如果你也在 怎样代写密码学Cryptography & Cryptanalysis这个学科遇到相关的难题，请随时右上角联系我们的24/7代写客服。
密码学创造了具有隐藏意义的信息；密码分析是破解这些加密信息以恢复其意义的科学。许多人用密码学一词来代替密码学；然而，重要的是要记住，密码学包括了密码学和密码分析。
statistics-lab™ 为您的留学生涯保驾护航 在代写密码学Cryptography & Cryptanalysis方面已经树立了自己的口碑, 保证靠谱, 高质且原创的统计Statistics代写服务。我们的专家在代写密码学Cryptography & Cryptanalysis代写方面经验极为丰富，各种代写密码学Cryptography & Cryptanalysis相关的作业也就用不着说。
我们提供的密码学Cryptography & Cryptanalysis及其相关学科的代写，服务范围广, 其中包括但不限于:
- Statistical Inference 统计推断
- Statistical Computing 统计计算
- Advanced Probability Theory 高等概率论
- Advanced Mathematical Statistics 高等数理统计学
- (Generalized) Linear Models 广义线性模型
- Statistical Machine Learning 统计机器学习
- Longitudinal Data Analysis 纵向数据分析
- Foundations of Data Science 数据科学基础
数学代写|密码学作业代写Cryptography & Cryptanalysis代考|Strong Security and Weak Security
As a cryptography scheme, the security requirement is usually mandatory. So, when designing a VC algorithm, one usually tries to maximize the contrast, under the constraint of security. Some researchers also suggest that there are tradeoffs between security, contrast and pixel expansion. If we relax the requirement on one aspect, then maybe it is possible to improve the performance of the other two. For example, if we relax requirement on security, then it is possible to improve contrast and reduce pixel expansion $[6,10,12]$.
For a VC scheme in its strict sense, the shares are usually printed on transparencies and decoding is realized by stacking, and no computation is required for decoding. In the definition of VC (Definition 2.1), for $q<k$ shares, the two sets of sub-matrices $\hat{\mathrm{C}}{0}$ and $\hat{\mathrm{C}}{1}$ are equivalent. So, an attacker, after obtaining $\hat{\mathrm{C}}{0}$ and $\hat{\mathrm{C}}{1}$, cannot tell if
$s=0$ or $s=1$, no matter the computational abilities he may have at his disposal. This is called strict sense security or unconditional security [6, 10]. For this security, we assume that the attacker has infinite computational abilities.
However, considering the media of the shares and the decoding mechanism, it is reasonable to assume that if the attacker only uses his vision system to find clue of secret from the $q<k$ shares, then the ‘computation’ devices are stacking operation and HVS. Then if from the stacking result of the $q<k$ rows of the matrices, one cannot infer $s$, our algorithm is safe under these assumptions. We call this the weak security.
Weak security was proposed by Liu [12] and Iwamoto [10] independently for different types of VC systems. Liu’s work focuses on block encoding approach to size-invariant VC, while Iwamoto’s works focus on size-expanded VC (deterministic VC) for color image. A key conclusion from their work is that, by relaxing the security level to weak security, it is possible to improve the quality of the target image and reduce the pixel expansion.
In what follows, we introduce three security issues:
- Iwamoto’s weak security.
- Liu’s weak security.
- Replacement attack.
In order to introduce the concept of weak security, we need to formalize some operations on the basis matrices: row restriction and row stacking, and introduce the concept of equivalence between two sets of matrices [10].
For $(k, n)$-threshold scheme, a set of participants can be represented by $\mathrm{P}=$ $\left{i_{1}, \ldots, i_{q}\right} \subset{1, \ldots, n}$. Given a basis matrix $\mathbf{B} \in \mathbb{Z}{2}^{n \times m}$, one can make another matrix by restricting the rows of $\mathbf{B}$ to the rows specified in set $P$. This operation is denoted by $$ \hat{\mathbf{B}}=\mathbf{B} \llbracket \mathrm{P} \rrbracket $$ with $$ \hat{B}[\ell, j]=B\left[i{\ell}, j\right],
$$
where $\ell \in{1, \ldots, q}, i_{\ell} \in \mathrm{P}$, and $j \in{1, \ldots, n}$.
Another formal operation introduced by Iwamoto is stacking of rows of a matrix. Let a matrix $\mathbf{B}$ be partitioned as
$$
\mathbf{B}=\left[\begin{array}{c}
\mathbf{b}{1} \ \vdots \ \mathbf{b}{n}
\end{array}\right] \in \mathbb{Z}{2}^{n \times m} $$ Then, the stacking of rows of $\mathbf{B}$ is denoted as $$ \eta(\mathbf{B})=\mathbf{b}{1} \vee \ldots \vee \mathbf{b}_{n},
$$
数学代写|密码学作业代写Cryptography & Cryptanalysis代考|Introduction to Digital Halftoning
Most printing devices and some display devices can only render limited number of colors [9]. For example, a typical laser printer can only output a black dot or ‘no dot’ at a time. In order to print grayscale images, we must quantize the input color to coarser scales, such that the perceived color is still similar to the original color when observed by human eyes.
In this chapter, we assume that the input image is a grayscale image and each pixel is normalized to the range $[0,1]$. If the pixel is quantized, 8-bit quantization is assumed. The printer is assumed to be able to produce only two colors: black (black dot) and white (no dot).
The image quantization problem then can be stated as follows: Given an input grayscale image $x[i, j]$, the quantizer produces a binary image $y[i, j] \in{0,1}$ such that it is visually similar to the input image $x[i, j]$ when viewing from sufficient distance. Let $\mathcal{H}$ be a system representing the human visual perception, then the digital halftoning problem can be formulated as an optimization problem:
$$
\min {\mathbf{y} \in \mathbb{Z}{2}^{M \times N}} \mathcal{H}{\mathbf{x}-\mathbf{y}}
$$
where the images are of size $M \times N$. Solving this optimization problem directly is usually impractical due to the high dimensional searching space that has $2^{M \times N}$ feasible solutions.
Many heuristic approaches are proposed for solving the halftoning problem in (3.1), including constant threshold bi-level quantization, ordered dithering, error diffusion and direct binary search (DBS).
数学代写|密码学作业代写Cryptography & Cryptanalysis代考|Bi-level Quantization
The simplistic approach is to quantize each sample independently using a bi-level quantizer [6]:
$$
y[i, j]= \begin{cases}1, & \text { if } x[i, j]>T, \ 0, & \text { otherwise }\end{cases}
$$
where $T$ is a constant threshold. For this quantizer, the two reconstruction levels are $\left(y_{0}, y_{1}\right)=(0,1)$ and the decision boundaries are $\left(d_{0}, d_{1}, d_{2}\right)=(0, T, 1)$. The threshold $T$ can be designed by minimizing the mean-squared error:
$$
\operatorname{MSE}(T)=\sum_{i=0}^{1} \int_{d_{i}}^{d_{i+1}}\left(x-y_{i}\right)^{2} p_{X}(x) d x
$$
where $p_{X}(x)$ is the PDF of the samples of the input image $x$. It can be modeled as uniform distribution over the interval $[0,1]$, considering the wide varieties of the histogram of natural images. By solving $\frac{\partial \mathrm{MSE}(T)}{\partial T}=0$, one can easily find that $T=1 / 2$.
A halftoning result using bi-level quantizer on Lena image is shown in Fig. 3.1. As can be seen, only some high contrast edges and textures are preserved, a lot of low contrast details are lost. The halftone image is not visually similar to the original grayscale image.
Several important properties of the grayscale images and halftone images are not utilized in simple bi-level quantization halftoning. First, a grayscale image usually consists of smooth regions separated by edges. Second, the HVS can only perceive a local average of the halftone image in a small region, or equivalently, the HVS is a low-pass system. One way to utilize these properties is to use a distributed multilevel quantizer, where the quantization levels are spatially distributed in a small region. This idea leads to ordered dithering.
密码学代写
数学代写|密码学作业代写Cryptography & Cryptanalysis代考|Strong Security and Weak Security
作为一种密码方案，安全要求通常是强制性的。因此，在设计 VC 算法时，通常会在安全性的约束下尝试最大化对比度。一些研究人员还建议在安全性、对比度和像素扩展之间进行权衡。如果我们放宽一个方面的要求，那么也许可以提高另外两个方面的性能。例如，如果我们放宽对安全性的要求，则可以提高对比度并减少像素扩展[6,10,12].
对于严格意义上的VC方案，通常将份额打印在透明胶片上，通过堆叠实现解码，解码不需要计算。在 VC 的定义（定义 2.1）中，对于q<ķ股，两组子矩阵C^0和C^1是等价的。因此，攻击者在获得C^0和C^1, 无法判断是否
s=0或者s=1，无论他可能拥有的计算能力如何。这称为严格意义上的安全性或无条件安全性 [6, 10]。对于这种安全性，我们假设攻击者具有无限的计算能力。
但是，考虑到共享的媒体和解码机制，可以合理地假设，如果攻击者仅使用他的视觉系统从q<ķ共享，则“计算”设备是堆叠操作和 HVS。那么如果从堆叠结果q<ķ矩阵的行，无法推断s，我们的算法在这些假设下是安全的。我们称之为弱安全。
Liu [12] 和 Iwamoto [10] 分别针对不同类型的 VC 系统提出了弱安全性。Liu 的工作侧重于尺寸不变 VC 的块编码方法，而 Iwamoto 的工作侧重于彩色图像的尺寸扩展 VC（确定性 VC）。他们工作的一个关键结论是，通过将安全级别放宽到弱安全，可以提高目标图像的质量并减少像素扩展。
下面，我们介绍三个安全问题：
- 岩本的弱安全性。
- 刘的弱安全。
- 替换攻击。
为了引入弱安全性的概念，我们需要形式化一些基于矩阵的操作：行限制和行堆叠，并引入两组矩阵之间的等价概念[10]。
为了(ķ,n)-阈值方案，一组参与者可以表示为磷= \left{i_{1}, \ldots, i_{q}\right} \subset{1, \ldots, n}\left{i_{1}, \ldots, i_{q}\right} \subset{1, \ldots, n}. 给定一个基矩阵乙∈从2n×米，可以通过限制乙到 set 中指定的行磷. 该操作表示为
乙^=乙\ll括号磷\rr括号和
乙^[ℓ,j]=乙[一世ℓ,j],
在哪里ℓ∈1,…,q,一世ℓ∈磷， 和j∈1,…,n.
Iwamoto 介绍的另一个正式操作是矩阵行的堆叠。让一个矩阵乙被划分为
乙=[b1 ⋮ bn]∈从2n×米然后，堆积成排的乙表示为
这(乙)=b1∨…∨bn,
数学代写|密码学作业代写Cryptography & Cryptanalysis代考|Introduction to Digital Halftoning
大多数打印设备和一些显示设备只能渲染有限数量的颜色 [9]。例如，典型的激光打印机一次只能输出一个黑点或“无点”。为了打印灰度图像，我们必须将输入颜色量化为更粗的尺度，使得人眼观察时感知到的颜色仍然与原始颜色相似。
在本章中，我们假设输入图像是灰度图像，并且每个像素都归一化到范围[0,1]. 如果像素被量化，则假定为 8 位量化。假设打印机只能产生两种颜色：黑色（黑点）和白色（无点）。
图像量化问题可以表述如下： 给定一个输入灰度图像X[一世,j]，量化器产生二值图像是[一世,j]∈0,1使其在视觉上与输入图像相似X[一世,j]从足够的距离观看时。让H是表示人类视觉感知的系统，则数字半色调问题可以表述为优化问题：
分钟是∈从2米×ñHX−是
图像的大小米×ñ. 由于具有高维搜索空间，直接解决这个优化问题通常是不切实际的。2米×ñ可行的解决方案。
提出了许多启发式方法来解决（3.1）中的半色调问题，包括恒定阈值双层量化、有序抖动、误差扩散和直接二进制搜索（DBS）。
数学代写|密码学作业代写Cryptography & Cryptanalysis代考|Bi-level Quantization
最简单的方法是使用双层量化器 [6] 独立地量化每个样本：
是[一世,j]={1, 如果 X[一世,j]>吨, 0, 除此以外
在哪里吨是一个常数阈值。对于这个量化器，两个重建级别是(是0,是1)=(0,1)决策边界是(d0,d1,d2)=(0,吨,1). 门槛吨可以通过最小化均方误差来设计：
MSE(吨)=∑一世=01∫d一世d一世+1(X−是一世)2pX(X)dX
在哪里pX(X)是输入图像样本的 PDFX. 它可以建模为区间上的均匀分布[0,1]，考虑到自然图像的直方图种类繁多。通过解决∂米小号和(吨)∂吨=0, 很容易发现吨=1/2.
在 Lena 图像上使用双电平量化器的半色调结果如图 3.1 所示。可以看出，只保留了一些高对比度的边缘和纹理，丢失了很多低对比度的细节。半色调图像在视觉上与原始灰度图像不相似。
灰度图像和半色调图像的几个重要特性在简单的二级量化半色调中没有被利用。首先，灰度图像通常由边缘分隔的平滑区域组成。其次，HVS 只能感知小区域的半色调图像的局部平均，或者等效地，HVS 是一个低通系统。利用这些属性的一种方法是使用分布式多级量化器，其中量化级在空间上分布在一个小区域中。这个想法导致了有序抖动。
统计代写请认准statistics-lab™. statistics-lab™为您的留学生涯保驾护航。
金融工程代写
金融工程是使用数学技术来解决金融问题。金融工程使用计算机科学、统计学、经济学和应用数学领域的工具和知识来解决当前的金融问题，以及设计新的和创新的金融产品。
非参数统计代写
非参数统计指的是一种统计方法，其中不假设数据来自于由少数参数决定的规定模型；这种模型的例子包括正态分布模型和线性回归模型。
广义线性模型代考
广义线性模型（GLM）归属统计学领域，是一种应用灵活的线性回归模型。该模型允许因变量的偏差分布有除了正态分布之外的其它分布。
术语 广义线性模型（GLM）通常是指给定连续和/或分类预测因素的连续响应变量的常规线性回归模型。它包括多元线性回归，以及方差分析和方差分析（仅含固定效应）。
有限元方法代写
有限元方法（FEM）是一种流行的方法，用于数值解决工程和数学建模中出现的微分方程。典型的问题领域包括结构分析、传热、流体流动、质量运输和电磁势等传统领域。
有限元是一种通用的数值方法，用于解决两个或三个空间变量的偏微分方程（即一些边界值问题）。为了解决一个问题，有限元将一个大系统细分为更小、更简单的部分，称为有限元。这是通过在空间维度上的特定空间离散化来实现的，它是通过构建对象的网格来实现的：用于求解的数值域，它有有限数量的点。边界值问题的有限元方法表述最终导致一个代数方程组。该方法在域上对未知函数进行逼近。[1] 然后将模拟这些有限元的简单方程组合成一个更大的方程系统，以模拟整个问题。然后，有限元通过变化微积分使相关的误差函数最小化来逼近一个解决方案。
tatistics-lab作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。
随机分析代写
随机微积分是数学的一个分支，对随机过程进行操作。它允许为随机过程的积分定义一个关于随机过程的一致的积分理论。这个领域是由日本数学家伊藤清在第二次世界大战期间创建并开始的。
时间序列分析代写
随机过程，是依赖于参数的一组随机变量的全体，参数通常是时间。 随机变量是随机现象的数量表现，其时间序列是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间序列可以作为离散时间数据进行分析处理。研究时间序列数据的意义在于现实中，往往需要研究某个事物其随时间发展变化的规律。这就需要通过研究该事物过去发展的历史记录，以得到其自身发展的规律。
回归分析代写
多元回归分析渐进（Multiple Regression Analysis Asymptotics）属于计量经济学领域，主要是一种数学上的统计分析方法，可以分析复杂情况下各影响因素的数学关系，在自然科学、社会和经济学等多个领域内应用广泛。
MATLAB代写
MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习和应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。