29、单向函数的比特安全性与伪随机数生成

单向函数的比特安全性与伪随机数生成

1. 单向函数的比特安全性

单向函数在密码学中起着关键作用,其比特安全性是衡量其安全性的重要指标。

1.1 RSA 家族的硬核谓词

设 (I := {(n, e) | n = pq, p) 和 (q) 是不同的奇素数,(|p| = |q|),(1 < e < φ(n)),(e) 与 (φ(n)) 互素 (})。在 RSA 假设成立的前提下,(Lsb = (Lsbn,e : Z∗ n → {0, 1}, x → Lsb(x)) {(n,e)∈I}) 是 RSA 家族 (RSA = (RSAn,e : Z∗ n → Z∗_n, x → x^e) {(n,e)∈I}) 的一族硬核谓词。这意味着 RSA 函数的最低有效位具有较高的安全性,难以被有效破解。

1.2 平方家族的比特安全性

考虑 (n = pq),其中 (p) 和 (q) 是不同的素数,且 (p, q ≡ 3 \mod 4)。我们研究模平方函数 (Squaren : QRn → QRn, x → x^2) 及其逆函数,即模平方根函数 (Sqrtn : QRn → QRn, y → Sqrtn(y))。

  • 确定性情况 :若存在确定性多项式算法 (A1),使得对于所有 (x ∈ QRn),(A1(n, x^2) = Lsb(x)),其中 (n = pq),(p) 和 (q) 是不同的素数,(p, q ≡ 3 \mod 4) 且 (n ≡ 1 \mod 8),则存在确定性多项式算法 (A2),使得对于所有 (y ∈ QRn),(A2(n, y
【故障诊断】【pytorch】基于CNN-LSTM故障分类的轴承故障诊断研究[西储大学数据](Python代码实现)内容概要:本文介绍了基于CNN-LSTM神经网络模型的轴承故障分类方法,利用PyTorch框架实现,采用西储大学(Case Western Reserve University)公开的轴承故障数据集进行实验验证。该方法结合卷积神经网络(CNN)强大的特征提取能力和长短期记忆网络(LSTM)对时序数据的建模优势,实现对轴承不同故障类型和严重程度的高精度分类。文中详细阐述了数据预处理、模型构建、训练流程及结果分析过程,并提供了完整的Python代码实现,属于典型的工业设备故障诊断领域深度学习应用研究。; 适合人群:具备Python编程基础和深度学习基础知识的高校学生、科研人员及工业界从事设备状态监测故障诊断的工程师,尤其适合正在开展相关课题研究或希望复现EI级别论文成果的研究者。; 使用场景及目标:① 学习如何使用PyTorch搭建CNN-LSTM混合模型进行时间序列分类;② 掌握轴承振动信号的预处理特征学习方法;③ 复现并改进基于公开数据集的故障诊断模型,用于学术论文撰写或实际工业场景验证; 阅读建议:建议读者结合提供的代码逐行理解模型实现细节,重点关注数据加载、滑动窗口处理、网络结构设计及训练策略部分,鼓励在原有基础上尝试不同的网络结构或优化算法以提升分类性能。
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