47、截断线性同余伪随机数生成器与近向量问题解析

截断线性同余伪随机数生成器与近向量问题解析

1. 示例密度与传输率

在相关示例中,有如下密度信息:
|示例|n|max{log₂ tᵢ}|δ(t)|
| ---- | ---- | ---- | ---- |
|示例 13.23|6|log₂ 437 ≈ 8.771|0.684|
|示例 13.25, tᵢ|6|log₂ 60 ≈ 5.907|1.016|
|示例 13.25, sᵢ|6|log₂ 936 ≈ 9.870|0.608|

传输率不会超过 1。例如,秘密 111111 以 7 位数字 118 传输,传输率为 6/7。

2. 截断线性同余伪随机数生成器

线性同余生成器的公式为 (x_i = s x_{i - 1} + t \pmod{m})((i \geq 1)),其中 (m)、(s)、(t) 和随机种子 (x_0) 都在 (\mathbb{Z}_m) 中。然而,该生成器在密码学上不安全,观察四个连续输出就可能确定 (s)、(t) 和 (m)。

为了改进安全性,我们采用截断的方式,只使用 (x_i) 的部分信息。具体来说,取整数近似参数 (\alpha \geq 1),输出 (x_i) 的 (\alpha) - 近似值 (y_i),满足 (|x_i - y_i| \leq \alpha)。一个自然的选择是 (y_i = \lfloor \frac{x_i}{\alpha} \rfloor \cdot \alpha)。

当 (m) 是 (k) 位数字,(\alpha = 2^{\ell})((\ell < k))时,(y_i = \lfloor x_i \cdot 2^{-\ell} \rfloor \cdot 2^{\ell}),其末尾 (\ell) 位为 0。由于进位问题,这种截断在加法或减法下不稳健,所以我们采用 (|x_i - y_i| \leq \alpha) 这种更通用的近似方式。

攻击者的目标有两个:预测下一个值 (y_n) 和恢复密钥 (x_0)。

我们使用模 (m) 的对称代表系统 (R_m = {-\lfloor \frac{m}{2} \rfloor, \cdots, \lfloor \frac{m - 1}{2} \rfloor})。对于近似参数 (\alpha) 和 (u \in \mathbb{R}),(u) 的 (\alpha) - 邻域定义为 (V_{\alpha}(u) = {v \in \mathbb{Z} : |u - v| \leq \alpha})。

若 (u) 和 (v) 是正的 (k) 位整数,且前 (k - \ell) 位相同,则 (|u - v| < 2^{\ell + 1}),(v \in V_{2^{\ell + 1}}(u)),但反之不一定成立。例如,当 (k = 6),(0 \leq \ell \leq 4) 时,47 和 48 虽然在彼此的邻域内,但它们的前两位不同。

当 (t = 0) 时,未知整数 (x_0, \cdots, x_{n - 1}) 满足 (x_i = s^i x_0 \pmod{m})((0 \leq i < n))。我们考虑由矩阵 (A) 的行张成的格 (L = L_{s, m}):
[
A =
\begin{pmatrix}
m & 0 & 0 & \cdots & 0 \
-s & 1 & 0 & \cdots & 0 \
-s^2 & 0 & 1 & \cdots & 0 \
\vdots & \vdots & \vdots & \ddots & \vdots \
-s^{n - 1} & 0 & 0 & \cdots & 1
\end{pmatrix}
]

设 (z_i = x_i - y_i)((|z_i| \leq \alpha)),则 (z_i = s^i z_0 + (s^i y_0 - y_i) \pmod{m}),其中 (c_i = s^i y_0 - y_i) 是已知常数。

攻击生成器的步骤如下:
1. 如果向量 (z = (z_0, \cdots, z_{n - 1}) \in L) 是“小”的,则可以使用 (L) 的约化基通过标准的高斯消元法在 (\mathbb{Q}) 上计算 (z)。
2. 利用格技术工具证明对于“几乎所有”的生成器,(|z|) 是“小”的。
3. 将攻击扩展到非齐次生成器。

格基约化算法 13.13 作用于 (\mathbb{Z}^n) 中的 (n) 个线性无关向量,生成的约化基的第一个元素 (b_1) 满足 (|b_1| \leq 2^{\frac{n - 1}{2}} \lambda_1(L))。我们有如下定理:

定理 13.43 :设 (L \subseteq \mathbb{R}^n) 是由其约化基 ((b_1, \cdots, b_{\ell}) \in \mathbb{R}^{\ell \times n}) 生成的格,则对于所有 (i \leq \ell),有 (|b_i| \leq 2^{\frac{\ell - 1}{2}} \cdot \lambda_i(L) \leq 2^{\frac{\ell - 1}{2}} \lambda_{\ell}(L))。

对于矩阵 (A)、(c \in \mathbb{Z}^n) 和由 (A) 的行张成的格 (L),有如下引理:

引理 13.44 :存在至多一个 (z \in \mathbb{Z}^n),使得 (Az = c \pmod{m}) 且 (|z| \leq \frac{m}{\lambda_n(L) \cdot (2^{\frac{n + 1}{2}} + 1)})。给定 (A)、(c) 和 (m),可以在多项式时间内确定是否存在这样的 (z),如果存在则计算它。

结合引理 13.44 和相关条件,如果 (\alpha \leq \frac{m}{\lambda_n(L) \cdot (2^{\frac{n + 1}{2}} + 1)}),则 (t = 0) 的近似生成器可以被破解。为了分析 (\lambda_n(L)),我们引入对偶格 (L^ ) 的概念,其定义为 (L^ = {v \in \mathbb{R}^n : x \cdot v \in \mathbb{Z} \text{ 对于所有 } x \in L})。

引理 13.48 :如果 (A = (a_1, \cdots, a_n) \in \mathbb{R}^{n \times n}) 非奇异,(L) 是由 (A) 的行生成的格,则 (B = (A^T)^{-1} \in \mathbb{R}^{n \times n}) 是对偶格 (L^*) 的基。

对于格 (L_{s, m}),其对偶格 (L^*) 由 (u = \frac{1}{m}(1, s, s^2, \cdots, s^{n - 1})) 和 (e_2, \cdots, e_n) 生成。

我们有定理:

定理 13.51 :如果 (L) 是 (n) 维格,则 (1 \leq \lambda_1(L^*) \cdot \lambda_n(L) \leq n)。

为了得到 (\lambda_n(L)) 的上界,我们考虑集合 (E_C = {s \in \mathbb{Z} : |s^i t \bmod m| < C \text{ 对于 } 0 \leq i < n \text{ 且存在 } t \in \mathbb{Z} \text{ 使得 } \gcd(t, m) = 1})。

引理 13.52 :设 (n \geq 2) 且 (s \in E_C),则存在 (d_0, \cdots, d_{n - 1} \in \mathbb{Z}),不全被 (m) 整除,使得 (\sum_{0 \leq i < n} d_i s^i = 0 \pmod{m}),且 (|d_i| < (nC)^{\frac{1}{n - 1}} + 2) 对于所有 (i < n)。

当 (m) 是素数时,有如下定理:

定理 13.54 :设 (m) 是 (k) 位素数,(n \geq 9),(\varepsilon > 0),(25n \leq m^{1 - \varepsilon}),(\ell \leq (1 - \varepsilon)(1 - \frac{1}{n})(k - 1) - 3n),(\alpha = 2^{\ell})。给定 (s)、(m) 和生成器 (x_i = s x_{i - 1} \pmod{m})((t = 0))输出的 (\alpha) - 近似值 (y_0, \cdots, y_{n - 1}),除了至多 (m^{1 - \varepsilon}) 个 (s \in \mathbb{Z}_m) 外,该生成器可以在多项式时间内被破解。

这个结果几乎是最优的,因为当 (k) 很大,(\varepsilon) 很小时,(\ell = \log_2 \alpha) 的上界约为 ((1 - \frac{1}{n})k),即近似值 (y_i) 关于 (x_i) 只有约 (\frac{k}{n}) 位信息,我们使用 (n) 个近似值(总共约 (k) 位)来重构 (k) 位种子 (x_1)。

当 (t \neq 0) 时,我们令 (x_i’ = x_{i + 1} - x_i),则 (x_{i + 1}’ = s x_i’) (\pmod{m})。我们使用 (x_i’) 的近似值来破解生成器,具体步骤如下:
1. 计算 (x_i^ = \begin{cases} x_i’ = x_{i + 1} - x_i, & \text{如果 } x_{i + 1} - x_i \geq 0 \ x_i’ + m = x_{i + 1} - x_i + m, & \text{否则} \end{cases})。
2. 根据 (y_i) 确定 (y_i^
):(y_i^* = \begin{cases} y_{i + 1} - y_i, & \text{如果 } x_{i + 1} - x_i \geq 0 \ y_{i + 1} - y_i + m, & \text{否则} \end{cases})。
3. 当 (|y_{i + 1} - y_i| < 2\alpha) 时,我们考虑两种情况;当 (y_{i + 1} \geq y_i + 2\alpha) 时,(y_i’ = y_{i + 1} - y_i);当 (y_{i + 1} \leq y_i - 2\alpha) 时,(y_i’ = y_{i + 1} - y_i + m)。
4. 调用定理 13.54 的算法,输入 (s)、(m)、(t = 0)、(2\alpha) 和 (2\alpha) - 近似值 (y_0, \cdots, y_{n - 1})。
5. 如果算法返回 (v),则 (x_i’ = s^i v \pmod{m}),(x_{i + 1} = x_i + s^i v)。我们可以预测下一个值 (y_n),它等于 (y) 或 (y - \alpha),其中 (y = y_{n - 1} + \lfloor s^n v / \alpha \rfloor \cdot \alpha)。

3. 近向量问题

给定格 (L \subseteq \mathbb{R}^n) 和 (u \in \mathbb{R}^n),(u) 到 (L) 的距离定义为 (dist(u, L) = \min{|u - x| : x \in L})。如果 (|u - x| = dist(u, L)),则 (x) 是 (u) 到 (L) 的最近向量。最近向量问题(CVP)是给定 (u) 和 (L) 的基,计算这样的 (x)。近似最近向量问题 (\alpha) - CVP 是给定 (\alpha \geq 1),计算 (x \in L) 使得 (|u - x| \leq \alpha \cdot dist(u, L))。

有一个启发式方法将 (2\alpha) - CVP 归约到 (\alpha) - SVP:
1. 构造矩阵 (A’):将表示 (L) 的基的 (n \times n) 矩阵 (A) 放在矩阵 (A’) 的右上角,(A’ =
\begin{pmatrix}
0 & \cdots & A \
0 & 1 & u_1 & \cdots & u_n
\end{pmatrix})。
2. 使用 (\alpha) - SVP 算法计算格 (M)(由 (A’) 的行生成)中的非零向量 (y = (y_0, y_1, \cdots, y_n)),使得 (|y| \leq \alpha \cdot \lambda_1(M))。
3. 如果 (y_0) 整除 (y_1, \cdots, y_n),则返回 (u - \frac{1}{y_0} \cdot (y_1, \cdots, y_n));否则返回“失败”。

还有一个递归算法解决 (2^{n / 2}) - CVP:

算法 13.59(最近超平面算法)
输入:(\ell) 维格 (L) 在 (\mathbb{R}^n) 中的约化基 (B = (b_1, \cdots, b_{\ell})) 和 (u \in \text{span} {\mathbb{R}}(L) \subseteq \mathbb{R}^n)。
输出:(x \in L) 使得 (|u - x| \leq 2^{\ell / 2} dist(u, L))。
1. 计算 ((b_1, \cdots, b
{\ell})) 的格拉姆 - 施密特正交化(GSO)((b_1^ , \cdots, b_{\ell}^ ))。
2. (c \leftarrow \frac{u \cdot b_{\ell}^ }{b_{\ell}^ \cdot b_{\ell}^ })。
3. (c’ \leftarrow \lceil c \rceil),(v \leftarrow u - (c - c’) b_{\ell}^
),(y \leftarrow c’ b_{\ell})。
4. 如果 (\ell = 1),则返回 (x = y);否则,设 (M) 是由 (b_1, \cdots, b_{\ell - 1}) 生成的格,递归调用算法返回 (z \in M) 使其接近 (v - y)。
5. 返回 (x = y + z)。

定理 13.60 :最近超平面算法 13.59 的输出 (x) 满足 (|u - x| < 2^{\ell / 2} dist(u, L)),且算法在多项式时间内运行。

通过上述方法,我们可以在一定条件下破解截断线性同余伪随机数生成器,并解决近向量问题。这些技术在密码分析和格理论中具有重要应用。

下面是一个简单的 mermaid 流程图,展示攻击截断线性同余伪随机数生成器的主要步骤:

graph TD;
    A[开始] --> B[考虑t = 0情况];
    B --> C[构造格L];
    C --> D[分析向量z];
    D --> E[判断是否满足破解条件];
    E -- 是 --> F[破解生成器];
    E -- 否 --> G[分析对偶格L*];
    G --> H[确定E_C集合];
    H --> I[判断s是否在E_C中];
    I -- 否 --> F;
    I -- 是 --> J[处理t != 0情况];
    J --> K[转换为t = 0情况];
    K --> C;
    F --> L[预测下一个值];
    L --> M[结束];

通过这个流程图,我们可以更清晰地了解攻击截断线性同余伪随机数生成器的整体流程。从考虑 (t = 0) 的情况开始,逐步分析格和向量,判断是否满足破解条件。如果不满足,进一步分析对偶格和特殊集合 (E_C)。对于 (t \neq 0) 的情况,将其转换为 (t = 0) 的情况继续处理。最终,在成功破解生成器后,预测下一个值,完成整个攻击过程。

截断线性同余伪随机数生成器与近向量问题解析

4. 算法示例与实际效果

为了更直观地理解上述算法和理论,我们来看一个具体的示例。

示例 13.73 :我们取格 (L) 的约化基 ((b_1, b_2) = ((1, 2), (9, -4)))((\ell = n = 2)),目标向量 (u = (6, 0.9))。

下面我们使用最近超平面算法(算法 13.59)来计算 (u) 到 (L) 的近似最近向量:
1. 计算格拉姆 - 施密特正交化(GSO) :
- 首先,根据公式计算 (b_1^ ) 和 (b_2^ )。
- 设 (b_1=(1,2)),(b_2=(9,-4)),通过 GSO 公式计算得到 (b_1^ ) 和 (b_2^ ) 的值(具体计算过程根据 GSO 定义)。
2. 计算 (c) 值 :
- (c=\frac{u\cdot b_2^ }{b_2^ \cdot b_2^ }),将 (u=(6,0.9)) 和计算得到的 (b_2^ ) 代入公式计算出 (c) 的值。
3. 计算 (c’)、(v) 和 (y) :
- (c’=\lceil c\rceil),根据 (c) 的值取上整得到 (c’)。
- (v = u-(c - c’)b_2^ ),将 (u)、(c)、(c’) 和 (b_2^ ) 代入计算 (v)。
- (y = c’b_2),计算得到 (y) 的值。
4. 递归调用((\ell>1) 时) :
- 由于 (\ell = 2>1),设 (M) 是由 (b_1) 生成的格,递归调用算法计算 (z\in M) 使其接近 (v - y)。
5. 返回结果 :
- 最终 (x = y + z),这个 (x) 就是 (u) 到 (L) 的近似最近向量,且满足 (|u - x|<2^{\ell/2}dist(u,L))。

通过这个示例,我们可以看到算法是如何逐步执行并得到结果的。在实际应用中,这些算法的效率和准确性对于解决相关问题至关重要。

5. 不同算法的对比分析

我们对解决近向量问题的两种方法(启发式方法和最近超平面算法)进行对比分析,如下表所示:
|算法|优点|缺点|适用场景|
| ---- | ---- | ---- | ---- |
|启发式方法(将 (2\alpha) - CVP 归约到 (\alpha) - SVP)|利用已有的 (\alpha) - SVP 算法,实现相对简单;在某些情况下能快速得到结果|假设条件不一定总是成立,可能返回“失败”;结果的准确性依赖于假设的满足程度|数据维度较高,且对结果准确性要求不是非常苛刻的场景|
|最近超平面算法(算法 13.59)|理论上保证了一定的近似度,即 (|u - x|<2^{\ell/2}dist(u,L));在多项式时间内运行|需要进行递归调用,可能涉及较多的计算步骤;对于大规模数据,计算量可能较大|对结果准确性有一定要求,且数据维度不是特别高的场景|

通过这个对比分析,我们可以根据具体的问题和数据特点选择合适的算法。如果对结果的准确性要求不高,且数据维度较大,启发式方法可能是一个不错的选择;而如果需要保证一定的近似度,且数据维度相对较小,最近超平面算法则更为合适。

6. 实际应用中的考虑因素

在实际应用截断线性同余伪随机数生成器和解决近向量问题时,还需要考虑以下几个因素:
1. 数据规模 :数据规模的大小会影响算法的运行时间和内存使用。对于大规模数据,一些算法可能会变得非常缓慢甚至无法运行。例如,最近超平面算法在数据维度较高时,递归调用的计算量会显著增加。因此,在处理大规模数据时,需要选择更高效的算法或者对数据进行预处理。
2. 安全性要求 :在密码学应用中,对截断线性同余伪随机数生成器的安全性要求较高。我们需要确保生成器不容易被破解,否则可能会导致信息泄露等安全问题。例如,根据定理 13.54,我们需要合理选择参数 (m)、(n)、(\varepsilon) 和 (\alpha) 等,以保证生成器在大多数情况下是安全的。
3. 随机性质量 :伪随机数生成器生成的随机数质量直接影响到应用的效果。如果随机数的随机性不好,可能会导致一些基于随机数的算法(如蒙特卡罗模拟等)出现偏差。因此,在选择伪随机数生成器时,需要评估其随机性质量。

7. 总结与展望

综上所述,我们对截断线性同余伪随机数生成器和近向量问题进行了深入的研究。通过对线性同余生成器的改进,我们提出了截断的方法来提高其安全性,并给出了相应的攻击方法和破解条件。在近向量问题方面,我们介绍了启发式方法和最近超平面算法来解决近似最近向量问题,并对两种算法进行了对比分析。

未来,我们可以在以下几个方面进行进一步的研究:
1. 算法优化 :继续优化现有的算法,提高其效率和准确性。例如,对于最近超平面算法,可以研究如何减少递归调用的次数,降低计算复杂度。
2. 新的攻击方法 :随着密码学技术的发展,可能会出现新的攻击方法来破解截断线性同余伪随机数生成器。我们需要不断研究和防范这些新的攻击。
3. 应用拓展 :将这些理论和算法应用到更多的领域,如机器学习、数据分析等。例如,在机器学习中,随机数的质量可能会影响模型的训练效果,我们可以利用截断线性同余伪随机数生成器生成高质量的随机数。

下面是一个 mermaid 流程图,展示整个研究过程和未来展望的关系:

graph TD;
    A[截断线性同余伪随机数生成器研究] --> B[提出截断方法];
    B --> C[分析攻击方法];
    C --> D[确定破解条件];
    A --> E[近向量问题研究];
    E --> F[介绍启发式方法];
    E --> G[介绍最近超平面算法];
    F --> H[算法对比分析];
    G --> H;
    D --> I[总结研究成果];
    H --> I;
    I --> J[未来研究方向];
    J --> K[算法优化];
    J --> L[新的攻击方法研究];
    J --> M[应用拓展];

通过这个流程图,我们可以清晰地看到整个研究过程的各个环节以及未来的研究方向。从对截断线性同余伪随机数生成器和近向量问题的研究开始,逐步分析和解决问题,总结研究成果。在此基础上,提出未来在算法优化、新攻击方法研究和应用拓展等方面的研究方向,为后续的研究提供了清晰的思路。

相关推荐

Excel随机数三大函数实战指南:RAND/RANDBETWEEN/RANDARRAY选型与固化

随机数是数据抽样、模拟分析和A/B测试的基础技术能力。其本质是伪随机算法在电子表格中的工程化实现,依赖Mersenne Twister等统计可靠算法生成近似均匀分布的数值序列。技术价值在于支撑审计抽样、考试成绩模拟、供应商分组等真实业务场景,兼顾效率、可复现性与合规性。关键挑战在于函数易失性、重复控制、版本兼容及分布截断——如RAND()需固化防刷新,RANDBETWEEN()不支持小数,RANDARRAY()要求Excel 365且需显式指定整数参数。本文聚焦Excel三大核心随机函数的底层逻辑、典型误用

csdn864883的博客 429

ZUC祖冲之算法:从原理到工程实现,详解4G/5G通信安全核心

序列密码是现代密码学中用于保障数据流机密性的重要技术,其核心原理是通过伪随机密钥流与明文进行按位异或实现加密。相较于分组密码,序列密码在硬件实现上通常具有更高的效率,尤其适合对实时性要求严苛的无线通信等场景。ZUC(祖冲之)算法作为我国首个成为国际标准的商用密码算法,正是序列密码的杰出代表。它巧妙结合了线性反馈移位寄存器(LFSR)和有限状态机(FSM),通过比特重组和非线性函数F,在保证高安全性的同时,实现了优异的硬件性能。该算法已成为4G/5G移动通信网络(EEA3/EIA3)安全的核心基石,并广泛应用

weixin_34162228的博客 395

蒙特卡洛方法实战:用随机采样破解高维数值积分难题

蒙特卡洛方法是一种基于概率建模与随机采样的通用数值计算范式,其核心原理源于大数定律——通过大量独立样本的算术平均逼近理论期望值。相比传统网格类数值积分,它天然规避维数灾难,计算复杂度仅与精度需求相关,而非问题维度,因而成为高维积分、复杂系统模拟与不确定性量化的核心技术。在金融风险建模、物理仿真、机器学习推断等场景中,它将难以解析求解的问题转化为可编程的统计实验,尤其适用于目标函数无闭式原函数、定义域不规则或存在强非线性的情形。本文聚焦蒙特卡洛方法的工程落地本质,详解随机采样、统计收敛与方差控制三大支柱,结合

weixin_34239169的博客 367

2023年2月AI技术切片:多模态生成、指令微调与模型可解释性实战

生成式人工智能正从单点能力突破迈向系统化工程落地,其核心演进围绕多模态生成(音频/视频/3D)、指令微调(Instruction Tuning)与基础模型可解释性三大支柱展开。技术原理上,离散化自回归架构提升音频生成的语义一致性,检索增强+指令泛化的协同机制强化知识密集型任务的可控性,而RASP到Transformer的白箱编译则为模型行为提供形式化验证路径。这些进展显著提升了AI在内容创作、企业知识服务与可信部署中的技术价值,广泛应用于智能客服、教育问答、AIGC音乐制作及动态场景生成等真实业务场景。Mu

闲谈 449

【信息科学与工程学】计算机科学与自动化——第一百五十五篇 缓存系统设计02

编号176-190共15个条目,覆盖了缓存互连网络(环形/交叉开关)、硅光互连、散热设计、3D封装TSV、信号完整性、冗余设计、老化补偿、电磁兼容、时钟分布、JTAG测试、安全硬件、调试探针、容错路由、体偏置、共振时钟。:编号161-175共15个条目,聚焦于缓存硬件设计与配置,涵盖了MESI协议、多级TLB、分支预测BTB/BHT、自适应预取引擎、ECC纠错汉明码、路分区硬件、非暂时性存储旁路、缓存冲刷指令、缓存锁定、压缩硬件、嗅探过滤器、虚拟化EPT、QoS限速、内置自测BIST、电源管理DVFS。

weixin_49199313的博客 180

【信息科学与工程学】【物理/化学和工程技术】第一百七十三篇 电力系统设计01

2. 图注意力层:计算注意力系数 αij​=∑k∈N(i)​exp(LeakyReLU(aT[Whi​∥Whk​]))exp(LeakyReLU(aT[Whi​∥Whj​]))​,更新节点特征 hi′​=σ(∑j∈N(i)​αij​Whj​)。我们被要求继续补充表格,按照之前给定的格式,每个字段包含逐步推理的数学表达式。3. 对比损失(NT-Xent):L=−log∑j=i​exp(sim(zi​,zj​)/τ)exp(sim(zi​,zi+​)/τ)​,其中 sim(u,v)=uTv/∥u∥∥v∥。

weixin_49199313的博客 701

【信息科学与工程学】【数据中心】第二十四篇 数据中心DaaS场景及算法

Flink, Kafka Streams, 时序数据库。Flink, Kafka Streams, 流处理引擎。Presto, ClickHouse, 查询加速引擎。Presto, ClickHouse, 查询加速引擎。延迟<50ms,可用性>99.99%,QPS>10K。REST API, GraphQL, API网关。Tableau, Power BI, 自助BI。Tableau, Power BI, 可视化库。Spark, Hadoop, 分布式计算框架。Spark, Hadoop, 分布式计算。

weixin_49199313的博客 1091

【信息科学与工程学】【安全领域】第三十五篇 网络安全算法表02

​分级处理​:实时增量 + 离线全量 + 自动校验三线并行​最终一致优先​:强同步仅用于支付等核心场景​双向容错​:Redis侧:读CK兜底(CK侧:自动屏蔽校验失败分区​业务适配​:graph LR高实时场景 --> Redis写+双重读分析场景 --> 放宽CK同步延迟报表场景 --> T+1校准保障该方案已在京东、美团等千亿级数据平台验证,支撑双11级流量下Redis与ClickHouse的数据协同。

weixin_49199313的博客 1344

【信息科学与工程学】计算机科学与技术——第七十七篇 系统架构设计02

编号类型模型配方企业资本运作的方法/规则/条件/依据及所有的步骤(​风险处理/异常处理/危机应对关联知识法律法规和裁决依据​​由发起人(通常是知名投资人、投行或产业资本)先设立一个只有现金、无实际业务的特殊目的收购公司(SPAC),通过IPO募集资金并在交易所上市。然后在规定时间内(通常24个月)寻找一家非上市公司进行合并(De-SPAC),使目标公司迅速实现上市,规避传统IPO的复杂流程和不确定性。1.:在开曼或特拉华注册空壳公司,注入少量种子资金。2.

weixin_49199313的博客 318

【信息科学与工程学】【数据科学】 第四十四篇 数据湖 系列二 函数库01

2. 近似最近邻搜索(ANN): 通过HNSW等图索引模型加速,模型定义为构建一个层次化导航小世界图。依赖于消息队列(Kafka/Pulsar)、分布式文件系统(HDFS/S3)的客户端及连接库。依赖专门的向量检索库(如FAISS, Milvus)。管控目标: 召回率(Recall@K) > 95%,查询延迟 < 100ms。管控目标: < 1% (核心业务字段) 或 < 5% (一般字段)依赖数据处理框架(如Spark, Pandas)的核心统计函数。,通过牺牲精确性(ANN)来换取搜索速度的大幅提升。

weixin_49199313的博客 347

DVB-S2卫星通信链路MATLAB仿真原理与工程实践

DVB-S2是面向地球同步轨道卫星的高可靠数字广播传输标准,其核心在于BCH+LDPC级联编码、多阶APSK调制与真实信道建模的协同设计。理解其工作原理需从香农极限约束出发,结合前向纠错增益、调制效率与相位噪声容忍度之间的动态权衡;技术价值体现在无需硬件即可量化评估雨衰、极化失配、自由空间损耗等物理层瓶颈;典型应用场景覆盖卫星电视分发、应急广播系统及星地链路预算分析。本内容聚焦MATLAB原生实现的DVB-S2端到端仿真,强调ETSI EN 302 307-1标准合规性与FPGA可部署性,尤其深入LDPC译

weixin_29164497的博客 350

Matlab实现使用遗传算法的混合能源系统优化.rar

Matlab实现使用遗传算法的混合能源系统优化.rar

基于斜坡补偿的Buck电路峰值电流+电压电流双闭环控制【附说明文档】(Simulink仿真实现)优快云首页发布文章优快云同步助手LLC谐振变换器开环+闭环软启动仿真设计(Simulink

内容概要:本文围绕三电平VIENNA整流器的双闭环控制与中点电位平衡问题展开仿真研究,提出了一种基于上下电容电压差值补偿的中点电位平衡策略。该策略在传统电压电流双闭环PI控制的基础上,引入电容电压差值作为反馈信号,通过SVPWM调制中冗余小矢量的时间分配实现中点电荷的定向调节,从而在不改变主控制结构的前提下有效抑制中点电位偏差。仿真结果表明,该方法不仅确保直流母线电压稳定跟踪800V给定值,还能显著提升上下电容电压的均衡度,同时保持输入电流低谐波水平,验证了控制策略的可行性和有效性。; 适合人群:电力电子、电气自动化及相关专业的研究生、科研人员及工程技术人员,具备一定的MATLAB/Simulink仿真基础和电力电子拓扑知识背景者更佳。; 使用场景及目标:①掌握三电平VIENNA整流器的工作原理与中点电位波动的成因;②理解电压电流双闭环PI控制的设计要点与参数整定原则;③学习基于差值补偿的中点电位平衡控制策略及其与SVPWM的协同机制;④应用于充电桩、航空电源、通信电源等中大功率单向整流场合的控制系统设计与优化。; 阅读建议:建议结合文中提供的仿真模型与参数设置进行动手实践,重点关注中点电位平衡投入前后电容电压波形的变化,对比分析不同工况下的系统动态响应,深入理解控制策略的作用机理。同时可进一步探索在电网不平衡、轻载等复杂工况下的控制性能,以拓展应用场景。

自适应多机器人编队规划,以包围和跟踪具有运动和可见性约束的目标(Matlab代码实现)

内容概要:本文针对“自适应多机器人编队规划,以包围和跟踪具有运动和可见性约束的目标”开展研究,提出一种基于Matlab的仿真方法,实现多机器人在动态环境中对移动目标的协同包围与持续跟踪。该方法综合考虑了机器人的运动学约束与传感器的视线(visibility)限制,设计了分布式控制策略与自适应编队算法,能够在复杂环境下有效维持编队结构的稳定性和任务执行的鲁棒性。研究详细阐述了系统建模过程、控制律设计原理、编队形成与保持机制,并通过Matlab代码实现了完整的仿真验证,展示了算法在不同动态场景下的适应能力与性能优势; 适合人群:具备机器人学、自动控制理论、多智能体系统等相关基础知识,熟悉Matlab编程语言,从事智能系统、协同控制、路径规划与自主导航等方向的研究生、科研人员及工程技术人员; 使用场景及目标:①应用于安防监控、环境探测、灾害救援等场景中的多机器人目标围捕与跟踪任务;②为多智能体协同控制、分布式编队保持、避障与可见性维护等关键技术提供可复现的算法框架与仿真平台;③辅助高校与科研机构在相关领域的教学演示与科研创新,深化对自适应控制与分布式协同机制的理解; 阅读建议:建议读者结合提供的Matlab代码逐模块分析其实现逻辑,重点关注控制律设计、约束处理与自适应机制部分,可通过调整机器人数量、目标轨迹、传感器参数等进行扩展性实验,以深入掌握多机器人协同系统的动态行为与优化方法。

patch_1.23.0.2584_game_No6.android.pak

patch_1.23.0.2584_game_No6.android.pak

状态估计【卡尔曼滤波kalman】UKF、EKF、粒子滤波PF学习与研究(Matlab代码实现)

内容概要:本文系统地研究了无迹卡尔曼滤波(UKF)、扩展卡尔曼滤波(EKF)和粒子滤波(PF)在非线性系统状态估计中的理论基础与实际应用,并结合Matlab代码实现进行了深入剖析。内容涵盖三种滤波算法的核心原理、数学推导及其在轨迹估计等工程问题中的具体实施方法。通过详尽的Matlab编程实例,展示了如何利用这些先进滤波技术解决如目标跟踪、传感器融合等复杂问题,并特别探讨了BP神经网络与EKF结合的优化训练策略以及粒子滤波在提高状态跟踪精度方面的潜力。该资料为希望掌握现代状态估计算法的研究人员和技术爱好者提供了一套完整的理论与实践指南; 适合人群:具备一定编程基础,尤其是熟练使用Matlab工具,且对控制理论、信号处理或相关工程技术领域有初步了解的研发人员和高校学生; 使用场景及目标:① 深入理解UKF、EKF和PF的基本概念及其在非线性动态系统中进行状态变量估计的应用;② 通过Matlab代码实践加深对各滤波器工作机制的理解,能够独立开发相应的算法以应对诸如轨迹预测、多源信息融合等实际挑战;③ 探索将BP神经网络与EKF相结合的新途径,以期提升模型的学习效率和预测准确性; 阅读建议:此资源不仅提供了坚实的理论支撑,还包括丰富的代码示例,建议读者按照文档结构循序渐进地学习,同时动手实现每一个案例,以便更深刻地把握各种滤波技术的关键细节。对于致力于深入研究状态估计领域的专业人士而言,这是一份极具价值的学习材料。

DXF、DWG工程制图文件查看器

DXF、DWG工程制图文件查看器。 可以在界面中进行测量(包括距离、面积、角度等等) 无需版权,放心使用。

从流量到凭证:实战解析SMB协议中的NTLMv2/v1哈希提取与破解

本文详细解析了SMB协议中NTLMv2/v1哈希的提取与破解实战技巧。从流量捕获、哈希格式处理到Hashcat高效破解,提供了一套完整的操作指南。文章特别强调了NTLMv2和NTLMv1哈希的区别及处理要点,并分享了防护建议与检测方法,帮助安全人员提升渗透测试效率。

weixin_30642561的博客 118

ADRV9026初始化避坑指南:手把手调试PostMcsInit常见故障

本文详细解析了ADRV9026多片同步初始化过程中的PostMcsInit常见故障,包括时钟校准失败、JESD链路建立问题和ARM核通信异常等。通过实际项目经验,提供了硬件检查清单、软件配置要点和分层诊断方法,帮助工程师快速定位和解决问题,提升系统稳定性。

hadoop5ranger的博客 625

从原理到应用:深入解析双编码器在机器人关节力矩感知中的实现

本文深入解析了双编码器方案在机器人关节力矩感知中的实现原理与应用。该方案通过在电机侧和输出侧分别安装编码器,利用两者位置差异间接高精度计算外力,克服了传统电流环精度不足和扭矩传感器成本高昂的缺点。它为实现协作机器人的丝滑拖动示教、灵敏碰撞检测以及足式机器人的动态平衡与柔顺控制提供了关键技术支撑,是目前高性能机器人力控的主流选择。

t8u9v0w1x的博客 664

Altium Designer差分走线实战:从规则设置到阻抗匹配的完整流程

本文详细讲解了在Altium Designer中进行差分走线的完整实战流程,涵盖从原理图定义差分对、PCB布局管理、关键设计规则设置,到利用阻抗计算工具确定线宽与间距,以及布线技巧与等长处理等核心步骤。文章旨在帮助工程师掌握高速PCB设计中差分信号传输的关键技术,确保信号完整性并实现精确的阻抗匹配。

weixin_29163857的博客 261

华为2019秋招笔试Java实现(2)

华为2019秋招笔试Java实现(2) 笔试日期2019年8月14日 第二题(200分) 题目描述 某程序员小A,有一种表格数据需要存储在文件中。表格中的每一行,由若干个字段组成,每个字段可以是整数或字符串(字符串只包含数字、字母以及特殊字符!@#%^&*()",)。小A设计了一种存储格式,采用文本的方式对表格数据进行存储。文本文件中的每一行,代表了表格数据中的一行数据。具体格式描述如下: 1、采用逗号分隔不同的字段(逗号前后无空格); 2、数字直接采用10进制的文本存储; 3、字符串的存储规则如下

hewhys的博客 1550

(第78天)DB RU 补丁升级:19C 升级到 19.22

目前 Oracle 19C 是最新的稳定支持的版本,生产环境中使用的越来越多。当然,随着客户使用量的增多,自然无可避免的产生了很多 BUG,Oracle 每季度都会发布一个 RU 补丁来修复当前季度所产生的一些重要 BUG 补丁。作为 DBA,DB 补丁修复必然是需要掌握的一项技能。本文将介绍如何将数据库升级到最新的 RU 版本。

LuciferLiu_DBA 847

SAP 经营范围(Operating Concern) 和业务范围 (Business Area) 在核算架构或是管理架构中的区别和联系分别是什么 请给具体的示例

摘要:SAP系统中,业务范围(Business Area)和经营范围(Operating Concern)在核算架构中具有不同功能。业务范围是FI/CO共用维度,用于跨公司码的业务线核算(如电子产品、机械设备),支持内部管理和简单对外报表。经营范围则是CO-PA专属维度,聚焦获利能力分析,可细化到产品+客户+区域组合(如分析手机在华东区域的获利情况)。两者存在层级关联:经营范围包含业务范围作为基础维度,业务范围数据会传递至经营范围进行深度分析。实际应用中需先配置业务范围,再设置经营范围并关联相关维度,共同支

金牌架构师 96

2025年上半年第1批信息系统项目管理师论文真题解析与范文

文章首先分析了项目经理在交付绩效域中应关注的重点领域,然后按照项目管理五大过程组顺序,阐述了各过程组中与交付绩效域协同的绩效域及协调目标,最后制定了各过程组中交付绩效域的测量指标。本项目的实践表明,系统化的交付绩效管理不仅能保证项目成功,还能创造超出预期的业务价值。需要结合具体项目案例,按照五大过程组(启动、规划、执行、监控、收尾)顺序,分析各过程组中与交付绩效域协同的其他绩效域及其协调目标。价值交付连续性:建立敏捷交付机制,将项目分解为12个迭代周期,每周期交付可验证成果,确保价值持续流动。

Programming Talk 823

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

上一篇: 9、机器学习中的平均依赖估计与平均奖励强化学习
下一篇: 9、嵌入式系统设计与安全保障:从成本规划到实践操作
pluto
博客等级 码龄25年 46粉丝 1562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