信息论安全与概率论

本文主要是介绍信息论安全与概率论，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

一. Markov不等式

二. 选择引理

三. Chebyshev不等式

四. Chernov上限

4.1 变量大于

4.2 变量小于

信息论安全中会用到很多概率论相关的上界，本文章将梳理几个论文中常用的定理，重点关注如何理解这些定理以及怎么用。

一. Markov不等式

假定X为非负且为实数的随机变量，令 $E_X[X]$ 为该变量的数学期望，可得：

$\forall a>0\quad P[X\geq a]\leq \frac{E_X[X]}{a}$

理解： $X\geq a$ 代表事件的集合，该定理用来描述概率的上界，且该上界与数学期望相关。

二. 选择引理

令 $X_n\in \mathcal{X}_n$ ，左边的 $X_n$ 代表随机变量，右边 $\mathcal{X}_n$ 代表该随机变量取值的字母集。假定某函数 $f:\mathcal{X}_n\to R^+$ ，将这些函数集中在一起形成函数集 $\mathcal{F}$ ，另外该函数集内函数的个数 $|\mathcal{F}|$ 与n无关。给定如下条件：

$\forall f\in \mathcal{F}\quad E_{X_n}[f(X_n)]\leq \delta(n)$

一定存在该变量 $X_n$ 中一个具体的数 $x_n$ ，满足：

$\forall f\in \mathcal{F}\quad f(x_n)\leq \delta(n)$

理解：如果经过函数变化后的随机变量的数学期望有上界，那么该函数的某些取值也有上界。

证明：

先做一个简单的改写，令 $\epsilon_n=\delta(n)$ ，可以把 $|\mathcal{F}|,\epsilon_n$ 看成一个常数，根据联合界定理(union bound)，来看一个很有意思的概率：

$P_{X_n}[\cup_{f\in\mathcal{F}}\lbrace f(X_n)\geq(|\mathcal{F}|+1)\epsilon_n]\leq \sum_{f\in\mathcal{F}}P_{X_n}[f(X_n)\geq(|\mathcal{F}|+1)\epsilon_n]$

马上使用刚才谈到的Markov不等式，右边不就是某个变量大于某个数的概率，可得：

$\sum_{f\in\mathcal{F}}P_{X_n}[f(X_n)\geq(|\mathcal{F}|+1)\epsilon_n]\leq \sum_{f\in\mathcal{F}}\frac{E_{X_n}[f(X_n)]}{(|\mathcal{F}|+1)\epsilon_n}$

条件告诉我们：

$E_{X_n}[f(X_n)]\leq \epsilon_n$

直接带入可得：

$\sum_{f\in\mathcal{F}}\frac{E_{X_n}[f(X_n)]}{(|\mathcal{F}|+1)\epsilon_n}\leq \frac{|\mathcal{F}|}{|\mathcal{F}|+1}<1$

推导这么久，无非是想说

$P_{X_n}[\cup_{f\in\mathcal{F}}\lbrace f(X_n)\geq(|\mathcal{F}|+1)\epsilon_n]<1$

翻译成人话就是。事件 $f(X_n)\geq(|\mathcal{F}|+1)\epsilon_n$ 的概率小于1，也就是存在 $f(X_n)<(|\mathcal{F}|+1)\epsilon_n$ 。接下来就是计算复杂性理论很喜欢用到的一些转化。定理条件说 $|\mathcal{F}|$ 是有限的，也就是一个常数，并且该常数与n无关，常数在计算复杂性中可以忽略，所以可将 $(|\mathcal{F}|+1)\epsilon_n$ 等效为 $\delta(n)$ 。

证明完毕。

简化理解：以上推导只是严格按照概率论格式来推导，所以看起来可能有点复杂。让我们来简化下。该定理说明当期望有上限时，至少存在一个变量的值也是这个上限（是不是很简单）。只不是今天的上限满足 $lim_{n\to \infty}\delta(n)=0$ ，（安全领域很喜欢研究渐近性）。

三. Chebyshev不等式

令X为随机变量，可得：

$\forall a>0\quad P[|X-E[X]\geq a]\leq \frac{Var(x)}{a^2}$

理解：变量的值与期望值不会相差太大，该上限与方差相关。

四. Chernov上限

4.1 变量大于

令X为随机变量，可得：

$\forall s>0\quad P[X\geq a]\leq E[e^{sX}]e^{-sa}$

理解：将s看成一个常数， $P[X\geq a]$ 代表变量大于等于a的概率； $E[e^{sX}]$ 代表对变量操作指数变换 $e^{sX}$ 后，求数学期望；该定理反映了变量大于某值时对应的概率有上限，该上限与数学期望有关。与Markov不等式相比，多了一个s，在实际信息论安全推导时，可以设定任何自己想要的参数。