PyTorch/CSPRNG

torchcsprng是一个PyTorch C++/CUDA扩展，它提供

• AES 128位加密/解密，两种模式：ECB 和 CTR
• 密码学安全伪随机数生成器，适用于PyTorch。

设计

torchcsprng使用其生成器之一在CPU上生成一个128位密钥，并使用AES128在CTR模式下运行，可以在CPU或GPU上使用CUDA生成一个随机的128位状态，并将其应用于变换函数以映射到目标张量值。此方法基于Parallel Random Numbers: As Easy as 1, 2, 3(John K. Salmon, Mark A. Moraes, Ron O. Dror, and David E. Shaw, D. E. Shaw Research)。这使得torchcsprng在CUDA和CPU上既安全又并行。

优点

• 用户可以选择基于种子（用于测试）或基于随机设备的生成器（完全加密安全）
• 一个生成器实例用于CPU和CUDA张量（因为加密密钥总是生成在CPU上）
• CPU随机数生成也是并行的（与默认PyTorch CPU生成器不同）

特性

torchcsprng 0.2.0公开了新的张量加密/解密API。张量加密/解密API对dtype不敏感，因此任何dtype的张量都可以被加密，结果可以存储到任何dtype的张量中。加密密钥也可以是任何dtype的张量。目前torchcsprng支持128位密钥的AES密码，有两种模式：ECB和CTR。

• torchcsprng.encrypt(input: Tensor, output: Tensor, key: Tensor, cipher: string, mode: string)

• input张量可以是任何dtype和任意大小的CPU或CUDA张量（使用零填充使其大小在字节上可被块大小整除）
• output张量可以是任何dtype，但具有与input张量相同的设备和字节大小（向上取整到块大小字节，AES 128为16字节）
• key张量可以是任何dtype，但具有与input张量相同的设备和大小为16字节（AES 128）
• cipher当前只能有一个支持的值"aes128"
• mode当前可以是"ecb"或"ctr"

• torchcsprng.decrypt(input: Tensor, output: Tensor, key: Tensor, cipher: string, mode: string)

• input张量可以是任何dtype，但大小在字节上可被块大小整除（AES 128为16字节）
• output张量可以是任何dtype，但具有与input张量相同的设备和相同大小的字节
• key张量可以是任何dtype，但具有与input张量相同的设备和大小为16字节（AES 128）
• cipher当前只能有一个支持的值"aes128"
• mode当前可以是"ecb"或"ctr"

torchcsprng公开了两种创建加密安全和非加密安全的PRNG的方法

以下列表支持所有之前提到的 PRNG

• 计算在 CPU 上完成，结果复制到 CUDA

安装

CSPRNG 与 Python 3.6-3.9 兼容，支持以下操作系统，并可以在以下设备上与 PyTorch 索引一起使用

以下是对应的 CSPRNG 版本和支持的 Python 版本。

二进制安装

Anaconda

pip

夜间构建

Anaconda

pip

从源码构建

torchcsprng 是一个依赖 PyTorch 的 Python C++/CUDA 扩展。为了从源码构建 CSPRNG，需要安装 Python(>=3.7) 和 PyTorch(>=1.8.0)，以及 C++ 编译器（Linux 上的 gcc/clang，macOS 上的 XCode，MS Windows 上的 Visual Studio）。要构建 torchcsprng，可以运行以下命令：

python setup.py install

默认情况下，如果找到 CUDA 并且 torch.cuda.is_available() 为 True，则会构建 GPU 支持。此外，还可以通过设置 FORCE_CUDA=1 环境变量强制构建 GPU 支持，这在构建 docker 图像时很有用。

入门

torchcsprng API 可在 torchcsprng 模块中使用

import torch
import torchcsprng as csprng

从 /dev/urandom 创建加密安全的 PRNG

urandom_gen = csprng.create_random_device_generator('/dev/urandom')

在 CUDA 上创建空布尔索引，并用 urandom_gen 中的随机值初始化

torch.empty(10, dtype=torch.bool, device='cuda').random_(generator=urandom_gen)

tensor([ True, False, False,  True, False, False, False,  True, False, False],
       device='cuda:0')

在 CUDA 上创建空 int16 索引，并用 urandom_gen 中的范围 [0, 100) 内的随机值初始化

torch.empty(10, dtype=torch.int16, device='cuda').random_(100, generator=urandom_gen)

tensor([59, 20, 68, 51, 18, 37,  7, 54, 74, 85], device='cuda:0',
       dtype=torch.int16)

创建非加密安全的 MT19937 PRNG

mt19937_gen = csprng.create_mt19937_generator()
torch.empty(10, dtype=torch.int64, device='cuda').random_(torch.iinfo(torch.int64).min, to=None, generator=mt19937_gen)

tensor([-7584783661268263470,  2477984957619728163, -3472586837228887516,
        -5174704429717287072,  4125764479102447192, -4763846282056057972,
         -182922600982469112,  -498242863868415842,   728545841957750221,
         7740902737283645074], device='cuda:0')

从默认随机设备创建加密安全的伪随机数生成器（PRNG）

default_device_gen = csprng.create_random_device_generator()
torch.randn(10, device='cuda', generator=default_device_gen)

tensor([ 1.2885,  0.3240, -1.1813,  0.8629,  0.5714,  2.3720, -0.5627, -0.5551,
        -0.6304,  0.1090], device='cuda:0')

使用种子创建非加密安全的MT19937 PRNG

mt19937_gen = csprng.create_mt19937_generator(42)
torch.empty(10, device='cuda').geometric_(p=0.2, generator=mt19937_gen)

tensor([ 7.,  1.,  8.,  1., 11.,  3.,  1.,  1.,  5., 10.], device='cuda:0')

使用相同的种子重新创建MT19937 PRNG

mt19937_gen = csprng.create_mt19937_generator(42)
torch.empty(10, device='cuda').geometric_(p=0.2, generator=mt19937_gen)

tensor([ 7.,  1.,  8.,  1., 11.,  3.,  1.,  1.,  5., 10.], device='cuda:0')

贡献

我们感谢所有贡献。如果您计划贡献回错误修复，请直接进行，无需进一步讨论。如果您计划贡献新功能、实用函数或扩展，请首先提交一个issue并与我们讨论该功能。

许可协议

torchcsprng遵循BSD 3条款许可。请参阅许可文件此处

使用条款

隐私政策