为什么量子计算让整个网络安全界神经紧张

简介:

致命攻击蓄势待发,时间不多了

随着量子计算机逐步逼近现实,专家非常担心其巨大潜力会让很多今天的网络安全技术变得无用。今年早些时候,美国国家标准与技术研究所(NIST)就此事寻求帮助,9月初,全球风险研究所给予了响应。

滑铁卢大学量子计算研究所共同创立人兼全球风险研究所特别顾问米歇尔·莫斯卡,在9月5号的一份报告中警告道:“由于量子计算的出现,我们今天所用的公钥密码工具,有1/7的可能性,到2026年就会崩溃。2031年,这一可能性将会骤然跃升至50%。”

“尽管量子攻击尚未发生,现在也必须做出关键决策,以便能在未来响应这些威胁。

此类威胁,源于量子计算机与传统计算机完全不同的运行方式。传统计算中,数字非0即1,但量子计算依赖于原子层面的单元——量子比特,或者说“量子位”,能够以叠加状态同时呈现0和1。性能和效率的大幅提升是其益处之一,但万事总有正反两面。

量子计算一个非预期的后果,就是对当下支撑起网络安全的一些加密工具的完全颠覆。加密,通常依赖于大数分解的难度,但研究人员最近演示了,首台5原子量子计算机能够破解掉此类加密体制。

当网络系统赖以生存的加密基础被颠覆,除非有失效备援替代品(这通常需要数年的研发时间)立即顶上,否则系统就会因没有快速修复而分崩离析。目前,我们的网络免疫系统尚未准备好应对量子威胁。致命攻击蓄势待发,留给我们在威胁具现化之前设计部署解决方案的时间不多了。

就眼前来说,我们需要设计出“密码敏捷”的系统,能够快速切换密码工具。长期来看,我们需要“量子安全”的密码工具,包括能够运作于传统技术之上又能抵御量子攻击的协议。

NIST的部分工作重心可能会是与公众创新密码机制的竞争。同时,私营安全公司也在攻克此一问题。比如说,KryptAll公司,最近就启动了自己的独立研究,目标是在2021年能够推出可用的产品。

本文转自d1net(转载)

相关文章
|
机器学习/深度学习 存储 自然语言处理
卷积神经元网络CNN基础
卷积神经元网络CNN基础
174 1
|
5月前
|
机器学习/深度学习 并行计算 算法
【图像分割】基于神经气体网络的图像分割与量化(Matlab代码实现)
【图像分割】基于神经气体网络的图像分割与量化(Matlab代码实现)
|
11月前
|
机器学习/深度学习 算法 文件存储
神经架构搜索:自动化设计神经网络的方法
在人工智能(AI)和深度学习(Deep Learning)快速发展的背景下,神经网络架构的设计已成为一个日益复杂而关键的任务。传统上,研究人员和工程师需要通过经验和反复试验来手动设计神经网络,耗费大量时间和计算资源。随着模型规模的不断扩大,这种方法显得愈加低效和不够灵活。为了解决这一挑战,神经架构搜索(Neural Architecture Search,NAS)应运而生,成为自动化设计神经网络的重要工具。
|
安全 算法 网络安全
量子计算与网络安全:保护数据的新方法
量子计算的崛起为网络安全带来了新的挑战和机遇。本文介绍了量子计算的基本原理,重点探讨了量子加密技术,如量子密钥分发(QKD)和量子签名,这些技术利用量子物理的特性,提供更高的安全性和可扩展性。未来,量子加密将在金融、政府通信等领域发挥重要作用,但仍需克服量子硬件不稳定性和算法优化等挑战。
|
机器学习/深度学习 人工智能 算法
探索未来网络:量子计算的崛起
本文将探讨量子计算这一前沿技术,从其基本原理、发展现状到潜在应用进行全面剖析。我们将了解什么是量子计算,它与传统计算的区别在哪里,以及它在当前科技领域的重要性。同时,我们还将讨论量子计算面临的挑战和未来可能的应用方向。通过这篇文章,读者可以对量子计算有一个清晰而全面的认识,并思考其在未来发展中的潜力和影响。
286 27
|
机器学习/深度学习 PyTorch 算法框架/工具
卷积神经元网络中常用卷积核理解及基于Pytorch的实例应用(附完整代码)
卷积神经元网络中常用卷积核理解及基于Pytorch的实例应用(附完整代码)
672 0
|
计算机视觉
基于神经气体网络的图像分割与量化(Matlab代码实现)
基于神经气体网络的图像分割与量化(Matlab代码实现)
316 34
|
机器学习/深度学习 数据挖掘
神经气体网络(NGN)和不断增长的神经气体网络(GNGN)实现(Matlab代码实现)
神经气体网络(NGN)和不断增长的神经气体网络(GNGN)实现(Matlab代码实现)
435 0
神经气体网络(NGN)和不断增长的神经气体网络(GNGN)实现(Matlab代码实现)
|
机器学习/深度学习 计算机视觉 网络架构
13层网络如何拿下83%精度?极简神经网络架构VanillaNet作者亲自解读
13层网络如何拿下83%精度?极简神经网络架构VanillaNet作者亲自解读
350 0
|
机器学习/深度学习 编解码 计算机视觉
13层网络拿下83%精度,华为诺亚新型神经网络架构VanillaNet「简约」到极致
13层网络拿下83%精度,华为诺亚新型神经网络架构VanillaNet「简约」到极致
297 0

热门文章

最新文章