[论文解读] On the Closest Vector Problem with a Distance Guarantee

Daniel Dadush, Oded Regev+1 more|arXiv (Cornell University)|Sep 29, 2014

Cryptography and Data Security参考文献 24被引用 11

一句话总结

本文提出了一种显著更高效的最近向量问题带预处理（CVPP）算法，实现了与最短向量长度成常数倍数的距离保证。通过利用稀疏化和Kannan的思想，该算法减少了预处理大小和运行时间，仅使用 O(n) 个预处理向量即实现了 O(n) 的近似因子，优于此前 O(n^{1.5}) 的界限。

ABSTRACT

We present a substantially more efficient variant, both in terms of running time and size of preprocessing advice, of the algorithm by Liu, Lyubashevsky, and Micciancio for solving CVPP (the preprocessing version of the Closest Vector Problem, CVP) with a distance guarantee. For instance, for any $α< 1/2$, our algorithm finds the (unique) closest lattice point for any target point whose distance from the lattice is at most $α$ times the length of the shortest nonzero lattice vector, requires as preprocessing advice only $N \approx \widetilde{O}(n \exp(α^2 n /(1-2α)^2))$ vectors, and runs in time $\widetilde{O}(nN)$. As our second main contribution, we present reductions showing that it suffices to solve CVP, both in its plain and preprocessing versions, when the input target point is within some bounded distance of the lattice. The reductions are based on ideas due to Kannan and a recent sparsification technique due to Dadush and Kun. Combining our reductions with the LLM algorithm gives an approximation factor of $O(n/\sqrt{\log n})$ for search CVPP, improving on the previous best of $O(n^{1.5})$ due to Lagarias, Lenstra, and Schnorr. When combined with our improved algorithm we obtain, somewhat surprisingly, that only O(n) vectors of preprocessing advice are sufficient to solve CVPP with (the only slightly worse) approximation factor of O(n).

研究动机与目标

• 解决先前 CVPP 算法效率低下的问题，这些算法为实现常数因子距离保证需要超多项式时间的预处理建议。
• 在拉加里亚斯、伦施泰因和施诺尔长期保持的 O(n^{1.5}) 边界之外，进一步改进 CVPP 的近似因子。
• 证明仅需 O(n) 个预处理向量即可实现 O(n) 的近似因子，挑战了关于建议大小与近似质量之间权衡的先前假设。
• 建立归约关系，表明在格的有界距离内求解 CVPP 即足以解决一般性 CVPP 问题，从而简化问题结构。
• 研究格上周期高斯函数的结构，以理解其局部极大值及其对近似算法的影响。

提出的方法

• 提出 Liu-Lyubashevsky-Micciancio (LLM06) 算法的一种新型变体，优化了预处理建议大小和运行时间。
• 应用 [DK13] 中的稀疏化技术，在保持距离保证的同时减少了预处理中所需的格向量数量。
• 利用 Kannan 的归约框架，证明在有界距离内（例如 O(√n)）求解 CVPP 即足以解决一般性问题。
• 利用周期高斯函数 f(t) = ρ(L + t)/ρ(L) 分析格点的分布，并指导对靠近向量的搜索。
• 分析 f(t) 的 Hessian 矩阵，证明在距离格 λ₁/√2 处存在非全局局部极大值，此时 f(t) 指数接近 1。
• 通过概率分析和对称性论证，表明以常数概率，候选向量 y_c 可提供对目标 t 的良好近似。

实验结果

研究问题

• RQ1 CVPP 算法的预处理大小和运行时间能否在保持常数因子距离保证的前提下显著降低？
• RQ2 是否可能仅用 O(n) 个预处理向量即实现 CVPP 的 O(n) 近似因子？
• RQ3 周期高斯函数 f(t) 与目标附近格点几何结构之间存在何种结构性关系？
• RQ4 f(t) 是否在格的有界距离处存在非全局局部极大值，以及它们如何影响近似算法？
• RQ5 能否构建归约，使 CVPP 问题可限制在格的有界距离输入范围内而不失一般性？

主要发现

• 所提算法仅需 Õ(nN) 时间和 Õ(N) 的预处理建议，其中 N ≈ ˜O(n exp(α²n/(1−2α)²))，适用于距离保证 α < 1/2，显著优于 LLM06。
• 对于任意 α < 1/2，当目标位于最短向量长度的 α 倍范围内时，该算法可找到唯一的最近格向量。
• 通过结合归约与改进后的算法，仅需 O(n) 个预处理向量即可实现 CVPP 的 O(n) 近似因子。
• 本文证明，仅用极少建议即可实现 O(n) 的近似因子，优于 LLS90 所提供的先前最优结果 O(n^{1.5})。
• 周期高斯函数 f(t) 在距离格 λ₁(ℒ)/√2 处存在非全局局部极大值，且 f(t) 指数接近 1，表明局部搜索方法可能失效。
• 在这些局部极大值处，f(t) 的 Hessian 矩阵为负定，确认其为严格局部极大值，尽管并非全局极大值。