基于双线性配对的密码学算法

  1、数据加密原理

  我们将构建一个高效无证书签密方案。因为转换不能识别的范式加密和签名方案成组合证书协议,我们采用扩展传统的签密法的做法用无证书密钥验证机制,以基于身份的技术来配对验证关联的公共密钥。

传统的密码系统按照用户选择自己的私钥范式,计算对应的公钥,并提交给认证机构,其验证他们的身份,并颁发证书连接这些身份和公共密钥。此在创建一个认证的基础设施需要数字证书管理(也被称为公钥基础结构,或PKI)可能被证明繁琐的维护。沙米尔引入的基于身份的(IB)密码学的概念在试图减轻PKI的负担。在IB加密,私钥不是由用户选择的,而是发出由受信任的权威称为密钥生成局(KGB)或信托机构(TA)和公共密钥由任意的字符串替换代表用户的身份,避免需要证书完全。在另一方面,它具有隐含建立一个密钥托管机构的缺点,由于克格勃具有从任何用户恢复机密信息的能力。

  我们遵循一个相当独特的方法,设计一个无证书签密方法。代替与结合基于身份的加密方法的同样基于身份的签名方案,并将结果转换为无证书协议中,我们与传统的签名延长证书的加密方法方案,但要避免使用证书后者组件使用基于身份的技术来验证公共验证密钥。

无证书公钥密码体制是在基于身份的公钥密码体制的基础上提出来的一类新型公钥密码体制。它既保持了基于身份的公钥密码体制不需要使用公钥证书的优点, 又较好地解决了它所固有的密钥托管问题。签密把公钥加密和数字签名有机结合在一起, 能够在一个合理的逻辑步骤内同时完成公钥加密和数字签名两项功能, 而其计算量和通信成本都要低于传统的“先签名后加密”模式。

  在基于身份的加密体制中,发送者可以在接收者还没有私钥的情况下加密一个消息给接收者,接收者可以在收到密文之后,才向PKG申请私钥进行解密,这是基于身份的密码体制的一个重要特征。而无证书加密体制,设置私钥和设置公钥在设置秘密值之后运行,都有用户自己来完成,用户的私钥实际上用有两部分,解决了基于身份的密码体制中的秘钥托管问题,也消除了基于PKI的密码体制中的公钥证书了。

  2、加密算法改进

将BLMQ体制签名、SCHorr签名和zheng签名结合的无证书签名方案,并参照Al-Riyami和Paterson的原始CL-PKC模型,使用户可以为了基于身份认证的密钥和各自的身份而独立的选择常见却未认证的密钥对,这些密钥可以通过基于身份的原理来验证是否有效。

鉴于本系统的运用场景,在原有的方案上进行了优化,增加了参数,在解密部分进行先验证后解密的方案,目的在于提高加解密效率,只对验证为真实的消息进行解密。

  3、 加密算法方面

  (1)本项目构建高效的无证书加密方案,相对于一般的范例,将基于身份的加密和签名方案转变为组合的无证书协议,采用无证书加密验证机制扩展传统签名加密方法,根据基础的基于身份认证的技术,配对用于验证相关的公钥。只要这个验证的应摊成本很低,结果会像基础的加密一样的高效。

  (2)它既保持了基于身份的公钥密码体制不需要使用公钥证书的优点,又较好地解决了它所固有的密钥托管问题.签密把公钥加密和数字签名有机结合在一起,能够在一个合理的逻辑步骤内同时完成公钥加密和数字签名两项功能,而其计算量和通信成本都要低于传统的"先签名后加密"模式.

  (3)使用基于双线性配对的无证书签名加密算法使用到无线传感器网络中。构建一个高效的无证书加密方案,相对于一般的范例,将基于身份的加密和签名方案转变为组合的无证书协议,采用无证书加密验证机制扩展传统签名加密方法,根据基础的基于身份认证的技术,配对用于验证相关的公钥。只要这个验证的应摊成本很低,结果会像基础的加密一样的高效。

  (4)在将PBC加密算法植入内存和处理速度有限的无线传感器中(无线传感器使用51内核),其中的ROM由于只有4K并且还要处理传感器自身的信息发送、传感器信号的检测及外设器件的状态监管,因此在无线传感器网路中使用极有挑战性。

时间: 2024-10-20 05:03:21

基于双线性配对的密码学算法的相关文章

基于位置信息的聚类算法介绍及模型选择

百度百科 聚类:将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类.由聚类所生成的簇是一组数据对象的集合,这些对象与同一个簇中的对象彼此相似,与其他簇中的对象相异."物以类聚,人以群分",在自然科学和社会科学中,存在着大量的分类问题.聚类分析又称群分析,它是研究(样品或指标)分类问题的一种统计分析方法.聚类分析起源于分类学,但是聚类不等于分类.聚类与分类的不同在于,聚类所要求划分的类是未知的. 分类和聚类算法一直以来都是数据挖掘,机器学习领域的热门课题,因此产生了众多的

Mahout实现基于用户的协同过滤算法

Mahout中对协同过滤算法进行了封装,看一个简单的基于用户的协同过滤算法. 基于用户:通过用户对物品的偏好程度来计算出用户的在喜好上的近邻,从而根据近邻的喜好推测出用户的喜好并推荐. 图片来源 程序中用到的数据都存在MySQL数据库中,计算结果也存在MySQL中的对应用户表中. package com.mahout.helloworlddemo; import java.sql.Connection; import java.sql.DatabaseMetaData; import java.

基于用户的协同过滤算法(UserCF)

基于用户的协同过滤算法: 找到和目标用户相似的用户集合 找到这个集合中用户喜欢的但目标用户没有听过的物品 #encoding: utf-8 from Similarity import Person from Sort import select_sort file=open('user_bookmark','r') filew=open('user_bookRecommend','w') #加载训练集 trainSet={} while True: line=file.readline().s

通用高校排课算法研究----3.基于时间片优先级排课算法

通用高校排课算法研究----3.基于时间片优先级排课算法 3   基于时间片优先级排课算法描述与分析 排课问题实质上是时间.教师.班级.教室.课程这五维关系的冲突问题,要合理的解决这个问题首先要了解排课中的一些基本原则以及排课的一些基本要求. 3.1排课中的基本原则 在课程的编排中应遵循一定的规则, 只有按照基本规则来进行课程的编排才能够减少冲突的发生, 这些基本规则主要有以下几条: 1) 同一班级的学生在同一时间(某些特定的选修课时间除外) 不能安排两门课程 2) 同一教师在同一时间不能安排两

图像算法---基于局部均值的锐化算法研究

图像锐化算法是图像处理中经常用到的基础算法,在Photoshop中,使用的是USM锐化,但是这种锐化速度比较慢,今天,介绍一种很简单的锐化算法:基于均值滤波的锐化算法. 本文要介绍的这个算法,来源于论文<Digital image enhancement and noise fitering by using local statistics>. 算法过程如下: 1,计算窗口范围内的均值: 其中公式(1)为均值计算公式 ,公式(2)为方差计算公式,公式(2)暂时没有用到. 2,锐化公式: 2.

基于请求的分布式互斥算法

一个悲剧的文章,研究的东西确实比较老,但是因为这些研究,让我对分布式的底层的关系有了更加清晰的认识,也算是不枉此功. 下面贴出来核心的部分. 引言 分布式系统中的一组进程可能会同时访问一个资源或者同时执行一个给定的函数,我们称这些资源或者函数为临界区(Critical Section),若不加控制的话,会造成资源或者环境的不一致的现象.保证任何给定时刻只允许一个进程或者给定的进程去执行临界区的算法称为互斥算法.互斥也可以称为并发控制. 这个问题最早由Dijkstra[1]在1965年提出.互斥可

中文分词算法 之 基于词典的全切分算法

在使用 基于词典 的分词方法的时候,如果我们解决了下面4个问题: 1.如何把一句话中所有的词找出来呢?只要词典中有就一定要找出来. 2.如何利用1中找出来的词组合成完整的句子?组合成的句子要和原句一样. 3.如何保证2中组合而成的句子包含了所有可能的词序? 4.如何从所有可能的词序中选择最完美的一种作为最终的分词结果? 那么我们的分词方法称之为:基于词典的全切分算法. 下面我们以一个实例来说明,比如句子:中华人民共和国. 假设词典中包含如下词: 中华人民共和国 中华人民 中华 华人 人民共和国

推荐算法之基于物品的协同过滤算法

基于物品的协同过滤算法(ItemCF)是业界应用最多的算法,主要思想是利用用户之前有过的行为,给用户推荐和之前物品类似的物品. 基于物品的协同过滤算法主要分为两步: 1)计算物品之间的相似度. 2)依据物品的相似度和用户的历史行为给用户生成推荐列表. 第一步的关键点在于计算物品之间的相似度,这里并不採用基于内容的相似性,而是去计算在喜欢物品i的用户中有多少是喜欢物品j的,这样计算的前提是用户的兴趣爱好通常是比較确定的,不easy变,那么当一个用户对两个物品都喜欢的时候,我们往往能够觉得这两个物品

mahout demo——本质上是基于Hadoop的分步式算法实现,比如多节点的数据合并,数据排序,网路通信的效率,节点宕机重算,数据分步式存储

摘自:http://blog.fens.me/mahout-recommendation-api/ 测试程序:RecommenderTest.java 测试数据集:item.csv 1,101,5.0 1,102,3.0 1,103,2.5 2,101,2.0 2,102,2.5 2,103,5.0 2,104,2.0 3,101,2.5 3,104,4.0 3,105,4.5 测试程序:org.conan.mymahout.recommendation.job.RecommenderTest.