本文主要是介绍格密码：离散高斯与子高斯分布，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！
高斯分布我们都很熟悉，但在格密码中会用到一种特殊的高斯分布，将其取名离散高斯分布（discrete Gaussian)。
一. N维连续高斯分布
给定一个正整数n，代表维度。一个正实数，代表标准差（高斯分布的标准差决定着图像的胖瘦，所以这个参数有的时候也叫“宽度”)。N维连续高斯分布的输入是N维向量，输出是一个正实数，也就是
，概率密度函数如下：
可以想到，如果把看成一个整体的话，新的高斯分布的标准差则为1，如下：
写成N个维度的话，可得：
这个公式成立的前提是高斯分布不同维度上的标准差要求一样。这也就是所谓的在
上抗旋转（
is invariant under rotations of
）。
格密码偶尔会用到一个很有意思的现象：当选择合适的归一化因子时，高斯分布的傅里叶变换是其本身。
二. 离散高斯分布
先提一句，离散高斯是格密码中才会出现的概率。另外，补充一个重要的高斯积分结论，如下：
先引出一个新的高斯分布通常写作，概率密度函数与原始的
成正比，如下：
格陪集(lattice coset)（其实就是把格L进行平移c），如果将以上f(x）中的x改为格点的话，便得到了对应的离散高斯分布，如下：
这一段话可能有些官方，简单对这个概念谈谈自己的理解。离散高斯分布的输入是一个一个点，直观上就是把高斯分布的函数图像，抠成一个一个点，但是整体趋势还是高斯分布。这种离散的点，就可以直接套用格点，带进去所得到的函数值能直观反映取这个点对应的概率大小。
三. 光滑参数
谈格上高斯分布，不得不说光滑参数（smoothing parameter)。
我们知道，“格”是一个一个孤立的点，重点强调是离散的。那我们在想，能不能同时对这些格点加一个小小的扰动，神奇的化离散为连续呢？更进一步，如果加的扰动是一个高斯分布，那对这个高斯分布要啥要求呢？
可以想到，如果高斯分布的方差越大，那么它就越接近一个均匀分布，这种效果就越好。
将刚才谈到的格陪集全部带入高斯分布，可以得到求和（gaussian mass）,如：
光滑参数其实是定义在对偶格上的，满足下列不等式最小的s即为光滑参数的值：
可以看到右边有个参数，所以光滑参数通常记作
。这个
在格密码中通常是很小的值，也就是计算复杂性通常所说的可忽略函数，比如
，其中n可以看成格的维度。
光滑参数在格上，本质就是一个数，那这个数有多大呢？
光滑参数的上限与对偶格最短的向量长度相关，请看一个定理。
定理1
对任意的满秩格，都有
可以看到这个定理中的就是取
，这个值是很小的。
怎么老谈对偶格，弄得很玄幻。当然，其实也有直接定义在原始格上光滑参数的结论。
对任意格的格基可以进行高斯-斯密斯(Gram-Schmidt)正交化，来让格基更加“漂亮”。格基记为，正交化后记为
。格基正交化后的长度满足如下性质：
现在来看另一个定理
定理2
对任意的满秩格，以及
，格的光滑参数有上界结论：
回到主题，也就是光滑参数可以让离散的分布看起来像连续分布。也就是当高斯分布的标准差满足时，离散高斯分布
就跟连续高斯分布很像。这个很想指的是分布的矩(moments)和尾数(tails)很像（这两个概念是统计学的专有名词）。
另外，统计独立的离散高斯分布的和依旧为离散的高斯分布。
四. 子高斯分布
这个概念也经常出现在格密码中，尤其是在一些困难问题的规约证明中很常见。
先谈正式的定义。给定一个参数s，以及实数，满足如下不等式的变量X就可以称之为子高斯分布：
这个定义想说，一个变量大于一个数所得到的概率与高斯分布有关，英文一些文献可能会这样表达"a random variable is subgaussian if it is dominated by a Gaussian”。
注意这个地方的x也是一个n维的向量，实际上，对任意的单位向量，如果x为子高斯分布，那么
也为子高斯分布。
子高斯分布的理解还太粗糙，后期会补上的。
这篇关于格密码：离散高斯与子高斯分布的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
