登录
主页
 文章
基于NTRU格的数字签名算法（Falcon）
一、算法背景与标准化地位随着量子计算理论的突破，基于大数分解和离散对数的传统密码体系面临秀尔算法的致命威胁。美国国家标准与技术研究院（NIST）于 2016 年启动后量子密码标准化项目，Falcon 算法由 Pierre-Alain Fouque 等九位学者联合设计，于 2017 年 11 月提交候选，最终成为四大后量子标准签名算法之一。其核心创新在于将 GPV 格基签名框架与 NTRU 格的代数特性深度融合，通过快速傅里叶采样技术实现签名效率与安全性的平衡，目前已在区块链、物联网等领域展现出广泛应用潜力。
2025-09-22
1142
9
1
后量子密码算法（Post-Quantum Cryptography, PQC）
后量子密码算法是一类旨在抵御量子计算机攻击的加密技术，其安全性基于量子算法难以解决的数学难题。一、NIST标准化算法经过三轮严格评选，NIST于2024年公布了首批后量子密码标准，涵盖密钥封装和数字签名两大核心场景：1. 密钥封装机制（KEM） CRYSTALS-Kyber 基于环上学习带误差问题（RLWE），是NIST首选的通用密钥交换算法。它通过多项式环和格理论实现安全性，支持多种安全级别（如Kyber-512、Kyber-768、Kyber-1024），并已被集成到TLS 1.3等协议中。其密钥生成和加密过程高效，适用于资源受限设备（如物联网终端），但需依赖SIMD指令集优化以提升性能。
2025-09-21
1100
2
8
格（Lattice）——后量子密码算法的数学基石
在密码学从 “传统抗经典计算” 向 “后量子抗量子计算” 演进的过程中，格（Lattice）凭借其独特的数学结构与计算困难性，成为支撑新一代安全算法的核心理论基础。从基于格的数字签名到加密方案，几乎所有后量子密码学（PQC）的实用化方案，其安全性都根植于格的数学特性。要理解这类算法的本质，需先揭开格的数学面纱。
2025-09-21
694
5
2
基于格的数字签名算法
在量子计算技术快速发展的背景下，RSA、ECC等传统基于大整数分解或离散对数问题的数字签名算法面临致命威胁——量子算法可在多项式时间内破解其依赖的数学难题。而基于格的数字签名算法凭借格问题的“量子抗性”，成为后量子密码学（PQC）领域中最成熟、最具应用前景的方案之一，被视为保障未来信息安全的核心技术。
2025-09-21
1140
4
5
向量承诺（Vector Commitments, VC）
在分布式系统、区块链、隐私计算等领域，如何对一组有序数据（向量） 实现“高效压缩+精准验证”是核心难题：既要将海量有序数据浓缩为一个固定长度的“承诺值”（便于存储和传输），又要能快速证明“某个元素确实在向量的指定位置，且未被篡改”。向量承诺（Vector Commitments, VC）正是为解决这一问题而生的密码学原语，它在传统哈希聚合、Merkle树等技术基础上，实现了对“有序性”和“位置关联性”的精准把控，成为构建可信数据体系的关键工具。是密码学中的“有序数据可信压缩”技术。
2025-09-21
1066
7
7
Merkle树
在密码学与分布式系统领域，数据的完整性验证与高效校验始终是核心难题。1979 年，美国密码学家 Ralph Merkle 提出的 “Merkle 树”（又称默克尔树），以哈希函数为基石，构建出一种兼具抗篡改能力与轻量验证特性的树形数据结构。如今，它已成为区块链、分布式存储、可信计算等领域的底层核心技术，为数据可信性提供了关键支撑。
2025-09-20
1133
5
14
基于格的数字签名算法（Dilithium）
Dilithium 算法是由 CRYSTALS（Cryptographic Suite for Algebraic Lattice Signatures）项目开发的基于格的数字签名方案，旨在抵御量子计算机对传统公钥密码体系的威胁。作为美国国家标准与技术研究院（NIST）后量子密码标准化项目的主选算法之一，其安全性基于模块格上的困难问题，尤其在抗量子攻击和效率平衡方面表现突出。
2025-09-20
905
8
10
经典算力墙
经典算力墙是指传统计算机在物理极限下，算力提升遭遇的根本性瓶颈。这一概念源于摩尔定律的放缓——当芯片制程进入纳米级（如7nm以下）后，晶体管尺寸缩小带来的性能提升逐渐停滞，反而引发了漏电、散热、能耗等一系列不可逾越的物理问题。一、困境经典计算机在数据处理速度、能耗效率和稳定性上的综合极限，具体表现为三大核心困境：
2025-09-19
1026
4
2
量子随机数生成（QRNG）
在数字时代，随机数是支撑密码通信、数值模拟、人工智能等众多领域的“隐形基础设施”。从银行转账的加密密钥到蒙特卡洛模拟的概率采样，再到网络游戏的公平性验证，都依赖于高质量随机数的保障。然而，传统随机数生成方式始终面临“伪随机”的本质局限，而量子随机数生成（Quantum Random Number Generation, QRNG）凭借量子力学的内禀随机性，为生成“真随机数”提供了唯一的物理本源解决方案，成为新一代信息安全与科学计算的核心技术之一。
2025-09-18
796
5
10
量子计算机的肖尔（Shor）算法
1994 年，美国科学家彼得・肖尔（Peter Shor）在《物理评论 A》发表的论文中，提出了一种基于量子计算原理的算法 —— 肖尔算法。这一突破不仅让量子计算从理论构想走向实际应用的焦点，更直接撼动了延续数十年的传统密码学根基，被视为 “量子计算威胁密码安全” 的标志性起点。
2025-09-18
753
2
1
量子数字签名
量子数字签名是量子时代的安全 “印章”。在数字信息高速流转的今天，如何确保信息的真实性、完整性和不可抵赖性成为关键课题。传统数字签名依赖复杂的数学算法，但随着量子计算机的发展，这类基于计算复杂性的安全体系面临严峻挑战。量子数字签名技术应运而生，它借助量子力学的基本原理构建安全屏障，成为量子通信领域极具应用价值的方向之一。
2025-09-18
687
1
2
后量子密码学与传统密码学的差异解析
后量子密码学（PQC）与传统密码学是适配不同计算威胁环境的两类密码体系，其本质区别贯穿“安全根基、设计目标、算法特性及应用场景”等关键维度。一、核心定位与设计目标传统密码学与后量子密码学的根本分野，源于其对抗的“攻击者算力”存在本质差异——前者聚焦经典计算机，后者靶向量子计算机。
2025-09-17
760
7
10
IT系统中公共资源的依赖追溯
在IT系统设计中，对代码集、数据接口等公共资源的依赖追溯（理清“谁依赖了它、依赖路径是什么”）和依赖计数（统计“被多少对象依赖、依赖类型/强度如何”）是保障系统可维护性、变更安全性和资源治理的核心能力。一、核心目标与前置基础在设计方案前，需明确依赖管理的核心目标：
2025-09-16
597
9
3
后量子密码学（PQC）
当谷歌的Willow量子芯片完成传统超算需10亿亿亿年的计算任务，当微软"马约拉纳1"量子处理器实现技术突破，量子计算的飞速发展正悄然瓦解数字世界的安全根基。RSA、ECC等支撑全球金融交易、军事通信、互联网隐私的传统密码体系，在Shor算法的"量子利刃"面前不堪一击——2048位RSA密钥在成熟量子计算机面前可能只需几小时便被破解。为抵御这场潜在的安全浩劫，后量子密码学（Post-Quantum Cryptography, PQC）应运而生，成为守护数字文明的"量子时代防火墙"。
2025-09-16
590
1
8
量子密钥分发（QKD）
今天，信息安全已成为金融交易、政务通信、军事保密等核心领域的“生命线”。传统加密技术依赖数学算法的计算复杂度构建安全壁垒，但随着量子计算机的快速发展，肖尔算法等量子计算技术可轻松破解RSA、ECC等经典加密体系，人类正面临“密码危机”。而量子密钥分发（Quantum Key Distribution, QKD）凭借量子力学的基本定律，为信息安全提供了“无条件安全”的解决方案，成为抵御未来安全威胁的核心技术。
2025-09-16
777
1
11
知识推理的发展状况
知识推理（Knowledge Reasoning） 是指从已有知识（已知前提）出发，通过某种逻辑或计算手段，推导出隐含的、未知的新知识（结论） 的过程。其核心本质是“基于规则与证据的逻辑推演”，是连接“现有知识”与“未知信息”的桥梁，广泛应用于人工智能、逻辑学、哲学、认知科学等领域，尤其在当前以知识图谱为代表的智能系统中占据核心地位。
2025-09-15
774
8
4
联邦知识推理（FKR）
联邦知识推理是从“数据孤岛”到“协同推理”的必然需求。在数字经济与人工智能深度融合的今天，“数据”已成为驱动智能决策的核心生产资料。然而，出于隐私保护（如医疗数据的患者隐私、金融数据的客户信息）、法规约束（如《通用数据保护条例》GDPR、《个人信息保护法》）与商业竞争等原因，各机构的数据往往被封闭在“数据孤岛”中——无法跨域共享，却又需要通过多源数据的协同推理实现更精准的智能决策（如跨医院的疾病诊断、跨银行的风险评估）。
2025-09-15
993
6
5
可解释知识推理（EKR）
在人工智能从 “感知智能” 向 “认知智能” 跨越的过程中，“知识推理” 是核心能力 —— 它让机器能基于已有知识（如 “鸟类会飞”“企鹅是鸟类”）推导出新结论（“企鹅是否会飞”）。但随着推理模型从传统规则系统向深度学习演进，“黑箱问题” 日益凸显：模型能给出正确结果，却无法说明 “为什么这么推”。此时，可解释知识推理（Explainable Knowledge Reasoning, EKR）应运而生：它不仅要求推理结果准确，更强调推理过程和依据可被人类理解、验证，是解决 AI 信任危机、推动技术落地关键领域的核心支撑。
2025-09-14
705
0
2
因果知识推理
因果知识推理在人工智能（AI）的发展历程中，“预测”与“解释”始终是两大核心目标。早期的机器学习模型，无论是传统的逻辑回归，还是当下主流的深度学习，大多依赖于数据中的统计关联实现预测任务——例如通过用户的历史购买记录推荐商品，通过医学影像的像素特征诊断疾病。然而，关联不等于因果，当数据分布发生变化（如推荐场景中出现新的促销活动）或存在隐藏混杂变量（如医疗场景中未观测到的患者生活习惯）时，纯关联驱动的模型往往会失效。此时，因果知识推理（Causal Knowledge Reasoning）应运而生：它旨在让机器超越对“是什么”（What）的感知，深入理解“为什么”（Why），构建对现实世界因果结构的认知，从而实现更稳健、可解释、符合人类直觉的决策。
2025-09-14
982
3
10
多模态知识推理（MKR）
在人工智能发展的浪潮中，单一模态数据（如文本、图像、语音）的处理能力已趋于成熟，但现实世界的智能决策往往需要融合多种信息形式——医生需结合病历文本与医学影像诊断病情，自动驾驶系统要同步解析路况图像、雷达信号与交通标识文本，这些场景都指向一个核心需求：让机器像人类一样，通过“多模态知识推理”实现跨领域信息的深度融合与逻辑推断。
2025-09-13
951
6
6
- -
© 2021 - 现在 杭州极深数据有限公司 版权所有 （深数据® DEEPDATA® 极深®） 联系我们 
浙公网安备 33018302001059号  浙ICP备18026513号-1号