[论文解读] Polynomial Factorization over Finite Fields By Computing Euler-Poincare Characteristics of Drinfeld Modules

Anand Kumar Narayanan|arXiv (Cornell University)|Apr 28, 2015

Coding theory and cryptography参考文献 27被引用 4

一句话总结

本文提出两种基于有限域上秩2德林费尔德模的欧拉-庞加莱特征的随机化算法，用于多项式因式分解。通过计算这些特征，算法能够在近乎线性时间内推断出因式次数并提取不可约因式，当欧拉-庞加莱特征计算高效时，实现期望时间复杂度为 $\mathcal{O}(n^{4/3} \log^{O(1)}q)$ 的因式分解，从而为突破多项式因式分解中 $3/2$ 指数屏障提供了新途径。

ABSTRACT

We propose and rigorously analyze two randomized algorithms to factor univariate polynomials over finite fields using rank $2$ Drinfeld modules. The first algorithm estimates the degree of an irreducible factor of a polynomial from Euler-Poincare characteristics of random Drinfeld modules. Knowledge of a factor degree allows one to rapidly extract all factors of that degree. As a consequence, the problem of factoring polynomials over finite fields in time nearly linear in the degree is reduced to finding Euler-Poincare characteristics of random Drinfeld modules with high probability. Notably, the worst case complexity of polynomial factorization over finite fields is reduced to the average case complexity of a problem concerning Drinfeld modules. The second algorithm is a random Drinfeld module analogue of Berlekamp's algorithm. During the course of its analysis, we prove a new bound on degree distributions in factorization patterns of polynomials over finite fields in certain short intervals.

研究动机与目标

• 通过利用德林费尔德模的性质，开发高效算法以实现有限域上多项式因式分解。
• 将多项式因式分解问题转化为计算随机德林费尔德模的欧拉-庞加莱特征。
• 通过改进欧拉-庞加莱特征计算的复杂度，打破多项式因式分解中的 $3/2$ 指数屏障。
• 在有限域多项式因式分解的背景下，建立德林费尔德模理论与计算代数之间的新联系。
• 证明有限域上多项式在短区间内因式分解模式中次数分布的新界。

提出的方法

• 第一种算法利用恒等式 $\chi_{\phi,h} = \prod_i \chi_{\phi,p_i}$（其中 $p_i$ 是 $h$ 的不可约因式），计算随机秩2德林费尔德模 $\phi$ 模 $h$ 的欧拉-庞加莱特征 $\chi_{\phi,h}$。
• 它利用盖克勒对哈塞定理的德林费尔德模类比，即 $\chi_{\phi,p_i} = p_i + c_{\phi,i}$，其中 $\deg(c_{\phi,i}) \leq \deg(p_i)/2$，因此 $h$ 与 $\chi_{\phi,h}$ 的首项系数一致。
• 该算法利用 $h$ 与 $\chi_{\phi,h}$ 首项系数的一致性，以至少 $1/4$ 的概率推断出 $h$ 的最小不可约因式的次数。
• 第二种算法是贝瑞克朗普算法的德林费尔德模类比，利用随机德林费尔德模通过模块中随机元素的零化子寻找非平凡因式。
• 该方法依赖于对因式分解模式的概率分析，证明当 $\log q \geq 5n\log n$ 时，通过 $\gcd(h, \phi_{\text{Ord}(\alpha)/f}(\alpha))$ 检测到因式的概率有正的下界。
• 该方法利用中国剩余定理，确保模素理想下模块参数的均匀分布，从而在因式检测上提供概率保证。

实验结果

研究问题

• RQ1 能否利用随机德林费尔德模的欧拉-庞加莱特征来确定有限域上平方自由多项式最小不可约因式的次数？
• RQ2 能否在近乎线性时间内完成欧拉-庞加莱特征的计算，从而实现多项式因式分解的子-$3/2$ 指数算法？
• RQ3 有限域上多项式在短区间内的因式次数分布为何？这对因式分解算法的效率有何影响？
• RQ4 基于德林费尔德模的算法能否仅通过 $O(1)$ 次对计算欧拉-庞加莱特征的预言机查询，实现完全因式分解？
• RQ5 通过德林费尔德模零化子检测非平凡因式的概率在何种条件下保持远离零？

主要发现

• 当 $n \leq \sqrt{q}/2$ 时，使用随机德林费尔德模 $\phi$，可在 $O(n\log q)$ 时间内以至少 $1/4$ 的概率从 $\chi_{\phi,h}$ 推断出平方自由多项式 $h$（次数为 $n$）的最小因式次数。
• 若存在一个预言机 $\mathcal{B}$，可在 $\widetilde{\mathcal{O}}(n\log^{O(1)}q)$ 时间内计算 $\chi_{\phi,h}$，则该算法可在 $\widetilde{\mathcal{O}}(n^{4/3}\log^{O(1)}q)$ 期望时间内完成 $h$ 的因式分解。
• 若预言机 $\mathcal{B}$ 的运行时间为 $\widetilde{\mathcal{O}}(n\log^{O(1)}q)$，且假设 $\omega = 2$，则 $h$ 的完全因式分解可在 $\widetilde{\mathcal{O}}(n^{4/3}\log^{O(1)}q)$ 期望时间内完成。
• 当 $\omega = 2$ 时，一种计算 $\chi_{\phi,h}$ 的随机化算法可导出运行时间指数为 $3/2$ 的完整因式分解算法（以输入次数为基准）。
• 当 $q$ 为奇数且 $\log q \geq 5n\log n$ 时，每轮试验检测到非平凡因式的概率至少为 $c > 0$，且通过 $\gcd(h, \phi_{\text{Ord}(\alpha)/f}(\alpha))$ 检测到因式的概率有正的下界。
• 该方法对域扩张具有鲁棒性：若 $\sqrt{q} < 2n$，可在有限扩张 $\mathbb{F}_{q'}$ 上工作，满足 $\sqrt{q'} \geq 2n$，仅引入多对数级的额外开销。