• 1. 함수
  • 1.1 집합에 대한 용어와 표기법
    • 개요
    • 표현
  • 1.2 카테시안 곱(Cartesian product)
  • 1.3 함수
    • 개요
    • 정의
    • 매핑하는 함수의 의미
    • 치역
    • 1.3.1 함수, 프로시저, 계산 문제
      • 프로시저
      • 계산 문제
      • 차이점
    • 1.3.2 함수와 연관된 두 가지 계산 문제
    • 1.3.3 주어진 정의역과 공역을 가지는 함수들의 집합에 대한 표기법
    • 1.3.4 항등함수
    • 1.3.5 함수의 합성
    • 1.3.6 함수 합성의 결합법칙
    • 1.3.7 역함수
    • 1.3.8 가역함수를 합성한 함수의 가역성
  • 1.4 확률
    • 1.4.0 개요
    • 1.4.1 확률분포
      • 1.4.1.1 균등 분포
      • 1.4.1.2 비균등 분포
    • 1.4.2 사건과 확률의 합
    • 1.4.3 랜덤 입력에 함수 적용
    • 1.4.4 완벽한 비밀 유지
      • 암호 체계 요구 조건
      • 은둔 보안(security through obscurity)
      • 커크호프의 원칙
      • 암호 체계 예제
        • 나쁜 방식
        • 좋은 방식

1. 함수

• 벡터 및 행렬 이해에 중요한 기본적 수학 개념
  • 집합(set)
  • 시퀀스(sequence, 순서 있는 리스트)
  • 함수
  • 확률이론

1.1 집합에 대한 용어와 표기법

개요

• 수학 객체를 모아 놓은 것
• 집학에 속하는 각 객체는 많아야 한 번 그 집합에 나타나는 것으로 간주(중복X)
• 원소들 사이에 순서가 없다
• 원소 수가 무한 개인 무한 집합이 가능하다

표현

• {}: 원소를 중괄호 안에 열거하여 나타낸다
  • {1, 2, 3, 4}
• $\in$: 집합에 속하는 것을 나타내기 위해 사용
  • 1 $\in$ {1, 2, 3, 4}
• $\subseteq$: 집합 $S_1$의 모든 원소가 $S_2$에 속하면(포함), $S_1 \subseteq S_2$
• 두 집합이 정확하게 동일한 원소로 이루어지면, 두 집합은 같다. 증명은:
  1. 첫 번째 집합이 두 번째 집합에 포함됨을 증명 $S_1 \subseteq S_2$
  2. 두 번째 집합이 첫 번째 집합에 포함됨을 중명 $S_2 \subseteq S_1$

• $

  S

  $: S가 유한 집합일 경우 집합의 크기(cardinality), 즉 집합에 포함되는 원소의 개수를 나타낸다

1.2 카테시안 곱(Cartesian product)

• 집합 A와 집합 B의 카테시안 곱 = $a\in A$와 $b\in B$의 모든 쌍 (a, b)로 이루어진 집합
• A = {1, 2}, B = {3, 4} 카테시안 곱
  • {(1, 3), (1, 4), (2, 3), (2, 4)}

  • A X B

    = $

    A

    \cdot

    B

    =$ $2\times2=4$개의 요소를 가진다

1.3 함수

개요

• 가능한 입력 집합 D의 각 원소에 대해 가능한 출력을 할당하는 규칙
  • 가능한 입력 집합 D: 정의역(domain)
  • 입력: 출력의 원상(pre-image)
  • 출력: 입력의 상(image)
• 쌍 (a, b)들의 집합(무한 집합도 가능)

예제 1.3.1 D = {1, 2, 3, …}을 가지는 배수 함수(doubling function)

{
  (1, 2),
  (2, 4),
  (3, 6),
  (4, 8) ...
}

예제 1.3.2 D = {1,2,3,…} x {1,2,3,…} 가지는 곱셈 함수(multiplication function)

{
  ((1,1), 1),
  ((1,2), 2),
    ...
  ((2,1), 2),
  ((2,2), 4),
  ((2,4), 6),
    ...
}

정의

• $f(q)$: 함수 f에 대하여, f에 의한 q의 상(함수값, 즉 출력)
• $r = f(q)$: q는 f에 의해 r로 매핑된다($q \mapsto r$로 표기)
• 함수를 나타낼 때 함수의 공역(co-domain, 함수값이 선택되는 집합)을 명시하는 것이 편리하다. 다만 공역의 모든 원소가 함수값이 되어야 하는 것은 아니다.

매핑하는 함수의 의미

$f : D \longrightarrow F$ = D에서 F로의 함수 = D를 F로 매핑하는 함수

• f: 함수
• D: 함수의 정의역(domain)
• F: 공역(가능한 출력의 집합)

예제 1.3.3 시저의 암호체계. 알파벳 각 문자를 그 다음 세 번째 문자로 대치(마지막 세 문자 X, Y, Z는 wrap-around 적용). MATRIX -> PDWULA 평문의 문자를 암호문의 문자로 매핑하는 함수는 다음과 같다 $A\mapsto D, B\mapsto E, C\mapsto F, D\mapsto G, W\mapsto Z, X\mapsto A, Y\mapsto B, Z\mapsto C$ 이 함수의 정으역과 공역은 둘 다 알파벳 ${A, B, \dotsc, Z}$

예제 1.3.4 코사인 함수 cos는 실수의 집합 $\R$을 실수의 집합으로 매핑하는 함수 $cos: \R \longrightarrow \R$ cos 함수의 함수값은 모든 실수를 포함하는 것이 아니라 -1과 1 사이의 값만 가진다

치역

• 모든 정의역 원소들에 대한 함수값들의 집합, 즉
  • 공역(co-domain)의 원소들 중
  • 실제 함수값이 되는
  • 공역 원소들의 집합
• 예제
  • 시저 암호화 함수에서는 알파벳 전체
  • cos 함수에서는 -1과 1 사이에 존재하는 수의 집합

예제 1.3.5 함수 prod = 1보다 큰 정수 쌍을 입력으로 받아 두 정수의 곱을 출력.

• 정의역: 1보다 큰 정수 쌍
• 공역: 1보다 큰 모든 정수들의 집합
• 치역: 합성수(composite number)들의 집합. 소수(prime number)와 매핑되지 않는다.

1.3.1 함수, 프로시저, 계산 문제

프로시저

• 계산 절차에 대한 정확한 기술
• 입력(매개변수) 받아들여 출력(리턴 값) 생성
• 일반적으로 프로시저를 함수로 언급하지만, 여기서는 혼란 방지 위해 그렇게 언급하지 않는다

예제 1.3.6 프로시저 정의하는 파이썬 문법

def mul(p, q):
  return p * q

계산 문제

• 프로시저가 필요할 수도 있는 입력-출력에 대한 사양. (우선 프로시저 전 문제 정의 단계로 이해)

예제 1.3.7: 예제 1.3.2에 정의된 함수에 대응하는 계산문제

• 입력: 1보다 큰 정수의 쌍(p, q)
• 출력: 곱 pq

예제 1.3.8

• 입력: 1보다 큰 정수 m
• 출력: 곱이 m인 정수 쌍 (p, q)

차이점

• 함수:
  • 프로시저와 달리, 입력을 사용하여 출력을 어떻게 계산 하는지에 대한 정보 주지 않는다
  • 계산 문제와 달리, 모든 입력에 대해 하나의 유일한 출력을 명시할 필요 있다
• 계산 문제
  • 프로시저와 달리, 입력을 사용하여 출력을 어떻게 계산 하는지에 대한 정보 주지 않는다
  • 함수와 달리, 모든 입력에 대해 하나의 유일한 출력을 명시할 필요 없다
    • 예제 1.3.8에서 m = 12일 때, 출력은 {(2, 6), (3, 4), (4, 3), (6, 2)} 가능
• 프로시저
  • 입력을 사용하여 출력을 어떻게 계산 하는지에 대한 정보를 준다
  • 따라서 구현 방식(계산 방법) 등에 따라 많은 프로시저 존재 가능
    • 동일한 입력-출력 사양을 만족
    • 또는 동일한 함수를 구현
  • 정수 곱셈을 예로 들자면,
    • 일반적인 긴 곱셈 방법
    • Karatsuba 알고리즘
    • Schonghage-Strassen 알고리즘(11ㅏㅈㅇ에서 다루는 패스트 푸리에 변환 사용)
    • Furer 알고리즘
• 동일한 프로시저가 다른 함수 위해 사용될 수 있다
  • 위의 def mul(p,q):는 입력 타입, 리턴 타입이 명시되어 있지 않다
  • 따라서 음의 정수와 정수 아닌 수를 곱하는 데 사용될 수 있다

1.3.2 함수와 연관된 두 가지 계산 문제

Forward 문제 함수 $f$의 정의역에 속하는 원소 $a$에 대해, $a$의 함수값 $f(a)$ 계산

Backward 문제 함수의 공역의 원소 $r$에 대해 임의의 원상을 계산하여라 (원상이 존재하지 않을 경우, 조재하지 않음을 리포트)

• $P(x)$:
  • 정의역의 임의의 원소에 대해
  • $f$의 함수값을 계산하는 프로시저
• 함수값 $r$(출력)의 원상(pre-image, 입력) 계산 위한 프로시저?
  • 프로시저 내용
    • 정의역의 각 원소 $q$에 대해
    • $P(x)$를 적용하여
    • 출력 $r$이 되는지 확인
  • $P(x)$ 계산 시간 $\le$ 원상(pre-image, 입력) 계산 시간.
    • 하지만 모든 함수에 적용 가능한 더 나은 방법은 없다.
    • 예제 1.3.7 정수의 곱셈이 예제 1.3.8 정수의 인수분해보다 간단하고, RSA 암호 체계는 이에 기반한다

1.3.3 주어진 정의역과 공역을 가지는 함수들의 집합에 대한 표기법

• $F^{D}$: 집합 D와 F에 대해, D에서 F로의 모든 함수
• $\R^{W}$: 단어 집합 W에서 실수의 집합 $\R$로의 모든 함수

1.3.4 항등함수

• $id_{D}: D \longrightarrow D$: 임의의 정의역 D에 대한 항등함수
• $id_{D}(d) = d$: 모든 $d \in D$에 대한 항등함수

1.3.5 함수의 합성

• 두 개의 함수를 결합하여 하나의 새로운 함수를 얻는 것
• $g\circ f$:
  • $f: A \longrightarrow B$와 $g: B \longrightarrow C$ 두 함수의 합성함수
  • 정의역: A
  • 공역(co-domain, 가능한 출력의 집합): C
  • 이 합성 함수는, 모든 $x \in A$(정의역)에 대해, $g\circ f(x) = g(f(x))$ 규칙에 의해 정의된다
• 아래 그림은 $f, g, h$의 합성을 나타낸 것. 각 함수는 정의역을 나타내는 원에서 공역을 나타내는 원까지의 화살표로 표현

graph LR
    A((A)) --> |f|B((0)) --> |g| C((3)) --> |h|D((D))
    E((B)) --> |f|F((1)) --> |g| G((4)) --> |h|H((E))
    I((C)) --> |f|J((2)) --> |g| K((5)) --> |h|L((F))

• 함수 $f$의 치역이 함수 $g$의 정의역에 포함되지 않는다면, $g \circ f$라 쓰는 것은 맞는 표현이 아니다
  • 치역?
    • 모든 정의역 원소들에 대한 함수값들의 집합.
    • 즉, 공역(co-domain)의 원소들 중 실제 함수값이 되는 공역 원소들의 집합

예제 1.3.10 함수 $f$와 $g$의 정의역과 공역이 $\Reals$

$f(x) = x + 1$ $g(y) = y^2$ 그렇다면 $g \circ f(x) = (x + 1)^2$(이는 $g(f(x))$와 같다)

예제 1.3.11:

• 함수 $f$: $f:{A,B,C,\dotsc,Z} \longrightarrow {0,1,2,\dotsc,25}$ 위 함수를 다음을 사용하여 정의해 보자 $A \mapsto 0, B \mapsto 1, C \mapsto 2, \dotsb Z \mapsto 25$

• 함수 $g$:
  • 정의역: {0,1,2,…,25}
  • 공역: {0,1,2,…,25}
  • $g(x) = (x + 3) \mod 26$: 알파벳에 3을 더하고(가령 A는 D가 된다) 이를 알파벳 26자리로 모듈러 연산
• 함수 $h$:
  • 정의역: {0,…25}
  • 공역: {A,…,Z} 그리고 $0 \mapsto A, 1 \mapsto B, \dotsb$

이때 $h \circ (g \circ f)$는 예제 1.3.3의 시저 암호 구현한 함수

1.3.6 함수 합성의 결합법칙

• 함수 합성 시 결합 법칙 성립
• $f, g, h$에 대해 만약 합성 함수가 존재한다면, $h \circ (g \circ f) = (h \circ g) \circ f$ 성립. 즉, 괄호 위치 변경 가능.

graph LR
    subgraph U -> V
    U1[U1] --> V1[V1]
    U2[U2] --> V2[V2]
    U3[U3] --> V3[V3]
               V4[V4]
    end

• $f:U \rightarrow V$는 전사함수가 아니다. 공역(V)의 네 번째 원소는 $f$의 함수값이 되지 않기 때문
• 증명

x를 $f$의 정의역에 속하는 임의의 원소라 하자

$(h \circ (g \circ f))(x)$는

• $h \circ (g \circ f)$ 정의에 의해
  • $h((g \circ f))(x)$
  • $h((g \circ f)(x))$
• $g \circ f$ 정의에 의해 $h(g(f(x)))$
• $h \circ g$ 정의에 의해 $(h \circ g)(f(x))$
• $(h \circ g) \circ f$ 정의에 의해 $((h \circ g) \circ f)(x)$, 결합 법칙 성립
• 따라서, $h \circ (g \circ f) = (h \circ g) \circ f = h \circ g \circ f$

1.3.7 역함수

• 함수의 효과를 거꾸로 뒤집는 함수
• 예제 1.3.11에서 $f$와 $h$는 서로 다른 함수의 효과를 뒤집는 함수
  • $f:{A,\dotsc,Z} \longrightarrow {0,\dotsc,25}$
  • $h:{0,\dotsc,25} \longrightarrow {A,\dotsc,Z}$
  • $h \circ f$는 ${A,\dotsc,Z}$(=f의 정의역)에 대한 항등함수
  • $f \circ h$는 ${0,\dotsc,25}$(=h의 정의역)에 대한 항등함수
  • $h$는 $f$의 역함수
  • $f$는 $h$의 역함수

정의 1.3.13 다음 조건 만족하면 f와 g는 서로의 역함수

• $f \circ g$가 정의되고, $g$의 정의역에 대해 항등함수
• $g \circ f$가 정의되고, $f$의 정의역에 대해 항등함수

• 모든 함수가 역함수를 가지지는 않는다
• 역함수 가지는 함수는 가역적

graph LR
    subgraph U -> V
    U1[U1] --> V1[V1]
    U2[U2] --> V2[V2]
    U3[U3] --> V3[V3]
    U4[U4] --> V3[V3]
    end

• $f:U \rightarrow V$는 단사함수가 아니다. 공역의 세번째 원소는 두 개의 원소에 대한 함수값이기 때문.

정의 1.3.14 $f: D \rightarrow F$ 모든 $x,y \in D$에 대해 $f(x) = f(y)$는 $x = y$임을 의미 $\to f$는 단사함수(one-to-one) 모든 $z \in F$에 대해 $f(x) = z$ 만족하는 $x \in D$가 존재 $\to f$는 전사함수(onto)

예제 1.3.15 예제 1.3.5에서 정의된 함수 prod(1보다 큰 정수 쌍을 입력으로 받아 두 정수의 곱을 출력) 생각해 보자 소수는 원상을 가지지 않으므로, 이 함수는 전사함수가 아니다 (2,3)과 (3,2) 같이 동일한 정수에 매핑되는 복수의 정수 쌍이 존재하므로 단사함수도 아니다

부명제(Lemma) 1.3.16: 가역함수는 단사함수 @증명

• 가정:
  1. $f$는 단사함수 아니다
  2. $x_1,x_2$는 $f(x_1) = f(x_2)$ 만족하는 정의역 내 서로 다른 원소
  3. $y = f(x_1)$
  4. $f$는 가역적

역함수 정의에 의해 $f^{-1}(y) = x_1$이며 동시에 $f^{-1}(y) = x_2$다 된다 하지만 앞서 $x_1,x_2$는 정의역 내 서로 다른 원소라 했으므로 둘 다 참이 되는 것은 불가능, 즉 모순(귀류법)

부명제 1.3.17: 가역함수는 전사함수: @증명

• 가정
  1. $f$는 전사함수 아니다
  2. $\hat{y}$는 정의역 내 어떠한 원소의 함수값(image)도 되지 않는 공역의 원소
  3. $f$는 가역적

$\hat{y}$는 $f^{-1}$에 의한 함수값 $\hat{x}$를 갖게 되며, 역함수 정의에 따라 $f(\hat{x}) = \hat{y}$ 되지만 함수값이 되지 않는 공역의 원소라 가정했으므로 모순이다(귀류법)

정리(Theorem) 1.3.18 (Function Invertibility Theorem):

• 함수가 가역적이 될 필요충분조건은 전단사함수
  1. 단사함수이며
  2. 동시에 전사함수

@증명 부명제 1.3.16과 1.3.17은 가역함수는 단사함수이며 전사함수임을 보여준다.

• 가정1
  • $f$: 단사함수이자 전사함수
  • $g$: $f$의 공역인 함수
    • $\hat{y}$: $f$의 공역의 각 원소
    • $f$는 전사함수이므로 $f$의 정의역은 $f(\hat{x}) = \hat{y}$인 어떤 원소 $\hat{x}$를 포함
    • 이 경우 $g(\hat{y}) = \hat{x}$라 정의
  • $g \circ f$: $f$의 정의역에 대한 항등함수

$f$는 단사함수이므로 $\hat{x}$는 $f$의 함수값이 $\hat{y}$가 되는 $f$의 정의역에 있는 유일한 원소다. 따라서 $g(\hat{y}) = \hat{x}$에서 $\hat{x}$가 여러 값이 될 수 없으며, 이는 $g \circ f$가 항등함수임을 보여준다

• 가정2
  • $f \circ g$는 $g$의 정의역에 대해 항등함수
  • $\hat{y}$는 $g$의 정의역에 있는 임의의 원소

$g$의 정의에 의해 $f(g(\hat{y})) = \hat{y}$

부명제 1.3.19: 모든 함수는 많아야 하나의 역함수를 가진다 @ 증명

• 가정
  • $f: U \rightarrow V$는 가역함수
  • $g_1$: $f$의 역함수
  • $g_2$: $f$의 역함수
  • $v \in V$: $f$의 공역에 있는 임의의 원소

$f$는 단사함수이므로(부명제 1.3.17), $v = f(v)$ 만족하는 어떤 원서 $u \in U$가 존재. 역함수 정의에 의해 $g_1(v) = u$이고 $g_2(v) = u$이며, 따라서 $g_1(v) = g_2(v)$이다. 즉 $g_1$과 $g_2$는 같다.

1.3.8 가역함수를 합성한 함수의 가역성

• 합성한 세 개의 함수는 모두 가역적이며, 이들을 합성한 함수도 가역적

부명제 1.3.20: if ($f$와 $g$가 가역함수 && $f \circ g$ 존재) $\to$ ($f \circ g$는 가역함수 && $(f \circ g)^{-1} = g^{-1} \circ f^{-1}$)

문제 1.3.21 부명제 1.3.20 증명 @증명

• 가정
  • $f: U \to V$는 가역함수
  • $v \in V$는 $f$의 공역에 있는 임의의 원소
  • $g: X \to Z$는 가역함수
  • $z \in Z$는 $g$의 공역에 있는 임의의 원소
  • $f \circ g$ 존재

가역함수는 정리 1.3.18에 따라 전단사함수. $f(v)^{-1} = u$, $g(z)^{-1} = x$ $f \circ g = f(g(x)) = f(z) = v$

• 어떻게 가정을 하고 어떻게 풀어나가야 할까??

1.4 확률

1.4.0 개요

• 확률:
  • 벡터와 행렬이 중요하게 사용되는 한 분야
  • 구글의 페이지 랭크 시스템: 벡터와 행렬을 확률 계산에 사용
• 확률 이론?
  • 무엇이 일어날 수 있는지
  • 그 무엇이 일어날 가능성이 얼마나 되는지
  • 확률에 대한 계산법(calculus)이며, 가상적 실험에 대해 예측하는 데 사용
  • 하지만 후에 실제로 발생하면 통계를 사용하여 의미 파악

1.4.1 확률분포

• $\varOmega$:
  • 유한한 정의역
  • 정의역의 원소는 실험결과(outcome)이라고 한다
• $\Reals^{+}$: 음수가 아닌 실수의 집합
• $Pr(\cdot)$:
  • $\varOmega$에서 $\Reals^{+}$로의 함수
  • 실험결과의 함수값 = 실험결과의 확률
  • 확률은 실험결과의 상대적인 가능도(relative likelihoods)에 비례한다고 가정

1.4.1.1 균등 분포

• 균등(uniform): 모든 실험결과가 동일한 가능성을 가지며 동일한 확률이 할당되는 경우

예제 1.4.1 동전을 던지는 경우를 모델링하면,
\(\varOmega = \lbrace \text{heads(앞면)}, \text{tails(뒷면)}\rbrace\)
두 실험결과가 동일한 가능성을 가지므로, 두 결과에 동일한 확률을 할당
\(Pr(heads) = Pr(tails)\)
확률의 합은 1이 되어야 하므로, $Pr(heads) = Pr(tails) = \frac{1}{2}$

Pr = {
  'heads': 1/2,
  'tails': 1/2
}

예제 1.4.2 하나의 주사위를 굴리는 경우를 모델링하면,
\(\varOmega = \lbrace1,2,3,4,5,6\rbrace\)
\(Pr(1) = Pr(2) = Pr(3) = \dotsc = Pr(6)\)

Pr = {
    1:1/6,
    2:1/6,
    3:1/6,
    4:1/6,
    5:1/6,
    6:1/6
}

예제 1.4.3 두 개의 동전을 던지는 경우를 모델링하면,
\(\varOmega = \{HH, HT, TH, TT\}\)
각 실험결과는 동일한 확률 1/4 갖는다

Pr = {
    ('H', 'H'): 1/4,
    ('H', 'T'): 1/4,
    ('T', 'H'): 1/4,
    ('T', 'T'): 1/4
}

1.4.1.2 비균등 분포

• 서로 다른 실험결과는 상이한 확률을 가진다

예제 1.4.4 스크래블 게임
\(\varOmega = \{A, B, C, \dotsc, Z\}\)
문자를 뽑을(추출할) 가능성에 따라 확률을 할당.
스크래블 타일의 수는
A:9, B:2, C:2, D:4, E:12, F:2, G:3, H:2, I:9, J:1, K:1, L:1, M:2, N:6, O:8, P:2, Q:1, R:6, S:4, T:6, U:4, V:2, W:2, X:1, Y:2, Z:1

• 문자 R:6 뽑을 가능성은
  • G:3 뽑을 가능성보다 2배 더 크다
  • C:2 뽑을 가능성보다 3배 더 크다
  • Z:1 뽑을 가능성보다 6배 더 크다

확률은 이 가능성에 비례하여 할당해야 한다. \(Pr[\text{문자 X 추출}] = c\cdot \text{문자 X가 적힌 타일 수}\) 모든 문자에 대한 확률을 더하면,
\(1 = c\cdot \text{총 타일 수}\)

총 타일 수는 95개이므로, $c = \frac{1}{95}$라 정의

Pr = {
    'A':9/95,
    'B':2/95,
    'C':2/95,
    'D':4/95,
    'E':12/95,
    'F':2/95,
    'G':3/95,
    'H':2/95,
    'I':9/95,
    'J':1/95,
    'K':1/95,
    'L':1/95,
    'M':2/95,
    'N':6/95,
    'O':8/95,
    'P':2/95,
    'Q':1/95,
    'R':6/95,
    'S':4/95,
    'T':6/95,
    'U':4/95,
    'V':2/95,
    'W':2/95,
    'X':1/95,
    'Y':2/95,
    'Z':1/95
}

1.4.2 사건과 확률의 합

예제 1.4.4에서 모음(vowel) 뽑을 확률?

• 사건(event): 실험결과들에 대한 집합
  • 모음을 뽑을 사건 집합: ${A,E,I,O,U}$
  • $\frac{9}{95} + \frac{12}{95} + \frac{9}{95} + \frac{8}{95} + \frac{4}{95} = \frac{42}{95} $

Principle 1.4.5(확률이론의 기본 원칙):
어떤 사건에 대한 확률 = 사건 구성하는 실험결과들에 대한 확률의 합

1.4.3 랜덤 입력에 함수 적용

• 입력이 랜덤이므로, 출력도 랜덤하닥 간주
• 입력에 대한 확률분포와 함수의 사양이 주어진 경우, 확률이론 사용하여 출력의 확률분포 구할 수 있다

예제 1.4.6
\(f:\lbrace1,2,3,4,5,6\rbrace \longrightarrow \{0,1\}\)
\(f(x) = \begin{cases} 0 &\text{만약 x가 짝수인 경우} \\ 1 &\text{만약 x가 홀수인 경우} \end{cases}\)
주사위 굴려 집합 ${1,2,3,4,5,6}$에서 수 하나를 얻어 $f(\cdot)$ 적용하여 0 또는 1을 얻는다고 할 때, 이러한 실험의 결과에 대한 롹률 함수는 무엇인가?
$\lbrace2,4,6\rbrace$에 대하여 실험 결과는 0이므로, $\frac{1}{6} + \frac{1}{6} + \frac{1}{6} = \frac{1}{2}$ 확률로 0이 된다
$\lbrace 1,3,5\rbrace$에 대하여 실험 결과는 0이므로, $\frac{1}{6} + \frac{1}{6} + \frac{1}{6} = \frac{1}{2}$ 확률로 0이 된다

# 위 함수의 출력의 확률분포
{
  0:1/2, 
  1:1/2
}

퀴즈 1.4.7
예제 1.4.3에 기술된 바와 같이, 두 개의 동전을 던지는 경우를 고려해 보자.
이 실험의 결과는 쌍 (x, y)이며, 여기서 x와 y 각각은 ‘H’ 또는 ‘T’이다.
\(f:\lbrace (\text{'H'}, \text{'H'}) (\text{'H'}, \text{'T'}) (\text{'T'}, \text{'H'}) (\text{'T'}, \text{'T'}) \rbrace\)
위 함수를 $f((x, y)) = \text{H가 나타나는 횟수}$를 사용하여 정의해 보자.
이때 함수의 출력에 대한 확률분포를 구하라

• f((H, H)) = 2, f((H, T)) = 1, f((T, H)) = 1, f((T, T)) = 0

Pr = {
  0:1/4
  1:2/4
  2:1/4
}

예제 1.4.8 (시저의 Scrabble 게임)
예제 1.3.11에 정의된 함수 $f$는 A를 0으로, B를 1로, … 매핑하는 함수
함수 $f$를 예제 1.4.4에 기술된 확률분포에 따라 랜덤하게 선택된 문자에 적용하는 실험을 한다고 할 때, 출력에 대한 확률분포는 무엇인가?

• 함수 $f$
  • 가역함수
  • 출력이 0이 되는 입력은 오직 하나 존재하며, A
  • 출력이 0이 될 확률 = 입력이 A가 될 확률 = $\frac{9}{95}$
  • 마찬가지로, 함수 $f$의 공역 $\lbrace 0, 1, \dotsc, 25\rbrace$에 대해
    • 정수에 매핑되는 문자는 정확하게 하나이며,
    • 출력이 정수가 될 확률 = 입력이 각 문자가 될 확률

# 출력이 정수가 될 확률 = 입력이 각 문자가 될 확률  
f_1_4_4 = {
    'A':'9/95',
    'B':'2/95',
    'C':'2/95',
    'D':'4/95',
    'E':'12/95',
    'F':'2/95',
    'G':'3/95',
    'H':'2/95',
    'I':'9/95',
    'J':'1/95',
    'K':'1/95',
    'L':'1/95',
    'M':'2/95',
    'N':'6/95',
    'O':'8/95',
    'P':'2/95',
    'Q':'1/95',
    'R':'6/95',
    'S':'4/95',
    'T':'6/95',
    'U':'4/95',
    'V':'2/95',
    'W':'2/95',
    'X':'1/95',
    'Y':'2/95',
    'Z':'1/95'
}
# 정수에 매핑되는 문자는 정확하게 하나이며, 
f_1_3_11 = {
    'A':0,
    'B':1,
    'C':2,
    'D':3,
    'E':4,
    'F':5,
    'G':6,
    'H':7,
    'I':8,
    'J':9,
    'K':10,
    'L':11,
    'M':12,
    'N':13,
    'O':14,
    'P':15,
    'Q':16,
    'R':17,
    'S':18,
    'T':19,
    'U':20,
    'V':21,
    'W':22,
    'X':23,
    'Y':24,
    'Z':25
}
f_1_4_8 = {}
for k in f_1_3_11:
    if k in f_1_4_4:
        f_1_4_8[f_1_3_11[k]] = f_1_4_4[k]

print(f_1_4_8)
{
  0: '9/95', 
  1: '2/95', 
  2: '2/95', 
  3: '4/95', 
  4: '12/95', 
  5: '2/95', 
  6: '3/95', 
  7: '2/95', 
  8: '9/95', 
  9: '1/95', 
  10: '1/95', 
  11: '1/95', 
  12: '2/95', 
  13: '6/95', 
  14: '8/95', 
  15: '2/95', 
  16: '1/95', 
  17: '6/95', 
  18: '4/95', 
  19: '6/95', 
  20: '4/95', 
  21: '2/95', 
  22: '2/95', 
  23: '1/95', 
  24: '2/95', 
  25: '1/95'
}

• 만약 함수가 가역함수? 확률이 보존된다
  • 다양한 출력에 대한 확률은 입력에 대한 확률과 매칭
  • 만약 입력이 균등 분포에 따라 선택하면, 출력의 분포도 균등 분포가 된다

예제 1.4.9
시저의 암호체계에서 문자를 알파벳 순으로 뒤로 3 알파벳 위치만큼 이동하여 암호화
알파벳 위치는 0에서 25까지으 정수 중 어느 값이라도 상관없다
\(w(k) = h(f(P) + k\mod 26) = f(15 + k\mod 26)\)

• $k$:
  • key
  • 집합 $\lbrace 0, 1, 2, \dotsc, 25\rbrace$에 대한 균등 분포가 되게 선택
  • 이 키를 이용하여 문자 P를 암호화
• 함수 $w$
  • 키를 암호문에 매핑하는 함수
  • 가역함수
  • $\lbrace 0, 1, \dotsc, 25 \rbrace \mapsto \lbrace A, B, \dotsc, Z\rbrace$
• $f(P)$ = f_1_3_11[‘P’] = 15
• 키가 랜덤하게 선택될 때, 암호문은 동일한 확률로 26개 문자 중의 어느 하나가 된다

1.4.4 완벽한 비밀 유지

암호 체계 요구 조건

• 원래 의도된 수신자는 암호화된 메시지를 해독할 수 있어야 한다.
• 원래 의도되지 않은 수신자는 암호화된 메시지를 해독할 수 없어야 한다
  • 암호체계의 안정성에 대한 오해를 없애야 한다

은둔 보안(security through obscurity)

사용하는 암호체계에 대해 남들이 알지 못하게 해 정보 보안을 지킬 수 있다는 개념

커크호프의 원칙

암호체계의 안정성은 암호체계 자체의 비밀유지에 의존해서는 안 되며, 오직 사용된 키값의 비밀 유지에만 의존해야 한다

암호 체계 예제

나쁜 방식

좋은 방식