[论文解读] A modular framework for randomness extraction based on Trevisan's construction

Wolfgang Mauerer, Christopher Portmann+1 more|arXiv (Cornell University)|Dec 3, 2012

Complexity and Algorithms in Graphs参考文献 25被引用 19

一句话总结

本文提出了一种高性能、模块化的Trevisan随机性提取器实现，能够使用短种子从弱随机源中高效且安全地提取出均匀随机性。与先前工作相比，该实现将吞吐量提高了数个数量级，可扩展至真实数据规模，并为量子密钥分发系统中的量子安全隐私放大提供了显式的非渐近界。

ABSTRACT

Informally, an extractor delivers perfect randomness from a source that may be far away from the uniform distribution, yet contains some randomness. This task is a crucial ingredient of any attempt to produce perfectly random numbers---required, for instance, by cryptographic protocols, numerical simulations, or randomised computations. Trevisan's extractor raised considerable theoretical interest not only because of its data parsimony compared to other constructions, but particularly because it is secure against quantum adversaries, making it applicable to quantum key distribution. We discuss a modular, extensible and high-performance implementation of the construction based on various building blocks that can be flexibly combined to satisfy the requirements of a wide range of scenarios. Besides quantitatively analysing the properties of many combinations in practical settings, we improve previous theoretical proofs, and give explicit results for non-asymptotic cases. The self-contained description does not assume familiarity with extractors.

研究动机与目标

• 为量子密码学和模拟等实际应用提供一种实用且高性能的Trevisan随机性提取器实现。
• 实现对大规模数据集的可扩展性——其规模相比先前工作提高了10个数量级，且提取出的随机性超过种子大小。
• 提供一个模块化框架，允许灵活组合构建模块，以根据特定应用需求定制提取器。
• 改进并澄清量子安全性的理论证明，为提取器性能提供显式的非渐近界。
• 为实验人员提供一个自包含的指南，使其无需深入理论背景即可部署提取器。

提出的方法

• 该框架采用模块化架构实现Trevisan的提取器，其中不同组件（如一位提取器和弱设计）可灵活组合。
• 采用弱$(m,t,r,d)$-设计来组织种子使用，确保子集之间重叠度低，从而支持强提取器特性。
• 以一位量子安全提取器为基础，通过Trevisan的方法进行组合，从而获得具有更高安全性和效率的完整提取器。
• 弱设计通过有限域和递归划分构建，参数经调优以最小化重叠，并确保$r=1$或$r<2e$。
• 理论分析证明，所得提取器是一个量子安全$(k+rm+\log 1/\varepsilon, 3m\sqrt{\varepsilon})$-强提取器，且具有显式的非渐近界。
• 实现经过性能优化，吞吐量相比先前实现（如Ma et al. (2012)）高出数个数量级。

实验结果

研究问题

• RQ1 如何在实践中高效实现Trevisan的随机性提取器，以处理大规模数据集？
• RQ2 哪些模块化设计选择能够实现提取器在多样化应用中的高性能与灵活性？
• RQ3 提取器的非渐近参数如何影响其在量子安全环境下的安全性与效率？
• RQ4 Trevisan提取器的理论量子安全性是否可在实际实现中具体量化并验证？
• RQ5 与先前工作相比，该实现的吞吐量和可扩展性表现如何？

主要发现

• 该实现的吞吐量相比Ma et al. (2012)的先前工作高出数个数量级，支持大规模数据集的实时处理。
• 该框架成功扩展至超过10个数量级大于Ma et al. (2012)所考虑的数据集规模，且在该规模下提取出的随机性超过种子大小。
• 理论分析确认，该提取器是一个量子安全$(k+rm+\log 1/\varepsilon, 3m\sqrt{\varepsilon})$-强提取器，且具有显式的非渐近界。
• 弱设计构造确保$r=1$或$r<2e$，最小化重叠，从而在种子相关性最小时实现强提取器行为。
• 完整源代码以GPL v2协议发布，支持自由使用、修改和集成到科研与商业系统中。
• 该实现表明，在提取随机性超过种子大小的场景下，Trevisan提取器优于两均匀哈希，验证了其理论优势。