數論轉換

數論轉換是一種計算摺積的快速演算法。計算摺積的快速演算法中最常用的一種是使用快速傅里葉變換，然而快速傅立葉變換具有一些實現上的缺點，舉例來說，資料向量必須乘上複數係數的矩陣加以處理，而且每個複數係數的實部和虛部是一個正弦及餘弦函數，因此大部分的係數都是浮點數，也就是說，必須做複數而且是浮點數的運算，因此計算量會比較大，而且浮點數運算產生的誤差會比較大。

而在數論轉換中，資料向量需要乘上的矩陣是一個整數的矩陣，因此不需要作浮點數的乘法運算，更進一步，在模數為${\displaystyle M}$的情況下，只有${\displaystyle M^{2}}$種可能的加法與${\displaystyle M^{2}}$種可能的乘法，這可以使用記憶體把這些有限數目的加法和乘法存起來，利用查表法來計算，使得數論轉換完全不須任何乘法與加法運算，不過需要較大的記憶體與消耗較大的存取記憶體量。

雖然使用數論轉換可以降低計算摺積的複雜度，不過由於只進行整數的運算，所以只能用於對整數的信號計算摺積，而利用快速傅立葉變換可以對任何複數的信號計算摺積，這是降低運算複雜度所要付出的代價。

轉換公式

數論轉換的轉換式為

${\displaystyle F[k]=\sum _{n=0}^{N-1}f[n]\alpha ^{nk}{\pmod {M}}\quad k=0,1,2,\ldots ,N-1}$ 

而數論轉換的反轉換式為

${\displaystyle f[n]=N^{-1}\sum _{k=0}^{N-1}F[k]\alpha ^{-nk}{\pmod {M}}\quad n=0,1,2,\ldots ,N-1}$ 

註解：

(1) ${\displaystyle M}$ 是一個質數。

(2) ${\displaystyle {\pmod {M}}}$  表示除以M的餘數

(3) ${\displaystyle N}$ 必須是${\displaystyle M-1}$ 的因數。(當${\displaystyle N\neq 1}$ 時${\displaystyle N}$ 和${\displaystyle M}$ 互質)

(4)${\displaystyle N^{-1}}$ 是${\displaystyle N}$ 對模數${\displaystyle M}$ 之模反元素

(5)${\displaystyle \alpha }$ 為模M的N階單位根，即${\displaystyle \alpha ^{N}=1{\pmod {M}}}$ 而且${\displaystyle \alpha ^{k}\neq 1{\pmod {M}}\ k=1,2,\ldots ,N-1}$ 。若此時${\displaystyle N=M-1}$ ，我們稱${\displaystyle \alpha }$ 為模M的原根

舉一個例子：

一個${\displaystyle M=5}$ 的${\displaystyle N=4}$ 點數論轉換與反轉換如下，取${\displaystyle \alpha =2}$ ，注意此時${\displaystyle N^{-1}=4}$ 

正轉換 ${\displaystyle {\begin{pmatrix}F[0]\\F[1]\\F[2]\\F[3]\end{pmatrix}}={\begin{pmatrix}1&1&1&1\\1&2&4&3\\1&4&1&4\\1&3&4&2\end{pmatrix}}{\begin{pmatrix}f[0]\\f[1]\\f[2]\\f[3]\end{pmatrix}}{\pmod {M}}}$ 

反轉換 ${\displaystyle {\begin{pmatrix}f[0]\\f[1]\\f[2]\\f[3]\end{pmatrix}}={\begin{pmatrix}4&4&4&4\\4&2&1&3\\4&1&4&1\\4&3&1&2\end{pmatrix}}{\begin{pmatrix}F[0]\\F[1]\\F[2]\\F[3]\end{pmatrix}}{\pmod {M}}}$ 

數論轉換的性質

(1) 正交性質

數論轉換矩陣的每個列是互相正交的，即${\displaystyle \sum _{n=0}^{N-1}\alpha ^{nl}\alpha ^{-nk}={\begin{cases}N\quad if\ k=l\\0\quad if\ k\neq l\end{cases}}{\pmod {M}}}$ 

(2) 對稱性

若${\displaystyle f[n]=f[N-n]}$ ，則${\displaystyle f[n]}$ 的數論轉換${\displaystyle F[k]}$ 也會有${\displaystyle F[k]=F[N-k]}$ 的特性。

若${\displaystyle f[n]=-f[N-n]}$ ，則${\displaystyle f[n]}$ 的數論轉換${\displaystyle F[k]}$ 也會有${\displaystyle F[k]=-F[N-k]}$ 的特性。

(3) 反數論轉換可由正數論轉換實現

${\displaystyle f[n]=N^{-1}\sum _{k=0}^{N-1}F[k]\alpha ^{-nk}=N^{-1}\sum _{-k=0}^{N-1}F[-k]\alpha ^{nk}}$ ，即${\displaystyle N^{-1}F[-k]}$ 的數論轉換。

步驟一：把${\displaystyle F[k]}$ 改寫成${\displaystyle F[-k]}$ ，若${\displaystyle F[k]=F_{0},F_{1},,F_{2}\ldots ,F_{N-1}}$ ，則${\displaystyle F[-k]=F_{0},F_{N-1},\ldots ,F_{2},F_{1}}$ 

步驟二：求${\displaystyle F[-k]}$ 的數論轉換。

步驟三：乘上${\displaystyle N^{-1}}$ 。

(4) 線性性質

若${\displaystyle f[n]\leftrightarrow F[k]}$ ，${\displaystyle g[n]\leftrightarrow G[k]}$ ，(${\displaystyle \leftrightarrow }$ 表互為數論轉換對)則有${\displaystyle af[n]+bg[n]\leftrightarrow aF[k]+bg[k]{\pmod {M}}}$ 。

(5) 平移性質

若${\displaystyle f[n]\leftrightarrow F[k]}$ ，則${\displaystyle f[n+l]\leftrightarrow \alpha ^{-lk}F[k]{\pmod {M}}}$ ，而且${\displaystyle f[n]\alpha ^{nl}\leftrightarrow F[k+l]}$ 。

(6) 圓周摺積性質

若${\displaystyle f[n]\leftrightarrow F[k]}$ ，${\displaystyle g[n]\leftrightarrow G[k]}$ ，則${\displaystyle f[n]\otimes g[n]\leftrightarrow F[k]G[k]{\pmod {M}}}$ ，而且${\displaystyle f[n]g[n]\leftrightarrow {\frac {1}{N}}F[k]\otimes G[k]{\pmod {M}}}$ 。(${\displaystyle \otimes }$ 代表圓形摺積。)

這個性質是數論轉換可以用來作為摺積的快速演算法的主要原因。

(7) 帕塞瓦爾定理(Parseval's Theorem)

若${\displaystyle f[n]\leftrightarrow F[k]}$ ，則${\displaystyle N\sum _{n=0}^{N-1}f[n]f[-n]=\sum _{k=0}^{N-1}F^{2}[k]{\pmod {M}}}$ ，而且${\displaystyle N\sum _{n=0}^{N-1}f^{2}[n]=\sum _{k=0}^{N-1}F[k]F[-k]{\pmod {M}}}$ 

快速數論轉換

如果轉換點數N是一個2的次方，則可以使用類似基數-2快速傅立葉變換的蝴蝶結構來有效率的實現數論轉換。同樣的互質因子算法也可以應用在數論轉換上。

${\displaystyle {\begin{matrix}F[k]&=&\sum _{n=0}^{N-1}f[n]\alpha ^{nk}\\\ &=&\sum _{r=0}^{N/2-1}f[2r]\alpha ^{2rk}+\sum _{r=0}^{N/2-1}f[2r+1]\alpha ^{(2r+1)k}\\\ &=&\sum _{r=0}^{N/2-1}f[2r](\alpha ^{2})^{rk}+\alpha ^{k}\sum _{r=0}^{N/2-1}f[2r+1](\alpha ^{2})^{rk}\\\ &=&{\begin{cases}G[k]+\alpha ^{k}H[k]\quad 0\leq k\leq {\frac {N}{2}}-1\\G[k-{\frac {N}{2}}]-\alpha ^{k}H[k-{\frac {N}{2}}]\quad {\frac {N}{2}}\leq k\leq N-1\end{cases}}\end{matrix}}}$ 

其中，${\displaystyle G[k]=\sum _{r=0}^{N/2-1}f[2r](\alpha ^{2})^{rk}}$ ，${\displaystyle H[k]=\sum _{r=0}^{N/2-1}f[2r+1](\alpha ^{2})^{rk}}$ 。 因此一個${\displaystyle N}$ 點數論轉換可以拆解成兩個${\displaystyle {\frac {N}{2}}}$ 點的數論轉換。

N, M, alpha的選擇

由於數論轉換可以擁有類似快速傅立葉變換的快速演算法，因此通常${\displaystyle N}$ 會選擇適合使用快速演算的值，比如說取為2的冪次，或是可以分解成許多小質數相乘的數。

在數論轉換中，需要大量地和${\displaystyle \alpha }$ 的冪次做乘法，因此，如果可以取${\displaystyle \alpha }$ 為2或2的冪次，則每一次的乘法在二進制中只會是一個移位的操作，可以省下大量的乘法運算。

因為要做模${\displaystyle M}$ 的運算，所以${\displaystyle M}$ 的二進位表示法中，1的個數越少越好，同時${\displaystyle M}$ 的值不能取太小，這是因為數論轉換後的值都小於${\displaystyle M}$ ，因此當真實的摺積的結果會大於${\displaystyle M}$ 時就會發生錯誤，所以必須謹慎選取${\displaystyle M}$ 的大小。

特殊的數論轉換

梅森質數數論轉換

梅森質數是指形如${\displaystyle 2^{p}-1}$ 的質數記做${\displaystyle M_{p}}$ ，其中${\displaystyle p}$ 是一個質數。

在梅森質數數論轉換中，取${\displaystyle M=M_{p}}$ ，可以證明${\displaystyle \alpha ,N}$ 可以如下選取：

(1) ${\displaystyle \alpha =2,N=p,N^{-1}=M_{p}-{\frac {M_{p}-1}{p}}}$ 

(2) ${\displaystyle \alpha =-2,N=2p,N^{-1}=M_{p}-{\frac {M_{p}-1}{2p}}}$ 

在這兩種選取方式下，由於${\displaystyle \alpha }$ 是2的冪次，所以只需移位運算，但${\displaystyle N}$ 不是2的冪次，所以基數-2的蝴蝶結構不適用於此例中，同時${\displaystyle N}$ 為質數或一個質數的兩倍，並不是一個可以拆解成很多質因數乘積的數，因此也無法由互質因子演算法得到太大的好處。梅森質數數論轉換通常用於較短序列的摺積運算

費馬數數論轉換

費馬數是指形如${\displaystyle 2^{2^{t}}+1}$ 的數記做${\displaystyle F_{t}}$ 。

在費馬數數論轉換中，取${\displaystyle M=F_{t}}$ ，可以證明在${\displaystyle 0<t\leq 4}$ 之下${\displaystyle \alpha ,N}$ 可以如下選取：

(1) ${\displaystyle \alpha =2,N=2^{t+1}}$ 

(2) ${\displaystyle \alpha =3,N=F_{t}-1}$ 

在這兩種選取方式下，${\displaystyle N}$ 是2的冪次，所以基數-2的蝴蝶結構適用於此例中，而若${\displaystyle \alpha }$ 是2的冪次，只需移位運算。費馬數數論轉換通常用於較長序列的摺積運算。

實作議題

由於數論轉換需運用到餘數下的反元素，這邊提供一些不同的演算法。

(一) Euclidean algorithm - iterative version

假設M為質數的mod，N為我們當前的元素且符合M-1的因數，藉由Euclidean Algorithm知道必然存在x, y的整數使得

xM + yN = 1 - (1)

由上式左右mod M 可以得到 yN mod M= 1，顯然y就是我們這邊想求的反元素。

我們已知最大公因數(gcd)有如下性質。

gcd(M, N) = gcd(N, M mod N) = gcd(M mod N, N mod (M mod N)) = ... = 1

這邊設定q為商數，r為餘數，接上面的等式方程式化如下。

${\displaystyle M=q_{0}N+r_{1},}$ 

${\displaystyle N=q_{1}r_{1}+r_{2},}$ 

${\displaystyle r_{1}=q_{2}r_{2}+r_{3},}$ 

${\displaystyle r_{2}=q_{3}r_{3}+r_{4},...}$ 

整理一下

${\displaystyle M-q_{0}N=r_{1},}$ 

${\displaystyle N-q_{1}r_{1}=r_{2},}$ 

${\displaystyle r_{1}-q_{2}r_{2}=r_{3},}$ 

${\displaystyle r_{2}-q_{3}r_{3}=r_{4},...}$ 

最後的r 一定會變成1，所以我們只要不斷的將r乘上-q帶往下一個式子(像是r1*(-q1))，跟代往下下個式子(像是r3的左邊式子要帶入r1)即可求得最後我們想得到的 (1)，最後的N旁的係數就是反元素。

def modInv(x, M): #by Euclidean algorithm - iterative version t, new_t, r, new_r = 0, 1, M, x while new_r != 0: quotient = int(r / new_r) tmp_new_t = new_t tmp_t = t tmp_new_r = new_r tmp_r = r t, new_t = new_t, (t - quotient * new_t) r, new_r = new_r, (r % new_r) if r > 1: print("Inverse doesn't exist") if t < 0: t = t + M return t 

(二) Euclidean algorithm - recursion version

根據gcd的性質gcd(M, N) = gcd(N, M mod N) = gcd(M mod N, N mod (M mod N)) = ... = 1

可以看出遞迴的關係，藉此我們可以從這邊得到N的係數，也就是反元素。

gcd(M, N) = 1來看，我們知道存在${\displaystyle xM+yN=1}$  。

gcd(N, M mod N)=1，則存在${\displaystyle x_{1}N+y_{1}(M\,mod\,N)=1}$ 

${\displaystyle x_{1}N+y_{1}(M\,mod\,N)=x_{1}N+y_{1}(M-q_{1}N)=y_{1}M+(x_{1}-q_{1}y_{1})N=1}$ 

這邊q就是相除的商數，比較M跟N的係數，這邊可以得到一個遞迴關係，

${\displaystyle (x_{1}-q_{1}y_{1})=y}$ 

${\displaystyle y_{1}=x}$ 

可以藉由下一層的係數來推出上一層的係數。

def egcd(a, b): # y = x1 - quotient * y1 , x = y1  if a == 0: return (b, 0, 1) else: g, y, x = egcd(b % a, a) return (g, x - (b // a) * y, y) def modInv(n, m): #by Euclidean algorithm - recursion version  g, y, x = egcd(n, m) if g != 1: print("Inverse doesn't exist") else: return y % m 

(三) Fermat little theorem

當M是質數時，我們知道任何一個數字N，${\displaystyle N^{M-1}\,mod\,M=1}$ 

${\displaystyle N(N^{M-2}\,mod\,M)\,mod\,M=1}$ 

顯然${\displaystyle N^{M-2}\,mod\,M}$ 就是N的反元素。

搭配快速mod可以容易的算出反元素，power是偶數時則可以用${\displaystyle (a^{2}\,mod\,M)^{power/2}}$ ; power是基數時則可以用${\displaystyle (aN\,mod\,M)^{power-1}}$ ，讓power變成偶數。反覆直到power變成1。

def modInv(a, m): #fermat little thm return modExponent(a, m - 2, m) def modExponent(base, power, M): #quick mod O(log(power)) result = 1 power = int(power) base = base % M while power > 0: if power & 1: result = (result * base) % M base = (base * base) % M power = power >> 1 return result 

演算法

以下程式預設。

import numpy as np 

這邊只要再從1到M-1中選出一個適當的alpha (Root Of Unity)，其滿足"轉換公式"段落的(5)即可。

def NTT(x,N,M): #TODO: RootOfUnity  alpha = RootOfUnity(N, M) NInv = modInv(N, M) A = np.ones((N,N)) for i in range(1,N): for j in range(1,i+1): A[i][j] = A[i][j-1]*modExponent(alpha,i,M) % M A[j][i] = A[i][j] return np.matmul(A,x) % M, alpha 

def invNTT(x,alpha,N,M): alphaInv = modInv(alpha, M) NInv = modInv(N, M) B = np.ones((N,N)) for i in range(1,N): for j in range(1,i+1): B[i][j] = B[i][j-1]*modExponent(alphaInv,i,M) % M B[j][i] = B[i][j] B = B * NInv return np.matmul(B,x) % M 

參考資料

[1] R.C. Agarval and C.S. Burrus,"Number Theoretic Transforms to Implement Fast Digital Convolution," Proc. IEEE, vol.63, no.4, pp. 550-560, Apr. 1975.

[2] I. Reed and T.K. Truong,"The use of finite fileds to compute convolution," IEEE Trans. Info. Theory, vol.21 ,pp.208-213, Mar. 1975.