格密码攻防与侧信道分析：后量子密码研究中大模型本地部署的算力工作站配置思路

UltraLAB Max F
2026-10-21

阅读量: 30

讨论会的开场

某信息安全课题组的会议室里，三个人已经吵了一个小时。

周老师是课题组负责人，研究方向是密码工程。博士生林蔚刚做完开题答辩，课题是格密码快速实现与侧信道安全性评估。对面坐着厂商工程师老韩，被叫来评估组里要不要为新方向添置一台工作站。

起因是过去一年多里接连落地的几件大事。2024年8月13日，美国国家标准与技术研究院正式发布首批三项后量子密码标准：FIPS 203（ML-KEM，源自CRYSTALS-Kyber）、FIPS 204（ML-DSA，源自CRYSTALS-Dilithium）、FIPS 205（SLH-DSA）。紧接着在2024年11月，NIST又发布了向后量子密码迁移的初始公开草案，给出明确时间表：2030年前弃用RSA-2048这类112-bit安全强度的算法，2035年前全面禁用所有易受量子攻击的算法。2024年12月9日，谷歌发布105量子比特的Willow量子芯片，用5分钟完成了一项经典超级计算机需要约10的25次方年才能算完的任务，量子纠错难题出现了实质性突破。国内的动作也很快，2025年2月启动了后量子密码算法的全球征集，要在这场算法大迁徙里发出自己的声音。

这个方向国内高校早有积累。南京航空航天大学刘哲教授团队长期从事后量子密码的快速实现研究，首次将可抵抗量子攻击的格密码算法高效实现在嵌入式芯片上，并把我国自主设计的格密码算法LAC落地到各类嵌入式平台；2021年12月，刘哲在中国密码学会年会上获得2020年度”密码创新奖”唯一一等奖。

周老师想把组里的方向往后量子密码实现与评估上转，林蔚的课题已经开了头。问题是：做密码研究，真的需要一台专门的工作站吗？

对话一：周老师问，”密码学不就是纸和笔吗，买什么工作站？”

林蔚早就料到导师会有这一问。

“纯理论密码学确实靠纸和笔，但我们做的是密码工程。工程方向至少有三件事，每一件都啃算力。”

第一件：格基规约实验

格密码的安全性建立在格上的困难问题上，最著名的是最短向量问题。评估一套NIST标准参数到底安不安全，靠的是在高维格上跑格基规约算法——从LLL到BKZ，再到带筛法加速的BKZ变体。低维实验在笔记本上就能跑，但评估真实安全强度需要构造上千维的格，内存占用轻松越过百GB，筛法阶段还把内存带宽推到极限。参数安全强度表上每调整一格，背后都是这种实验在支撑。

第二件：侧信道分析

密码芯片在运算时会泄露功耗、电磁等信息。现代侧信道分析的主流做法，是把成千上万条功耗轨迹喂给深度学习模型，训练它从噪声里抠出密钥比特。这类模型训练是标准的GPU负载，没有显卡，一个实验从几小时变成几天。

第三件：快速实现与基准测试

格密码的核心运算是多项式乘法，工程上靠数论变换加速。研究怎么把数论变换写得更快——指令集调度、内存布局、并行策略——需要反复编译、跑基准、对比曲线。这类任务单线程性能敏感，多任务并发时又吃CPU核心数。

老韩补了一句：”这个负载画像很清楚了：格基规约要内存容量和带宽，深度学习侧信道要显卡，实现与测试要CPU。三样都沾，一样都不能短板。”

周老师点点头，又抛出一个更尖锐的问题：”那学生最近老说的大模型，用公网的API不行吗？我们的东西，能送出去吗？”

对话二：数据送不出去，那就把模型搬进来——大模型本地部署

林蔚接过话头：”文献调研可以用公网服务，但算法设计细节、未公开代码、侧信道轨迹、漏洞挖掘中间结果都是研究底牌，走第三方API等于亮牌。加上商用密码、关基项目有数据不出内网的要求，公网大模型，我们用不起。”

“那就本地部署。”老韩写下部署两个字，”两条路：一机兼跑实验和模型，或单独一台推理机。”

选什么模型

密码学文献术语密度高、代码辅助需求重，组里圈定两个开源模型：Yi-1.5-34B，340亿参数，部署门槛低，适合文献研读与代码辅助；Qwen2.5-72B-Instruct，720亿参数，指令遵循与复杂推理更强，适合技术问答、报告生成和代码排错。两者生态活跃，部署工具链成熟。

显存怎么算

显存是第一道约束。估算口径：参数量（B）乘量化字节数，再乘1.2的系统开销系数（含KV cache，随上下文与并发增长）。算例：Yi-1.5-34B的Q4约34乘0.5乘1.2，即20GB上下，24GB显存从容运行；Q8约41GB；FP16本体约68GB。Qwen2.5-72B-Instruct的Q4约72乘0.5乘1.2，即43GB，需48GB以上显存或双卡；Q8约86GB；FP16本体约144GB，单张卡装不下。

量化等级怎么选

FP16无损但显存翻倍；Q8损失小，体积减半；Q4损失多数任务可接受，体积仅四分之一。文献摘要、代码生成等任务Q4够用，消费级显卡默认跑Q4，门槛被量化打下来。

速度差多少

CPU纯内存推理每秒只能吐个位数token，单卡GPU每秒几十到上百个token。解码速度由显存带宽决定，这是显卡区分推理档位的第一参数。

微调另算一笔账

推理之外还有领域适配：LoRA微调Yi-1.5-34B，显存增量约6到10GB，成本可控。全参数微调是另一回事——7B就要80GB以上，34B通常200GB以上。分水岭就在要不要碰全参数微调。

落到课题组场景：几千页NIST提交文档做检索问答，生成和排错SageMath与fpylll脚本，把侧信道实验记录整理成报告初稿，每天省一两小时，一年就是几百小时。

对话三：软件环境怎么搭

周老师问：”模型的事明白了。实验环境呢？”

林蔚列了一张单子：符号计算和格实验用SageMath和fpylll，后者是fplll库的Python接口，LLL和BKZ直接调用；底层大数运算依赖GMP；数论实验偶尔用PARI/GP。NIST算法的参考实现和国内的PQMagic库都用得上——PQMagic是国内团队发布的支持国际标准的高性能后量子密码算法库，在特定平台上的性能比国际最优开源实现提升约2倍。深度学习侧信道分析用PyTorch，整个工作台架在Jupyter上，师弟师妹上来就能用。

老韩提醒了两点：高维格实验要把内存当硬指标规划，别按普通开发机的习惯配；多人共用一台机器时，任务之间要做资源隔离，不然一个人跑BKZ实验，全组的数据分析都跟着卡。

该谈钱了

原理、模型、软件都过了一遍，回到周老师最初的问题：这台机器到底长什么样、要花多少钱。密码工程的任务规模跨度大，从本科毕设的小维度实验到课题组公用的平台级研发，硬件胃口差着一个数量级。下面按组里最常见的几种规模分档，每档给出适用场景、推荐机型和完整配置，具体选型再根据实验室实际情况调整，算是一份务实的参考，照着对号入座就行。