31、PHOTON:轻量级哈希函数家族的创新之作

PHOTON:轻量级哈希函数家族的创新之作

1. 哈希函数背景与PHOTON简介

在哈希函数领域,不同的应用场景对哈希函数的要求各异。例如,在一些需要处理64位输入的场景中,需要哈希函数提供64位的原像安全性,且不要求具备抗碰撞性。过去,像ARMADILLO这样的轻量级哈希函数家族虽被提出,但后来被发现存在严重的安全弱点。而QUARK哈希函数则采用海绵函数作为域扩展算法,其内部置换受到流密码GRAIN和分组密码KATAN的启发。

传统的n位哈希函数构造,如MD - SHA家族,使用Merkle - Damgård域扩展算法和基于n位分组密码E的Davies - Meyer模式压缩函数。与之不同,海绵函数作为操作模式在紧凑性方面更进一步,它避免了前馈操作,节省了大量内存寄存器,但代价是迭代过程可逆,导致在相同内部状态大小下,(第二)原像安全性降低。因此,设计者需要在安全性和内存需求之间进行权衡。

PHOTON是一种面向硬件的新型哈希函数家族。它选择使用海绵函数框架,以尽可能降低内部内存大小。同时,对该框架进行了扩展,在硬件中实现了原像安全性和小消息哈希速度之间的良好权衡。其内部置换类似于AES原语,专为硬件设计,列混合层可以串行计算,同时保持最佳扩散特性。PHOTON不仅是目前已知最小的哈希函数,还实现了出色的面积/吞吐量权衡。

在安全性方面,使用类似AES的置换具有很大优势。可以充分利用之前对AES和基于AES的哈希函数进行的所有密码分析,还能直接推导置换四轮中活动S盒数量的简单界限,从而自信地设置适当的轮数以确保足够的安全裕度。

2. 设计选择

2.1 安全级别选择

在基于标签的应用中,通常

基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)内容概要:本文围绕“基于数据驱动的Koopman算子的递归神经网络模型线性化”展开,旨在研究纳米定位系统的预测控制方法。通过结合数据驱动技术与Koopman算子理论,将非线性系统动态近似为高维线性系统,进而利用递归神经网络(RNN)建模并实现系统行为的精确预测。文中详细阐述了模型构建流程、线性化策略及在预测控制中的集成应用,并提供了完整的Matlab代码实现,便于科研人员复现实验、优化算法并拓展至其他精密控制系统。该方法有效提升了纳米级定位系统的控制精度与动态响应性能。; 适合人群:具备自动控制、机器学习或信号处理背景,熟悉Matlab编程,从事精密仪器控制、智能制造或先进控制算法研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①实现非线性动态系统的数据驱动线性化建模;②提升纳米定位平台的轨迹跟踪与预测控制性能;③为高精度控制系统提供可复现的Koopman-RNN融合解决方案; 阅读建议:建议结合Matlab代码逐段理解算法实现细节,重点关注Koopman观测矩阵构造、RNN训练流程与模型预测控制器(MPC)的集成方式,鼓励在实际硬件平台上验证并调整参数以适应具体应用场景。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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