当前位置: 首页 > news >正文

科普简洁版:同态加密——密码学的未来瑰宝

文章目录

  • 一、同态加密的基本概念
    • 1.1 什么是同态加密
    • 1.2 同态加密的数学本质
    • 1.3 同态加密的类型
  • 二、主要同态加密方案详解
    • 2.1 ElGamal加密
    • 2.2 Paillier加密
    • 2.3 Gentry的完全同态加密方案
    • 2.4 BGV方案
    • 2.5 BFV方案
    • 2.6 CKKS方案
  • 三、同态加密的关键技术
    • 3.1 噪声管理技术
    • 3.2 多项式环和理想格
    • 3.3 批处理技术
  • 四、同态加密的应用场景
    • 4.1 隐私保护计算与数据分析
    • 4.2 安全多方计算
    • 4.3 机器学习与人工智能
    • 4.4 云计算安全
  • 五、同态加密的主要工具与实现
    • 5.1 开源库与工具
    • 5.2 性能与参数选择
    • 5.3 优化技术与高级实现
  • 六、同态加密的挑战与前沿研究
  • 七、实践指导与最佳实践


一、同态加密的基本概念

1.1 什么是同态加密

同态加密(Homomorphic Encryption,简称HE)是密码学中的一种特殊加密技术,它允许对加密数据直接进行特定的计算操作,而无需先解密。这种技术的独特之处在于,对加密数据进行的计算操作等同于对原始数据进行相同操作后再加密的结果。

同态加密概念最早由Ronald Rivest、Leonard Adleman和Michael Dertouzos在1978年提出,但直到2009年Craig Gentry提出第一个完全同态加密方案后,这一领域才取得了实质性突破。

举例来说:假设我们有两个数字a和b,它们的加密形式分别为E(a)和E(b)。在同态加密系统中,我们可以计算E(a)与E(b)的"加法",得到的结果将等同于E(a+b),即a与b相加后的加密形式。这一过程中,a和b的具体值始终保持加密状态,不会被泄露。

1.2 同态加密的数学本质

从数学角度看,同态加密是基于同态映射的概念。设有两个代数系统(P, ⊕)和(C, ⊗),其中P是明文空间,C是密文空间。如果存在一个加密函数E:P→C,使得对于任意a,b∈P,都有:

E(a ⊕ b) = E(a) ⊗ E(b)

那么我们称E为从(P, ⊕)到(C, ⊗)的同态映射,这正是同态加密的数学基础。

1.3 同态加密的类型

根据支持的运算类型,同态加密可分为以下几类:

  1. 部分同态加密(Partially Homomorphic Encryption, PHE):只支持一种运算(如加法或乘法)的同态加密。

  2. 某些同态加密(Somewhat Homomorphic Encryption, SWHE):支持有限次数的加法和乘法运算。

  3. 完全同态加密(Fully Homomorphic Encryption, FHE):理论上支持任意次数的加法和乘法运算,能够实现任意函数的计算。

  4. 准同态加密(Leveled Homomorphic Encryption):支持预先确定深度的电路计算,实际应用中较为常见。


二、主要同态加密方案详解

2.1 ElGamal加密

ElGamal加密是一种基于离散对数问题的同态加密方案,主要支持乘法同态。

ElGamal加密系统是由Taher ElGamal在1985年提出的,它基于Diffie-Hellman密钥交换的计算困难性。ElGamal加密是非对称加密系统,广泛用于各种应用程序中,如安全通信和数字签名。

工作原理:

  1. 密钥生成:选择一个大素数p和其原根g,随机选择私钥x,计算公钥y = g^x mod p
  2. 加密:选择随机数r,计算c₁ = g^r mod p 和 c₂ = m·y^r mod p,密文为(c₁, c₂)
  3. 解密:计算m = c₂·(c₁x)(-1) mod p

乘法同态性质:如果(c₁, c₂)是消息m的加密,(d₁, d₂)是消息n的加密,则(c₁·d₁, c₂·d₂)将是消息m·n的加密。

2.2 Paillier加密

Paillier加密是由Pascal Paillier在1999年提出的,它是一个基于复合剩余类问题计算困难性的加密系统。该方案主要支持加法同态,在实际应用中较为广泛。

工作原理:

  1. 密钥生成:选择两个大素数p和q,计算n = p·q和λ = lcm(p-1, q-1),选择g使得g的阶是n的倍数,计算μ = (L(g^λ mod n²))^(-1) mod n,其中L(x) = (x-1)/n
  2. 加密:选择随机数r < n,计算密文c = g^m · r^n mod n²
  3. 解密:计算明文m = L(c^λ mod n²) · μ mod n

加法同态性质:E(m₁)·E(m₂) mod n² = E(m₁+m₂ mod n)

实际应用中,Paillier加密因其加法同态性质被广泛应用于电子投票、隐私保护数据分析等领域。例如,在电子投票系统中,可以直接计算加密的选票总和,而无需解密单个选票,从而保护选民隐私。

2.3 Gentry的完全同态加密方案

2009年,Craig Gentry提出了第一个完全同态加密方案,被视为该领域的重大突破。

Gentry的方案基于理想格和自举技术,是第一个实用的完全同态加密方案。尽管初始效率低下,但它为后续研究奠定了基础。

工作原理:

  1. 初始同态加密:设计一个支持有限次加法和乘法的加密方案
  2. 密文刷新:通过"自举"(bootstrapping)技术,每当噪声累积到一定程度时,对加密的加密密钥进行重新加密,从而允许无限次计算

自举技术是完全同态加密的关键突破,它允许系统在噪声累积到影响解密准确性之前进行"刷新",从而实现理论上无限次的运算。

2.4 BGV方案

BGV(Brakerski-Gentry-Vaikuntanathan)方案是由Zvika Brakerski、Craig Gentry和Vinod Vaikuntanathan于2011年提出的,在实践中比Gentry的原始方案更有效。

BGV方案基于环学习带错误(Ring Learning With Errors, RLWE)问题,通过模数转换技术管理噪声增长,大大提高了效率。

实现步骤:

  1. 密钥生成:生成公钥、私钥和评估密钥
  2. 加密:使用公钥和随机噪声对消息进行加密
  3. 解密:使用私钥去除噪声,恢复原始消息
  4. 同态运算:定义同态加法和乘法运算,同时管理噪声增长

2.5 BFV方案

BFV方案是由Fan和Vercauteren扩展Brakerski的方案开发的,它也基于环学习带错误(RLWE)问题,但在处理多项式时使用了不同的方法。BFV方案在效率和参数选择方面进行了改进,适用于整数算术运算。

BFV方案特点:

  • 使用多项式环作为消息空间和密文空间
  • 通过缩放技术控制噪声增长
  • 对整数运算高效支持

2.6 CKKS方案

CKKS(Cheon-Kim-Kim-Song)方案于2017年提出,专为近似计算而设计,允许对浮点数进行同态操作。与精确计算的方案不同,CKKS接受一定的近似误差,从而显著提高效率。

CKKS方案特点:

  • 支持浮点数计算
  • 通过舍入技术控制噪声
  • 适用于机器学习等对精度要求不是极高的应用场景

三、同态加密的关键技术

3.1 噪声管理技术

在大多数同态加密方案中,加密过程会引入"噪声",以保证安全性。然而,随着同态运算的进行,尤其是乘法运算,噪声会迅速增长,最终可能导致解密错误。

噪声管理的主要技术包括:

  1. 模数转换(Modulus Switching):通过改变模数来减小噪声,是BGV方案中的关键技术

  2. 自举(Bootstrapping):通过同态解密再加密的方法刷新密文,降低噪声

  3. 密钥转换(Key Switching):在不同密钥间转换密文,用于降低噪声或改变密文形式

噪声管理是同态加密实用性的关键因素,良好的噪声管理策略可以使同态加密计算更加高效和可靠。

3.2 多项式环和理想格

大多数现代同态加密方案基于多项式环和理想格理论,这些数学结构为同态运算提供了基础。

通常使用形如Z[x]/(x^n + 1)的多项式环,其中n通常是2的幂,这种特殊结构有利于高效实现和安全性分析。

理想格中的困难问题(如环学习带错误问题)为这些方案提供了安全性保证。

3.3 批处理技术

为提高效率,同态加密常使用批处理(batching)技术,允许单个密文同时加密多个明文消息,然后并行处理。

批处理技术通过中国剩余定理(CRT)或编码技术,可以将多个消息打包到一个密文中,显著提高计算效率。

例如,在CKKS方案中,通过傅里叶变换进行编码,可以在一个密文中处理多个复数值。


四、同态加密的应用场景

4.1 隐私保护计算与数据分析

同态加密允许在加密数据上进行计算,而不需要访问原始敏感数据,这对于各种隐私保护应用场景非常有价值。例如,医疗研究人员可以在不访问患者原始医疗记录的情况下,对加密的医疗数据进行分析,从而保护患者隐私。

具体应用包括:

  • 医疗数据分析:在保护患者隐私的前提下进行医学研究
  • 金融风险评估:银行可以评估贷款风险,而不直接访问客户敏感财务数据
  • 基因组分析:保护基因数据隐私的同时进行科学研究

4.2 安全多方计算

同态加密是安全多方计算(Secure Multi-party Computation, MPC)的重要工具,允许多个参与方在不泄露各自输入的情况下共同计算函数。

应用场景:

  • 隐私保护拍卖和投标
  • 安全统计分析
  • 跨组织数据挖掘

4.3 机器学习与人工智能

同态加密在隐私保护机器学习(Privacy-Preserving Machine Learning, PPML)中具有重要应用,允许在加密数据上训练和执行机器学习模型。

例如:

  • 医疗AI:在保护患者隐私的前提下训练疾病预测模型
  • 隐私保护推荐系统:不泄露用户行为数据的个性化推荐
  • 联邦学习增强:提升联邦学习的隐私保护能力

4.4 云计算安全

同态加密可以解决云计算中的数据隐私问题,允许用户将加密数据上传到云端,并在云上直接处理这些加密数据,而无需将解密密钥提供给云服务提供商。

应用场景:

  • 加密数据搜索
  • 安全云存储与计算
  • 敏感信息的远程处理

五、同态加密的主要工具与实现

5.1 开源库与工具

目前已有多个成熟的同态加密开源库,研究人员和开发者可以使用这些工具进行实验和应用开发:

  1. Microsoft SEAL

    • 微软开发的同态加密库,支持BFV和CKKS方案
    • 用C++编写,有.NET和Python绑定
    • 提供高效的多项式运算和批处理功能
  2. HElib

    • IBM研究院开发,支持BGV和CKKS方案
    • 高度优化的C++库,提供丰富的同态运算功能
    • 支持复杂的打包技术和自举操作
  3. PALISADE/OpenFHE

    • 支持多种同态加密方案,包括BFV、BGV、CKKS和TFHE
    • 模块化设计,便于扩展和定制
    • 提供详细的文档和示例
  4. TFHE

    • 专注于布尔电路和逐位操作的同态加密库
    • 对逻辑运算特别高效
    • 适合构建同态逻辑处理系统
  5. Concrete

    • 由Zama开发的基于TFHE的高级框架
    • 提供更友好的API和更高级的功能
    • 适合实际应用开发

5.2 性能与参数选择

同态加密系统的性能主要受以下因素影响:

  1. 安全参数:更高的安全级别需要更大的参数,导致更高的计算开销
  2. 多项式阶次:影响能处理的数据量和计算复杂度
  3. 模数大小:影响精度和可进行的运算次数
  4. 批处理容量:影响并行处理能力和总体效率

参数选择建议:

  • 对于一般应用,可以选择128位安全级别
  • 根据应用需求平衡精度和效率
  • 考虑硬件资源限制,特别是内存需求

5.3 优化技术与高级实现

为提高同态加密的实用性,研究人员开发了多种优化技术:

  1. 数字信号处理技术:利用FFT等算法加速多项式乘法
  2. GPU加速:利用图形处理器并行计算能力提高效率
  3. 混合协议:结合同态加密与其他密码学原语,优化特定应用场景
  4. 专用硬件加速器:如FPGA实现,大幅提高计算速度

六、同态加密的挑战与前沿研究

性能挑战

尽管同态加密技术在近年取得了显著进展,但仍面临严峻的性能挑战:

  1. 计算开销:同态运算比明文运算慢几个数量级
  2. 内存消耗:密文膨胀和复杂的数据结构导致高内存需求
  3. 通信成本:在分布式场景中,密文大小导致通信负担

前沿研究方向

当前同态加密研究的热点方向包括:提高计算效率、降低密文大小、优化特定应用场景的性能、开发更实用的编程工具等。

具体包括:

  1. 联合优化:结合多种密码技术,如可验证计算、差分隐私等
  2. 特定领域优化:针对AI、机器学习等特定应用场景的专用优化
  3. 编程工具进展:更高级的同态加密编程抽象和工具

随着量子计算威胁的增加,同态加密作为后量子密码学的重要组成部分,将在未来数据安全领域扮演更加重要的角色。

未来同态加密可能的发展方向包括:专用硬件加速、与区块链等技术的融合、自动化工具链的完善。


七、实践指导与最佳实践

同态加密应用设计原则

设计使用同态加密的系统时,应遵循以下原则:

  1. 明确计算需求:详细分析所需的运算类型和复杂度
  2. 选择合适的方案:根据应用需求选择PHE、SWHE或FHE
  3. 混合使用:结合同态加密与其他密码技术,避免"过度使用"
  4. 优化算法:重构算法以减少乘法深度和复杂操作

实施步骤与案例

一个典型的同态加密应用实施流程:

  1. 需求分析:确定隐私保护目标和计算需求
  2. 方案选择:选择适当的同态加密方案和工具库
  3. 算法设计:优化算法以适应同态环境
  4. 参数确定:根据安全需求和性能测试确定参数
  5. 安全集成:与现有系统安全集成
  6. 性能评估:进行全面的性能和安全评估

常见错误与解决方案

实施同态加密时的常见错误:

  1. 过度使用同态加密:不是所有数据和运算都需要同态加密

    • 解决:进行细粒度的隐私需求分析,只对必要部分应用同态加密
  2. 忽视噪声管理:导致解密错误

    • 解决:根据计算深度合理设置参数,必要时使用刷新技术
  3. 参数选择不当:安全性或效率问题

    • 解决:参考成熟实现的推荐参数,并进行针对性测试
  4. 缺乏整体安全考虑:仅关注同态加密而忽视整体安全

    • 解决:结合身份认证、安全通信等技术,构建完整安全方案

相关文章:

科普简洁版:同态加密——密码学的未来瑰宝

文章目录 一、同态加密的基本概念1.1 什么是同态加密1.2 同态加密的数学本质1.3 同态加密的类型 二、主要同态加密方案详解2.1 ElGamal加密2.2 Paillier加密2.3 Gentry的完全同态加密方案2.4 BGV方案2.5 BFV方案2.6 CKKS方案 三、同态加密的关键技术3.1 噪声管理技术3.2 多项式…...

时序分解 | Matlab基于WOA-MVMD鲸鱼算法优化多元变分模态分解

时序分解 | Matlab基于WOA-MVMD鲸鱼算法优化多元变分模态分解 目录 时序分解 | Matlab基于WOA-MVMD鲸鱼算法优化多元变分模态分解效果一览基本介绍程序设计参考资料 效果一览 基本介绍 WOA-MVMD鲸鱼算法优化多元变分模态分解时间序列信号分解 可直接运行 分解效果好 适合作为创…...

模型部署与提供服务

工具准备 FastApi (提供接口服务) LLamafactory(模型测试) AutoDL-SSH&#xff08;隧道工具&#xff09; 结构目录 app ├── api.sh ├── lawbot_infer.py ├── main.py ├── models.py ├── prompts │ ├── chat.jinja2 │ ├── prediction.jinja2 │…...

【Linux】深入理解程序地址空间

&#x1f31f;&#x1f31f;作者主页&#xff1a;ephemerals__ &#x1f31f;&#x1f31f;所属专栏&#xff1a;Linux 目录 前言 一、什么是程序地址空间 二、深入理解程序地址空间 1. 引例 2. 理解地址转化 3. 再谈程序地址空间 4. 补充知识 总结 前言 在现代操作系…...

基于AWS Marketplace的快速解决方案:从选型到部署实战

1. 引言&#xff1a;为什么选择AWS Marketplace&#xff1f; 在数字化转型的背景下&#xff0c;企业需要快速获取成熟的软件工具和服务以降低开发成本。AWS Marketplace 作为亚马逊云科技的官方应用商店&#xff0c;提供超过万款预配置的第三方和AWS原生解决方案&#xff0c;涵…...

Android 常用输入控件

一 控件名称 TextView二 示例代码 <?xml version="1.0" encoding="utf-8"?> <androidx.coordinatorlayout.widget.CoordinatorLayoutxmlns:android="http://schemas.android.com/apk/res/android"xmlns:app="http://schemas.a…...

ubuntu修改时区和设置24小时格式时间

这里写目录标题 一、修改时区二、设置24小时格式时间endl 一、修改时区 使用timedatectl命令更改当前时区为东八区[rootubuntu24-16:~]# timedatectl list-timezones | grep -i shanghai Asia/Shanghai [rootubuntu24-16:~]# timedatectl set-timezone Asia/Shanghai [rootubu…...

Android之Button、ImageButton、ChipGroup用法

一 控件名称及UI代码 Button、ImageButton、ChipGroup <?xml version="1.0" encoding="utf-8"?> <androidx.coordinatorlayout.widget.CoordinatorLayoutxmlns:android="http://schemas.android.com/apk/res/android"xmlns:app=&qu…...

【中间件】brpc_基础_用户态线程中断

bthread之用户态线程中断 源码 1 简介 interrupt_pthread 核心功能是 通过信号机制中断阻塞的 pthread 线程&#xff0c;以实现线程的协作式中断。 2 核心功能与设计 2.1 信号选择与注册 信号选择&#xff1a;使用 SIGURG 作为中断信号。 原因&#xff1a;SIGURG 通常用于…...

MATLAB中tabulate函数——先验概率的简单估计

load fisheriris X meas(:,1:2); Y species; labels unique(Y); tabulate(Y)ValueCountPercentsetosa5033.33%versicolor5033.33%virginica5033.33%...

修复笔记:SkyReels-V2 项目中的 torch.load 警告

#工作记录 一、问题描述 在运行项目时&#xff0c;出现以下警告&#xff1a; FutureWarning: You are using torch.load with weights_onlyFalse (the current default value), which uses the default pickle module implicitly. It is possible to construct malicious pic…...

[特殊字符] 人工智能大模型之开源大语言模型汇总(国内外开源项目模型汇总) [特殊字符]

Large Language Model (LLM) 即大规模语言模型&#xff0c;是一种基于深度学习的自然语言处理模型&#xff0c;它能够学习到自然语言的语法和语义&#xff0c;从而可以生成人类可读的文本。 所谓 "语言模型"&#xff0c;就是只用来处理语言文字&#xff08;或者符号…...

自监督学习(Self-supervised Learning)李宏毅

目录 Self-supervised Learning简介&#xff1a; BERT : How to use BERT case1&#xff1a;sequence to class 语言积极性OR消极性判断 case2&#xff1a;sequence to sequence句子中的词语词性标注 case3&#xff1a;sequence2 to class两个句子是不是一个为前提一个为…...

数字化时代下,软件测试中的渗透测试是如何保障安全的?

在如今数字化与信息化的时代&#xff0c;软件测试中存在渗透测试&#xff0c;其位置十分重要&#xff0c;它借助模拟恶意攻击的方式&#xff0c;去发现软件系统所存在的漏洞以及安全问题&#xff0c;这是保障软件安全的关键环节&#xff0c;接下来我会对它的各个方面进行详细介…...

内容中台的AI中枢是什么?

智能算法与知识图谱融合引擎 现代内容中台的核心竞争力在于智能算法与知识图谱的深度融合&#xff0c;这种技术组合构建了动态演化的认知网络。通过将机器学习模型与领域知识图谱进行耦合&#xff0c;系统不仅能识别文本、图像、视频等多模态数据的关联特征&#xff0c;还能实…...

PostgreSQL 的 REINDEX 命令

PostgreSQL 的 REINDEX 命令 REINDEX 是 PostgreSQL 中用于重建索引的重要命令&#xff0c;它可以解决索引损坏、索引膨胀或性能下降等问题。 一 REINDEX 基本语法 -- 重建单个索引 REINDEX [ ( option [, ...] ) ] { INDEX | TABLE | SCHEMA } [ CONCURRENTLY ] name REIND…...

GNOME扩展:Bing壁纸

难点 网络请求(Soup) 下载文件(Soup) 读写设置(Gio.Settings) 源码 import GLib from "gi://GLib"; import Gio from gi://Gio; import St from gi://St; import Soup from gi://Soup;import { Extension } from resource:///org/gnome/shell/extensions/extens…...

BUUCTF——Fake XML cookbook

BUUCTF——Fake XML cookbook 进入靶场 只有一个登录框 先弱口令万能密码试一下吧 弱口令和万能密码都失败了 找其他突破口 F12看看 发现xml代码 function doLogin(){var username $("#username").val();var password $("#password").val();if(user…...

【数据结构】线性表--链表

【数据结构】线性表--链表 一.前情回顾二.链表的概念三.链表的实现1.链表结点的结构&#xff1a;2.申请新结点函数&#xff1a;3.尾插函数&#xff1a;4.头插函数&#xff1a;5.尾删函数&#xff1a;6.头删函数&#xff1a;7.在指定结点之前插入&#xff1a;8.在指定结点之后插…...

2022年第十三届蓝桥杯省赛B组Java题解

2022年第十三届蓝桥杯省赛B组Java题解 个人心得&#xff1a; 2022年蓝桥杯省赛Java B组共包含10道题目&#xff0c;其中填空题2道&#xff08;A、B&#xff09;&#xff0c;编程题8道&#xff08;C-J&#xff09;。题目覆盖数论、字符串处理、动态规划、数据结构等核心知识点…...

【操作系统】死锁

1. 定义 死锁是指两个或多个进程&#xff08;或线程&#xff09;在执行过程中&#xff0c;因争夺资源而造成的一种僵局&#xff0c;每个进程都无限期地等待其他进程释放它们所持有的资源。在这种情况下&#xff0c;没有任何进程能够继续执行&#xff0c;除非有外部干预。 2. …...

Ubuntu22.04及以上版本buildroot SIGSTKSZ 报错问题

本文提供一种解决 Buildroot SIGSTKSZ 报错途径 解决途径来源参考&#xff1a;Buildroot error when building with Ubuntu 21.10 其出现原因在于 GNU C Library 2.34 release announcement&#xff1a; Add _SC_MINSIGSTKSZ and _SC_SIGSTKSZ. When _DYNAMIC_STACK_SIZE_SOU…...

postgresql数据库基本操作

1. 连接 PostgreSQL 数据库 首先&#xff0c;使用 psql 命令行工具连接到数据库。如果是本地连接&#xff0c;命令格式如下&#xff1a; psql -U postgres -d <数据库名称> -h <主机地址>其中&#xff1a; -U postgres&#xff1a;表示以 postgres 用户身份登录…...

【运维】构建基于Python的自动化运维平台:用Flask和Celery打造高效管理工具

《Python OpenCV从菜鸟到高手》带你进入图像处理与计算机视觉的大门! 解锁Python编程的无限可能:《奇妙的Python》带你漫游代码世界 随着企业IT基础设施的复杂性不断增加,手动运维已无法满足高效管理的需求。本文详细介绍如何基于Python构建一个自动化运维平台,利用Flask…...

ES6入门---第三单元 模块三:async、await

async function fn(){ //表示异步&#xff1a;这个函数里面有异步任务 let result await xxx //表示后面结果需要等待 } 读取文件里数据实例&#xff1a; const fs require(fs);//简单封装 fs封装成一个promise const readFile function (fileName){return…...

洛谷 P2866 [USACO06NOV] Bad Hair Day S

题目描述 农夫约翰有 N 头奶牛正在过乱头发节。 每一头牛都站在同一排面朝右&#xff0c;它们被从左到右依次编号为 1,2,⋯,N。编号为 i 的牛身高为 hi​。第 N 头牛在最前面&#xff0c;而第 1 头牛在最后面。 对于第 i 头牛前面的第 j 头牛&#xff0c;如果 hi​>hi1​…...

TS 变量类型生成

TS简单类型注解 let count:number 15 let myName:string MIO let isLoading:boolean false let a:null null let b:undefined undefined let s:symbol Symbol()console.log(hello ts)TS数组类型 数组类型两种写法&#xff1a; 问题&#xff1a;数组中只能存在单一类型数…...

工业大模型:从设备诊断到工艺重构

引言 工业大模型正在引发制造业认知革命。据埃森哲研究,到2026年全球工业大模型市场规模将突破280亿美元,其中工艺优化应用占比达42%。本文将系统解析工业大模型的"预训练-领域适配-应用落地"技术路径,并通过设备健康诊断与工艺参数生成的实践案例,展示如何构建…...

【项目篇之统一内存操作】仿照RabbitMQ模拟实现消息队列

我们的操作分为两种&#xff0c;一种是在内存上进行统一的操作&#xff0c;一种是在硬盘上面操作&#xff0c;今天我写的文章是编写了一个MemoryDataCenter类来实现了 在内存上面的统一操作&#xff1a; 实现统一内存操作 如何使用内存来组织数据 创建一个类来统一管理内存上的…...

强化学习机器人模拟器——GridWorld:一个用于强化学习的 Python 环境

GridWorld 是一个为强化学习(Reinforcement Learning, RL)实验设计的多功能 Python 环境。它提供了一个可定制的二维网格,智能体(agent)需要从起始位置导航到目标位置,避开障碍物、穿越泥泞单元格并收集奖励。本篇博客将详细介绍 grid_world.py 代码中实现的 GridWorld 环…...

DeepSeek Copilot idea插件推荐

&#x1f30c; DeepSeek Copilot for IntelliJ IDEA 让 AI 成为你的编程副驾驶&#xff0c;极速生成单元测试 & 代码注释驱动开发&#xff01; &#x1f680; 简介 DeepSeek Copilot 是一款为 IntelliJ IDEA 打造的 AI 编程助手插件&#xff0c;它能够智能分析你的代码逻辑…...

vue-cropper实现图片裁剪

一、什么是vue-cropper&#xff1f; ​​Vue-Cropper​​ 是一个基于 Vue.js 的图片裁剪组件库&#xff0c;专为 Web 应用设计。当你在网上搜索的时候发现还有一个叫cropper的库&#xff0c;下面是他们的区别&#xff1a; 特性cropper.jsvue-cropper框架依赖纯 JavaScript&am…...

MPI,Pthreads和OpenMP等并行实验环境配置

&#xff08;假设你已按照文档前面的步骤正确安装了 VMware 和 Ubuntu 20.04&#xff09; 第一部分&#xff1a;安装 C/OpenMP/Pthreads 环境&#xff08;修正后&#xff09; 打开终端&#xff1a; 在 Ubuntu 中启动终端应用程序。 更新软件包列表&#xff1a; sudo ap…...

Spring AI Advisors API:AI交互的灵活增强利器

Spring AI Advisors API&#xff1a;AI交互的灵活增强利器 前言 在当今的软件开发领域&#xff0c;随着人工智能技术的飞速发展&#xff0c;将AI融入应用程序变得越来越普遍。Spring AI作为一个强大的框架&#xff0c;为开发者提供了便捷的方式来实现这一目标。其中的Advisor…...

排序功法入门指南【江湖算法笔记】

话说江湖风云变幻&#xff0c;各路英雄好汉行走江湖&#xff0c;总得有个名号排行。若问“东邪西毒南帝北丐”谁强谁弱&#xff0c;总得排个座次不是&#xff1f;这排序之道&#xff0c;恰似武功秘籍&#xff0c;练好了能号令群雄&#xff0c;练岔了怕是要被笑掉大牙&#xff0…...

Free Draft Model!Lookahead Decoding加速大语言模型解码新路径

Free Draft Model&#xff01;Lookahead Decoding加速大语言模型解码新路径 大语言模型&#xff08;LLMs&#xff09;在当今AI领域大放异彩&#xff0c;但其自回归解码方式锁死了生成效率。本文将为你解读一种全新的解码算法——Lookahead Decoding&#xff0c;它无需Draft Mo…...

Spring AI 实战:第八章、Spring AI Tool Calling之与时俱进

引言:AI的"知识截止日期"尴尬 如果你想问大模型"明天是星期几?",猜猜TA会怎么答复你~ @GetMapping("/tools/simple/test") public String simpleTest() {return chatClient.prompt...

PyTorch数据集与数据集加载

PyTorch中的Dataset与DataLoader详解 1. Dataset基础 Dataset是PyTorch中表示数据集的抽象类&#xff0c;我们需要继承它并实现两个关键方法&#xff1a; from torch.utils.data import Datasetclass CustomDataset(Dataset):def __init__(self, data, labels):""…...

探秘 Git 底层原理:理解版本控制的基石

Git 是一款开源的分布式版本控制系统&#xff0c;在软件开发领域广泛应用&#xff0c;能有效管理项目的版本变更&#xff0c;Git 已经成为了版本控制的代名词。日常使用中&#xff0c;我们通过git commit提交代码&#xff0c;用git push推送变更&#xff0c;这些便捷操作背后&a…...

chili3d调试10 网页元素css node deepwiki 生成圆柱体 生成零件图片

.input是input的外框&#xff0c;.input input是input的内框 沙雕 全部input都换成textarea了 自己的方法用接口定义&#xff0c;把自己的方法pub出去&#xff0c;定义在内部拉出去只是取个值 这其实是mainwindow端pub回来的 窗口pub端把数据pub回 mainwindow端让mainwindow端…...

【计网】互联网的组成

回顾&#xff1a; 互联网(Internet)&#xff1a;它是一个专有名词&#xff0c;是一个特定的互连网&#xff0c;它是指当下全球最大的、最开放的、由众多网络相互连接而形成的特定的的互连网&#xff0c;采用TCP/IP协议族作为通信规则。 一、互联网的组成部分 从互联网的工作方…...

Go语言接口实现面对对象的三大特征

一.知识回顾 在 Go 语言中&#xff0c;接口是一种强大的抽象机制&#xff0c;它允许我们定义一组方法签名&#xff0c;任何类型只要实现了这些方法&#xff0c;就被视为实现了该接口。接口的实现是隐式的&#xff0c;这意味着类型不需要显式声明它实现了某个接口&#xff0c;只…...

TS 字面量类型

str是string类型l str2是常量&#xff0c;类型是字面量类型 用途&#xff1a;配合联合类型确定更严谨精确的可选值利恩...

langchain中 callbacks constructor实现

目录 代码代码解释代码结构代码功能 类似例子 代码 from typing import Any, Dict, Listfrom langchain_openai import ChatOpenAI from langchain_core.callbacks import BaseCallbackHandler from langchain_core.messages import BaseMessage from langchain_core.outputs …...

小土堆pytorch--tensorboard的使用

小土堆pytorch--tensorboard的使用 小土堆pytorch--tensorboard的使用0.介绍1.使用tensorboard绘制 y x 等简单函数1.1 相应的代码1.2 对上述代码的解释1.3 可能遇到的问题1.3.1 问题1.3.2 解决方法 2.使用tensorboard加载数据集中的图片2.1 相应代码2.2 对上述代码的解释2.2.…...

从 0 到 1:使用 Jetpack Compose 和智能自动化实现高效 Android UI 开发

现代 Android UI 开发正逐步从命令式 XML 向声明式 Compose 转变。Compose 凭借其简洁、高效、易测试的特点&#xff0c;能够让开发者更专注于界面和业务逻辑&#xff0c;而不必陷入大量模板化的代码。手把手带你构建一个完整的 Todo List 应用&#xff0c;并演示如何借助自动化…...

学习黑客 week1周测 复盘

Day 7 – 周测 & 复盘 今天任务&#xff1a; 完成 10 道快测题&#xff0c;涵盖 Week 1 的核心知识点&#xff1a;《CIA 三要素》、OWASP Top 10、MITRE ATT&CK、NIST RMF、Linux 权限、TCP/IP、网络安全法、“黑客五阶段” 与风险管理。撰写 300 字周总结&#xf…...

【五一培训】Day 3

Topic 1&#xff1a;元学习 一、概念&#xff1a;learn to learn 区分少样本学习与元学习 少样本学习&#xff08;Few-shot learning&#xff09;是元学习的一个重要应用&#xff0c;它指的是机器能够在仅有少量样本的情况下&#xff0c;成功地学习和泛化到新任务上。在许多现…...

C++继承详讲

1.继承的概念 继承是实现代码复用的手段&#xff0c;它允许程序员在保持基类特性的基础上进行扩展&#xff0c;增加功能&#xff0c;这样产生新的类&#xff0c;称派生类。 2.继承和组合 1.继承体系下&#xff0c;子类对象包含父类的成员。组合体系下&#xff0c;子类对象包含…...

第四节:OpenCV 基础入门-第一个 OpenCV 程序:图像读取与显示

一、引言&#xff1a;为什么选择 OpenCV&#xff1f; 在计算机视觉领域&#xff0c;OpenCV&#xff08;Open Source Computer Vision Library&#xff09;是一个开源的、跨平台的计算机视觉库&#xff0c;广泛应用于图像处理、模式识别、机器学习等领域。它支持多种编程语言&a…...