XiaoMi-AI文件搜索系统
World File Search System轻量级
NIST 轻量级密码最终候选者的随机性测试
2018 年 8 月，NIST 启动了一项流程，以征集、评估和标准化轻量级加密算法，这些算法适用于当前 NIST 加密标准性能不可接受的受限环境。要求加密算法提供经过认证的加密和关联数据 (AEAD) 功能，以及可选的哈希功能。从那时起，密码社区就为最初 57 份提交的密码分析和不同平台（包括软件和硬件）的基准测试做出了贡献。10 个入围者于 2021 年 3 月 29 日选出，分别是：ASCON、Elephant、GIFT-COFB、Grain128-AEAD、ISAP、Photon-Beetle、Romulus、Sparkle、TinyJambu 和 Xoodyak。在本报告中，我们展示了对不同数据集执行的 NIST 统计测试的结果，这些数据集是从 NIST 轻量级标准化流程的入围者的所有可能的缩减轮次版本的输出生成的。实验的目的是提供另一个指标来比较每个候选者的轮数选择是保守还是激进。请注意，在 1999 年和 2000 年的高级加密标准选择期间以及 2011 年的 SHA-3 候选者中也进行了类似的分析。
LILLIPUT：用于近期量子纠错的轻量级低延迟查找表解码器
量子设备的错误率比运行大多数量子应用程序所需的错误率高出几个数量级。为了弥补这一差距，量子纠错 (QEC) 对逻辑量子位进行编码并使用多个物理量子位分发信息。通过定期对逻辑量子位执行综合征提取电路，可以在运行程序时提取有关错误（称为综合征）的信息。解码器使用这些综合征来实时识别和纠正错误，这对于防止错误累积是必要的。不幸的是，软件解码器速度很慢，而硬件解码器速度快但准确性较低。因此，到目前为止，几乎所有的 QEC 研究都依赖于离线解码。为了在近期的 QEC 中实现实时解码，我们提出了 LILLIPUT——一种轻量级低延迟查找表解码器。LILLIPUT 由两部分组成——首先，它将综合征转换为错误检测事件，这些事件被索引到查找表 (LUT) 中，其条目实时提供错误信息。其次，它通过离线运行软件解码器，对 LUT 进行错误分配编程，以应对所有可能的错误事件。LILLIPUT 可以容忍量子硬件中任何操作的错误，包括门和测量，并且可容忍的错误数量随着代码大小而增加。LILLIPUT 在现成的 FPGA 上使用的逻辑不到 7%，因此可以实际采用，因为 FPGA 已经用于设计现有系统中的控制和读出电路。LIL-LIPUT 的延迟只有几纳秒，可以实现实时解码。我们还提出了压缩 LUT (CLUT) 来减少 LILLIPUT 所需的内存。通过利用并非所有错误事件都同样可能的事实，并且只存储最可能的错误事件的数据，CLUT 将所需内存减少了多达 107 倍（从 148 MB 减少到 1.38 MB），而不会降低准确性。
增强轻量级认证加密方案抵御统计无效故障攻击的能力
资源受限的设备越来越多地使用，这些设备内存更少、计算资源更少、电源更少，这促使人们采用轻量级密码术来提供安全解决方案。ASCON 是 NIST 轻量级密码术竞赛的决赛入围者，GIMLI 是第二轮候选者。ASCON 是一种基于海绵函数的认证加密 (AE) 方案，适用于高性能应用。它适用于物联网 (IoT) 等环境，在这种环境中，大量非常受限的设备与高端服务器通信。缺点是可能出现统计无效故障攻击 (SIFA) 和子集故障分析 (SSFA) 等故障分析。GIMLI 也是一种基于海绵函数的 AE 方案，易受 SIFA 攻击。在这项工作中，我们修改了 ASCON 128a 和 GIMLI，利用元胞自动机 (CA) 的伪随机特性来防止这些攻击。我们分析并表明这些攻击不适用于增强密码。
用于 P300 解码的轻量级多尺度卷积神经网络：训练策略分析与网络决策揭示
卷积神经网络 (CNN) 可以自动从原始数据中学习特征以近似函数，这种网络越来越多地应用于脑电图 (EEG) 信号的端到端分析，尤其是用于解码脑机接口 (BCI) 中的大脑状态。尽管如此，CNN 引入了大量可训练参数，可能需要较长的训练时间，并且缺乏学习到的特征的可解释性。本研究的目的是提出一种用于 P300 解码的 CNN 设计，重点在于其在保证高性能的同时的轻量级设计、不同训练策略的影响以及使用事后技术来解释网络决策。所提出的设计名为 MS-EEGNet，以高效和优化（就可训练参数而言）的方式学习了两个不同时间尺度（即多尺度，MS）中的时间特征，并在三个 P300 数据集上进行了验证。使用不同的策略（参与者内和会话内、参与者内和跨会话、留一法、迁移学习）训练 CNN，并与几种最先进的 (SOA) 算法进行了比较。此外，分析了基线 MS-EEGNet 的变体，以评估不同超参数对性能的影响。最后，使用显着图来推导驱动 CNN 决策的相关时空特征的表示。尽管 MS-EEGNet 具有多个时间尺度，但它与测试的 SOA CNN 相比是最轻的 CNN，并且明显优于 SOA 算法。事后超参数分析证实了 MS-EEGNet 创新方面的优势。此外，MS-EEGNet 确实受益于迁移学习，尤其是使用少量训练示例，这表明所提出的方法可用于 BCI 中以准确解码 P300 事件，同时减少校准时间。从显著性图得出的表示与 P300 时空分布相匹配，进一步验证了所提出的解码方法。本研究通过专门解决轻量级设计、迁移学习和可解释性方面的问题，有助于推动基于 P300 的 BCI 深度学习算法的开发。
atlite：用于计算可再生能源潜力和时间序列的轻量级 Python 包
在能源系统建模中，获取基于天气的时间序列和大面积可再生能源的最大容量潜力是一个常见问题。存在具有开放 API 的网站，例如可用于此目的的 renewables.ninja（Pfenninger & Staffell, 2016；Staffell & Pfenninger, 2016），但它们难以用于本地执行（例如在集群环境中），并且仅限于非商业用途。此外，从设计上讲，它们既不公开底层数据集，也不公开用于获取时间序列的方法（此处称为转换函数/方法）。这使得它们不适合利用不同的天气数据集或探索替代转换函数。pvlib（Holmgren et al., 2018）适合本地执行并允许互换输入数据，但仅适用于光伏系统，且旨在用于单一位置建模。其他软件包，例如丹麦的 REatlas（Andresen 等，2015）面临可访问性障碍、基于专有代码、缺少文档并且输入的灵活性受到限制。
具有量子安全轻量级加密技术...
摘要 — 量子置换垫或 QPP 最早由 Kuang 和 Bettenburg 于 2020 年提出 [15]。QPP 是一种由多个 n 量子比特量子置换门组成的通用量子算法。作为一种量子算法，QPP 既可以在量子计算系统中实现为对 n 量子比特状态进行操作以进行转换的量子电路，也可以在由 n 位置换矩阵垫表示的经典计算系统中实现。QPP 具有两个独特的特点：巨大的香农信息熵和置换矩阵之间的非交换性或广义不确定性原理。置换变换是输入信息空间和输出密文空间之间的双射映射。这意味着，由于不确定性关系，QPP 具有可重用的香农完全保密性。QPP 是希尔伯特空间上一次性垫或 OTP 的推广，而 OTP 是伽罗瓦域上 QPP 的简化。基于此，本文研究了一种 AES 变体，将 AES 的 ShiftRows 和 MixColumns 与 QPP 结合起来，形成一种量子安全轻量级密码体制，称为 AES-QPP。AES-QPP 将 SubBytes 和 AddRoundKey 与 16 个 8 位置换矩阵的相同 QPP 结合起来，本质上 SubBytes 是一个特殊的 8 位置换矩阵，AddRoundKey 是从 XOR 操作中选择的 16 个 8 位置换矩阵。通过随机选择 16 个带有密钥材料的置换矩阵，AES-QPP 可以容纳总共 26,944 位香农熵。它不仅提高了对差分和线性攻击的安全性，而且还将轮数大大减少到 5 轮。AES-QPP 可能是量子安全轻量级密码体制的良好候选者。
基于区块链的支持轻量级多跳信息问责的供应链隐私保护
众所周知，供应链上的信息共享可以提高生产力并降低成本。然而，随着供应链向更加动态和灵活的方向发展，隐私问题对所需的信息检索提出了严峻的挑战。不同利益相关者之间缺乏信任会阻碍先进的多跳信息流，因为用于跟踪和追溯产品和零件的宝贵信息要么不可用，要么仅保留在本地。我们对以前方法的广泛文献综述表明，这些跨公司信息检索的需求得到了广泛认可，但相关工作目前只能充分解决这些问题。为了克服这些问题，我们提出了 PrivAccIChain，这是一种安全的隐私保护架构，用于改进供应链上的多跳信息检索，并实现利益相关者责任制。为了满足特定用例的需求，我们特别在设计中引入了透明度和数据隐私的适应性配置。因此，即使在包括相互不信任的利益相关者的供应链中，我们也能实现信息共享以及多跳跟踪和追踪的好处。我们评估了 PrivAccIChain 的性能，并根据可购买汽车 e.GO Life 的信息证明了其在现实世界中的可行性。我们进一步进行了深入的安全分析，并提出了针对常见攻击的可调缓解措施。因此，我们证明 PrivAccIChain 即使在具有灵活和动态业务关系的复杂供应链中也适用于信息管理。
轻量级分组密码的量子搜索：GIFT、SKINNY......
N ）在给定足够数量的明文-密文对的情况下搜索大小为 N 的密钥空间。Jaques 等人 (EUROCRYPT 2020) 的最新成果展示了在 NIST 的 PQC 标准化过程中定义的不同安全类别下针对 AES 的量子密钥搜索攻击的成本估算。在这项工作中，我们将他们的方法扩展到轻量级分组密码，以估算在电路深度限制下量子密钥搜索攻击的成本。我们给出了轻量级分组密码 GIFT、SKINNY 和 SATURNIN 的量子电路。在 NIST 的最大深度约束下，我们给出了门数和深度乘以宽度成本指标的总体成本。我们还为所有版本的 GIFT、SKINNY 和 SATURNIN 提供了完整的 Grover 预言机的 Q# 实现，用于单元测试和自动资源估算。
通过使用新型轻量级动态优先级控制器，减少商业建筑暖通空调和制冷系统的峰值负荷并进行负荷整形
* 本稿件由 UT-Battelle, LLC 撰写，根据与美国能源部 (DOE) 签订的合同 DE-AC05-00OR22725。美国政府保留，出版商在接受发表本文时，承认美国政府保留非独占、已付费、不可撤销的全球许可，可以出于美国政府目的出版或复制本稿件的已出版形式，或允许他人这样做。DOE 将根据 DOE 公共访问计划 ( http://energy.gov/downloads/doe-public-access-plan ) 向公众提供这些联邦资助研究的结果。
SkySense：利用气象气球的轻量级传感技术分析地面和空中频谱使用情况
鉴于轻型无线电和处理技术的可用性，使用气象气球的频谱传感系统变得可行。这种气球可在高达 40 公里的空域中航行，并可提供鸟瞰图和清晰的地面和空中频谱使用情况。在本文中，我们介绍了 SkySense，它是 Electrosense 传感框架的扩展，具有移动 GPS 定位传感器和本地数据记录。此外，我们还介绍了 6 种不同的传感活动，针对多种地面或空中技术，如 ADS-B、AIS 或 LTE。例如，对于 ADS-B，我们可以清楚地得出结论，检测到的飞机数量对于每个气球高度都是相同的，但由于碰撞，消息接收率会随着高度的增加而急剧下降。对于每个传感活动，都描述了数据集，并给出了一些示例频谱分析结果。此外，我们还分析和量化了从空中感知时可见的重要趋势，例如温度和硬件变化、环境干扰水平的增加以及轻量级系统的硬件限制。一个关键的挑战是系统的自动增益控制和动态范围，因为在 30 公里以上导航的无线电可以看到非常广泛的可能信号电平范围。所有数据都可通过 Electrosense 框架公开获取，以鼓励频谱感知社区进一步分析数据或激励使用气象气球进行进一步的测量活动。