Scalar-multiplication算法集
1. 引言
ECC金字塔:
该金字塔层级之间不是独立的。
scalar multiplication针对的为:
- (finite, abelian)group GGG,为加法群,计算k⋅Pk\cdot Pk⋅P,其中k∈Z,P∈Gk\in \mathbb{Z},P\in Gk∈Z,P∈G。
- 而对于乘法群G′G'G′,等价为计算xkx^kxk,其中x∈G′x\in G'x∈G′。
加法群的scalar multiplication 与 乘法群的幂运算,二者算法等价。
Scalar-multiplication广泛用于多种密码学场景中:
- 基于ECDLP的密钥生成
- EC Diffie-Hellman密钥交换
- Schnorr签名
这些场景中都需要计算kPkPkP。
进一步观察可发现:
- 密钥生成时,点PPP在编译时是固定的。
- Diffie-Hellman密钥交换时,联合密钥计算时的点是在运行时收到的。
- Schnorr签名验签时,需要double-scalar multiplication k1P1+k2P2k_1P_1+k_2P_2k1P1+k2P2。Schnorr签名验签时的scalar值k1,k2k_1,k_2k1,k2是public的。
以上场景中,存在secret scalar和public scalar的差异:
- 无论kkk是secret scalar还是public scalar值,计算kPkPkP的结果应完全相同。
不过在scalar multiplication中需考虑Timing信息问题:
- 某些快速scalar-multiplication算法其运行时长与kkk值相关。
- 攻击者可测量时长来推断kkk的信息。
- 如Brumley, Tuveri, 2011:数分钟即可窃取网络中TLS服务的私钥。
因此,当kkk为secret scalar时,相应的scalar multiplication算法应为constant-time的。
1.1 基于ECDLP的密钥生成
所谓ECDLP(基于椭圆曲线的DLP)为:
已知椭圆曲线上2个点P和QP和QP和Q,Q∈<P>Q\in <P>Q∈<P>,找到某整数kkk,使得kP=QkP=QkP=Q成立。
密码学系统的经典设定为:
- PPP为某固定的系统参数
- kkk为私钥
- QQQ为公钥
已知k和Pk和Pk和P,密钥生成实际是计算Q=kPQ=kPQ=kP。
1.2 EC Diffie-Hellman密钥交换
EC Diffie-Hellman密钥交换针对的场景为:
- 用户Alice和Bob分别具有密钥对(kA,QA)和(kB,QB)(k_A,Q_A)和(k_B,Q_B)(kA,QA)和(kB,QB)。
- Alice将其公钥QAQ_AQA发送给Bob
- Bob将其公钥QBQ_BQB发送给Alice
- Alice计算联合密钥K=kAQBK=k_AQ_BK=kAQB
- Bob计算联合密钥K=kBQAK=k_BQ_AK=kBQA
1.3 Schnorr签名
Schnorr签名的场景为:
- Alice的密钥对为(kA,QA)(k_A, Q_A)(kA,QA)
- 基点<P><P><P>的order为lll
- 采用的密码学哈希函数为HHH
Schnorr签名过程为:
- Alice(签名者)生成密码随机值r∈{1,⋯,l}r\in\{1,\cdots,l\}r∈{1,⋯,l},对于消息mmm进行如下计算获得签名(R,s)(R,s)(R,s):
- 计算R=rPR=rPR=rP
- 计算s=(r−H(R,m,QA)kA)modls=(r-H(R,m,Q_A)k_A)\mod ls=(r−H(R,m,QA)kA)modl
任何具有Alice公钥QAQ_AQA的人,都可对消息mmm的签名(R,s)(R,s)(R,s)进行验签,验签过程为:
- 验证R=sP+H(R,m,QA)QAR=sP+H(R,m,Q_A)Q_AR=sP+H(R,m,QA)QA成立,即验签通过。
2. Scalar-multiplication算法演变
以计算105⋅P105\cdot P105⋅P为例:
- 直观的算法是,直接做104次加法运算:P+P+P+⋯+PP+P+P+\cdots +PP+P+P+⋯+P
但是,105105105约有7个bits,需要约272^727次加法运算。实际真实的scalar值约有256256256个bits,若采用这种直观算法,需要约22562^{256}2256次加法运算(比解决ECDLP还昂贵)。
为此,我们需要scalar-multiplication算法的运行时长为与scalar size呈polynomial time关系的。
将105105105表示为:
105=64+32+8+1=26+25+23+20105=64+32+8+1=2^6+2^5+2^3+2^0105=64+32+8+1=26+25+23+20
进一步表示为:
105=1⋅26+1⋅25+0⋅24+1⋅23+0⋅22+0⋅21+1⋅20105=1\cdot 2^6+1\cdot 2^5+0\cdot 2^4+1\cdot 2^3+0\cdot 2^2+0\cdot 2^1+1\cdot 2^0105=1⋅26+1⋅25+0⋅24+1⋅23+0⋅22+0⋅21+1⋅20
根据Horner’s rule有:
105=((((((((((1⋅2+1)⋅2)+0)⋅2)+1)⋅2)+0)⋅2)+0)⋅2)+1105= ((((((((((1 \cdot 2 + 1) \cdot 2) + 0) \cdot 2) + 1) \cdot 2) + 0) \cdot 2) + 0) \cdot 2) + 1105=((((((((((1⋅2+1)⋅2)+0)⋅2)+1)⋅2)+0)⋅2)+0)⋅2)+1
从而有:
105⋅P=((((((((((P⋅2+P)⋅2)+0)⋅2)+P)⋅2)+0)⋅2)+0)⋅2)+P105\cdot P= ((((((((((P \cdot 2 + P) \cdot 2) + 0) \cdot 2) + P) \cdot 2) + 0) \cdot 2) + 0) \cdot 2) + P105⋅P=((((((((((P⋅2+P)⋅2)+0)⋅2)+P)⋅2)+0)⋅2)+0)⋅2)+P
相应的计算开销减为:
- 仅需要 666次double运算 和 333 次加法运算
扩展为通用“double-and-add”算法表示为:
2.1 single-scalar multiplication double-and-add算法分析
single-scalar multiplication针对的场景是:
- 计算kPkPkP
将scalar kkk值以二进制表示,其总bits数为nnn,位为111的总个数为mmm。
double-and-add算法需要:
- n−1n-1n−1次double运算
- m−1m-1m−1次加法运算(平均约为n/2n/2n/2次加法运算)
double-and-add算法中,无需提前知道PPP,也没有基于PPP做预计算。
double-and-add算法:
- 适于处理single-scalar multiplication。
- 运行时间依赖于具体scalar值,对于secret scalar场景下的scalar-multiplication是不安全的。
2.2 double-scalar multiplication double-and-add算法分析
double-scalar multiplication针对的场景是:【也可参看 书本 《Handbook of Elliptic and Hyperelliptic Curve Cryptography 》multi-exponentiation章节的 Algorithm 9.23算法。】
- 计算k1P1+k2P2k_1P_1+k_2P_2k1P1+k2P2
直观的算法是:
- 1)计算k1P1k_1P_1k1P1(需n1−1n_1-1n1−1次double运算和m1−1m_1-1m1−1次加法运算)
- 2)计算k2P2k_2P_2k2P2(需n2−1n_2-1n2−1次double运算和m2−1m_2-1m2−1次加法运算)
- 3)将以上结果相加(需111次加法运算)
以上算法可改进为:(其中O\mathcal{O}O表示无穷远点)
改进后的算法,计算k1P1+k2P2k_1P_1+k_2P_2k1P1+k2P2的开销减为:
- 仅需max(n1,n2)max(n_1,n_2)max(n1,n2)次double运算 和 m1+m2m_1+m_2m1+m2次加法运算。
2.3 为scalar-multiplication引入预计算
对2.2节的算法观察可发现,当k1,k2k_1,k_2k1,k2在同一位置具有bit 111时,总是先加P1P_1P1然后再加P2P_2P2(出现该情况的概率为1/41/41/4)。
因此,可先预计算T=P1+P2T=P_1+P_2T=P1+P2。
对2.2节的算法进一步改进为:【为Straus algorithm的特例情况】
若预计算是free的(如fixed basepoint, offline precomputation)等场景下,可以:
- 预计算出来一个table,其中包含:0P,P,2P,3P,⋯0P,P,2P,3P,\cdots0P,P,2P,3P,⋯,当收到kkk时,仅需查表获得kPkPkP。
但是,当kkk很大时,如kkk为256 bit时,需要的table size为:
3369993333393829974333376885877453834204643052817571560137951281152TB
不过,如果预计算的table中只包含:P,2P,4P,8P,⋯,2n−1PP,2P,4P,8P,\cdots,2^{n-1}PP,2P,4P,8P,⋯,2n−1P。当n=256n=256n=256时,存储该table的size仅需约8KB8KB8KB。
对于kPkPkP这样的single-scalar fixed-basepoint scalar multiplication,相应算法可改进为:
从而可移除fixed-basepoint scalar multiplication中的所有double运算。
2.4 secret scalar 场景下的scalar-multiplication
大多数密码学应用场景下,scalar均为secret的,这就意味着以上算法中的conditional addition中的condition是secret的,为此,可不管condition是啥均做加法运算,相应算法改为:
或者改为,若条件为非1,则与中立元素(无穷远点)O\mathcal{O}O相加:
但是,目前为止,仍未实现secret scalar场景下要求的constant-time属性。
引入table T=(O,P)T=(\mathcal{O}, P)T=(O,P),对以上算法进行重写,此时:
- T[0]=O,T[1]=PT[0]=\mathcal{O},T[1]=PT[0]=O,T[1]=P
- 相应的scalar multiplication kPkPkP 算法为:
2.5 不以二进制方式来表示scalar值
以上均是以二进制来表示scalar kkk值。
如果以radix 3来表示kkk,则预计算table T=(O,P,2P)T=(\mathcal{O},P,2P)T=(O,P,2P),并将kkk表示为(kn−1,⋯,k0)3(k_{n-1},\cdots,k_0)_3(kn−1,⋯,k0)3,则kPkPkP的scalar multiplication算法为:
以更高的radix来表示scalar kkk值:
- 优势是:以更高的radix表示的scalar更短,具有更少的加法运算。
- 劣势是:radix 333并不足够好,需要做3倍运算。
怎样的radix来表示更优呢?4,8,164,8,164,8,16?
2.5.1 Fixed-window scalar multiplication
固定窗口宽度为www,预计算table T=(O,P,2P,⋯,(2w−1)P)T=(\mathcal{O},P,2P,\cdots,(2^w-1)P)T=(O,P,2P,⋯,(2w−1)P),将scalar kkk值以radix 2w2^w2w表示为(km−1,⋯,k0)2w(k_{m-1},\cdots,k_0)_{2^w}(km−1,⋯,k0)2w,整个算法实现是与将二进制scalar切碎进固定长度为www的“窗口”一样,详细的scalar multiplication算法为:
不过,以上算法:
- 对于具有nnn-bit scalar值,仍然需要n−1n-1n−1次double运算。
- 预计算table TTT的开销为:w/2−1w/2-1w/2−1次加法运算 和 w/2−1w/2-1w/2−1次double运算。
- 在for循环中的加法运算次数为:⌈n/w⌉\left \lceil n/w\right \rceil⌈n/w⌉。
- 更大的www,意味着更多的预计算。
- 更小的www,意味着for循环中更多的加法运算。
- 对于约256256256-bit的scalar值,通常取w=4或w=5w=4或w=5w=4或w=5。
2.5.2 Fixed-window scalar multiplication算法是否为constant time?
2.5.1节的Fixed-window scalar multiplication算法是否为constant time?
- 对于该scalar的每个window,需要www次double运算,和111次加法运算,似乎可认为是constant time的?
不过,魔鬼在于细节:
- 1)加法运算是否以constant time运行的?即使是与O\mathcal{O}O的加法运算也是constant time的么?【可让这些加法运算是constant time的,但是具体的实现容易程度以及效率取决于曲线形状(提示:你会想要使用Edward 曲线)。】
- 2)从预计算table TTT中查找是否是以constant time运行的?【通常不是constant time的。】
2.5.3 Cache-timing攻击
Cache-timing攻击针对的场景为:
从tabel TTT中加载位置p=(k)2w[i]p=(k)_{2^w}[i]p=(k)2w[i],该位置为secret scalar的一部分,也应是secret的。
但是,大多是处理器是通过多个缓存来加载数据(这些缓存是透明的,fast memory的):
- 若该数据在cache中找到了,则加载快速(cache hit)
- 若该数据未在cache中找到,则加载缓慢(cache miss)
为解决该问题,可加载所有items,然后选择正确的那个:
不过,以上算法存在的问题是:
- 1)if-statements不是constant time的。
- 2)comparison无法保证是constant time的。
为此:
1)实现constant-time ifs,通用的表达应遵循:
但是所需时间依赖于bit sss,即使A,BA,BA,B用时相同。原因在于:branch prediction(分支预测)。
更合适的表达应为:
可将乘法运算和加法运算替换为bit-logic运算(AND和XOR)。对于很快的A和BA和BA和B,其会比if else这种条件分支要快。2)实现constant-time comparison:
2.6 针对fixed-basepoint scalar-multiplication的更多离线预计算
2.3节预计算P,2P,4P,8P,⋯P,2P,4P,8P,\cdotsP,2P,4P,8P,⋯之外,结合2.5.1节的fixed-window scalar multiplication,针对i=0,w,2w,3w,⋯,⌈n/w⌉−1i=0,w,2w,3w,\cdots,\left \lceil n/w\right \rceil-1i=0,w,2w,3w,⋯,⌈n/w⌉−1,预计算相应的Ti=(O,P,2P,3P,⋯,(2w−1)P)⋅2iT_i=(\mathcal{O}, P, 2P, 3P,\cdots,(2^w-1)P)\cdot 2^iTi=(O,P,2P,3P,⋯,(2w−1)P)⋅2i。
整个scalar multiplication算法为:
相应的开销为:
- 无需double运算,仅有⌈n/w⌉−1\left \lceil n/w\right \rceil-1⌈n/w⌉−1次加法运算。
可使用更大www,但是:
- 对于某个大www,会使得预计算table无法再载入cache中。
- 对于大www,意味着constant-time load速度将变慢。
2.7 Sliding-window scalar multiplication
2.5.1节的fixed-window scalar multiplication算法为:
运用2.5.1节的fixed-window scalar multiplication算法计算kPkPkP,k=22=(10110)2k=22=(1\ 01\ 10)_2k=22=(1 01 10)2,且window size为2时,相应的流程为:
- 初始化RRR为PPP。
- double, double, add PPP
- double, double, add 2P2P2P
但是该场景下,效率更高的算法流程应为:
- 初始化RRR为PPP。
- double, double, double, add 3P3P3P
- double
这就是fixed-window算法的缺陷:它是固定的。
一个解决思路是:“Slide” the window over the scalar。
Sliding-window scalar multiplication算法思路为:
- 选择window size为www
- 将scalar kkk值重写为k=(k0,⋯,km)k=(k_0,\cdots,k_m)k=(k0,⋯,km),其中每个ki∈{0,1,3,5,⋯,2w−1}k_i\in\{0,1,3,5,\cdots, 2^w-1\}ki∈{0,1,3,5,⋯,2w−1},使得每个长度为www的窗口内最多只有一个非零entry。
- 从右到左扫描kkk,每遇到111-bit 就expand window。
- 预计算P,3P,5P,⋯,(2w−1)PP,3P,5P,\cdots,(2^w-1)PP,3P,5P,⋯,(2w−1)P。
Sliding-window scalar multiplication具体算法为:
相应的开销为:
- 对于nnn-bit scalar,仍然需要n−1n-1n−1次double运算
- 预计算量为2w−12^{w-1}2w−1
- 主循环中加法运算次数的期望值为:n/(w+1)n/(w+1)n/(w+1)
- 对于相同的www,相比于fixed-window scalar multiplication,其仅需要一半的预计算。
- 对于相同的www,主循环中的加法运算次数更少。
但是sliding-window算法存在的一个问题是:不是以constant time运行的。但仍然适用于验签环境中的double-scalar场景。
3. 使用 efficient negation加速
以上算法适于任意cyclic group <P><P><P>。
但对于椭圆曲线来说,其可提供更多效率优化策略。
例如,基于Weierstrass curves,efficient negation表示为:
−(x,y)=(x,−y)-(x,y)=(x,-y)−(x,y)=(x,−y)
因此,可用有符号(signed)来表示scalar值。
借助efficient negation,可对Fixed-window scalar multiplication进一步做如下优化:
- 将scalar表示为(k0,⋯,km−1)(k_0,\cdots,k_{m-1})(k0,⋯,km−1),其中ki∈[−2w,⋯,2w−1]k_i\in[-2^w,\cdots,2^w-1]ki∈[−2w,⋯,2w−1]
- 预计算T=(−2wP,(−2w+1)P,⋯,O,P,⋯,(2w−1)P)T=(-2^wP,(-2^w+1)P,\cdots,\mathcal{O}, P,\cdots, (2^w-1)P)T=(−2wP,(−2w+1)P,⋯,O,P,⋯,(2w−1)P)
- 运行正常的fixed-window scalar multiplication。
- 一半的预计算几乎是free的,可get one bit of www for free。
- 由于negation很快,可do it on fly(从而节约一半的预计算table,实现更快的constant-time lookups)。
同理,也可借助scalar-negation对sliding-window scalar multiplication进行类似的加速。
4. 使用 efficient endomorphisms加速
Ben展示了在椭圆曲线上存在efficient endomorphisms,以φ\varphiφ来表示。
假设对于所有的Q∈<P>Q\in<P>Q∈<P>,φ(Q)\varphi(Q)φ(Q)对应λQ\lambda QλQ。
见 (Gallant, Lambert, Vanstone, 2000; and Galbraith, Lin, Scott, 2009),可借助efficient endomorphisms,可实现更快的scalar multiplication:
- 将scalar kkk表示为k=k1+k2λk=k_1+k_2\lambdak=k1+k2λ,其中k1,k2k_1,k_2k1,k2长度为kkk的一半。
- 运行half-size double-scalar multiplication k1P+k2⋅φ(P)k_1P+k_2\cdot \varphi(P)k1P+k2⋅φ(P)。
- 可节约一半的double运算(预计速度提升约30%~40%)。
借助2个efficient endomorphisms,可实现4-dimensional decomposition。
执行quarter-size quad-scalar multiplication,可再节约25%的double运算。
5. 使用 Differential addition加速(Montgomery ladder优势)
对于形如By2=x3+Ax2+xBy^2=x^3+Ax^2+xBy2=x3+Ax2+x的椭圆曲线,Montgomery在1987年展示了如何进行基于xxx坐标的计算:【为此,以projective坐标系(X:Z)(X:Z)(X:Z)来表示,其中x=(X/Z)x=(X/Z)x=(X/Z)。Montgomery "ladder step"算法。】
- 已知点PPP的xxx坐标xPx_PxP,点QQQ的xxx坐标xQx_QxQ,点P−QP-QP−Q的xxx坐标xP−Qx_{P-Q}xP−Q
- 计算点R=P+QR=P+QR=P+Q的xxx坐标xRx_RxR。
这种计算称为differential addition。
对于其它形状的椭圆曲线,其differential addition效率要低一些。
仅知点PPP的xxx坐标,可借助differential addition来高效计算kPkPkP的xxx坐标:
使用Montgomery ladder算法的优势在于:
- 非常整齐的结构,易于保护不受timing攻击。
- 将其中的if statement替换为conditional swap。
- 仔细处理constant-time swaps。
- 速度很快(不与 具有efficient endomorphisms的曲线相比的话)。
- point压缩和解压缩是free的。
- 易于实现。
- 没有恶心的特例情况(见Bernstein的“Curve25519”论文)。
6. multi-scalar multiplication
multi-scalar multiplication针对的场景为:
计算Q=∑1nkiPiQ=\sum_{1}^n k_iP_iQ=∑1nkiPi
在2.2节看到了n=2n=2n=2的情况,当n=128n=128n=128呢?
思路为:假设k1>k2>⋯>knk_1>k_2>\cdots >k_nk1>k2>⋯>kn。
Bos-Coster算法为递归计算:
Q=(k1−k2)P1+k2(P1+P2)+k3P3⋯+knPnQ=(k_1-k_2)P_1+k_2(P_1+P_2)+k_3P_3\cdots +k_nP_nQ=(k1−k2)P1+k2(P1+P2)+k3P3⋯+knPn
在递归计算过程中:
- 每一步都需要一次scalar subtraction运算和一次point addition运算。
- 每一步都“消除” expected logn\log nlogn scalar bits
Bos-Coster算法:
- 速度可以很快(但不是constant-time的)。
- 需要能快速访问最大的2个scalar值:将scalars放入heap中。
- 实现fast heap对于实现好的性能至关重要。
6.1 fast heap
heap为二叉树,每个父节点都大于其2个子节点。
数据结构以数组的形式存储,在该数组中的位置决定了其在树中的位置。
Root在位置0,左叶子节点在位置1,右叶子节点在位置2。
对于在位置iii的节点,其子节点在位置2⋅i+12\cdot i+12⋅i+1和2⋅i+22\cdot i+22⋅i+2,其父节点在位置⌊(i−1)/2⌋\left \lfloor (i-1)/2 \right \rfloor⌊(i−1)/2⌋。
Typical heap root replacement (pop operation)为:从root开始,swap down for a variable amount of times。
Floyd‘s heap为:swap down to the bottom, swap up for a variable amount of times。
Floyd‘s heap的优势为:
- 每个swap-down step仅需要一次比较(而不是2次)
- swap-down loop对branch predicators更友好。
7. finite-field inversion
根据Fermat定理可知,xp−1≡1modpx^{p-1}\equiv 1\mod pxp−1≡1modp,从而可知求倒数对应为幂运算:
x−1≡xp−2modpx^{-1}\equiv x^{p-2} \mod px−1≡xp−2modp。
不过这种幂运算实际与scalar multiplication并无本质差异(double运算变为了square运算,加法运算变为了multiplication运算)。
由于素数ppp是公开的,因此p−2p-2p−2也是公开的。
思路一:采用sliding window来进行幂运算。
但是ppp不仅是公开的,而且是固定的系统参数,有更好的方案么?
答案是:addition chains
所谓addition chains,定义为:
令kkk为正整数,若序列s1,s2,⋯,sms_1,s_2,\cdots,s_ms1,s2,⋯,sm满足如下条件,则可称其为kkk的长度为mmm的addition chain:
- s1=1s_1=1s1=1
- sm=ks_m=ksm=k
- 对于每个sis_isi,存在j,k<ij,k<ij,k<i,使得si=sj+sks_i=s_j+s_ksi=sj+sk成立。
因此,可将kkk的addition chain防疫为计算kPkPkP的multiplication算法:
- 起始状态为s1P=Ps_1P=Ps1P=P
- 计算siP=sjP+skPs_iP=s_jP+s_kPsiP=sjP+skP,其中i=2,⋯,mi=2,\cdots,mi=2,⋯,m
迄今为止,所有的算法本质是计算addition chains “on the fly”。
Signed-scalar表示的是“addition-subtraction chains”。
求倒数时,在编译时知道kkk值,因此,可花大量时间来找到a good addition chain。
F2255−19\mathbb{F}_{2^{255}-19}F2255−19域内的倒数运算为:
8. 总结
- 1)基础思想为:double-and-add
- 2)对于secret scalar情况,不要直接使用double-and-add算法。
- 3)注意实际要实现constant-time code是困难的。
- 4)以一杯啤酒来庆祝任何能以254次square运算 + 10次multiplication运算 计算出a2255−21a^{2^{255}-21}a2255−21 的方案。
- 5)以两杯啤酒来庆祝任何能以254次square运算 + 9次multiplication运算 计算出a2255−21a^{2^{255}-21}a2255−21 的方案。
参考资料
[1] Scalar-multiplication algorithms
[2] cryptojedi.org
[3] Cryptographic Engineering——Scalar multiplication
Scalar-multiplication算法集相关推荐
- 这可能是史上最全的Python算法集!
来源 | CSDN(ID:CSDNnews ) 本文是一些机器人算法(特别是自动导航算法)的Python代码合集. 其主要特点有以下三点:选择了在实践中广泛应用的算法:依赖最少:容易阅读,容易理解每个 ...
- python优化算法工具包_这可能是史上最全的 Python 算法集(建议收藏)
原标题:这可能是史上最全的 Python 算法集(建议收藏) 导读:本文是一些机器人算法(特别是自动导航算法)的Python代码合集.其主要特点有以下三点: 选择了在实践中广泛应用的算法: 依赖最少: ...
- Pytorch框架的深度学习优化算法集(优化中的挑战)
个人简介:CSDN百万访问量博主,普普通通男大学生,深度学习算法.医学图像处理专攻,偶尔也搞全栈开发,没事就写文章,you feel me? 博客地址:lixiang.blog.csdn.net Py ...
- 数据结构算法集---C++语言实现
/// // // // 堆栈数据结构 stack.h // // // /// #include<iostream.h> template<class Type>class ...
- VEGA:诺亚AutoML高性能开源算法集简介
摘要:VEGA是华为诺亚方舟实验室自研的全流程AutoML算法集合,提供架构搜索.超参优化.数据增强.模型压缩等全流程机器学习自动化基础能力. 本文分享自华为云社区<VEGA:诺亚AutoML高 ...
- python算法动画_这可能是史上最全的Python算法集!
来源 | CSDN(ID:CSDNnews ) 本文是一些机器人算法(特别是自动导航算法)的Python代码合集. 其主要特点有以下三点:选择了在实践中广泛应用的算法:依赖最少:容易阅读,容易理解每个 ...
- c语言算法集,【二级C语言】数据结构算法集---C 语言实现
蜡烛马区新固动工八拐怪状小城,小城炮兵会晒茶麸领子.冒算心头画行启脾沙拉,壮志骗人淡漠流生宣布木锯南政新车?猛料妙绝长亭浓味寺塔马兜放领理光.普特民师初生情境民寿流传灭绝!勤恳心曲修整拭除转子苛评. ...
- OpenSSL密码库算法笔记——第5.1.2章 椭圆曲线算法集
在定义椭圆曲线点群时出现了描述曲线所用算法的参数const EC_METHOD *meth,这一节就来看看这个参数有什么用处. 椭圆曲线算法集的定义如下. typedef struct ec_meth ...
- OpenSSL密码库算法笔记——第5.3.1章 椭圆曲线点群的算法集
在使用椭圆曲线之前,必需先设定好曲线上的算法集,只有这样在应用中才知道应该使用哪些函数. 下面就来看看怎样设定好曲线上的方法集. ─────────────────────────────────── ...
最新文章
- [C#] enum 枚举
- DD来拜年送红包啦!
- 计算机考试用远程桌面,职称计算机考试:教你体验XP远程桌面多用户登录
- 如何绑定多个action到一个slot
- 腾讯alloyteam团队前端代码规范(记录)
- dev-mysql_GitHub - intergrate-dev/mysql-elasticsearch
- dlink虚拟服务器端口转发,D-Link路由器端口转发怎么设置【图文教程】
- 做数据可视化有什么好
- SWPUACM第二次周赛
- Axure中引入Echarts图表并制作元件库
- 2018年最令人惊讶的WordPress统计数据
- ha rose server安装 sql_ROSE HA V8.9+Win2008+SQL2008双机配置详细指南(图文)
- 网页微信linux,Ubuntu安装Linux网页版微信
- 每日简报 4月22日简报新鲜事 每天一分钟 了解新鲜事
- 弘辽科技:宝妈开淘宝网店,要不要注册公司才能做电商呢?
- 后台管理系统导出Excel表格的方法
- percona-toolkit的安装及简介
- OpenAcc的使用
- sea.js简单配置
- 利用Python来爬取“吃鸡”数据,为什么别人能吃鸡?
热门文章
- Unity与全息投影
- 自适应波束形成(三)——频域宽带LCMV波束形成器
- VIM 编辑器使用教程
- 2019.12.31罗振宇2020年跨年演讲《时间的朋友》精华全文版本——思维决定一个人的上限,能力决定一个人的下限
- Netsuite设置中文多语言
- LeetCode 167.Two Sum II 解题报告
- 使用Xshell连接Ubuntu 20.4系统时提示
- python使用pandas中的to_json函数将dataframe数据写入json文件中
- win10+docker+laradock最新安装
- [Luogu P3642] [BZOJ 4585] [APIO2016]烟火表演