全同态加密:BFV

这篇具有很好参考价值的文章主要介绍了全同态加密:BFV。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

参考文献:

  1. O. Regev. On lattices, learning with errors, random linear codes, and cryptography. In H. N. Gabow and R. Fagin, editors, STOC, pages 84–93. ACM, 2005. Full version in J. ACM 56(6), 2009.
  2. V. Lyubashevsky, C. Peikert, and O. Regev. On Ideal Lattices and Learning with Errors over Rings. In Advances in Cryptology - EUROCRYPT 2010, volume 6110 of Lecture Notes in Computer Science, pages 1–23. Springer, 2010. Full version of the paper available upon request from authors.
  3. Z. Brakerski. Fully Homomorphic Encryption without Modulus Switching from Classical GapSVP. IACR Cryptology ePrint Archive, 2012:78, 2012.
  4. Fan J, Vercauteren F. Somewhat practical fully homomorphic encryption[J]. Cryptology ePrint Archive, 2012.

Regev Scheme

2009 年,Regev 提出了第一个基于 LWE 的加密方案。方案如下:

全同态加密:BFV

LPR Scheme

在 Regev Scheme 中,明文空间是 Z 2 \mathbb Z_2 Z2,使用 most significant bit encoding。我们可以容易地修改它,使得密码方案基于 RLWE 问题,明文空间为 R t ,   t ≥ 2 R_t,\, t \ge 2 Rt,t2 ,只需把 δ = ⌊ q / 2 ⌉ \delta = \lfloor q/2 \rceil δ=q/2 替换为 Δ = ⌊ q / t ⌉ \Delta = \lfloor q/t \rceil Δ=q/t 即可。方案如下:

全同态加密:BFV

BFV

Brakerski Scheme

Without Modulus Switching

此方案是基于 LWE 的。对于 Regev Scheme,如果将向量 s , c s,c s,c 写成增广形式,那么有 < c , s > = q / 2 ⋅ m + e + q I <c,s> = q/2 \cdot m+e+qI <c,s>=q/2m+e+qI,其中 ∣ e ∣ ≤ E < q / 4 |e| \le E < q/4 eE<q/4 I ∈ Z I \in \mathbb Z IZ 是个整数,密文 c c c 的分量取值范围是 ( − q / 2 , q / 2 ] (-q/2,q/2] (q/2,q/2]

考虑分数密文(fractional ciphertext) c ’ = c / q c’ = c/q c=c/q,那么
< c ′ , s > = 1 2 ⋅ m + e ′ + I <c',s> = \frac{1}{2} \cdot m + e' + I <c,s>=21m+e+I

其中噪音 ∣ e ′ ∣ ≤ E / q = ϵ < 0.25 |e'| \le E/q = \epsilon < 0.25 eE/q=ϵ<0.25 是个小数,密文 c ’ c’ c 的各个分量的取值范围是 ( − 1 / 2 , 1 / 2 ] (-1/2,1/2] (1/2,1/2]

同态加法 c a d d = c 1 + c 2 c_{add} = c_1+c_2 cadd=c1+c2,有:
< c 1 + c 2 ,   s > = < c 1 , s > + < c 2 , s > = 1 2 m + ( e 1 + e 2 ) m o d    1 \begin{aligned} <c_1+c_2,\, s> &= <c_1,s> + <c_2,s> \\ &= \frac{1}{2} m + (e_1+e_2) \mod 1 \end{aligned} <c1+c2,s>=<c1,s>+<c2,s>=21m+(e1+e2)mod1

同态乘法 c m u l t = 2 ⋅ c 1 ⊗ c 2 c_{mult} = 2 \cdot c_1 \otimes c_2 cmult=2c1c2,有:
< 2 ⋅ c 1 ⊗ c 2 ,   s ⊗ s > = 2 ⋅ < c 1 , s > ⋅ < c 2 , s > = 1 2 m 1 m 2 + 2 ( e 1 I 2 + e 2 I 1 ) + e 1 m 2 + e 2 m 1 + 2 e 1 e 2 m o d    1 \begin{aligned} <2 \cdot c_1 \otimes c_2,\, s \otimes s> &= 2 \cdot <c_1,s> \cdot <c_2,s> \\ &= \frac{1}{2} m_1m_2 + 2(e_1I_2 + e_2I_1) + e_1m_2 + e_2m_1 + 2e_1e_2 \mod 1 \end{aligned} <2c1c2,ss>=2<c1,s><c2,s>=21m1m2+2(e1I2+e2I1)+e1m2+e2m1+2e1e2mod1

其中 ∣ I 1 ∣ , ∣ I 2 ∣ |I_1|,|I_2| I1,I2 的界约为 ∥ s ∥ 1 \|s\|_1 s1,所以 c m u l t c_{mult} cmult 中的噪声的界为 O ( ∥ s ∥ 1 ) ⋅ ϵ O(\|s\|_1) \cdot \epsilon O(s1)ϵ。由于 Regev Scheme 中的私钥取自均匀分布,因此 ∥ s ∥ 1 ≈ n q \|s\|_1 \approx nq s1nq,模数 q q q 是安全参数 n n n 的指数级。而其他噪声 e 1 m 2 + e 2 m 1 ≤ 2 t ϵ e_1m_2+e_2m_1 \le 2t \epsilon e1m2+e2m12tϵ 2 e 1 e 2 ≤ 2 ϵ 2 2e_1e_2 \le 2\epsilon^2 2e1e22ϵ2 的占比很小。因此,主要噪声就是 2 ( e 1 I 2 + e 2 I 1 ) 2(e_1I_2 + e_2I_1) 2(e1I2+e2I1)

为了减小噪声,需要要减小私钥的 l 1 l_1 l1 范数。我们可以对解密电路做二进制分解binary decomposition),令 s = ∑ j 2 j s ( j ) s = \sum_j 2^j s^{(j)} s=j2js(j),其中 s ( j ) s^{(j)} s(j) 的各个元素是 s s s 的各个元素的第 j j j 比特。那么,解密电路化为:
< c , s > = ∑ j 2 j < c , s ( j ) > = < ( c ,   2 c ,   ⋯   ) ,    ( s ( 0 ) ,   s ( 1 ) ,   ⋯   ) > \begin{aligned} <c,s> &= \sum_j 2^j <c,s^{(j)}> \\ &= <(c,\, 2c,\, \cdots),\,\, (s^{(0)},\, s^{(1)},\, \cdots)> \end{aligned} <c,s>=j2j<c,s(j)>=<(c,2c,),(s(0),s(1),)>

那么,我们就将 s s s 下的密文 c c c,转化为了 ( s ( 0 ) ,   s ( 1 ) ,   ⋯   ) (s^{(0)},\, s^{(1)},\, \cdots) (s(0),s(1),) 下的密文 ( c ,   2 c ,   ⋯   ) (c,\, 2c,\, \cdots) (c,2c,)

二进制私钥的 l 1 l_1 l1 范数至多是其维度,即 O ( n ⋅ log ⁡ q ) = O ( p o l y ( n ) ) O(n \cdot \log q) = O(poly(n)) O(nlogq)=O(poly(n)),因此噪声增长是多项式级别的。也就是说,我们不必使用 BGV 中的模切换技术了!

在代码实现时,由于浮点数精度问题,我们将密文放大 q q q 倍。实质上是用 Z q \mathbb Z_q Zq 上的整数运算,来模拟 R / Z R/\mathbb Z R/Z 上的浮点数运算:令 y i = ⌊ q x i ⌉ y_i = \lfloor qx_i \rceil yi=qxi,那么
y 1 + y 2 ≈ ⌊ q ( x 1 + x 2 ) ⌉ ⌊ ( y 1 ⋅ y 2 ) / q ⌉ ≈ ⌊ q ⋅ x 1 ⋅ x 2 ⌉ \begin{aligned} y_1+y_2 \approx \lfloor q(x_1+x_2) \rceil\\ \lfloor (y_1 \cdot y_2)/q \rceil \approx \lfloor q \cdot x_1 \cdot x_2 \rceil \end{aligned} y1+y2q(x1+x2)⌉⌊(y1y2)/qqx1x2

这样,同态加法为 c 1 + c 2 c_1+c_2 c1+c2,同态乘法为 ⌊ 2 / q ⋅ c 1 ⊗ c 2 ⌉ \lfloor 2/q \cdot c_1 \otimes c_2 \rceil 2/qc1c2

有趣的是,此时的 Brakerski Scheme 的加解密算法与 Regev Scheme 完全一致。

Scale Invariant LHE / FHE

于是,我们可以实现 scale invariant L-homomorphic scheme: BGV 中的计算复杂的 “refresh” 过程,被更简单的 key switching 取代。

本方案中使用 BGV 的向量解压和密钥切换过程,

全同态加密:BFV
全同态加密:BFV

Brakerski Scheme 如下:

全同态加密:BFV

全同态加密:BFV
全同态加密:BFV

同态运算后,密文中携带的噪声为:

全同态加密:BFV

为了实现 L-homomorphic,需要噪声分布 χ \chi χ 的界 B B B 满足:
q / B ≥ ( O ( n log ⁡ q ) ) L + O ( 1 ) q/B \ge (O(n \log q))^{L+O(1)} q/B(O(nlogq))L+O(1)

由于解密电路的深度为 O ( log ⁡ n + log ⁡ log ⁡ q ) O(\log n + \log \log q) O(logn+loglogq),因此为了满足 Bootstrapping 的运算条件,需要
q / B ≥ ( n log ⁡ q ) O ( log ⁡ n + log ⁡ log ⁡ q ) q/B \ge (n \log q)^{O(\log n + \log \log q)} q/B(nlogq)O(logn+loglogq)

从而实现出一个 fully homomorphic encryption scheme

Fan-Vercauteren Scheme

Relinearisation

此方案将上述的基于 LWE 的 Brakerski Scheme 移植到了 RLWE 上。

在 LPR 方案中,环 R = Z [ x ] / ( f ( x ) ) R=\mathbb Z[x]/(f(x)) R=Z[x]/(f(x)),一般选取 f ( x ) = x 2 n + 1 f(x)=x^{2^n}+1 f(x)=x2n+1 为分圆多项式。在 FV Scheme 中,做优化 s , u ← R 2 s,u \leftarrow R_2 s,uR2(不再取自 χ \chi χ),其他的与 LPR 相同。

密文形如 c = ( c 0 ,   c 1 ) ∈ R 2 c=(c_0,\, c_1) \in R^2 c=(c0,c1)R2,密钥形如 s ′ = ( 1 , s ) ∈ R 2 s'=(1,s) \in R^2 s=(1,s)R2,那么解密过程可以视作是一次函数的求值
< c , s ′ > = c 0 + c 1 s = c ( s ) = Δ ⋅ m + v + q ⋅ r <c,s'> = c_0 + c_1 s = c(s) = \Delta \cdot m+v + q \cdot r <c,s>=c0+c1s=c(s)=Δm+v+qr

其中 r ∈ R r \in R rR,噪音大小为 ∥ v ∥ ≤ 2 δ R B 2 + B \|v\| \le 2 \delta_R B^2 + B v2δRB2+B,这里
δ R = m a x { ∥ a ⋅ b ∥ ∥ a ∥ ⋅ ∥ b ∥ :   a , b ∈ R } \delta_R = max\{ \frac{\|a \cdot b\|}{\|a\| \cdot \|b\|}:\, a,b \in R\} δR=max{abab:a,bR}

扩张因子expansion factor of R R R),其中的 ∥ a ∥ = max ⁡ i ∣ a i ∣ \|a\|=\max_i |a_i| a=maxiai无穷范数

同态加法就是多项式加法 c t a d d = c t 1 + c t 2 ct_{add} = ct_1+ct_2 ctadd=ct1+ct2,那么
[ ( c t 1 + c t 2 ) ( s ) ] q = Δ ⋅ [ m 1 + m 2 ] t + v 3 [(ct_1+ct_2)(s)]_q = \Delta \cdot [m_1+m_2]_t + v_3 [(ct1+ct2)(s)]q=Δ[m1+m2]t+v3

这里噪声 ∥ v 3 ∥ \|v_3\| v3 的增长是线性的。

同态乘法就是多项式乘法 c m u l t = t / q ⋅ c t 1 ⋅ c t 2 c_{mult} = t/q \cdot ct_1 \cdot ct_2 cmult=t/qct1ct2,那么
[ ( t / q ⋅ c t 1 ⋅ c t 2 ) ( s ) ] q = Δ ⋅ [ m 1 ⋅ m 2 ] t + v 3 [(t/q \cdot ct_1 \cdot ct_2)(s)]_q = \Delta \cdot [m_1 \cdot m_2]_t + v_3 [(t/qct1ct2)(s)]q=Δ[m1m2]t+v3

这里噪声 ∥ v 3 ∥ \|v_3\| v3 的增长因子粗略的是 2 ⋅ t ⋅ δ R 2 ⋅ ∥ s ∥ 2\cdot t\cdot \delta_R^2 \cdot \|s\| 2tδR2s

类似于 BV 方案的张量积让密文规模扩大,需要执行密钥切换过程,以降低其规模。在 FV 方案中的多项式乘积让密文的成为二次函数。我们需要执行重线性化Relinearisation)过程,使得密文保持为一次多项式:令 c t = [ c 0 , c 1 , c 2 ] ct = [c_0, c_1, c_2] ct=[c0,c1,c2],寻找 c t ′ = [ c 0 ′ , c 1 ′ ] ct' = [c_0', c_1'] ct=[c0,c1],使得
[ c 0 + c 1 ⋅ s + c 2 ⋅ s 2 ] q = [ c 0 ′ + c 1 ′ ⋅ s + r ] q [c_0+c_1 \cdot s+c_2 \cdot s^2]_q = [c_0'+c_1' \cdot s+r]_q [c0+c1s+c2s2]q=[c0+c1s+r]q

要保证噪声的无穷范数 ∥ r ∥ \|r\| r 很小。可以设置重线性化密钥relinearisation key)为:
r l k = ( [ − ( a 0 ⋅ s + e 0 ) + s 2 ] q ,   a 0 ) rlk = ([-(a_0 \cdot s+e_0)+s^2]_q,\, a_0) rlk=([(a0s+e0)+s2]q,a0)

其中 e 0 ← χ e_0 \leftarrow \chi e0χ a 0 ← R q a_0 \leftarrow R_q a0Rq。注意到 r l k [ 0 ] + r l k [ 1 ] ⋅ s = s 2 + e 0 rlk[0]+rlk[1] \cdot s = s^2+e_0 rlk[0]+rlk[1]s=s2+e0,那么令
c t ′ = ( c 0 + r l k [ 0 ] ⋅ c 2 ,   c 1 + r l k [ 1 ] ⋅ c 2 ) ct' = (c_0+rlk[0] \cdot c_2,\, c_1+rlk[1] \cdot c_2) ct=(c0+rlk[0]c2,c1+rlk[1]c2)

得到 r = e 0 ⋅ c 2 ∈ R r=e_0 \cdot c_2 \in R r=e0c2R,但是由于 c 2 ∈ R q c_2 \in R_q c2Rq,所以噪声 r r r 过大。需要降低 ∥ c 2 ∥ \|c_2\| c2 或者 ∥ r ∥ \|r\| r

方案一

c 2 c_2 c2 T T T 进制分解,从而降低范数 ∥ c 2 ∥ \|c_2\| c2,令 c 2 = ∑ i = 0 l − 1 T i ⋅ c 2 ( i ) c_2 = \sum_{i=0}^{l-1} T^i \cdot c_2^{(i)} c2=i=0l1Tic2(i),其中 l = ⌈ log ⁡ T ( q ) ⌉ l = \lceil\log_T(q) \rceil l=logT(q)⌉

对应的,设置重线性化密钥为:
r l k = { ( [ − ( a i ⋅ s + e i ) + T i ⋅ s 2 ] q ,   a i ) :   i = 0 , 1 , ⋯   , l − 1 } rlk = \{ ([-(a_i \cdot s+e_i) + T^i \cdot s^2]_q,\, a_i):\, i =0,1,\cdots,l-1 \} rlk={([(ais+ei)+Tis2]q,ai):i=0,1,,l1}

那么,新密文是
c 0 ′ = [ c 0 + ∑ i r l k [ i ] [ 0 ] ⋅ c 2 ( i ) ] q ,    c 1 ′ = [ c 1 + ∑ i r l k [ i ] [ 1 ] ⋅ c 2 ( i ) ] q c_0' = \left[ c_0 + \sum_i rlk[i][0] \cdot c_2^{(i)} \right]_q,\,\, c_1' = \left[ c_1 + \sum_i rlk[i][1] \cdot c_2^{(i)} \right]_q c0=[c0+irlk[i][0]c2(i)]q,c1=[c1+irlk[i][1]c2(i)]q

此时, r = ∑ i c 2 ( i ) ⋅ e i r = \sum_i c_2^{(i)} \cdot e_i r=ic2(i)ei,base T T T 越小,则范数 ∥ r ∥ \|r\| r 越小,但 r l k rlk rlk 越大,计算速度也越慢。注意到重线性化所引入的噪声 r r r 独立于密文噪声,为了保持良好的同态能力,应使得 r r r 不大于做密文噪声太多。

Dynamic Relinearisation:选取一个尽可能小的 T T T 计算出 r l k rlk rlk,如果多次乘法后密文的噪声增大,那么就可以从中提取出恰当的 T k T^k Tk r l k rlk rlk,来加速重线性化过程。

方案二

使用模切换,在一个大的模 p ⋅ q p \cdot q pq 上运算,然后使用除法降低范数 ∥ r ∥ \|r\| r,令重线性化密钥为:
r l k = ( [ − ( a 0 ⋅ s + e 0 ) + p ⋅ s 2 ] p ⋅ q ,   a 0 ) rlk = ([-(a_0 \cdot s+e_0) + p \cdot s^2]_{p \cdot q},\, a_0) rlk=([(a0s+e0)+ps2]pq,a0)

其中 a 0 ← R p ⋅ q a_0 \leftarrow R_{p \cdot q} a0Rpq e ← χ ′ e \leftarrow \chi' eχ,这里的分布 χ ′ ≠ χ \chi' \neq \chi χ=χ 是新分布。如果 p ⋅ q = q k ,   k ∈ R p \cdot q=q^k,\, k \in \mathbb R pq=qk,kR ∥ χ ∥ < B \|\chi\|<B χ<B,那么需要 ∥ χ ′ ∥ = B k > α 1 − k ⋅ q k − k ⋅ B k \|\chi'\| = B_k > \alpha^{1-\sqrt k} \cdot q^{k-\sqrt k} \cdot B^{\sqrt k} χ=Bk>α1k qkk Bk α ≈ 3.758 \alpha \approx 3.758 α3.758 是常数,以保证安全性不损失。

那么,
c 0 ′ ′ = [ ⌊ c 2 ⋅ r l k [ 0 ] p ⌉ ] q ,    c 1 ′ ′ = [ ⌊ c 2 ⋅ r l k [ 1 ] p ⌉ ] q c_0'' = \left[ \left\lfloor \frac{c_2 \cdot rlk[0]}{p} \right\rceil \right]_q,\,\, c_1'' = \left[ \left\lfloor \frac{c_2 \cdot rlk[1]}{p} \right\rceil \right]_q c0′′=[pc2rlk[0]]q,c1′′=[pc2rlk[1]]q

容易验证 c 0 ′ ′ + c 1 ′ ′ ⋅ s = c 2 ⋅ s 2 + r c_0''+c_1'' \cdot s = c_2 \cdot s^2 + r c0′′+c1′′s=c2s2+r,那么新密文就是 c t ′ = ( c 0 + c 0 ′ ′ ,   c 1 + c 1 ′ ′ ) ct' = (c_0+c_0'',\, c_1+c_1'') ct=(c0+c0′′,c1+c1′′),其中 ∥ r ∥ < q ⋅ B k ⋅ δ R p + δ R ⋅ ∥ s ∥ + 1 2 \|r\| < \dfrac{q \cdot B_k \cdot \delta_R}{p} + \dfrac{\delta_R \cdot \|s\| + 1}{2} r<pqBkδR+2δRs+1,整数 p p p 越大,那么范数 ∥ r ∥ \|r\| r 越小,但计算速度越慢。

Dynamic Relinearisation:选取一个足够大的 p p p 计算出 r l k rlk rlk,如果多次乘法后密文的噪声增大,那么可以从中提取出 p ′ ∣ p p'|p pp r l k rlk rlk,来加速重线性化过程。

SHE / FHE

我们可以实现基于 RLWE 的 somewhat homomorphic encryption scheme,

全同态加密:BFV
全同态加密:BFV

同态运算后,密文中携带的噪声为:

全同态加密:BFV

为了实现 L-homomorphic,需要噪声分布 χ \chi χ 的界 B B B 满足:
4 ⋅ δ R L ⋅ ( δ + 1.25 ) L + 1 ⋅ t L − 1 < ⌊ q B ⌋ 4 \cdot \delta_R^L \cdot (\delta+1.25)^{L+1} \cdot t^{L-1} < \left\lfloor \frac{q}{B} \right\rfloor 4δRL(δ+1.25)L+1tL1<Bq

为了实现 FHE,只需使得解密电路的深度小于 L L L 即可。环 R q R_q Rq 上的多项式运算的深度,计算挺麻烦的,没仔细看 \( ̄︶ ̄)/文章来源地址https://www.toymoban.com/news/detail-400990.html

到了这里,关于全同态加密:BFV的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • endnote调整参考文献

    endnote调整参考文献 1. 2. 3.自定义GBT7714!!!

    2024年02月06日
    浏览(60)
  • IEEE论文参考文献格式

    本文整理记录IEEE论文的参考文献正确的格式,包括引用书籍、期刊论文、会议论文。参考了IEEE官方颁布的参考文献相关文件。 首先请注意以下几点: 作者姓名的名仅保留首字母,姓全部保留。比如:蔡徐坤(Xukun Cai)写为(X. Cai) 多个作者直接用,隔开,最后一个作者之

    2024年02月09日
    浏览(39)
  • latex数字引用参考文献

    目录 一、latex在正文中引用参考文献 第一种引用: 第二种引用: 二、文末显示参考文献 第一种引用: 第二种数字引用: latex引用参考文献,分为正文里,和文末显示参考文献两部分。 latex在正文中引用参考文献可以分为两种样式,一种是“姓名(年份)”,另一种是“[1]”。

    2023年04月26日
    浏览(58)
  • 16.5 参考文献——深度学习定位

    同济大学 Zhao Y, Gong W, Li L, et al. An Efficient and Robust Fingerprint Based Localization Method for Multi Floor Indoor Environment[J]. IEEEa Internet of Things Journal, 2023. 利用深度神经网络(DNN)模型来解决地板识别和位置估计问题。为了解决多楼层识别问题, Jang等人[18] 设计了一种基于 CNN 的识别模型,该

    2024年01月23日
    浏览(51)
  • 游戏毕业设计参考文献合集

    如今不管是手机游戏还是网络游戏,都受到热捧,游戏设计也由此走入大家的视线中,本文整理了260个中英文\\\"游戏毕业设计参考文献范例\\\",涵盖游戏角色设计、游戏网站设计、游戏动画设计等等,以供参考。 游戏毕业设计参考文献一: [1]曹炜卿。微信平台益智类游戏的设计

    2024年01月17日
    浏览(66)
  • html5论文参考文献合集

    html5被称为下一代html,是一种网络语言标准,HTML5的设计目的是为了在移动设备上支持多媒体。在移动设备开发HTML5要不就是全使用HTML5的语法,要不就是仅使用JavaScript引擎。下面我们一起看看近三年最新的\\\"html5论文参考文献范例\\\" 。 html5论文参考文献一: [1]解颐,方红亮,曲

    2024年02月06日
    浏览(45)
  • Latex参考文献斜体变正体方法

    测试环境:texlive+texstudio 最近发表的论文被拒稿后改投Elsevier出版社的期刊,在引用参考文献时,遇到了问题: 1.一开始样式用的期刊所给名为(cas-model2-names.bst)的参考文献格式文件,但是使用这个文件放入到bibliographystyle{cas-model2-names}后,发现与录用期刊所发表的论文参考

    2024年02月17日
    浏览(55)
  • Latex自定义参考文献.bst文件

    latex自带参考文献.bst文件库在安装路径的texmf-distbibtexbstbase文件夹里。例:E:latexlatex_softwaretexlive2022texmf-distbibtexbstbase base文件中给出了几种基本的style,我们可以按照投稿的要求自行选择 使用 BiBTeX 时,将设置参考书目样式,并使用以下两个命令导入参考书目文件: 其

    2024年02月04日
    浏览(55)
  • 朴素,word,任何参考文献导入endnote

    这里的参考文献指的是类似于: 前面的序号有没有无所谓,以及其他的Bibtex等格式均可以。 第一次使用endnote20,单纯一个导入参考文献忙活了一个下午的时间,因为我的参考文献不是一个个PDF格式的,或者说之前从期刊网站上导出的,是 论文大约写好了但是文献太多借用

    2024年02月09日
    浏览(47)
  • 【国家参考文献标准GB/T 7714—2015】

    GB/T 7714—2015 2.1 参考文献著录方法几种主要类型的参考文献(专著、专著中的析出文献、连续出版物、连续出版物中的析出文献、专利文献、电子文献等)的著录项目与格式要求如下: 2.1.1 专著(图书 )[M]指以单行本或多卷册形式,在限定期限内出版的非连续出版物。包括

    2024年02月16日
    浏览(51)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包