线性反馈移位寄存器 - LFSR¶
介绍¶
线性反馈移位寄存器的反馈函数一般如下
a_{i+n}=\sum\limits_{j=1}^{n}c_ja_{i+n-j}
其中,c_j 均在某个有限域 F_q 中。
既然线性空间是一个线性变换,我们可以得知这个线性变换为
进而,我们可以求得其特征多项式为
f(x)=x^n-\sum\limits_{i=1}^{n}c_ix^{n-i}
同时,我们定义其互反多项式为
\overline f(x)=x^nf(\frac{1}{x})=1-\sum\limits_{i=1}^{n}c_ix^{i}
我们也称互反多项式为线性反馈移位寄存器的联结多项式。
这里有一些定理需要我们记一下,感兴趣的可以自行推导。
特征多项式与生成函数¶
已知某个 n 级线性反馈移位寄存器的特征多项式,那么该序列对应的生成函数为
A(x)=\frac{p(x)}{\overline f(x)}
其中,p(x)=\sum\limits_{i=1}^{n}(c_{n-i}x^{n-i}\sum\limits_{j=1}^{i}a_jx^{j-1})。可以看出 p(x) 完全由初始状态和反馈函数的系数决定。
序列周期与生成函数¶
序列的的周期为其生成函数的既约真分式的分母的周期。
对于 n 级线性反馈移位寄存器,最长周期为 2^{n-1}(排除全零)。达到最长周期的序列一般称为 m 序列。
特殊性质¶
- 将两个序列累加得到新的序列的周期为这两个序列的周期的和。
- 序列是 n 级 m 序列,当且仅当序列的极小多项式是 n 次本原多项式。
B-M 算法¶
一般来说,我们可以从两种角度来考虑 LFSR
- 密钥生成角度,一般我们希望使用级数尽可能低的 LFSR 来生成周期大,随机性好的序列。
- 密码分析角度,给定一个长度为 n 的序列 a,如何构造一个级数尽可能小的 LFSR 来生成它。其实这就是 B-M 算法的来源。
一般来说,我们定义一个序列的线性复杂度如下
- 若 s 为一个全零序列,则线性复杂度为0。
- 若没有 LFSR 能生成 s,则线性复杂度为无穷。
- 否则,s 的线性复杂度为生成 L(s) 的最小级的 LFSR。
BM 算法的要求我们需要知道长度为 2n 的序列。其复杂度
- 时间复杂度:O(n^2) 次比特操作
- 空间复杂度:O(n) 比特。
关于 BM 算法的细节,后续添加,目前处于学习过程中。
但是其实如果我们知道了长度为 2n 的序列,我们也可以一种比较笨的方法来获取原先的序列。不妨假设已知的序列为a_1,...,a_{2n},我们可以令
S_1=(a_1,...,a_n)
S_2=(a_2,...,a_{n+1})
....
S_{n+1}=(a_{n+1},...,a_{2n})
那么我们可以构造矩阵 X=(S_1,...,S_n),那么
S_{n+1}=(c_n,...,c_1)X
所以
(c_n,...,c_1)=S_{n+1}X^{-1}
进而我们也就知道了 LFSR 的反馈表达式,进而我们就可以推出初始化种子。
2018 强网杯 streamgame1¶
简单看一下题目
from flag import flag assert flag.startswith("flag{") assert flag.endswith("}") assert len(flag)==25 def lfsr(R,mask): output = (R << 1) & 0xffffff i=(R&mask)&0xffffff lastbit=0 while i!=0: lastbit^=(i&1) i=i>>1 output^=lastbit return (output,lastbit) R=int(flag[5:-1],2) mask = 0b1010011000100011100 f=open("key","ab") for i in range(12): tmp=0 for j in range(8): (R,out)=lfsr(R,mask) tmp=(tmp << 1)^out f.write(chr(tmp)) f.close()
可以发现,flag 的长度为25-5-1=19,所以可以暴力枚举。结果
➜ 2018-强网杯-streamgame1 git:(master) ✗ python exp.py 12 0b1110101100001101011
因此 flag 为 flag{1110101100001101011}。
2018 CISCN 初赛 oldstreamgame¶
简单看一下题目
flag = "flag{xxxxxxxxxxxxxxxx}" assert flag.startswith("flag{") assert flag.endswith("}") assert len(flag)==14 def lfsr(R,mask): output = (R << 1) & 0xffffffff i=(R&mask)&0xffffffff lastbit=0 while i!=0: lastbit^=(i&1) i=i>>1 output^=lastbit return (output,lastbit) R=int(flag[5:-1],16) mask = 0b10100100000010000000100010010100 f=open("key","w") for i in range(100): tmp=0 for j in range(8): (R,out)=lfsr(R,mask) tmp=(tmp << 1)^out f.write(chr(tmp)) f.close()
程序很简单,仍然是一个 LFSR,但是初态是 32 比特位,当然,我们也可以选择爆破,但是这里不选择爆破。
这里给出两种做法。
第一种做法,程序输出的第 32 个比特是由程序输出的前 31 个比特和初始种子的第 1 个比特来决定的,因此我们可以知道初始种子的第一个比特,进而可以知道初始种子的第 2 个比特,依次类推。代码如下
mask = 0b10100100000010000000100010010100 b = '' N = 32 with open('key', 'rb') as f: b = f.read() key = '' for i in range(N / 8): t = ord(b[i]) for j in xrange(7, -1, -1): key += str(t >> j & 1) idx = 0 ans = "" key = key[31] + key[:32] while idx < 32: tmp = 0 for i in range(32): if mask >> i & 1: tmp ^= int(key[31 - i]) ans = str(tmp) + ans idx += 1 key = key[31] + str(tmp) + key[1:31] num = int(ans, 2) print hex(num)
运行
➜ 2018-CISCN-start-oldstreamgame git:(master) ✗ python exp1.py 0x926201d7
第二种做法,我们可以考虑一下矩阵转换的过程,如果进行了 32 次线性变换,那么就可以得到输出流前 32 个比特。而其实,我们只需要前 32 个比特就可以恢复初始状态了。
mask = 0b10100100000010000000100010010100 N = 32 F = GF(2) b = '' with open('key', 'rb') as f: b = f.read() R = [vector(F, N) for i in range(N)] for i in range(N): R[i][N - 1] = mask >> (31 - i) & 1 for i in range(N - 1): R[i + 1][i] = 1 M = Matrix(F, R) M = M ^ N vec = vector(F, N) row = 0 for i in range(N / 8): t = ord(b[i]) for j in xrange(7, -1, -1): vec[row] = t >> j & 1 row += 1 print rank(M) num = int(''.join(map(str, list(M.solve_left(vec)))), 2) print hex(num)
运行脚本
➜ 2018-CISCN-start-oldstreamgame git:(master) ✗ sage exp.sage 32 0x926201d7
从而 flag 为 flag{926201d7}。
还有一种做法是 TokyoWesterns 的,可以参考对应的文件夹的文件。
题目¶
参考文献¶
- 密码学讲义,李超,屈龙江编著
本页面的全部内容在 CC BY-NC-SA 4.0 协议之条款下提供,附加条款亦可能应用。