[논문 리뷰] A faster method for computing Gama-Nguyen-Regev's extreme pruning coefficients

Yoshinori Aono|arXiv (Cornell University)|2014. 06. 02.

Coding theory and cryptography참고 문헌 11인용 수 3

한 줄 요약

이 논문은 감마-낭옌-레게브의 극단적 프루닝 기법의 계산 비용을 크게 줄이기 위해 보간 기반 근사법을 사용하여 레이티스 벡터 순서 정렬에 대한 근사 최적 프루닝 계수를 더 빠르게 계산하는 방법을 제안한다. 사전에 핵심 파라미터에 대한 최적화된 계수를 계산하고, 적응형 확률 보정을 통해 보간함으로써 차원 수가 200 이하인 경우 3초 이내에 근사 최적 성능을 달성하며, 성공 확률 오차는 1% 미만이다.

ABSTRACT

This paper considers Gama-Nguyen-Regev's strategy [GNR10] for optimizing pruning coefficients for lattice vector enumeration. We give a table of optimized coefficients and proposes a faster method for computing near-optimized coefficients for any parameters by interpolation. From the first version published in 2014, we inserted new Section 3.3 to introduce our recent technique to compute approximations of enumeration cost and success probability; both are completed in O(n^2) floating point operations where n is the lattice dimension. For readers who are interested in this topic, we keep the descriptions of our heuristic optimization method in Section 4 although they are outdated now.

연구 동기 및 목표

• 감마-낭옌-레게브가 제안한 극단적 프루닝을 포함한 레이티스 순서 정렬 알고리즘에서 프루닝 계수 최적화의 높은 계산 비용을 해결하기 위해.
• 광범위한 사용에 부적합한 너무 느린 몬테카를로 기반 최적화 방법에 대한 실용적인 대안을 제공하기 위해.
• 재실행이 필요한 고비용 시뮬레이션 없이도 임의의 레이티스 차원과 헤르미트 인자에 대해 근사 최적 프루닝 계수를 생성하기 위해.
• GNR 계수의 스케일링된 근사치를 더 정밀한 보간된 값으로 대체함으로써 암호 분석 추정치의 정확도를 향상시키기 위해.
• 레이티스 기반密码학에서 BKZ 유형 알고리즘에 대한 성능 예측을 더 빠르고 정확하게 가능하게 하기 위해.

제안 방법

• 기하 급수 가정을 만족하는 레이티스를 대상으로 감마-낭옌-레게브의 히우리스틱 방법을 사용해 기본 파라미터 세트(n, δ, p₀)에 대한 최적화된 프루닝 계수를 사전 계산한다.
• 차원 수 n = 60, 80, ..., 200 사이에서 다항 보간을 통해 중간 차원에 대한 계수 곡선을 생성한다.
• 헤르미트 인자 δ ∈ [1.005, 1.02] 범위에서 보간을 적용하여 임의의 δ 값에 대한 계수 생성을 확장한다.
• 성공 확률이 목표 p₀와 일치하도록 보간된 곡선을 조정하기 위해 수정 상수 a를 사용하는 확률 보정 메커니즘을 도입한다.
• 각 보간 곡선에 대해 성공 확률의 하한 L과 상한 U를 계산하고, p₀ = aL + (1−a)U 를 만족하는 a를 구한다.
• 합쳐진 곡선 Rᵢ² = c·(Rᵢᴸ)² + (1−c)·(Rᵢᵁ)² 에 대해 이진 탐색을 수행하여 목표 확률을 달성하는 c를 찾으며, 이때 적응형 a 값을 사용한다.

실험 결과

연구 질문

• RQ1 감마-낭옌-레게브의 원래 몬테카를로 기반 방법보다 레이티스 순서 정렬을 위한 프루닝 계수를 더 효율적으로 계산할 수 있는가?
• RQ2 사전에 계산된 최적화된 계수를 기반으로 보간을 수행할 경우, 임의의 레이티스 파라미터에 대해 근사 최적 결과를 얼마나 잘 도출할 수 있는가?
• RQ3 최소한의 부피 계산 수로 보간된 프루닝 곡선의 성공 확률을 얼마나 정확하게 보정할 수 있는가?
• RQ4 노드 수와 성공 확률 측면에서, 보간된 계수의 성능이 감마-낭옌-레게브 원본 계수의 스케일링된 버전과 비교해 어떻게 되는가?
• RQ5 실용적인 레이티스 차원 수(예: n ≤ 200)에서 하위 초 단위 런타임으로 근사 최적성을 달성하면서도 높은 정확도를 유지할 수 있는가?

주요 결과

• 제안된 방법은 레이티스 차원 수가 200 이하인 경우 원래 방법의 무거운 몬테카를로 비용에 비해 3초 이내에 근사 최적 프루닝 계수를 계산한다.
• 확률 보정을 거친 후 보간 기반 접근법은 난이도 있는 보간 대비 성공 확률 오차를 1% 이하로 줄였다.
• δ = 1.01 이고 p₀ = 0.01 인 경우, 수정 상수 a는 n=140일 때 0.3200에서 n=61일 때 0.4858 사이를 오가며 홀짝 차원에 따라 의존성을 보인다.
• BKZ-20(δ = 1.0128, n = 110)에 대해 목표 확률 p₀ = 0.6·2⁻ᶠ (f = 0,1,4,10,15)를 달성하는 데 성공적으로 계수 곡선을 생성하였다.
• GNR 계수의 스케일링된 버전 대비 순서 정렬 노드 수가 최대 15% 감소하였으며, GNR 대비 제안된 방법의 노드 수 비율은 항상 1.15 이하로 유지되었다.
• 보간 및 보정 이후에도 프루닝 계수의 단조성과 범위(0 ≤ Rᵢ ≤ 1)를 유지하여 레이티스 순서 정렬에서의 정확성을 보장한다.