后量子迁移的延迟成本

在线浏览器 · 研究论文的参考实现、证明、案例研究与统计数据。

经典黑客风险与先存储后解密（HNDL）量子风险，以同一单位表示——每延迟一年的损失美元金额——因此一个有序列表即可回答*“我们应该先关闭这个经典发现，还是先迁移该资产的密码学？”*

状态：研究原型。 所有案例研究输入均为基于公开文档推导的假设；没有任何组织提供数据，且该方法尚未针对真实事件或迁移进行验证。参见注意事项。

这是什么

攻击者今天可以复制加密数据，并在大型量子计算机出现后将其解密。这有多重要取决于数据必须保密多久、是否可以被记录，以及普通攻击者是否会先获取它。现有的后量子风险评分是无量纲的且仅针对量子，因此无法与以美元计量的经典风险进行比较。

本仓库为每个资产计算来自每种威胁的再等待一年的成本（以美元计），并将它们耦合起来，以避免同一损失被重复计算。它包含：

一个小型 Python 库（costofdelay/），包含模型、量子计算机的到达时间规律、不确定性传播、敏感性分析和调度检查；
模型性质的证明，每项证明都有自动化测试支持；
四个公开案例研究（国家身份证、银行、医疗记录、演示商店），每个输入值都有书面理由；
一个交互式浏览器（app/），可在浏览器中运行并解释每个输入。

概览


思路	经典项 = 年化损失 $\lambda V$。量子项 = $r,h\int_0^L f_Q(t),e^{-(\lambda+\rho)t},dt$，即推迟迁移所承诺的不可逆损失的速率。两者均以美元/年计；竞争风险因子可防止同一损失被重复计算。
已证明	单位、无重复计算、边界、比较静态、闭式支配阈值、不可分离性，以及 Smith 规则下排序的最优性（`methodology/FORMAL_METHOD.md`）。
已验证	256 个自动化测试；蒙特卡洛与求积交叉校验；第二个（JavaScript）实现匹配 577 个值。
评估对象	MOSIP（国家身份证）、Apache Fineract（银行）、OpenMRS（医疗记录）、Online Boutique（演示商店，仅流程测试）。
主要结果	量子项决定性地改变了量级和少数特定资产，但在四个系统中的三个里，它对整个列表的影响小于输入噪声。量子到达日期仅解释 3–17% 的不确定性；损失和周转率解释 73–91%（`methodology/STATISTICS.md`）。

复现一切

需要 Python ≥ 3.10。Node ≥ 18 为可选（用于运行浏览器数学的检查）。

git clone https://github.com/AnimeshShaw/pqc-cost-of-delay && cd pqc-cost-of-delay
python -m venv .venv && source .venv/bin/activate        # Windows: .venv\Scripts\activate
pip install -r requirements.txt
python scripts/reproduce.py

reproduce.py 按顺序运行：测试套件 → 数值验证 → 统计分析（results/）→ 图表（paper/figures/，若缺失则创建）→ 参数表 → 浏览器数据及其跨语言检查。大约需要 2–4 分钟，且是确定性的（每个随机过程都有固定种子）。之后 git diff --stat results/ 应显示无变化，或者如果你的 NumPy/SciPy 版本不同，差异仅出现在最后打印的数字上。确切测试版本见 requirements-lock.txt。

要交互式探索，请使用在线浏览器或在本地打开 app/index.html。它不需要服务器，页面代码不发起网络请求，也不会将你的输入发送到任何地方（GitHub 作为托管方会记录普通页面访问）。

要为你自己的登记表评分：

python -m costofdelay.register path/to/asset_register.csv

CSV 格式在 methodology/PARAMETERS.md 中描述，并在 case_studies/ 中示例。

仓库布局

路径	内容
`costofdelay/`	Python 包：CRQC 到达规律、资产模型、评分、已发布 QARS 评分的比较器、不确定性与统计、调度。评分核心仅使用标准库。
`tests/`	单元测试、每个命题的性质测试、反驳基线
`methodology/`	证明；参数定义与锚点；统计分析
`case_studies/`	四个资产登记表（CSV），每个系统一个
`scripts/`	复现、结果、图表与表格
`results/`	生成的数字（JSON、CSV、Markdown）
`app/`	交互式浏览器（HTML/JavaScript），带有 Python 一致性测试

注意事项

输入是假设的，而非测量的。 每个资产价值均来自公开文档（IBM 2025 泄露成本；Ponemon/IBM 2018；FATF Rec. 11；保留规则；系统设计文档），并在 LLM 协助下起草。两位分析师可能得出不同结果。不确定性分析在所述范围内重新抽取每个输入，并报告哪些结论仍然成立。
最薄弱的输入是年周转率和可记录份额。 没有公开来源给出这些系统的这些数据。
到达规律是两个已发布点的插值（Global Risk Institute 2025：10 年内 28–49%，15 年内 51–70%），并外推到 15 年之后，而大多数长寿命资产正处于该区间。
仅限机密性。 完整性和可用性不在范围内。
经典与量子泄露被假设为独立，且经典风险率恒定。
Online Boutique 是一个模拟系统；它测试的是流程，而非真实数据。
最优性是模型内部的。 按延迟成本排序可在模型自身的损失定义下最小化累积损失；这并非关于真实组织的证据。
已有技术接近。 按资产的量子评分、保护类别与暴露门控以及排序已在本工作之前发表（Grigaliūnas & Brūzgienė 2025 和 2026；US 12,519,809）。贡献在于带有竞争风险耦合的通用货币单位、其证明及其评估。

未来研究

从真实登记表上的从业者处获取参数，并测量评分者间一致性。
将单一可记录份额替换为按对手的暴露（广域观察者看到互联网流量；内部人员看到东西向流量）。
从数据中估计周转率和可记录份额（密码学物料清单、流量清单）。
放宽独立性和恒定经典风险率；添加相关对手模型。
针对任何可用的事件或迁移工作量数据进行结果验证。
扩展到完整性和可用性。

合作

如果你的组织希望在真实登记表上测试该方法，或使用代码或论文作为起点，欢迎联系：[email protected]。贡献方式见 CONTRIBUTING.md。

AI 使用

在作者指导下，大量使用大型语言模型（Anthropic 的 Claude，通过 Claude Code）起草代码、测试、图表、案例研究登记表和文本，以及进行文献检索。它不是作者。作者对内容负责。每个带有 DOI 或 arXiv 标识符的参考文献都通过脚本对照其注册表进行了检查；数学部分由证明和独立测试覆盖；过程中出现的错误（例如两个错误的 DOI 和一个夸大的资产价值）被这些检查发现并纠正。

许可证与引用

Apache License 2.0（LICENSE）。通过 CITATION.cff 引用。存档版本：doi:10.5281/zenodo.23133467（所有版本）。

pqc-cost-of-delay

最受欢迎