39、安全组密钥交换的最小通信开销解析

安全组密钥交换的最小通信开销解析

1. 引言

在许多加密机制中,通信双方需要共享一个共同的秘密,因此密钥交换协议(KE)成为了非常重要的加密原语。对于两方通信,已经有了一些安全且高效的密钥交换协议。然而,当涉及到多方的组密钥交换协议(GKE),情况就变得复杂了。一个理想的 GKE 应该以最低的通信开销实现最高的安全目标。通信开销通常用通信轮数和消息数量来衡量,但目前对于 GKE 的最小通信开销知之甚少。

减少消息数量不仅具有理论意义,在实践中也能节省时间和能量。例如,消息交换可能比计算本身更耗时,无线发送消息的能量消耗通常也远高于计算。因此,降低通信开销的 GKE 对于资源受限的低功耗设备应用场景非常有益。

最小通信开销受多种因素影响,比如会话标识(SID)的设置方式。可以分为外部 SID GKE(由外部环境提供全局唯一的 SID)和内部 SID GKE(由组成员在协议执行过程中自行确定 SID),这会影响最小通信开销。此外,不同的安全模型和安全目标也会对其产生影响。

目前存在多种 GKE 的安全模型,如 Bresson 等人给出的第一个正式安全模型,定义了认证密钥交换(AKE)和相互认证(MA)的概念。后来,Katz 和 Shin 引入了内部攻击的概念,并在通用可组合性(UC)框架下提出了安全模型。还有一些其他的安全概念,如贡献性等。

2. 预备知识

假设存在一个固定的潜在参与方集合 P,GKE 在子集 pid = {Π1, …, Πn} ⊆ P 的成员之间执行,其中 Πi 是第 i 个参与者的 ID。每个协议执行都有一个全局唯一的会话 ID(SID)。当向诚实的参与方 Π ∈ pid 发送消息(sid, pid,

内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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