Lattigo项目安全更新:CKKS自举算法中的密钥层级修复
项目背景
Lattigo是一个开源的Go语言实现的同态加密库,专注于格密码学方案。它实现了多种先进的同态加密算法,包括CKKS方案,该方案支持对复数进行近似计算,广泛应用于隐私保护的机器学习等领域。CKKS自举(Bootstrapping)是该方案中的关键技术,允许在有限计算深度下进行无限次计算。
安全问题分析
在最新发布的Lattigo v6.1.1版本中,修复了一个涉及CKKS自举算法中密钥层级的安全问题。该问题存在于DenseToSparse评估密钥(EvkDenseToSparse)的生成过程中。
在CKKS自举算法的默认实现中,使用了两种密钥:
- 常规密钥:用于电路中的主要计算
- 稀疏密钥:专门用于自举过程中的模提升(ModRaise)步骤
问题核心在于,EvkDenseToSparse评估密钥本应在最低层级(模pq)生成,以确保稀疏密钥提供的128位安全性。然而,在v5.0.0至v6.1.0版本中,该密钥被错误地在更高层级(模PQ,其中PQ ≫ pq)生成。
安全影响评估
虽然这个问题不会导致实际攻击,但它确实降低了系统的理论安全保证:
- 安全强度从设计的128位降至约106位
- 对于大多数实际应用场景,106位的安全性仍然足够
- 但不符合密码学领域对关键系统128位安全性的标准要求
值得注意的是,这个问题仅影响使用CKKS自举功能的用户。如果仅使用基本的CKKS加密操作而不涉及自举,则不受此问题影响。
技术原理深入
在CKKS自举过程中,EvkDenseToSparse评估密钥的作用是将密文从常规密钥切换到稀疏密钥。稀疏密钥的特殊结构使其在模pq时能提供128位安全性,但在更高模数下,其安全保证会降低。
这种安全性降低源于RLWE(带误差的环学习)问题的数学特性。当模数增大时,解决相关的格问题会变得相对容易,从而降低了攻击难度。在密码学设计中,确保所有组件在最坏情况下都能满足安全要求是至关重要的。
修复方案
v6.1.1版本中的修复措施是确保EvkDenseToSparse评估密钥在正确的层级(模pq)生成。这一修改恢复了系统完整的128位安全性保证。
对于技术实现细节:
- 修复涉及密钥生成算法的调整
- 确保所有自举相关操作都使用适当层级的密钥材料
- 保持与之前版本相同的功能接口,确保兼容性
用户行动建议
所有使用Lattigo库并启用CKKS自举功能的用户应立即升级至v6.1.1版本。升级步骤通常包括:
- 更新go.mod文件中的依赖版本
- 重新构建应用程序
- 重新生成所有持久化的自举密钥材料(如果适用)
对于不使用自举功能的用户,虽然不受此问题影响,但仍建议计划性升级以获得其他可能的改进和修复。
总结
Lattigo团队对安全问题的快速响应体现了对密码学系统严谨性的重视。这次更新虽然针对的是一个理论风险大于实际威胁的问题,但遵循了密码学最佳实践——任何偏离设计安全目标的情况都应被及时纠正。这也提醒开发者,在实现复杂密码学方案时,需要对每个组件的安全假设保持高度警觉。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00