Barrett模乘算法实战:用Python和Verilog实现高效模运算(附避坑指南)

后量子密码硬件实现:从HQC与CKKS算法到噪声控制的FPGA/ASIC设计 密码学算法从软件迁移到硬件(如FPGA和ASIC)是实现高性能与高能效的关键路径,尤其在需要实时处理的隐私计算与安全通信场景中。其核心原理在于通过定制化电路并行处理特定计算任务,从而在速度与功耗上实现数量级提升。硬件实现的技术价值在于为5G、物联网终端及云端加速卡等提供底层算力支撑。然而,这一过程面临的核心挑战是噪声控制——即计算过程中由有限精度、定点数量化及运算截断引入的误差积累。以同态加密(HE)和编码密码为例,噪声直接影响了解密的正确性与计算深度。本文聚焦于后量子密码算法HQC和CKKS的硬件化,深入 阅读详情

Barrett模乘算法实战:用Python和Verilog实现高效模运算(附避坑指南)

在嵌入式系统、密码学协议乃至高性能计算中,模运算(尤其是模乘)是构建安全与效率的基石。当你需要在一个资源受限的FPGA上实现一个椭圆曲线加密核心,或者在Python中快速处理大整数的模幂运算时,直接使用编程语言内置的取模运算符 % 可能会成为性能瓶颈。这时,像Barrett约减这样的专用算法就从理论论文走进了工程师的视野。它巧妙地用相对廉价的乘法和移位操作来模拟昂贵的除法,为性能敏感的场景打开了一扇窗。然而,从算法公式到稳定可靠的代码,中间隔着参数选择、进制适配和边界处理等诸多“坑”。本文将带你从零开始,用Python和Verilog两种语言,亲手实现Barrett模乘算法,并分享我在移植和调试过程中积累的实战经验,帮助你避开那些教科书上不会写的陷阱。

1. 理解Barrett约减:为何要“绕开”除法?

在深入代码之前,我们得先弄明白Barrett算法到底在解决什么问题。核心矛盾在于:硬件(或软件)实现中,除法操作的成本远高于加法和乘法。在FPGA上,一个除法器可能占用大量的逻辑资源且延迟很高;在通用CPU上,尽管有硬件除法指令,但对于大整数(比如2048位的RSA密钥)的逐次除法,其耗时依然可观。

Barrett算法提供了一种预计算的思路。对于一个固定的模数 M,我们可以提前计算一个与 M 相关的参数 μ。之后,对于任何需要计算 X mod M 的输入 X,我们可以通过一个主要由乘法和移位构成的公式来估算商 k ≈ floor(X / M),从而得到余数 Z = X - k * M。这个估算值 k' 要么等于真实的商 k,要么等于 k-1。因此,算法需要一个最后的校正步骤:如果 Z >= M,则 Z = Z - M。

算法的经典公式基于一个基数 R,通常取 R = 2^w(w 是机器字长或某个方便的2的幂),使得除以 R 的操作可以通过右移 w 位快速完成。预计算的参数 μ = floor(R^2 / M)。对于给定的 X,估算步骤如下:

  1. q1 = floor(X / R)
  2. q2 = q1 * μ
  3. q3 = floor(q2 / R)
  4. r = X - q3 * M
  5. 校正:如果 r >= M,则 r = r - M(可能需要多次)。

注意:这里的 floor 操作在硬件中通过截断低位实现,在软件中通过整数除法实现。算法的有效性依赖于 R 远大于 M 的精心选择。

为了更直观地对比直接取模与Barrett约减的步骤差异,我们可以看下面的流程对照:

操作步骤直接取模 (X % M)Barrett约减
核心运算一次整数除法两次乘法,两次移位/截断
预计算无需计算并存储参数 μ
结果确定性精确结果估算后需0~2次校正减法
适用场景通用,模数多变模数固定,性能要求高

这个表格清晰地揭示了Barrett算法的权衡:用额外的存储(μ)和可能的多余减法,换取了将最耗时的除法替换为乘法和移位的可能性。在模数固定、运算量巨大的场合(如模幂运算),这种交换是非常划算的。

2. Python实现:从验证到优化

我们用Python来实现Barrett算法,首要目的不是追求极限速度(Python本身不是高性能计算的首选),而是验证算法逻辑、理解参数影响、并构建一个可靠的参考模型,为后续的硬件实现提供“黄金标准”。

2.1 基础实现与进制选择的坑

首先,我们实现一个最直接的版本,注意我特别处理了进制选择这个关键点:

def barrett_reduce_naive(x: int, m: int, r_exp: int) -> int:
    """
    基础的Barrett约减实现。
    :param x: 被减数
    :param m: 模数
    :param r_exp: 基数 R = 2 ** r_exp
    :return: x mod m
    """
    R = 1 << r_exp  # 基数R,2的幂
    # 预计算参数 mu = floor(R^2 / m)
    mu = (R * R) // m

    # 1. q1 = floor(x / R)
    q1 = x >> r_exp
    # 2. q2 = q1 * mu
    q2 = q1 * mu
    # 3. q3 = floor(q2 / R)
    q3 = q2 >> r_exp
    # 4. r = x - q3 * m
    r = x - q3 * m

    # 5. 校正:因为q3可能比真实商小1,所以r可能>=m
    while r >= m:
        r -= m
    return r

这个实现有一个明显的“坑”:它要求 R > M。如果 R 小于或等于 M,估算的误差会变大,可能导致需要很多次校正循环,甚至得到错误结果。选择 R 为大于 M 的最小2的幂是一个常见策略。例如,如果 M 是256位素数,那么选择 R = 2^256。

让我们写个简单的测试来验证正确性,并观察校正次数:

import random

def test_naive():
    m = 0xFFFFFFFF00000001  # 一个64位模数示例
    # 确定R:找到大于m的最小2的幂的指数
    r_exp = m.bit_length()  # m的位宽,2^{r_exp} > m
    R = 1 << r_exp

    print(f"模数 M = {hex(m)}")
    print(f"选择 R = 2^{r_exp} = {hex(R)}")
    print(f"预计算参数 μ = {hex((R*R)//m)}")

    error_count = 0
    total_corrections = 0
    test_iterations = 10000

    for _ in range(test_iterations):
        # 生成一个小于 R^2 的数,这是算法有效范围
        x = random.randint(0, R*R - 1)
        expected = x % m
        result = barrett_reduce_naive(x, m, r_exp)

        # 统计需要校正的次数(模拟)
        r_temp = x - (( (x >> r_exp) * ((R*R)//m) ) >> r_exp) * m
        corrections = 0
        while r_temp >= m:
            r_temp -= m
            corrections += 1
        total_corrections += corrections

        if result != expected:
            error_count += 1
            print(f"错误! x={hex(x)}, 预期={hex(expected)}, 得到={hex(result)}")

    print(f"\n测试 {test_iterations} 次。")
    print(f"错误次数: {error_count}")
    print(f"平均校正次数: {total_corrections / test_iterations:.2f}")

运行这个测试,如果 R 选择得当,错误次数应为0,平均校正次数通常接近0.5(因为 q3 有约50%概率等于真实商,50%概率小1)。

2.2 优化:减少校正开销与处理大整数

基础版本中的 while 循环校正虽然安全,但在极端情况下(尽管概率极低)可能不止执行一次减法。我们可以利用Barrett算法的一个性质:r 的范围是 0 <= r < 2M。因此,最多只需要一次条件减法。优化后的校正步骤为:

def barrett_reduce_optimized(x: int, m: int, r_exp: int) -> int:
    R = 1 << r_exp
    mu = (R * R) // m

    q1 = x >> r_exp
    q3 = (q1 * mu) >> r_exp
    r = x - q3 * m

    # 优化校正:因为 r < 2M,所以只需判断一次
    if r >= m:
        r -= m
    return r

对于Python的 int 类型(任意精度),我们还需要考虑输入 x 的范围。经典Barrett算法要求 x < R^2。在实际应用中,比如模乘 a * b mod m,我们会先计算完整乘积 t = a * b,这个 t 可能非常大。这时,我们可以使用所谓的 “多字”Barrett约减,或者更常见的,结合 Montgomery模乘 来避免产生巨大的中间值。这也是为什么Barrett和Montgomery常被一起讨论的原因之一。

提示:在密码学库中,对于非常大的模数(如2048位),常采用“基 R=2^64”的多精度算法。此时,μ 也是一个多精度整数,整个约减过程通过一个多精度乘法循环来实现,其核心思想与单字版本一致。

3. Verilog实现:硬件视角下的设计折衷

将Barrett算法移植到硬件(Verilog)是真正的挑战所在。硬件设计不仅仅是功能正确,更要考虑面积、时序和功耗的折衷。我们的目标是在一个FPGA上,用尽可能少的逻辑资源和时钟周期,完成一个固定模数的模乘运算。

3.1 顶层模块与参数化设计

首先,我们定义一个高度参数化的模块。假设我们的模数 M 是 WIDTH 位宽,我们选择 R = 2^WIDTH。这意味着 x 的输入宽度可以是 2*WIDTH(因为 x < R^2)。

module barrett_reducer #(
    parameter WIDTH = 256,               // 模数M的位宽
    parameter MODULUS = 256'hFFFFFFFF00000001 // 具体的模数值,示例为64位
) (
    input wire [2*WIDTH-1:0] x_in,      // 输入,宽度为2*WIDTH
    output reg [WIDTH-1:0] result,      // 输出 x_in mod MODULUS
    output reg done,                     // 计算完成标志
    input wire start,                    // 开始计算信号
    input wire clk,
    input wire rst_n
);

// 预计算参数 μ = floor(R^2 / M), R=2^WIDTH
// 这是一个常数,在综合时计算。注意:μ的宽度约为WIDTH+1位。
localparam R_SQUARE = {1'b1, {WIDTH{1'b0}}}; // 2^(2*WIDTH) 的二进制表示(1后跟2WIDTH个0)不实际存储
// 实际我们需要计算 μ = (2^(2*WIDTH)) / MODULUS 的整数值。
// 这需要在设计时用外部脚本计算好,作为常数传入。假设我们计算好了:
localparam MU_WIDTH = WIDTH + 2; // μ的位宽估计
localparam [MU_WIDTH-1:0] MU = 256'h10000000000000000 / MODULUS; // 举例,需实际计算

// 定义状态机
typedef enum logic [1:0] {IDLE, CALC_Q, CALC_R, CORRECT} state_t;
state_t current_state, next_state;

// 定义中间寄存器
reg [2*WIDTH-1:0] x_reg;
reg [WIDTH-1:0] q1;
reg [MU_WIDTH+WIDTH-1:0] q2_full; // q1 * mu 的完整积
reg [WIDTH-1:0] q3;
reg [2*WIDTH-1:0] m_times_q3;
reg [2*WIDTH-1:0] r_temp;

// 状态机逻辑
always_ff @(posedge clk or negedge rst_n) begin
    if (!rst_n) begin
        current_state <= IDLE;
        x_reg <= 0;
        result <= 0;
        done <= 0;
    end else begin
        current_state <= next_state;
        // 状态机动作
        case (next_state)
            IDLE: begin
                done <= 0;
                if (start) begin
                    x_reg <= x_in;
                end
            end
            CALC_Q: begin
                // q1 = x_reg >> WIDTH (取高WIDTH位)
                q1 <= x_reg[2*WIDTH-1:WIDTH];
                // q2_full = q1 * MU
                q2_full <= q1 * MU;
            end
            CALC_R: begin
                // q3 = q2_full >> WIDTH (取乘积的高WIDTH位附近)
                // 注意:MU_WIDTH可能大于WIDTH,需要正确截取
                q3 <= q2_full[MU_WIDTH+WIDTH-1:MU_WIDTH]; // 近似右移WIDTH位
                m_times_q3 <= MODULUS * q3;
                r_temp <= x_reg - m_times_q3;
            end
            CORRECT: begin
                // 校正步骤
                if (r_temp >= MODULUS) begin
                    result <= r_temp - MODULUS;
                end else begin
                    result <= r_temp;
                end
                done <= 1;
            end
        endcase
    end
end

// 次态逻辑
always_comb begin
    next_state = current_state;
    case (current_state)
        IDLE: if (start) next_state = CALC_Q;
        CALC_Q: next_state = CALC_R;
        CALC_R: next_state = CORRECT;
        CORRECT: next_state = IDLE;
        default: next_state = IDLE;
    endcase
end

endmodule

这个代码框架揭示了几点硬件实现的关键:

  1. 巨大的乘法器:q1 * MU 的乘法器宽度很大(约 WIDTH * 2 位),这会消耗大量DSP Slice或逻辑资源。
  2. 常数预计算:MU 是设计时常数,综合工具会优化与之相关的乘法。
  3. 多周期操作:我们用了4个状态(约4个时钟周期)来完成一次约减,这是典型的面积与时序的折衷。也可以尝试流水线化以获得更高的吞吐量。

3.2 关键优化:减少乘法器位宽与校正逻辑

上面的“朴素”硬件实现中,最耗资源的是 q1 * MU 这个宽位乘法。我们可以利用Barrett公式的变形来优化。注意到我们最终只需要 q3 = floor((q1 * mu) / R)。这等价于取 q1 * mu 乘积的高位部分。如果我们能确保 mu 是 WIDTH+1 位左右,并且通过仔细选择 R(例如 R = 2^(WIDTH+2)),我们可以让 mu 的格式更规整,甚至可以用加法移位网络来近似这个乘法。

另一种常见的硬件优化是合并校正步骤。与其先计算 r = x - q3*M 再判断是否 r >= M,不如在计算减法时就进行饱和处理。我们可以计算 r1 = x - q3*M 和 r2 = r1 - M,然后根据 r1 的符号位(或与M的比较)来选择最终输出。这可以用一个多路选择器在一个周期内完成,避免了条件判断带来的时序路径。

// 在CALC_R状态中,同时计算两个可能的余数
wire [2*WIDTH-1:0] r1, r2;
assign r1 = x_reg - m_times_q3;
assign r2 = r1 - MODULUS;

// 在CORRECT状态中,根据r1是否大于等于MODULUS来选择结果
always_ff @(posedge clk) begin
    if (current_state == CALC_R) begin
        if (r1 >= MODULUS) begin
            result <= r2[WIDTH-1:0]; // 假设r2肯定小于2M,取低WIDTH位即可
        end else begin
            result <= r1[WIDTH-1:0];
        end
    end
end

3.3 测试平台与验证

为Verilog模块编写一个全面的测试平台至关重要。我们需要用Python生成的“黄金参考”数据来验证硬件输出的正确性。SystemVerilog的DPI-C接口可以方便地调用Python/C函数,但在纯Verilog测试中,我们可以将测试向量写入文件。

`include "barrett_reducer.v"
module tb_barrett_reducer();

parameter WIDTH = 32;
parameter MODULUS = 32'hFFFFFFFB; // 一个质数
logic [2*WIDTH-1:0] x_in;
logic [WIDTH-1:0] result;
logic done, start, clk, rst_n;

barrett_reducer #(.WIDTH(WIDTH), .MODULUS(MODULUS)) dut (.*);

// 时钟生成
initial begin
    clk = 0;
    forever #5 clk = ~clk;
end

// 测试过程
initial begin
    // 初始化
    rst_n = 0;
    start = 0;
    x_in = 0;
    #20 rst_n = 1;

    // 开始测试多个随机向量
    for (int i = 0; i < 100; i++) begin
        // 随机生成一个小于 (2^WIDTH)^2 的数
        x_in = {$urandom(), $urandom()};
        start = 1;
        @(posedge clk);
        start = 0;
        // 等待计算完成
        wait(done == 1);
        @(posedge clk);
        // 此时,result中应有结果
        // 这里可以添加自动检查逻辑:将x_in和result打印出来,由外部脚本比对
        $display("Test %0d: x_in=%h, result=%h", i, x_in, result);
        // 简单检查:结果应小于模数
        if (result >= MODULUS) begin
            $error("Result %h not less than modulus %h", result, MODULUS);
        end
    end

    $finish;
end

endmodule

将仿真输出的结果与Python计算的结果进行比对,是确保硬件功能正确的标准流程。任何偏差都需要仔细检查边界条件,比如当 x 接近 R^2 时,或者当 q3 的估算误差导致 r 为负值(在无符号数中表现为高位溢出)的情况。

4. Barrett vs. Montgomery:场景选择与性能对比

Barrett算法常被拿来与Montgomery模乘算法比较。两者目标一致,但哲学不同。理解它们的差异,有助于你在项目中做出正确选择。

Montgomery算法 的核心思想是切换到另一个“域”(Montgomery域)进行运算,在这个域里模乘操作不需要昂贵的约减。但进出这个域需要额外的转换开销。它的最大优势在于:非常适合连续的模乘序列,例如模幂运算 a^e mod m。在连续的乘法中,转换开销被摊薄,而每次乘法内部的约减变得极其高效(主要是加法和移位)。

Barrett算法 则直接工作在标准整数域。它对于单次或稀疏的模运算更友好,因为没有域转换的额外负担。它的性能取决于预计算参数 μ 的质量和后续乘法的效率。

让我们用一个简单的对比表格来总结:

特性Barrett约减Montgomery模乘
数学域标准整数域Montgomery域
额外开销预计算参数 μ进出域转换
单次模乘成本2次宽乘法 + 校正3次乘法(约) + 域转换
连续模乘成本每次成本固定,无优化转换开销被分摊,内部循环极快
硬件实现复杂度乘法器位宽较大需要处理特殊的进位保留加法
典型应用通用模运算,RSA解密(使用CRT时)模幂运算(RSA、ECC),基于素数的密码学

注意:现代高性能密码学处理器(如支持AES-NI和PCLMULQDQ的CPU)内部,可能会根据模数的特性(例如是否是梅森素数)采用更特殊的算法。但Barrett和Montgomery仍然是两大基石。

在嵌入式FPGA项目中,我的经验是:如果算法中大部分是独立的模乘或模加,Barrett更简单直接;如果核心是一个巨大的模幂循环(如RSA签名),Montgomery通常是更好的选择,尽管初始实现更复杂。 有时,两者甚至可以结合使用,例如用Barrett处理域转换中的某些步骤。

5. 实战避坑指南:从理论到稳定代码

最后,分享几个在实现Barrett算法时容易踩坑的地方,这些坑可能不会在算法描述中明确写出,却足以让你调试好几个晚上。

坑一:基数 R 的选择不当。 这是最常见的问题。R 必须大于模数 M,且通常取 2^k。如果 R 只比 M 大一点点,估算的商 q3 误差会更大,导致校正步骤更频繁,甚至在校正一次后结果仍然 >= M(需要二次校正)。安全起见,选择 R = 2^(ceil(log2(M))),即大于 M 的最小2的幂。在硬件中,这通常意味着 R = 2^WIDTH,其中 WIDTH 是 M 的位宽。

坑二:预计算参数 μ 的精度丢失。 μ = floor(R^2 / M) 必须用足够高的精度计算。在Python中,使用整数除法 //。在Verilog中,MU 必须是一个设计时计算的精确常数值。如果因为位宽限制截断了 MU,会导致系统性误差,使得 q3 总是偏小或偏大,可能在某些边界输入下产生错误结果。一个检查方法是:用多个随机输入验证算法,并统计校正步骤中 r >= M 和 r < 0(在 signed 检查中)的情况是否在预期范围内。

坑三:输入 x 超出有效范围。 经典Barrett算法要求 x < R^2。如果你试图计算 a * b mod m,而 a 和 b 都小于 m,那么 a*b 最大可能为 (m-1)^2,这通常小于 R^2(因为 R > m)。但如果你在进行更复杂的运算,中间值可能溢出。确保你的设计规范明确了输入范围,或者在算法前端添加一个额外的约减步骤。

坑四:硬件中的时序与资源冲突。 宽位乘法器 q1 * MU 可能是关键路径。如果时钟频率要求高,需要考虑将乘法流水线化,或者使用更小的基 R(比如 R=2^(WIDTH/2))进行多级约减,这类似于高精度除法中的“多字”算法。此外,确保你的 MU 是常数,这样综合工具才能进行最大程度的优化。

坑五:忽略负数(如果涉及)。 本文讨论的都是无符号整数模运算。如果在有符号数场景(如某些同态加密原型),需要先将输入调整到正数范围,或者使用支持有符号数的Barrett变种。直接将有符号数输入到无符号实现中,必然得到错误结果。

实现一个健壮的Barrett模乘模块,就像打磨一件工具。它可能不会像使用黑盒IP那样简单,但带来的性能提升和对底层原理的深刻理解,是无可替代的。当你看到自己的模块在FPGA上以极高的吞吐量处理加密数据流时,那种成就感正是硬件工程师和密码学开发者所追求的乐趣所在。

[Web3] 基础第3篇: 区块链的基础密码学原理 Hash 函数又称单向散列函数或者杂凑函数*图:哈希函数示意——任意长度消息映射为固定长度摘要,单向不可逆*定义:给定一个 Message M,对 M 进行 Hash 可以得到 H(M) = Hash(M)由 Message H Hash 之后可以得到 H(m), 但是不能从 Hash(m) 反推出 Message M, 由此可以看出 Hash 函数具备单向不可逆性。 阅读详情

相关推荐

chrome-headless-shell-mac-x64-160.0.8160.0(Canary).zip

内容概要:Chrome for Testing 官方 chrome-headless-shell 160.0.8160.0 x64 平台(金丝雀版通道),原版未修改,附来源说明。 适合人群:x64 上的自动化测试工程师、爬虫开发者、CI 环境搭建者。 使用场景及目标:①无头浏览器(Playwright/Puppeteer/Selenium 无界面自动化与爬虫的运行内核);②服务器/容器离线内置;③版本精准匹配(chromedriver 与 Chrome 需同大版本)。 其他说明:Chrome for Testing 为 Google 官方发布、允许自由分发的文件;本资源为第三方整理的下载便利服务。

verilog幂次方_verilog语法实例学习(3)

+,-,*,/,**(加/减/乘/除/幂运算),乘法运算的结果的位宽是乘数和被乘数位宽的和。在进行整数的除法运算时,结果要略去小数部分,只取整数部分;而进行取模运算时(%,亦称作求余运算符)结果的符号位采用模运算符中第一个操作数的符号。-10%3 =-1 11%-3 结果为2注意:在进行算术运算时,如果某一个操作数有不确定的值x,则整个结果也为不确定值x。下面的代码演示了算术运算符的操作,其结果为...

weixin_34043280的博客 8737

多智能体-系统-形成-控制 附matlab代码.rar

多智能体-系统-形成-控制 附matlab代码.rar

Verilog与SystemVerilog——运算操作符

文章目录一、算术操作符(+ - * / % **)二、相等操作符(==  ! =   ===  ! ==  ==?  !=?)三、逻辑操作符(&& || !)四、按位操作符(~ & | ^  ^~或 ~^)五、缩减操作符(& ~& |  ~|  ^  ~^)六、移位操作符(<< >> <<< >>>)七、关系操作符(> < >= <=)八、条件操作符(?:)九、拼接和复制操作符

Mr.翟的博客 6万+

具有PWM控制VSC-HVDC链路的IEEE30总线传输系统(Simulink仿真实现)

内容概要:本文构建了一个包含PWM控制VSC-HVDC链路的IEEE30节点电力传输系统,并基于Simulink平台完成了系统的建模仿真。该模型聚焦于高压直流输电(HVDC)技术在区域电网互联中的应用,采用电压源型换流器(VSC)与脉宽调制(PWM)技术实现高效、灵活的电能传输。研究重点在于分析VSC-HVDC链路在复杂多节点电网中对潮流分布、系统稳定性及电能质量的调控能力,特别关注其在区域电网互联、新能源大规模接入以及跨区域电力交换等场景下的动态响应特性与控制性能,为现代智能电网的发展提供技术支撑与仿真验证手段。; 适合人群:具备电力系统、电气工程或自动化等相关专业背景的研究生、科研人员及工程技术人员。; 使用场景及目标:①用于研究VSC-HVDC在多节点电网(如IEEE30节点)中的建模与仿真方法;②分析PWM控制策略下HVDC链路对电网潮流分布、电压稳定性和故障穿越能力的影响;③为区域电网互联、新能源并网及智能电网调度等课题提供仿真基础和技术验证。; 阅读建议:此资源以Simulink仿真实现为核心,建议读者在掌握电力电子技术和电力系统分析基础知识的前提下,结合仿真模型深入理解VSC-HVDC的工作原理与控制策略。在学习过程中,应着重关注模型参数设置、控制环路设计及仿真结果的分析,以达到理论与实践相结合的目的。

基于KDE-CDF置信带的不确定综合能源系统鲁棒调度优化研究(Matlab代码实现)

内容概要:本研究针对不确定综合能源系统中的鲁棒调度优化问题,提出一种基于核密度估计-累积分布函数(KDE-CDF)置信带的建模方法,用以精确刻画风能、光伏及负荷等不确定性因素的非正态概率分布特征。通过构建KDE-CDF模型,能够有效捕捉实际运行中新能源出力与负荷需求的波动性与随机性,并在此基础上设计鲁棒优化调度框架,提升系统在不确定性环境下的运行可靠性与经济性。该方法结合Matlab编程实现,综合考虑系统运行成本、峰谷差、碳排放等多重目标,实现多维度协调优化。研究还探讨了与智能优化算法(如粒子群算法)相结合的应用路径,增强了模型的求解效率与工程实用性,为含多种储能装置、电转气设备及碳捕集系统的复杂综合能源系统提供了科学的调度决策支持。; 适合人群:具备电力系统分析、优化理论基础及Matlab编程能力的研究生、科研人员,以及从事综合能源系统规划、运行与调度工作的工程技术人员。; 使用场景及目标:①解决高比例可再生能源接入背景下综合能源系统调度中的不确定性建模难题;②提升调度方案在面对新能源强波动性时的鲁棒性与适应能力;③为融合多类型灵活性资源(如储能、电转气、碳捕集)的综合能源系统提供精细化、可落地的优化运行策略。; 阅读建议:建议读者在掌握概率统计、随机优化与电力系统运行基础知识的前提下,结合文中提供的Matlab代码进行实践操作,重点关注KDE-CDF置信带的构建流程及其在鲁棒优化模型中的嵌入机制,通过调整输入数据分布、参数设置与场景配置开展仿真对比实验,深入理解不确定性建模精度对调度决策质量的影响,进而掌握从数据驱动角度提升系统鲁棒性的关键技术路径。

幂数在verilog中的表达 IC笔试

在进行工程编译的时候,发现前人的verilog 代码function函数中,有带幂的操作,于是进行了学习。 (一)内容 一般使用操作符“** ”表示幂。 (二)用法 操作符两边放数字。 (三)表示的意义 如5**i表示5的i次幂。 工程具体例子 module sunshine( input clk, input rst_n, output reg [31:0] a ); parameter LO...

sunshinelifes的博客 1万+

机房电脑的“还原”秘密:如何应对重启即清零的困境

机房电脑重启后自动还原是常见的现象,这主要依靠硬件还原卡或软件还原系统(如冰点还原)实现。这类技术会定期将系统盘恢复初始状态,但通常不保护非系统盘。要高效使用公共电脑,建议:1)将个人文件存储在D/E盘;2)使用绿色便携软件;3)必要时可尝试通过热键临时关闭还原功能;4)养成云端备份习惯。掌握这些技巧既能遵守机房规定,又能保证学习资料安全,培养良好的数字资产管理能力。

一位主要以学校学生信息技术,社会工作生活讲解科普拓展的博主 1461

服务能启动、调用加密套件做签名校验报 libcrypto-1_1.dll 丢失:密码学依赖分析

在运行企业微服务客户端、网络安全审计工具或本地开发代理服务时,服务进程基础控制台可顺利拉起,但只要客户端发起带有 RSA 密钥签名、AES 对称加密或 SHA-256 完整性校验的远程认证请求,程序便突然抛出缺少 libcrypto-1_1.dll 错误并中断通信。排查前先把测试工程的私钥配置文件与证书链备份为安全副本,不改动正式生产密钥;常规网络监听只负责

2301_78581598的博客 110

期末求生指南:手把手教你用F12开发者工具绕过百一测评的切屏检测(JavaScript/jQuery实战)

本文详细介绍了如何利用F12开发者工具绕过百一测评的切屏检测,通过分析JavaScript/jQuery中的blur()和focus()事件监听机制,提供实战技巧动态修改代码。文章涵盖事件监听定位、代码修改方法及应对高级检测机制的策略,适合需要临时解决线上考试限制的学生参考。

weixin_30731305的博客 449

不用公网IP,如何在内网高效搭建RustDesk远程控制服务器?基于Windows Server 2019的完整实践

本文详细介绍了在Windows Server 2019上部署RustDesk远程控制服务器的完整实践方案,无需公网IP即可实现内网高效远程控制。从环境准备、基础服务安装到网络与安全配置,提供了零成本的私有化部署指南,适用于企业、校园等内网环境。

weixin_28737073的博客 456

FIPS ‘n’ Chips 2026:让未来触手可及

FIPS ‘n’ Chips大获成功,会议的“可及性”是其一大魅力。

艾特赛克(北京)信息技术有限公司 182

超越界面设计:GUI Guider与LVGL在STM32F103上的系统集成与架构思考

本文探讨了GUI Guider与LVGL在STM32F103微控制器上的系统集成与架构设计,重点分析了工程模块化组织、内存管理优化、硬件驱动接口设计以及FreeRTOS多任务集成。针对STM32F103ZET6的资源限制,提供了实用的移植策略和性能优化方案,帮助开发者构建高效、可维护的嵌入式GUI系统。

j2k3l4的博客 924

零基础看懂 2026 工业互联网安全大赛全国预选赛 crypto-3

2026工业互联网安全大赛题crypto-3巧妙设计双路径攻击:一靠共享素因子(gcd分解模数),二靠Håstad广播攻击(e=3无填充+中国剩余定理)。两条独立路径均还原出明文,交叉验证后得flag。揭示密钥生成需随机、加密必填充、密钥全生命周期管理的重要性,体现“双路互证”在安全审计中的价值。

Morilight的博客 175

Android图形系统(三)系统篇:渲染/合成的底层原理浅析

众所周知,渲染工作是由GPU负责,那么在聊GPU之前首先得知道什么是“渲染”?我们来举个例子感受一下在系统中申请一块10*101、把图层背景这玩意染成绿的2、从左上(0,0)到右下(10,10)画一条宽度为1颜色为红色的直线3、以坐标点(5,5)为中心,画一个半径为3的实心圆,颜色要蓝色好了,接下来操作系统会把这些“绘图指令”同步给GPU去执行渲染任务图片来源:自己画的GPU完成渲染工作后,我们将会得到一个大小为10*10二维数组,数组中的每个元素都保存着坐标点的颜色信息、深度信息。

1359

adams案例分析_案例1(麦弗逊悬架子系统创建)

本文字数3292字83图,建议阅读时间26分钟首先看下案例1的麦弗逊悬架数模结构就不细讲了,从数模上主要是获取硬点坐标(铰接点、安装点、参考点)及大部件结构(副车架、摆臂、转向节等实际运动过程中会产生变形的部件,在ADAMS Car中我们就可以用柔性体来搭建)再来回顾下上一篇讲到的模型元素1、Hardpoint——硬点(只有位置没有方向)2、Parameter Variable——参数...

weixin_39609407的博客 6480

安全存储之外(二):钱包密码学的安全实现

本文围绕攻击者不读取私钥存储副本也能恢复密钥的主题,梳理六起真实事件。第一部分阐明密钥生成、存储、使用三阶段的安全要求;随后分析四起密钥生成缺陷(Ill Bloom、Coldcard、XRPH Wallet、Qubic Wallet)如何因弱随机源、错误RNG绑定、输入转换和初始化状态过小导致密钥空间大幅缩小,以及两起签名缺陷(Zilliqa、SecondFi)如何因nonce偏差或完全可预测导致从公开签名恢复私钥。

BlockSec的博客 195

高通Camx功能feature分析之八:高通NCS服务之架构和初始化

本文介绍了高通NCS(NONCameraSensor)服务的架构与初始化流程。NCS服务通过QMI接口访问非相机传感器,为CameraEIS、AEC等算法节点提供陀螺仪、加速度计等传感器数据支持。文章详细解析了NCS服务的分层架构,包括客户端、服务端、QSEE接口实现等组件,并重点分析了初始化过程中获取传感器列表、查询能力等关键步骤。通过camxsetting.xml中的enableNCSService开关控制服务启动,初始化过程涉及QSEE单例创建、传感器能力查询等核心操作。后续文章将继续深入讲解相关技术

931

[图解密码学]第6章 DES、AES 与 SM4

第6章 DES、AES 与 SM4第6章 DES、AES 与 SM4:一张“对称加密算法进化图”。左侧是DES的Feistel结构,标注“1977,56位密钥,64位分组,已破解”。中间是3DES和AES的SPN结构,标注“2001,128/192/256位密钥,128位分组,国际标准”。右侧是国密SM4的广义Feistel结构,标注“2006年公开,2012年国标,128位分组/128位密钥,中国商用密码标准”。

曼岛_的博客 414

部署OpenClaw(ClawdBot、MoltBot)后访问localhost:18789报1008错误怎么办?

部署openclaw(曾用名ClawdBot、MoltBot)后访问localhost:18789出现1008授权错误❌?本文分享如何快速解决这个问题✅

XiaoqiangClub的博客 1万+

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

BcoreOS安全通信架构:FsSession 抗算法后门安全设计

BcoreOS安全通信架构:FsSession 抗算法后门安全设计

xiaozhi@fslib.org的博客 316

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

FPGA 与加密行业:从算法加速到可信硬件的完整技术图谱

本文系统探讨FPGA与密码学的深度交叉,揭示其在加密加速、区块链基础设施、零知识证明及后量子密码中的关键作用。从底层硬件特性到工程实践,分析对称加密、公钥算法、零知识证明等负载的FPGA加速优势,强调其高能效、低延迟与灵活可重构的特性。结合当前密码学复杂度上升与硬件竞争加剧的趋势,指出FPGA是算法验证与高性能实现的理想载体,为安全计算提供高效硬件支撑。

weixin_49780322的博客 264

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

ESP32 上的后量子密码学

 后量子密码算法现已标准化,用于保护联网设备抵御未来量子计算威胁。本文将介绍 esp-pqc 组件,该组件可为乐鑫 SoC 芯片引入 ML-KEM 与 ML-DSA 算法;同时展示 TLS 1.3 的实现方式以保障网络通信安全,以及 Secure Boot V2 实现固件完整性校验,并提供真实环境下的内存、闪存与性能基准测试数据。

乐鑫 Espressif 333

基于格的密码学

本文用通俗的方式介绍基于格的密码学。先从“格”这一高维规则点阵的几何结构讲起,说明 SVP、CVP 等格上困难问题为何难以求解;再借助“棉花糖”类比解释公钥(坏基)与私钥(好基)的关系;随后分析其抗量子原因(Shor 算法失效、Grover 加速有限)、效率与功能优势,并列举 Kyber、Dilithium、Falcon、NTRU 等主流方案,最后厘清其与 LWE / Ring-LWE 的关系。

优快云KAOSHANG的博客 150

[图解密码学]第7章 分组密码工作模式

工作模式是使用分组密码加密任意长度消息的规则。如何把消息分成块。如何处理最后一块(填充)。如何链接各个块的加密。如何使用IV/Nonce。如何解密。图7-2是工作模式定义图。图7-2 工作模式定义图分组密码(AES/SM4)+工作模式=任意长度加密。工作模式定义:分块、填充、链接、IV、解密。

曼岛_的博客 337
上一篇: OpenCV直方图对比技巧:用calcHist+compareHist实现图像相似度分析(附Python/C++双版本代码)
下一篇: ROS通信机制实战:从零搭建一个多节点话题通信的小车控制项目
devops8pract
博客等级 码龄4年 533粉丝 849原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值