XiaoMi-AI文件搜索系统
World File Search System椭圆
使用机器学习对硬件椭圆曲线标量乘法进行非剖析无监督水平迭代攻击
摘要：虽然物联网技术使工业、城市和家庭变得更加智能，但它也为安全风险打开了大门。有了合适的设备和对设备的物理访问，攻击者可以利用旁道信息（如时序、功耗或电磁辐射）来破坏加密操作并提取密钥。这项工作对椭圆曲线标量乘法运算的加密硬件加速器进行了旁道分析，该加速器在现场可编程门阵列和专用集成电路中实现。所提出的框架包括使用最先进的统计水平攻击进行初始密钥提取，然后是正则化的人工神经网络，它将水平攻击中部分错误的密钥猜测作为输入并迭代地纠正它们。通过应用迭代学习，水平攻击的初始正确率（以正确提取的密钥位的分数来衡量）从 75% 提高到 98%。
FACET：使用椭圆建模实现快速准确的基于事件的眼动追踪，实现扩展现实
摘要 — 眼动追踪是扩展现实 (XR) 中基于凝视的交互的关键技术，但传统的基于帧的系统难以满足 XR 对高精度、低延迟和低功耗的要求。事件摄像机由于其高时间分辨率和低功耗而提供了一种有前途的替代方案。在本文中，我们提出了 FACET（快速准确的基于事件的眼动追踪），这是一种端到端神经网络，可直接从事件数据输出瞳孔椭圆参数，针对实时 XR 应用进行了优化。椭圆输出可直接用于后续基于椭圆的瞳孔追踪器。我们通过扩展带注释的数据并将原始掩模标签转换为基于椭圆的注释来训练模型，从而增强了 EV-Eye 数据集。此外，采用了一种新颖的三角损失来解决角度不连续性问题，并提出了一种快速因果事件体积事件表示方法。在增强版 EV-Eye 测试集上，FACET 实现了平均瞳孔中心误差 0.20 像素，推理时间为 0.53 毫秒，与现有技术 EV-Eye 相比，像素误差和推理时间分别减少了 1.6 倍和 1.8 倍，参数和算术运算减少了 4.4 倍和 11.7 倍。代码可在 https://github.com/DeanJY/FACET 上找到。
xps的椭圆法和能量损失光谱的杂交用于带隙和光学常数测定sion薄膜中的
Joao Resende，David Fuard，Delphine Le Cunff，Jean-Herve Tortai，Bernard Pelissier。Hy-hy-hy-Bridations和XPS的能量损失光谱用于带隙和光学常数测定sion薄膜中。材料化学与物理学，2020，259，pp.124000。10.1016/j.matchemphys.2020.124000。hal-03017737
量子计算机上的二进制域蒙哥马利乘法
Google、IBM 等国际公司正在推进大规模量子计算机的研发。量子计算机在某些领域比经典计算机拥有更强大的计算能力，比如深度学习、化学、密码学等。如果研发出能够运行量子算法的大规模量子计算机，那么目前广泛使用的密码算法的安全性可能会降低甚至被突破。Shor 算法已经被证明可以突破 RSA 和椭圆曲线密码 (ECC) 的安全性。RSA 和 ECC 能够使用多久取决于量子计算机的发展和 Shor 算法的优化 [1]。在 [2] 中，作者估计对于 n 位密钥的 RSA，Shor 算法可以应用 2 n + 2 个量子比特。Gidney 估计了改进的 2 n + 1 个量子比特的数量 [3]。Shor 算法也可以应用于椭圆曲线中的离散对数 (即 ECC)。在 [4] 中，作者通过估算解决椭圆曲线离散对数所需的量子资源，指出 ECC 比 RSA 更容易受到量子计算机的攻击。在 [5] 中，作者证明了
![arxiv：2004.05550V2 [nucl-th] 2020年8月30日](/simg/b\b6a215b08657592079b99f10d14a8b12df0dba63.webp)
arxiv：2004.05550V2 [nucl-th] 2020年8月30日
基于相对论均值场理论（RQMD.RMF）的相对论量子分子动力学是通过包括动量依赖性电位来表达的。在梁能量范围内，质子的定向和椭圆流的状态方程（EOS）的方程。3 <√snn <20 GEV。发现，导向的流量在高能量（√snn> 3 Gev）上很大程度上取决于光电位，在该 3 GEV上，在实验中没有信息可用。发现有效质量在饱和密度和光电位之间的相关性：有效质量的较小值需要较小的光电位强度来描述定向流数据。在√snn> 3 Gev的椭圆流的梁能量依赖性中也可以看到这种相关性，尽管其效果相当弱。另一方面，需要刚性EOS来描述较低能量的椭圆流。对PA碰撞的光电位的实验限制将在高能量下提供有关EOS的重要信息。在RQMD.RMF模型中很好地描述了定向的质子和椭圆流的质子，从√SNN = 2进行了很好的描述。3至8.8 GEV。 相比之下，要重现10 GEV高于10 GEV的导向流的崩溃，必须降低压力，这表明EOS在√snn = 10 GEV附近的软化。3至8.8 GEV。相比之下，要重现10 GEV高于10 GEV的导向流的崩溃，必须降低压力，这表明EOS在√snn = 10 GEV附近的软化。
基于等级的密码学的模块作用
摘要。我们将通常的理想作用扩展到定向椭圆曲线上，以对定向（极化的）阿贝尔品种的（Hermitian）模块作用。面向的阿贝尔品种自然富含𝑅模型，而我们的模块作用来自富含封闭的对称单体类别的类别的规范功率对象构造。尤其是我们的作用是规范的，并提供了完全露出的对称单体作用。此外，我们给出算法以在实践中计算此操作，从而概括了等级1的常规算法。该动作使我们能够基于普通或定向的椭圆曲线，一方面基于同一框架，基于同一基础的密码学，另一方面是基于基于𝔽2定义的超强椭圆曲线的一个。特别是，从我们的角度来看，超高的椭圆曲线是由等级1模块的作用给出的，而在𝔽𝔽2上定义的曲线（Weil限制）由等级2模块作用给出。因此，等级2模块作用反转至少与超级同学路径问题一样困难。因此，我们建议将隐居模块用作密码对称单体动作框架的化身。这概括了更标准的加密组动作框架，并且仍然允许进行耐克（非交互式键换）。我们行动的主要优点是，大概，Kuperberg的算法不适用。与CSIDH相比，这允许更紧凑的密钥和更好的缩放属性。在实践中，我们提出了密钥交换方案⊗ -Mike（张量模块同基键交换）。爱丽丝和鲍勃从超高的椭圆曲线𝐸0 /𝔽𝔽开始，并在𝔽2上计算同一基础。他们每个人都会发送曲线的𝑗-至关重要的是，与Sidh不同，根本不需要扭转信息。由模块作用给出的它们的共同秘密是一个尺寸4主要是极化的阿贝利亚品种。我们获得了一个非常紧凑的Quantum Nike：仅适用于NIST 1级安全性的64B。
比较用于优化电子商务集成中椭圆曲线加密参数的AI算法：一种量词前分析
摘要 - 本文提出了遗传算法（GA）和粒子群优化（PSO）之间的比较分析，这是两个重要的人工智能算法，重点介绍了操作椭圆曲线加密（ECC）参数。这些包括椭圆曲线系数，质数，发电机点，组顺序和辅因子。研究提供了有关哪种生物启发算法为ECC配置产生更好的优化结果，并在相同的健身函数下检查性能。此函数包含了确保鲁棒的ECC参数的方法，包括评估罪行或异常曲线，并应用Pollard的Rho Attack和Hasse定理以优化精度。在模拟的电子商务环境中测试了由GA和PSO生成的优化参数，与诸如SECP256K1之类的知名曲线在使用椭圆曲线 - diffie Hellman（ECDH）和基于哈希的消息身份验证代码（HMAC）的过程中形成鲜明对比。专注于量词前时代的传统计算，这项研究突出了GA和PSO在ECC优化中的功效，这对增强了第三方电子商务整合的网络安全的影响。我们建议在量子计算广泛采用之前立即考虑这些发现。