雪崩效应是什么
雪崩效应（Avalanche Effect）指密码算法的输入发生极小改变（典型是 1 比特）时，输出应有约一半比特随之翻转。它把香农提出的扩散与混淆思想变成可度量的指标，是分组密码与哈希函数设计的检验项。严格雪崩准则（SAC）要求：翻转任意一个输入比特，每个输出比特翻转的概率都趋近 1/2。这个性质保证明文或密钥的微小差别被放大到整个输出，攻击者无法靠局部修改预测输出。
基本信息
| 判定标准 | 1 比特输入变化 → 输出约 50% 比特翻转 |
|---|---|
| 严格雪崩准则 | 任一输出位的翻转概率趋近 1/2 |
| 相关性质 | 扩散（明文位影响密文位范围）、混淆（密钥与密文关系复杂化） |
| 适用对象 | 分组密码 AES/SM4、哈希函数 SHA-256/SM3 等 |
| 度量方式 | 汉明距离统计、比特差分布直方图 |
| 达标线 | 样本足够时均值接近输出位宽的一半 |
典型使用场景
- 算法结构评估：自研或改造的分组密码、哈希函数是否靠轮函数与线性层把差异铺满整个状态。
- 实现选型验证：批量跑标准测试向量，确认第三方密码库没有为提速走样。
- 实现回归测试：把查表改成位运算之类优化后，对比差分分布，防止无意削弱扩散。
- 教学与算法分析：展示明文的 1 比特差异如何在多轮后扩散到全部输出位。
- 工具自检：确认哈希、签名、随机数工具的输出对输入变化足够敏感。
用哈希快速演示
用哈希快速演示
import hashlib
a = hashlib.sha256(b'0123456789abcdef').digest() # 明文 A：16 字节
b = hashlib.sha256(b'0123456789abcdeg').digest() # 明文 B：与 A 只差 1 比特
diff = sum(bin(x ^ y).count('1') for x, y in zip(a, b)) # 异或后数翻转位
print(diff, '/', len(a) * 8) # 256 位中期望约 128 位不同
# 分组密码应改回同一密钥加密仅差 1 比特的两个明文块
# 单次样本波动大，判断实现质量要统计上千组再比均值与方差观察项与读法
| 观察项 | 含义 | 正常表现 | 异常信号 |
|---|---|---|---|
| 单比特翻转率 | 多次实验的输出比特翻转比例 | 长期均值接近 50% | 稳定偏离到 30% 或 70% 一类数值 |
| 翻转位分布 | 每个输出位的翻转概率 | 各位置大致均匀 | 某些位几乎不变，说明未充分扩散 |
| 轮数敏感性 | 减少轮数后的扩散变化 | 前几轮扩散有限属正常 | 多轮之后仍不成片扩散 |
| 实现一致性 | 与标准向量、开源实现对比 | 结果逐比特一致 | 结果对不上，先怀疑实现而非算法 |
雪崩效应只谈比特翻转比例，不直接谈抗攻击能力。翻转率达标但密钥编排或轮数设计有缺陷的算法仍可被攻破；反过来，扩散指标一般的结构也可能具备其他安全论证。
哈希函数还能用雪崩测试检查截断实现：把输出截到 128 位后翻转率仍应接近 50%，若明显偏低，常见原因是截断时重复取了同一段字节。