Efficient Hierarchical Identity-Based Encryption Scheme from Learning with Errors
-
摘要: 格上可固定维数陷门派生的身份基分级加密(hierarchical identity-based encryption, HIBE)体制，因其具有在陷门派生前后格的维数保持不变的特性而受到广泛关注，但这种体制普遍存在陷门派生复杂度过高的问题.针对这一问题，分别给出随机预言模型和标准模型下的改进方案.首先利用MP12陷门函数的特性提出一种优化的Z\-q可逆矩阵提取算法，再基于该优化算法结合固定维数的陷门派生算法和MP12陷门函数完成方案的建立和陷门派生阶段，然后与对偶Regev算法相结合完成随机预言模型下HIBE方案的构造.并且利用二进制树加密系统将该方案改进为标准模型下的HIBE方案.两方案安全性均可归约至LWE问题的难解性，其中随机预言模型下的方案满足适应性安全，而标准模型下的方案满足选择性安全，并给出严格的安全性证明.对比分析表明：在相同的安全性下，随机预言模型下的方案较同类方案在陷门派生复杂度方面显著降低，而标准模型下的方案是同类最优方案的1/6，且格的维数、陷门尺寸和密文扩展率等参数均有所降低，计算效率明显优化.Abstract: Hierarchical identity-based encryption (HIBE) in fixed dimension has drawn wide attention because its lattice dimension keeps unchanged upon delegation, but there is a common defect of high complexity in trapdoor delegation stage of these schemes. Aiming at this problem, we propose two improved HIBE schemes under random oracle model and standard model respectively. We first use the MP12 trapdoor function to construct an optimized Z\-q-invertible matrix sample algorithm. Based on this optimized algorithm, combined with trapdoor delegation algorithm in fixed dimension and MP12 trapdoor function, we design system setup and trapdoor delegation stages. And we complete the HIBE scheme under random oracle model in conjunction with Dual-Regev algorithm. And then, we remove the random oracle by employing binary tree encryption system. The security of both proposed schemes strictly reduce to the hardness of learning with errors (LWE) problem, in which the scheme under random oracle model satisfies the adaptive security while the scheme under standard model satisfies selective security. Comparative analysis shows that, under the same security level, the overhead of trapdoor delegation in our scheme under random oracle model is reduced significantly compared with the relevant schemes, while the overhead of our scheme under standard model is reduced nearly 6 times compared with the relevant optimal schemes. Furthermore, the parameters such as lattice dimension, trapdoor size and ciphertext expansion rate etc., all decrease in some degree, and the computational cost is reduced obviously.
-
-
期刊类型引用(16)
1. 金兰，陈荆亮. 一种用于异常数据流挖掘的改进Apriori算法研究. 计算机仿真. 2025(01): 480-484 . 
百度学术
2. 张文媛，万宇，周选超，吴晓雪，范越鹏. 基于LSTM方法的医疗设备故障预测模型建立. 计量与测试技术. 2025(04): 140-144 . 百度学术
3. 鲁江. 基于模糊聚类的网络敏感数据流动态挖掘. 电子设计工程. 2024(09): 152-155+160 . 百度学术
4. 陈鲜展，沈易成，洪飞扬，石绅. 煤矿掘进工作面瓦斯浓度预测. 工矿自动化. 2024(04): 128-132 . 百度学术
5. 刘淑娟，韩萌，高智慧，穆栋梁，李昂. 数据流上的约束跨层级高效用项集挖掘. 计算机工程与应用. 2024(13): 287-300 . 百度学术
6. 郑浩，王鹰. 嵌入式异构物联网敏感数据流动态挖掘研究. 电子设计工程. 2024(15): 12-15+20 . 百度学术
7. 韩萌，何菲菲，张瑞华，李春鹏，孟凡兴. 生物启发式的模式挖掘方法综述. 计算机工程与应用. 2024(16): 19-33 . 百度学术
8. 欧阳原野. 基于关联规则挖掘算法的集团型企业业务数据管理系统. 电子设计工程. 2024(22): 47-50+57 . 百度学术
9. 肖金桐，温晓楠，李亚娟. 基于最大增益的广域网冗余数据迭代消除仿真. 计算机仿真. 2024(10): 371-375 . 百度学术
10. 单芝慧 ，韩萌 ，韩强 . 基于滑动窗口的数据流高效用模糊项集挖掘. 南京师大学报(自然科学版). 2023(01): 120-129 . 百度学术
11. 戴美玲. 基于改进模糊聚类的网络敏感数据流动态挖掘研究. 保山学院学报. 2023(02): 44-51 . 百度学术
12. 单芝慧，韩萌，韩强. 增量数据上的闭合定量高效用项集挖掘算法. 计算机应用. 2023(07): 2049-2056 . 百度学术
13. 蒋华，李星，王慧娇，韦静海. 基于数据索引结构的跨级高效用项集挖掘算法. 计算机应用. 2023(07): 2200-2208 . 百度学术
14. 单芝慧，韩萌，韩强. 动态数据上的高效用模式挖掘综述. 计算机应用. 2022(01): 94-108 . 百度学术
15. 李慕航，韩萌，陈志强，武红鑫，张喜龙. 基于窗口内投影的闭合高效用模式挖掘. 太原理工大学学报. 2022(02): 257-265 . 百度学术
16. 张妮，韩萌，王乐，李小娟，程浩东. 基于滑动窗口的含负项高效用模式挖掘方法. 郑州大学学报(理学版). 2022(04): 55-63 . 百度学术
其他类型引用(4)
计量
- 文章访问数: 1161
- HTML全文浏览量: 1
- PDF下载量: 565
- 被引次数: 20
下载:
