一、定义与基本概念
LWE（Learning With Errors）：
- 定义：LWE问题是在给定一个矩阵A和一个向量b^=Ax+e（其中e是一个固定数值范围内随机采集的随机噪音向量）的情况下，求解未知的向量x。
- 本质：需要找到一组系数，使得一组基向量的线性组合无限逼近目标向量，使用噪音误差的大小来定义需要距离目标向量有多近。
- 分类：LWE问题一般分为搜索LWE（Search LWE）和决策LWE（Decisional LWE）两类。搜索LWE需要找到未知的向量s，而决策LWE只需要辨别看到的b^=As+e到底是LWE问题中的误差乘积还是一个随机生成的向量。
RLWE（Ring Learning With Errors）：
- 定义：RLWE问题是LWE问题的变体，其中矩阵A和向量s、e被替换为多项式环中的元素。具体来说，给定均匀随机选取的a∈Rq，服从某分布χs的s∈Rq，以及服从某分布χe的e∈Rq，记bi=ais+ei。
- 本质：RLWE问题将LWE问题从一般格缩小到带有代数结构的环格上，利用多项式环的代数结构来简化计算和提高效率。
- 分类：RLWE问题也分为搜索RLWE（Search RLWE）和判定RLWE（Decision RLWE）两类。搜索RLWE需要找到未知的多项式s，而判定RLWE需要区分(a,b)和均匀随机选取的(a′,b′)。
MLWE（Module Learning With Errors）：
- 定义：MLWE问题是LWE问题的另一个变体，其中矩阵A和向量s、e是模上的元素。给定均匀随机选取的a∈Rqd，服从某分布χsd的s∈Rqd，以及服从某分布χe的e∈Rq，记bi=⟨ai,s⟩+ei。
- 本质：MLWE问题将LWE问题扩展到模上，利用模的代数结构来提供更高的灵活性和安全性。
- 分类：MLWE问题同样分为搜索MLWE（Search MLWE）和判定MLWE（Decision MLWE）两类。
二、区别
计算元素不同：
- LWE使用普通矩阵和向量进行计算，并添加误差向量。
- RLWE将矩阵和向量替换为多项式环中的元素，利用多项式环的代数结构。
- MLWE则将矩阵和向量视为模上的元素，利用模的代数结构。
计算效率与密钥大小：
- LWE的密钥大小较大，且随着安全参数的增大，资源消耗会迅速增加，效率降低。
- RLWE通过利用多项式环的代数结构，实现了密钥大小的二次减少，并加速了加密和解密过程。
- MLWE在提供更高灵活性的同时，也优化了计算效率和密钥大小。
应用场景：
- LWE是格密码学的基础问题之一，广泛应用于公钥密码学、全同态加密等领域。
- RLWE因其高效的计算性能和较小的密钥大小，成为公钥密码系统构建中的常客，特别是全同态加密的构造。
- MLWE则提供了更高的灵活性和安全性，适用于需要更高安全级别的应用场景。
三、联系
- 理论基础：LWE、RLWE和MLWE都是基于格理论中的难解数学问题构造的，它们的困难性都依赖于格理论中的最短向量问题（SVP）等计算困难问题。
- 安全性：这三者都被认为在量子计算机上也难以求解，因此基于它们的密码学方案可能成为未来公钥密码学的基础。
- 归约关系：在某些情况下，LWE问题可以归约为RLWE或MLWE问题，反之亦然。这种归约关系进一步支持了它们之间的理论联系和安全性等价性。
结语
你害怕失败
但弱者连失败的资格都没有
！！！
