =N/2⋅ ∑ j∈[n/2]μ 2j+1Y 2j ∈ R n/2 \begin{aligned} \mu_{even}’ &= N/2 \cdot \sum_{j \in [n/2]} \mu_{2j} Y^{2j} \in R_{n/2}\\ \mu_{odd}’ &= N/2 \cdot \sum_{j \in [n/2]} \mu_{2j+1} Y^{2j} \in R_{n/2}\\ \end{aligned} μeven′μodd′=N/2⋅j∈[n/2]∑μ2jY2j∈Rn/2=N/2⋅j∈[n/2]∑μ2j+1Y2j∈Rn/2
但是实际上我们只需要计算出 μ e v e n, μ o d d∈ RN \mu_{even},\mu_{odd} \in R_Nμeven,μodd∈RN,使得它们的 Y 2 j Y^{2j}Y2j 系数组成了 μ e v e n′, μ o d d′∈ R n / 2 \mu_{even}’,\mu_{odd}’ \in R_{n/2}μeven′,μodd′∈Rn/2,然后将 μ o d d \mu_{odd}μodd 旋转 YYY 加到 μ e v e n \mu_{even}μeven 上,并使用自同构 τ d,d= 2 l+1\tau_{d}, d=2^l+1 τd,d=2l+1 来消除 μ odd \mu_{odd} μodd 那些恰好被旋转到 μ even′\mu_{even}’ μeven′ 位置上的杂项:
μ=( μ even +Y⋅ μ odd )+ τ d( μ even −Y⋅ μ odd )\mu = (\mu_{even} + Y \cdot \mu_{odd}) + \tau_d(\mu_{even} – Y \cdot \mu_{odd}) μ=(μeven+Y⋅μodd)+τd(μeven−Y⋅μodd)
由于 − Y ⋅ μ o d d -Y \cdot \mu_{odd}−Y⋅μodd 的有效系数 − μ 2 j + 1 -\mu_{2j+1}−μ2j+1 是在 Y 2 j + 1 Y^{2j+1}Y2j+1 上,因此 τd \tau_dτd 将它们取反为 μ 2 j + 1 \mu_{2j+1}μ2j+1 ,而那些被旋转到 Y 2 j Y^{2j}Y2j 的杂项 − e-e−e 则保持不变,正好和 Y ⋅ μ o d d Y \cdot \mu_{odd}Y⋅μodd 添加到 μ e v e n \mu_{even}μeven 上的杂项 eee 相互消除。最终,相位 μ ∈ RN \mu \in R_Nμ∈RN 的那些 Yj Y^jYj 的系数恰好是 N ⋅ μj N \cdot \mu_jN⋅μj,只要再消除其他的杂项就可以得到 μ′∈ Rn \mu’ \in R_nμ′∈Rn,这里可以使用 T r KN/ KnTr_{K_N/K_n}TrKN/Kn 来消除它们。
具体算法为:
这个算法 Step 2 需要 n − 1n-1n−1 次自同构,step 3 需要 log ( N / n )\log(N/n)log(N/n) 次自同构,均摊成本为 n + log ( N / n ) − 1n \frac{n+\log(N/n)-1}{n}nn+log(N/n)−1,只要打包的 LWEs 够多 n = Ω ( log N )n=\Omega(\log N)n=Ω(logN),均摊成本仅为 O ( 1 )O(1)O(1)(但是打包 n ≥ 210 n \ge 2^{10}n≥210 个 LWEs 的延迟应该挺高了?)
注意到 μj \mu_jμj 是打包在系数上的,一般 FHE 可能需要使得消息是打包在明文槽里的,这可以使用 [GHS12] [HS15] [HHC19] 的 Coeff-to-Slot 技术进行转换。[CDKS21] 说这些转换的速度特别快(真的么?秒的量级吧,不算快),因此主要开销还是在 LWEs-to-RLWE 上面。
可以证明 LWEs-to-RLWE 的噪声也是 V a r ≤ 13( N2− 1 ) ⋅ V k s Var \le \frac{1}{3}(N^2-1) \cdot V_{ks}Var≤31(N2−1)⋅Vks
Lightweight Communication
三种转换的效率和噪声:
优势:
- 原始的 KS 过程,对于前两个参数,执行时间为 203203 203、16281628 1628 毫秒,因此嵌入到 RLWE 后的效率提升了 22 2 个数量级(例如 1.031.03 1.03 毫秒)
- 噪声仅为 O(logN)O(\log N) O(logN)-bit,因此可以使用 LWE 密文,留出足够的噪声空间, b∈ Z qb \in \mathbb Z_q b∈Zq 的大部分空间都可用于存储消息(例如 389−23389-23 389−23 比特)
对于云计算场景,我们使用对称版本的 LWE 加密方案,那么多个密文的 aj∈ ZqN a_j \in \mathbb Z_q^Naj∈ZqN 完全可以被替代为随机种子, aj= P R F ( s e e d , j )a_j=PRF(seed,j)aj=PRF(seed,j),这导致了 Rate 高达 1 − o ( 1 )1-o(1)1−o(1) 的对称加密。在同态运算之前,需要同态解密,因为 LWE-based 是 FHE 友好的(只需要部分的同态解密,不必纠错),直接使用上述的 LWEs-to-RLWE 就可以转化为合适的 FHE 密文(这三种转换都是保护相位的,通用于任意的 FHE 方案)