连分数：密码学中从公开参数恢复私钥的数学X光机-北京尧图网络

我第一次真正意识到连分数能干什么是在复现某类密钥风险分析的时候。当时手里只有一对公开参数其中一个私密的小量被藏得很深理论文档里有一句话当私密量小于某个平方根量级时它会在公开参数连分数展开的一组收敛子里直接暴露出来。起初我没太当回事直到脚本把公约数打印出来才明白这句话的真实分量。连分数听起来像数学史里的古董名词但它在现代密码学数学基础里的作用恰恰是给“近似关系”做一次X光透视。这篇文章就把这套数学基础讲透它是什么、怎么算、为什么能命中秘密以及实战里哪些地方最容易翻车。适合两类人被教材符号劝退的密码学学生以及做安全评估、密钥参数设计时需要理解连分数真实威力的开发者。1. 为什么密码学盯上连分数1.1 它的核心能力寻找隐藏的近似比例密码学里大量参数是整数公开参数和私有参数之间经常藏着近似比例关系只是被包装成大数后看不出来。连分数做的事情很简单把一个数展开成一层套一层的整数分式然后在每一层截断得到一组越来越精确的分数近似值。关键在于如果某个秘密本身可以写成“一个整数除以另一个整数”的有理数那么这两个整数迟早会完整出现在这组近似值的分子和分母里。理解这一点用一个类比给你一串无限小数0.3333……普通人只会认为它是一个无理数但如果用带余除法把它展成连分数第一项就暴露了分数1/3。密码学场景里没有这么温柔公开参数的比值可能是几万位的大数秘密就藏在小数点后几十位。连分数的价值在于它会把“最像正确答案”的那一组整数对逐个拎出来而不是让分析者面对天文数字的盲搜。1.2 收敛子是最佳有理逼近连分数截断后得到的分数称为收敛子。它们不是随便的近似而是数学上“性价比”最高的近似在分母不超过某个上限的所有分数里收敛子是误差最小的那个。也就是说你想用一个简单分数去逼近一个复杂数标准答案一定来自连分数的收敛子序列而不是漫无目的地随便选分母。这个性质对密码学意义重大。假设攻击者知道一个公开比值α怀疑它约等于某个秘密分数k/d而且秘密分数的分母d不大。那么d天然限制了搜索空间连分数则保证只要α与k/d足够接近k/d就必然出现在α的收敛子列表里。换成非数学语言连分数把“大海捞针”变成了“按顺序翻牌”。1.3 影响范围不止一个具体方案连分数不是针对某个特定密码方案的漏洞而是一个通用数学透镜。凡是满足“公开数约等于秘密分子除以秘密分母”这种结构的问题都在射程内。我在实际工作中见过的场景至少覆盖三类一类经典公钥加密方案里私密指数偏小的情况某些伪随机数生成器状态恢复问题其中线性递推关系可以被重排成近似分数丢番图逼近类问题比如在格基分析前用连分数做降维探测。所以掌握连分数等于拿到了一套通用侦察工具而不只是背一个针对某个算法的攻击脚本。2. 从带余除法到收敛子连分数怎么算2.1 带余除法本身就是展开一个连分数的标准形式是a0 1 / (a1 1 / (a2 1 / (a3 ... )))其中a0是整数部分a1、a2……都是正整数。给定一个有理数把它展成连分数的方法就是反复做带余除法。比如355/113先用355除以113商3余16再用113除以16商7余1然后用16除以1商16余0。展开结果就是 [3;7,16]对应 3 1/(7 1/16) 355/113。这个展开过程完全等价于欧几里得算法。换句话说你从小学就会的求最大公约数的辗转相除法每一步产生的商正好就是连分数展开的每一项。这也是为什么连分数分析在计算上极其轻量一轮带余除法迭代的代价是O(log N)级别跟求一次最大公约数没有本质区别完全可以在现代计算机上瞬间完成。2.2 收敛子的迭代递推给定连分数的项列表 [a0; a1, a2, ...]要快速算出所有收敛子可以用一组递推公式。记第i个收敛子的分子为p_i分母为q_i初值设为p_{-1}1p_{-2}0q_{-1}0q_{-2}1然后从i0开始迭代p_i a_i * p_{i-1} p_{i-2} q_i a_i * q_{i-1} q_{i-2}举个简单例子展开 22/7商序列是[3;7]收敛子第一个是3/1第二个是(731)/(710)22/7完全正确。这个递推实现起来只有四行代码但它保证每一个收敛子都是最佳有理逼近。我在代码里几乎是条件反射地写成整数运算因为浮点数在迭代过程中会积累误差而这类分析对误差极其敏感这一点后面会详细说。2.3 为什么收敛子必然包含正确的秘密分数有一个经典判定条件常被称为逼近定理如果某个分数a/b满足 |α - a/b| 1/(2b²)那么a/b一定是α的连分数展开中的一个收敛子。这句话是整套密码学应用的核心裁判。它的直觉解释并不难。连分数收敛子序列的逼近误差大概在1/(q_i * q_{i1})量级而q_{i1}至少不小于q_i所以误差大约在1/(q_i²)附近。一个分数如果比这个界限还要“接近”说明它已经逼近到了一种不可能被其他分母更小的分数超越的程度而收敛子的最佳性恰好垄断了这种位置。后续应用里的所有边界条件本质上都是在检查“题目给定的近似程度是否满足这个定理的门槛”。3. 实战拆解连分数如何从公开数据里找回秘密参数3.1 一类经典公钥方案里的隐藏等式拿最常见的RSA类方案来说公开参数是模数N和公开指数e私密参数是解密指数dN是两个大质数p、q的乘积φ(N) (p-1)(q-1)是欧拉函数值。参数定义要求e * d ≡ 1 (mod φ(N))于是存在某个正整数k使得e * d - k * φ(N) 1大多数开发者只把这个等式当作定义看很少注意到它可以被重排成近似分数形式。把它两边同时除以d * φ(N)立刻得到| e/φ(N) - k/d | 1 / (d * φ(N))左边像一个公开比值e/φ(N)和一个秘密分数k/d之间的距离右边是一个具体误差上界。这个形式正是连分数收敛子判定条件需要的结构。3.2 用N替代φ(N)之后的误差变化唯一的问题是e/φ(N)里的φ(N)并不公开公开的是N。但是φ(N) N - p - q 1与N的差只有pq的量级相对N来说非常小。所以e/N和e/φ(N)相差极微意味着| e/N - k/d |也近似落在1/(d * N)附近。只要这个误差足够小按照逼近定理k/d就会出现在e/N连分数展开的收敛子序列里。这也是为什么攻击者根本不需要知道φ(N)的精确值仅仅用公开的e和N就能把秘密分数揪出来。3.3 边界条件为什么私密量必须“足够小”判定定理给出的是充分条件具体到这个场景如果d满足大约d N的1/4次方量级那么误差1/(d * N)就小于1/(2d²)k/d必然出现在收敛子序列中。这个1/4次方是一条经验分界线大量密钥参数设计指南都引用它。举个例子帮助建立直觉假设N大约是2的1024次方N的1/4次方大约是2的256次方。如果解密指数d小于2的256次方理论上连分数分析就有机会直接从公开数据里恢复出私钥。反过来如果d接近N的规模误差上界太大收敛子序列里的候选人会多到无法有效判定分析自然失败。所以这不是一个无限威力的工具而是一个对“参数落在危险区间”的精准探测器。3.4 找到收敛子之后的处理流程一旦从e/N的连分数展开中得到候选的(k, d)后续验证和恢复私钥的过程是确定性的记录当前收敛子的分子k和分母d跳过k 0的平凡项因为k不能为0检查 (e * d - 1) 是否能被k整除如果能就计算出 φ(N) (e * d - 1) / k由 N p * q 和 p q N - φ(N) 1构造一元二次方程 x² - (pq)x N 0求解方程得到p、q两个根再用p * q N验证。第5步的验证非常关键因为收敛子序列可能有多个候选者通过了整除性检查但只有真正满足p * q N的那一组才是正确答案。我在实际复现时见过很多初学者漏掉这一步导致误报后面会专门展开说。3.5 防御视角的检查清单说句实话我写这类分析的首要目的不是教人攻击而是让防御方知道自己设计的参数在什么条件下会失效。做密钥参数审计时我的习惯至少包含下面几条把待评估的私密指数与N的1/4次方比较看是否踩线对N、e做一次连分数展开遍历收敛子用上述流程跑一遍自动化验证不仅测单个密钥还要批量测试同一套参数生成逻辑生产的所有密钥因为参数生成器的缺陷往往是系统性的如果发现某个密钥可以被恢复立刻检查日志确认它是不是测试密钥评估是否影响其它密钥。这套检查清单已经进入我评估任何涉及大整数参数的密码方案的标准流程连分数在这里不是冷门技巧而是常规体检项目。4. 实操复现与踩坑记录4.1 一个可以直接改用的分析脚本下面这段Python代码是我常用结构全部使用整数运算核心是展开连分数、生成收敛子、逐项验证。运行环境需要Python 3.8以上因为用了pow的模逆运算。from math import isqrt def continued_fraction(num, den): cf [] while den: a num // den cf.append(a) num, den den, num - a * den return cf def convergents(cf): p_prev2, p_prev1 0, 1 q_prev2, q_prev1 1, 0 res [] for a in cf: p a * p_prev1 p_prev2 q a * q_prev1 q_prev2 res.append((p, q)) p_prev2, p_prev1 p_prev1, p q_prev2, q_prev1 q_prev1, q return res def try_recover(e, n): cf continued_fraction(e, n) for k, d in convergents(cf): if k 0: continue if (e * d - 1) % k ! 0: continue phi (e * d - 1) // k s n - phi 1 delta s * s - 4 * n if delta 0: continue r isqrt(delta) if r * r ! delta: continue p (s r) // 2 q (s - r) // 2 if p * q n: return p, q, d return None # 测试构造一个d较小的示例 p 1217 q 1279 n p * q phi (p - 1) * (q - 1) d 31 # 计算对应的公开指数 e e pow(d, -1, phi) result try_recover(e, n) print(result)这段脚本有几个设计要点。第一始终用整数除法和取模不用浮点数第二用isqrt求整数平方根并且检查r * r delta避免误判第三最后用p * q n做完全验证这一步过滤掉所有假阳性。我实际测试时脚本输出的是(1217, 1279, 31)三个值全部正确恢复。4.2 测试用例要覆盖哪些场景测试用例不只是为了看到成功输出还要验证失败分支。我的建议是准备四组数据一组满足边界条件的密钥验证恢复成功一组私密指数远大于N的1/4次方的密钥验证脚本返回None一组多个候选收敛子通过整除检查但最终只有一个是正确解的数据验证最后的p*qn过滤逻辑一组e和n非常接近整数倍关系的数据验证连分数展开中平凡项的跳过逻辑。如果没有现成数据就用代码动态生成先选安全的小质数再选择一个满足边界条件的d然后反向算出e。测试过程本身也能帮助你理解边界条件的含义尤其是当d踩线时脚本偶尔会返回None那是因为逼近误差刚刚越过判定门槛属于正常现象。4.3 为什么坚决不用浮点数我踩过最大的坑就是一开始用float计算收敛子。连分数分析对误差是零容忍的因为收敛子判定条件本身就是基于误差上界。浮点数在几万位的乘除里丢失几个二进制位可能导致两个分母本应相等的候选被判定为不相等或者让整除检查失败。更隐蔽的问题是浮点运算的舍入会让ss - 4n产生微小偏差delta本来是完全平方数却被判成非平方数整个流程直接断掉。所以我把规矩定死这个分析场景一律使用整数运算平方根用isqrt除法只做整除需要验证就做取模。整数运算不仅更安全速度也更快完全没有必要引入浮点数。4.4 假阳性与漏判的识别运行这类脚本时最容易被忽略的结果是“多个收敛子都通过了整除检查”。原因是某些候选k恰好整除(ed-1)但算出的φ并不对应真实的欧拉函数值只有最终pqn才能证明正确性。因此脚本绝不能返回第一个整除检查通过的候选就停止而必须遍历完所有收敛子并保留唯一验证结果。另一种常见漏判是跳过k0时操作不当。展开连分数的第一项a0往往是e除以n的商对应k0是一个平凡候选如果忘记跳过某些实现会产生除零错误或者错误的φ值。把跳过逻辑放在循环开头是最稳妥的做法。5. 影响范围从一次恢复到一个通用方法5.1 同一套思路在相近场景里的推广连分数的价值不止于恢复某个特定方案里的私密指数。我在做参数分析时发现很多密码学组件都存在类似结构两个公开整数之间的比值恰好约等于一个秘密有理数秘密的分子或分母又落在某个平方根边界内。比如某些线性同余伪随机数生成器输出序列满足类似 x_{i1} a * x_i b mod m 的递推攻击者如果拿到连续的输出可以构造形如 (输出差) / m 的比值再用连分数恢复乘数或模数。推广思路其实很简单只要能把问题改写成“公开值α约等于秘密分数k/d且d较小”连分数工具就能直接套用。这也是为什么我认为它值得花时间彻底掌握它是很多高级分析方法的底层直觉来源。5.2 与格基分析的关系连分数和更高维的格基约简有清晰的亲缘关系。收敛子本质上可以看作二维格中“最短向量”问题的近似解而格基约简算法是把这种思路推广到高维空间的工具。二维情况下连分数是精确且高效的标准答案高维情况下你才会需要更复杂的格基约简算法。我在学习时有意识地把连分数当作格分析的入门阶梯先理解二维里收敛子为什么能逐项逼近秘密比例再去看高维格里的短向量搜索就会自然理解为什么攻击者要费劲找“短向量”。这种理解顺序比直接啃高维格理论舒服得多。5.3 对安全参数设计的启示连分数这类工具真正告诉我们的不是某个具体参数应该设成多长而是一种设计原则任何秘密相关量如果与公开量构成近似比例关系就必须保证它的量级离可被逼近的边界足够远。安全参数不能只按“计算复杂度足够高”来选还要考虑“公开结构与秘密结构之间的距离”。比如在设计密钥时不仅要让私密指数足够大还要让它落在连分数判定条件之外在验证参数生成器时要留出测试空间用连分数做扫描而不是只做功能测试。安全评估的思维应该是进攻性的先假设攻击者手上有连分数这类数学工具再反过来确认自己的参数能不能扛住。我实际复现这套分析流程时最有冲击力的不是脚本跑出结果那一刻而是意识到“公开数据加一个古老的数学工具等于秘密参数”这条路竟然如此笔直。给后来者的建议有三条第一不要迷信任何静态参数天然安全只要秘密映射成了公开比值就要拿连分数这类工具过一遍第二学连分数时不要只背定义动手展开几个分数、打印收敛子亲眼看到分母等于秘密值时的感觉和看书完全不同第三这类分析工具只能用于自己授权范围内的安全评估无论是在实验室里测试测试密钥还是做产品上线前的风险扫描边界都要分清楚。

连分数：密码学中从公开参数恢复私钥的数学X光机

相关推荐

MOCK是什么：从原理、分类到手写实现与避坑指南

Agent Platform 线上超时故障排查：从告警到动态预算修复

Nginx命令实战：进程模型、信号机制与优雅重载全解析

更多资讯

PLC物料自动检测与分拣系统设计与调试实战指南

Android Studio发布APP全流程：签名、构建与上架指南

激光频率梳深孔3D轮廓测量：从干涉原理到微米级检测实践

信创环境部署星火 X2.5：麒麟/UOS + 国产算力跑 4B 模型的完整实录与调优参数

Unity3D四季场景实现：光照、粒子与打包避坑全流程

电子元器件假货怎么识别：翻新料的5个早期迹象

今日更新

再见，SSE！你好，Streamable HTTP！轻松开发 Streamable HTTP MCP Server 并接入 TaoToken

工业软件标准化路线图：国产替代的落地施工图

VCMI安卓版实操指南：原生运行英雄无敌3的3步技术落地

本周精选

CMOS设计三大物理效应：体效应、沟道长度调制与亚阈值导电

微信小程序在线阅读毕设全解析：Java后端+MySQL+避坑实战

Android音频问题五层分析法：从App到Codec的系统化诊断

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？