目录
一. SIS问题的困难性
二. SIS问题归约的性质
2.1 2004年 [MR04]
2.2 2008年 【GPV08】
2.3 2013年【MP13】
三. 归约证明
3.1 核心理解
3.2 归约步骤
3.3 性质理解
一. SIS问题的困难性
推荐先阅读：
格密码基础：SIS问题的定义与理解-CSDN博客
借鉴1996年Ajtai的工作，大量的工作开始研究最坏情况下的SIS问题的困难性。SIS问题中一共有四个参数,需要满足如下：
如果能以不可忽略的概率解决SIS问题，那么就可以在随机的n维格上，解决近似GapSVP和SIVP问题。此处的近似因子取值为：
GapSVP:decisional approximate shortest vector problem，判定性近似最短向量问题
SIVP: approximate shortest indenpendent vectors problem
需要注意的是m和q的值会极大影响SIS问题的困难性，而且根据归约准则，当范数上限值越大时，GapSVP和SIVP问题的近似因子也会变大。整个多项式时间复杂度的归约分成两步：
- 假设存在一个oracle可以解决SIS问题
- 利用此oracle尝试在任意n维格上解决近似的GapSVP和SIVP问题
二. SIS问题归约的性质
理论上，我们希望归约时的模q和近似因子（approximation factor）越小越好，因为这样可以产生更小的实例（instance）和密码学的公私钥，以及更强的网络安全性保证。接下来，我们来看几个SIS问题归约时重要的发展历程：
2.1 2004年 [MR04]
在2004年，Micciancio 和 Regev引入了格上高斯分布和调和分析（harmonic analysis），从而导出了格密码中重要的概念，叫做光滑参数（smoothing parameter），写做：
如果在格点周围外加一个噪声，该噪声分布服从高斯分布。当分布的方差大于格的光滑参数时，离散的格点就可以变成连续的均匀分布。对于光滑参数有一种直观的形式化语言，如下：
The amount of Gaussian error needed to “smooth out” the discrete structure of a lattice.
借助此理论便可以产生均匀且随机的SIS实例，从而对任意输入的格均满足推论。在此论文中，近似因子的取值为：
当选择合适的值时，近似因子可取：
此时模q可取：
可以看到以上两者的取值都相对较小。
2.2 2008年 【GPV08】
在2008年，Gentry, Peikert 和Vaikuntanathan将模数q的值优化到：
此时的近似因子与2004年的工作类似：
此论文创新性提出了离散高斯分布（discrete Gaussian），待会我们会简单分析此理论。
2.3 2013年【MP13】
在2013年，Micciancio 和 Peikert将模数q优化到：
其中为大于0的常数。
如果把看成固定的常数的话，此时的q已经是最优的了。因为SIS问题中，总存在平凡解就是q。
借助卷积引理（convolution lemma），在利用SIS的oracle进行归约时，此理论需要使用到范数，而不是常规的
范数。
三. 归约证明
SIS问题的困难性涉及到最坏情况和平均情况（worst case/average case）的归约证明。该归约的思路：给定任意n维格L的格基B，已知一个平均情况的SIS的oracle，目标是解决SIVP问题。
在这里简单解释下近似的SIVP问题：
给定近似因子，尝试找出n个线性独立的格向量，它们的长度都小于：
3.1 核心理解
首先输入格基B，从此格中随机选择一部分独立的格向量S，也就是：
将此处的S看成一个矩阵。接着利用SIS oracle不断对该矩阵进行归约运算，使其长度至少缩短一半以上，也就是：
备注：此处矩阵的长度代表其中最长向量的长度，也就是：
不断迭代重复，直到最终的结果符合SIVP问题的要求。
3.2 归约步骤
第一步：取样
借助格L上的离散高斯分布，采样出m个随机的格点，形成集合S，也就是：
这些初始向量不会太长。接着将这m个向量形成矩阵V
第二步：形成SIS oracle的输入
运算得到：
重复运算m次，由此可得：
需要注意的是，因为是格点，所以
一定是整数的。
接着从此时的矩阵A输入到SIS的oracle中。
第三步：运算
SIS的oracle会输出一个解，也就是：
那么可得：
很明显发现此时的向量长度在变小。
3.3 性质理解
（1）SIS oracle分析
根据以上归约过程，给定一个矩阵A，z为其SIS问题的答案。因为是格点，所以可得：
由此可运算：
所以可得以下运算出的v为L格点：
SIS求解出的z长度是有上限的，也就是：
在产生向量v时，使其满足：
两者结合可得：
当我们选择模数q如下：
即可以得到：
第一轮迭代完成。
（2）矩阵A均匀分布
借助光滑参数，在一定条件下均匀分布：
也就是：
此处说明v在模qL上为均匀分布，再根据：
B是确定的，也就是a和v之间是双射运算，所以可得矩阵A也是均匀分布（严格来讲应该是跟均匀分布不可区分）。
