目录
一. 铺垫性介绍
1.1 傅里叶级数
1.2 傅里叶矩阵的来源
二. 格基与傅里叶矩阵
2.1 傅里叶矩阵详细解释
2.2 格基与傅里叶矩阵
写在前面：有关傅里叶变换的解释太多了，这篇博客主要总结傅里叶矩阵在格密码中的运用。对于有一定傅里叶变换基础的同学，可直接跳转2.2看结论。
一. 铺垫性介绍
1.1 傅里叶级数
傅里叶级数的表达如下：
傅里叶级数可以看成无限维度的线性代数。这个过程可以看成将函数f(x)投影成很多的sin与cos，与此同时产生傅里叶系数与.
反过来，借助无限的sin与cos序列，乘以对应的傅里叶系数，也能够重建原始的函数f(x)。
当然，格密码中我们更加关心有限维度的离散傅里叶变换。
1.2 傅里叶矩阵的来源
将傅里叶级数右边的函数改为输入n个值，由此输出n个值。这两个向量，y与c之间的关系一定是线性的，数字信号处理过程中也经常会用到此性质。既然是线性关系，那我们可以将其构建为一个矩阵，由此便出现了傅里叶矩阵F。比如，给定输出y有四个值2,4,6,8，求解输入c的本质就是：已知Fc=y，求解c，如下：
二. 格基与傅里叶矩阵
2.1 傅里叶矩阵详细解释
先从4维的离散傅里叶矩阵（后续记为DFT）F说起：
离散傅里叶矩阵的共轭矩阵记为，熟悉线性代数的都知道，DFT矩阵满足如下：
排除系数4的影响，也就是矩阵乘以本身的共轭矩阵为单位阵，这不就类似正交阵（准确来讲应该叫酉矩阵）。
给定任意的维度n，傅里叶矩阵可以将输入c与输出y联系起来。这个过程可以写成n个线性方程，当然也可以写成离散级数，包含n个傅里叶系数，n个输出点，如下：
当x取0时，也就是系数全为1，第一个线性方程往往比较简单，如下：
将1的N次方根主值记为，其实就是复数根，以上变换过程推广到n维为：
注意左边第一个矩阵即为傅里叶矩阵。将行数与列数记为从0到n-1，傅里叶矩阵中的元素可以总结为。比如第一行就是，第一列就是，这两个的元素均为。
在利用傅里叶矩阵时，很多时候需要求逆。根据复数的性质，易知：
我们知道的角度为,的角度为,类似如下：
也就是可以得出：
也就是傅里叶矩阵的逆长这个样子：
第一个等号代表，傅里叶矩阵的逆。第二个等号代表逆矩阵与共轭矩阵的关系。
如果用3维举例子的话，三维的傅里叶矩阵如下：
三维的逆傅里叶矩阵如下：
F的第j行，的第j列，相乘计算：
其实就是单位阵的对角线元素。
F的第j行乘以的第k列，计算：
除了对角线元素，其他位置均为0（单位阵）。
如果我们将，以上方程即可改写为：
因为，W满足如下：
也就是W也为1的单位根。
2.2 格基与傅里叶矩阵
格基的本质是一个矩阵，通常格点为实数的向量点。如果将其推广到复数域，格基B也可以取复数。
根据以上讨论，傅里叶矩阵：
- N维方阵；
- 对称矩阵（关于对角线）；
- 正交阵（注意差N倍系数，严格叫酉矩阵）；
已经出现论文讨论将傅里叶矩阵作为格基，之所以这样是有如下好处：文章来源：https://www.toymoban.com/news/detail-771655.html
- 格基为正交阵，格基良好，可解决很多格上困难问题（CVP,LWE等）；
- 逆矩阵容易求，很容易导出对偶格；
格密码中很多时候需要利用“环版本”，比如RLWE或者Ring-SIS问题。一个环元素本质是一个多项式，两个多项式相乘的计算复杂度为，但如果借助快速傅里叶变换（FFT），其复杂度可以降低到。文章来源地址https://www.toymoban.com/news/detail-771655.html
到了这里，关于格密码：傅里叶矩阵的文章就介绍完了。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！
