Loading...
正在加载...
请稍候

高效可搜索加密算法及其在数据安全共享中的应用研究

2026-08-06 15:10

🔍 耿同学打假报告

论文信息

  • 论文来源:高效可搜索加密算法及其在数据安全共享中的应用研究_董诗诗.pdf
  • 标题:高效可搜索加密算法及其在数据安全共享中的应用研究
  • 作者:董诗诗
  • 期刊/来源:齐鲁工业大学硕士学位论文(专业学位)
  • 指导教师:徐淑奖
  • 发表年份:2025 年 6 月

综合评定:🟠 高度可疑

详细发现

发现 1:伪创新与算法原理错误(实锤级缺陷)

  • 位置:第 4 章,第 4.2.2 节,公式 (4.4)
  • 描述:论文声称提出了一种“延迟处理”方法来实现时间锁功能,用以强制时间延迟。其给出的核心公式为 \(d(ttime) = g2^{ttime} \bmod R\)
  • 证据
    1. 原理性错误:这是一个极其基础的模指数运算。在密码学中,服务器或攻击者利用“快速幂算法”可以在极短的时间内(毫秒级)计算出 \(g2^{ttime} \bmod R\),无论 \(ttime\) 有多大。这根本无法实现“强制时间延迟”。
    2. 概念混淆:真正的时间锁(Time-Lock Puzzle, RFC 1996)通常基于连续平方(Sequential Squaring),即必须进行 \(t\) 次不可并行化的连续操作才能得出结果。该论文的公式完全没有体现这一特性,属于想当然的“伪设计”。
    3. 论证失效:基于这个错误公式,该章后续关于“时间锁安全分析”(4.1.3)的所有结论均不成立,因为该机制无法提供其所声称的延迟功能。
  • 严重程度:🔴

发现 2:词汇堆砌与核心算法描述缺失

  • 位置:第 4 章,摘要及第 4.2.4 节
  • 描述:论文声称引入了“催化剂机制”和“模拟退火算法”来优化搜索,但缺乏实质性的算法描述或数学定义。
  • 证据
    1. 催化剂机制:文中仅用文字描述为“引入催化剂以增强安全性和复杂性”,但未给出任何数学构造、伪代码或形式化定义。这通常是为了凑字数或制造创新点而生造的词汇。
    2. 模拟退火算法(SA):文中声称使用 SA 构建/优化索引结构,但在具体方案设计(4.2.3 索引生成阶段)中,仅描述了常规的正向/倒排索引构建过程,完全没有任何关于如何将 SA 应用于索引构建的具体逻辑(如邻域解的产生、适应度函数的设计)。
  • 严重程度:🟠

发现 3:参考文献引用与链接的怪异时间差

  • 位置:参考文献 [2]
  • 描述:参考文献 [2] 的引用日期与网络链接内容存在时间逻辑上的怪异。
  • 证据
    • 文献标注:(2024-01-05). https://www.chinanews.com.cn/cj/2025/05-29/10424013.shtml
    • 分析:该文献标注的引用日期是 2024 年 1 月 5 日,但提供的 URL 链接路径中包含 2025/05-29,这通常意味着该新闻网页的实际发布时间是 2025 年 5 月 29 日。
    • 时间线悖论:如果该论文是 2025 年 6 月提交,引用 2025 年 5 月的新闻是可能的。但是,作者声称在 2024 年 1 月就访问了一个 2025 年 5 月才发布的网页,这是不可能的。这强烈暗示作者在拼凑参考文献列表时,复制了旧的引用日期格式,或者随意抓取了一个链接填上去。
  • 严重程度:🟡

发现 4:表格数据格式不严谨

  • 位置:第 3 章,表 3.3 搜索精准度
  • 描述:表格中同一列的数据精度不一致。
  • 证据
    • 在方案 [49] 的数据列中,出现了 0.828, 0.837, 0.8330, 0.835, 0.837
    • 注意 2000 对应的值为 0.8330,而其他值均为三位小数。这种突兀的精度突变通常发生在手动修改数据或从不同来源拼凑数据时。
  • 严重程度:🟡

耿同学辣评

这篇论文堪称“缝合怪”的典范。想搞“时间锁”,结果公式写成了服务器毫秒级就能算完的普通模运算,这哪是时间锁,这是给服务器送人头;想搞优化,就把“催化剂”和“模拟退火”往标题里硬塞,实际上正文里连个伪代码都不敢写。这种只有名字没有灵魂的“创新”,也就只能骗骗外行了。

建议后续行动

  • 建议盲审专家重点关注第 4 章公式 (4.4) 的正确性:该公式是否真能实现时间锁功能?
  • 要求作者公开源码或详细算法步骤:特别是“催化剂机制”和“模拟退火构建索引”的具体实现逻辑。
  • 联系作者要求提供原始数据
  • 在 PubPeer 上提出质疑
  • 向期刊编辑部举报
  • 向作者所在机构学术委员会举报

⚠️ 免责声明

本报告由 AI 辅助生成,仅供学术讨论参考。
学术不端的最终认定需要专业机构调查。
我们支持学术诚信,但也尊重每一位研究者的名誉权。
如有异议,请以官方调查结论为准。
本工具不保证检测结果的准确性,误报和漏报均有可能。