feat(reductions): add barrett and montgomery reductions

reductions/barrett.zh.md

@@ -0,0 +1,92 @@
+# Barrett Reduction
+
+Barrett Reduction是一种在计算模运算（求余数）时使用的优化算法，可以避免昂贵的除法运算。它的基本思想相当直接。
+
+当要计算 $a \bmod N$（a 模 N）的余数 r 时，常规做法是首先计算商 $q = a \div N$，然后计算余数 $r = a - q \times N$。
+
+然而，计算 q 时需要一次除法，而除法对 CPU 的运算开销比较大。Barrett Reduction 通过引入一个预计算的常数来避免这个除法运算。
+
+## 算法核心思想
+
+1. 选择一个足够大的 $R = 2^k$，使得 $R > N$。
+2. 预计算 $\mu = \lfloor R / N \rfloor$。（$\lfloor \rfloor$ 表示向下取整）
+3. 当需要计算 $a \bmod N$ 时，用以下步骤代替：
+   - 计算 $q = \lfloor(a \times \mu) / R\rfloor$
+   - 计算 $r = a - q \times N$
+   - 如果 $r \geq N$，则 $r = r - N$
+
+这里的关键优化是，由于 R 是 2 的幂，$(a \times \mu) / R$ 可以通过简单的位移操作实现：$q = (a \times \mu) \gg k$。
+
+对于一个固定的有限域，N 通常是固定的，那么 $\mu$ 也是固定的，可以预先计算并存储。
+
+## 误差分析
+
+这种方法可能会导致 q 略小于实际的商，因为 $\mu$ 是 $R/N$ 的下界（由于向下取整）。这就是为什么我们需要在计算 $r = a - q \times N$ 后，判断 r 是否小于 N，如果大于或等于 N 则需要再减去 N。
+
+关于最差情况下需要减去 N 的次数：
+
+- 误差的上界可以被证明是 2。也就是说，计算出的 r 最多比实际的余数大 2N。
+- 因此，最多需要减去 N 两次就可以得到正确的余数。
+
+## 算法优势
+
+1. 避免了昂贵的除法运算，替换为乘法和位移操作。
+2. 对于固定的模数 N，$\mu$ 可以预计算，进一步提高效率。
+3. 即使在最坏情况下，也只需要进行有限次（最多两次）的额外减法。
+
+## 计算μ的误差范围
+
+我们设 $q'$ 为实际的 $a/N$ 值，q 为经过 Barrett Reduction 的值
+$q' = \lfloor a / N \rfloor$，$q = \lfloor(a \times \mu) / R\rfloor$
+
+1. $R = 2^k$，其中 k 是一个整数，且 $R > N$。
+2. $\mu = \lfloor R / N \rfloor$
+3. 假设 $a < R$（这是一个重要的假设，在实际应用中通常成立）
+
+### 上界：$q \leq q'$
+
+我们知道 $\mu = \lfloor R / N \rfloor$，所以 $\mu \leq R / N$。 
+
+$$
+\begin{aligned}
+q &= \lfloor(a \times \mu) / R\rfloor \\
+  &\leq \lfloor(a \times (R/N)) / R\rfloor \quad \text{（因为} \mu \leq R/N\text{）} \\
+  &= \lfloor a / N \rfloor \\
+  &= q'
+\end{aligned}
+$$
+
+所以 $q \leq q'$
+
+### 下界：$q > q' - 2$
+
+首先，我们知道 $R/N - 1 < \mu \leq R/N$ （因为 $\mu$ 是 $R/N$ 的向下取整）
+所以：
+
+$$
+\begin{aligned}
+q &= \lfloor(a \times \mu) / R\rfloor \\
+  &> \lfloor(a \times (R/N - 1)) / R\rfloor \quad \text{（因为} \mu > R/N - 1\text{）} \\
+  &= \lfloor a/N - a/R \rfloor
+\end{aligned}
+$$
+
+接下来，我们可以写出：
+$q > a/N - a/R - 1$ （因为对任何 x，$\lfloor x \rfloor > x - 1$）
+
+现在，利用假设 $a < R$，我们有 $a/R < 1$，所以：
+
+$$
+\begin{aligned}
+q &> a/N - 1 - 1 \\
+  &= a/N - 2 
+\end{aligned}
+$$
+
+但是 $q' = \lfloor a/N \rfloor$，所以 $a/N - 1 < q' \leq a/N$
+将这个不等式代入上面的式子：
+$q > (q' - 1) - 2 = q' - 3$
+
+因为 q 是整数，所以 $q \geq q' - 2$
+
+结合之前得到的 $q \leq q'$，我们可以得出 $q' - 2 < q \leq q'$

reductions/montgomery.zh.md

@@ -0,0 +1,86 @@
+# Montgomery Reduction
+
+在有限域运算中，我们需要频繁使用mod N运算。对于涉及连乘的指数运算，Montgomery Reduction能提供更好的性能优化。
+
+Montgomery Reduction的核心思想是将运算数转换到一个特殊的Montgomery Form，其所有的除法运算都可以被显著简化。
+
+让我们通过一个具体例子来理解：
+
+设模数 N = 97，我们需要计算 $(a \cdot b) \bmod N$。传统方法需要对$a \cdot b$的结果进行求余运算，这涉及到开销较大的除法运算。
+
+### Montgomery Form转换
+1. 选择R = 100（通常选择为2的幂，这里为便于演示选用100，我们仅需在10进制下取尾数和抹除尾部的00即可）
+2. 对于输入 a = 15, b = 32：
+   - $T_a = aR \bmod N = 45$
+   - $T_b = bR \bmod N = 96$
+
+### Montgomery乘法过程
+1. 计算Montgomery Form的乘积：
+   $T_r = T_a \cdot T_b = 45 \cdot 96 = 4320$
+
+2. 结果转换：
+   - 由于经过了两次Montgomery Form转换，结果包含 $R^2$ 项，需要消除一个 $R$
+   - 我们需要在不改变 $mod N$ 结果的情况下调整 $T_r$ ，使其能被 $R$ 整除
+   - 我们可以给T加上若干次 $N$ ，这样$mod N$的结果仍然不会被影响，于是我们有了 $T + xN$
+   - 我们又需要合适的x，使得 $T + xN$ 能被 $R$ 整除
+   - 通过同余等式 $T + xN \equiv 0 \pmod{R}$，即 $x = T \cdot (-\frac{1}{N}) \bmod R$
+   - 我们把 $-\frac{1}{N}$ 记为 $N'$，$N' = -\frac{1}{N} \bmod R = 67$（提前计算）
+   - 上面求得的 $x$ 即为Montgomery Reduction中的 $m$, $t = T + mN$
+
+3. 具体计算：
+   第一次Montgomery Reduction ($aR \cdot bR/R$)：
+
+   $m = T_r \cdot N' \bmod R = 4320 \cdot 67 \bmod 100 = 289440 \bmod 100 = 40$
+   （注：mod 100在10进制下就是取2位尾数）
+
+   $t = (T_r + m \cdot N) / R = (4320 + 40 \cdot 97) / 100 = 8200 / 100 = 82 = abR$ 
+   （注：除以100在10进制下就是抹掉尾部的00）
+
+   第二次Montgomery Reduction ($abR/R$)：
+
+   $m' = t \cdot N' \bmod R = 82 \cdot 67 \bmod 100 = 94$
+
+   $t' = (t + m' \cdot N) / R = (82 + 94 \cdot 97) / 100 = 92 = ab$
+
+### 优势分析
+虽然单次运算时Montgomery Reduction似乎并未节省太多计算资源（转换到Montgomery Form时仍需mod N运算），但在需要连续模乘运算的场景下（如模幂运算），其优势就非常明显：
+
+1. 模幂运算示例：计算 $a^5 \bmod N$
+   - 传统方法需要在每次乘法后进行mod N运算
+   - 使用Montgomery Form后：
+     - 初始转换：$T_a = aR \bmod N$
+     - 中间运算无需除法：$T_a \cdot T_a / R = (aR \cdot aR) / R = a^2R$
+     - 只需在最后转换回原始形式
+
+2. 主要优势：
+   - 避免中间步骤的mod N运算
+   - 消除大部分除法运算
+   - 适合硬件实现（R选择2的幂时，除法和取模都可以用移位和位与运算完成）
+   - 特别适合需要连续模乘运算的场景
+
+### 工程实现
+在实际工程中，我们通常通过将元素a乘以$R^2$来将其编码到Montgomery Form。这种方式的优点是：
+
+1. Montgomery Reduction和乘法可以合并为统一的mul函数：
+   - $\text{mul}(a, b) = ab/R$
+
+2. 这样encode和decode都可以用同一个mul函数：
+   - $\text{encode}(a) = \text{mul}(a, R^2) = aR^2/R = aR$
+   - $\text{decode}(T_a) = \text{mul}(T_a, 1) = aR/R = a$
+
+这种统一的实现方式使代码更简洁，同时当R选择为2的幂时，所有的除法和取模运算都可以通过移位和位与运算高效完成。
+
+对于模幂运算，我们可以看到Mont乘的优势：
+1. 传统算法：
+   $a^5 = ((((a \cdot a) \bmod N) \cdot a) \bmod N) \cdot a) \bmod N) \cdot a) \bmod N$
+   每一步都需要进行昂贵的除法运算来求余
+
+2. Montgomery算法：
+   - $T_a = aR \bmod N$
+   - $T_a \cdot T_a / R = a^2R$
+   - $(a^2R \cdot aR) / R = a^3R$
+   - $(a^3R \cdot aR) / R = a^4R$
+   - $(a^4R \cdot aR) / R = a^5R$
+   - $\text{decode}(a^5R) = a^5$
+
+所有中间步骤都只需要简单的移位操作，大大提升了性能。