TFHE 的全同态模结构(FHE Module Structure)
参考文献:
- [CGGI20] Chillotti I, Gama N, Georgieva M, et al. TFHE: fast fully homomorphic encryption over the torus[J]. Journal of Cryptology, 2020, 33(1): 34-91.
- [BGGJ20] Boura C, Gama N, Georgieva M, et al. Chimera: Combining ring-lwe-based fully homomorphic encryption schemes[J]. Journal of Mathematical Cryptology, 2020, 14(1): 316-338.
文章目录
- Notation
- TLWE
- TRLWE
- TGSW
- TRGSW
- FHE Module Structure
Notation
代数结构:
- 实数环面 T = R / Z = [ 0 , 1 ) \mathbb T = \mathbb R/\mathbb Z = [0,1) T=R/Z=[0,1)
- 整系数多项式环 R = Z [ x ] / ( x N + 1 ) R = \mathbb Z[x]/(x^N+1) R=Z[x]/(xN+1)
- 系数取自整环 A ∈ { Z , R , C } A \in \{\mathbb Z,\mathbb R,\mathbb C\} A∈{Z,R,C},多项式环 R A = R ⊗ Z A = A [ x ] / ( x N + 1 ) R_A = R \otimes_\mathbb Z A=A[x]/(x^N+1) RA=R⊗ZA=A[x]/(xN+1)
- 商环 R q = R / q R = Z q [ x ] / ( x N + 1 ) R_q=R/qR = \mathbb Z_q[x]/(x^N+1) Rq=R/qR=Zq[x]/(xN+1),自然满射 π q : R → R q \pi_q:R \to R_q πq:R→Rq 是同态
- 商群 T R = R R / R Z = T [ x ] / ( x N + 1 ) \mathbb T_R = R_\mathbb R/R_\mathbb Z = \mathbb T[x]/(x^N+1) TR=RR/RZ=T[x]/(xN+1),它是 R R R 左模(但不是环),环 R R R 左作用模 T R \mathbb T_R TR 称为 “外积”
Lipschitz 函数:斜率绝对值不大于 κ \kappa κ,因此被两个一次函数夹逼。
集中分布(concentrated distributions):除了可忽略的测度,概率分布的支撑集是某个半径 1 / 2 1/2 1/2 球体的子集;此时,这个实数环面上的概率分布是良的,存在良定义的期望、标准差。
TLWE
底层的代数结构,
- 秘钥空间: B ⊆ Z N \mathcal B \subseteq \mathbb Z^N B⊆ZN,小范数的整数向量集合
- 明文空间: T \mathbb T T,是 Z \mathbb Z Z 模(不是环,乘法未定义)
- 密文空间: T N × T = T N + 1 \mathbb T^N \times \mathbb T = \mathbb T^{N+1} TN×T=TN+1,是 Z \mathbb Z Z 模(不是环,同态乘法不自然)
- 相位函数: ϕ s : ( a , b ) ↦ b − s t a \phi_s: (a,b) \mapsto b-s^ta ϕs:(a,b)↦b−sta,是 κ \kappa κ Lipschitz 函数,其中 κ \kappa κ 很小(关于环面上 l ∞ l_\infty l∞ 范数)
不考虑(具有同态性质的)纠错码,
对称密钥:
- 均匀采样 s ← B s \gets \mathcal B s←B,它是整系数的短向量
加密:
- 明文 μ ∈ T \mu \in \mathbb T μ∈T
- 均匀采样 a ← T N a \gets \mathbb T^N a←TN,零中心高斯采样 e ← T e \gets \mathbb T e←T
- 计算 b : = s t a + e ∈ T b := s^ta+e \in \mathbb T b:=sta+e∈T,满足 ϕ s ( a , b ) = e ≈ 0 \phi_s(a,b)=e \approx 0 ϕs(a,b)=e≈0
- 密文 c : = ( a , b ) + ( 0 , μ ) c:=(a,b)+(0,\mu) c:=(a,b)+(0,μ) 是长度 N + 1 N+1 N+1 的列向量
解密:
- 密文 ( a , b ′ ) ∈ T N × T (a,b') \in \mathbb T^N \times \mathbb T (a,b′)∈TN×T
- 计算 ϕ s ( a , b ′ ) = e + μ ∈ T \phi_s(a,b') = e+\mu \in \mathbb T ϕs(a,b′)=e+μ∈T
- 带噪明文 μ + e \mu+e μ+e 是一个随机变量,均值是 μ \mu μ
同态运算:
- 根据 Z \mathbb Z Z 模的加法, μ 1 + μ 2 ⟺ c 1 + c 2 \mu_1+\mu_2 \iff c_1+c_2 μ1+μ2⟺c1+c2
- 根据 Z \mathbb Z Z 模的环作用, k ⋅ μ ⟺ k ⋅ c k \cdot \mu \iff k \cdot c k⋅μ⟺k⋅c,其中 k ∈ Z k \in \mathbb Z k∈Z
- 不支持乘法运算(BGV/BFV 的密文张量积不自然)
TRLWE
底层的代数结构,
- 秘钥空间: B ⊆ R \mathcal B \subseteq R B⊆R,小范数的整系数多项式集合
- 明文空间: T R \mathbb T_R TR,是 R R R 模(不是环,乘法未定义)
- 密文空间: T R × T R = T R 2 \mathbb T_R \times \mathbb T_R = \mathbb T_R^2 TR×TR=TR2,是 R R R 模(不是环,同态乘法不自然)
- 相位函数: ϕ s : ( a , b ) ↦ b − s ⋅ a \phi_s: (a,b) \mapsto b-s\cdot a ϕs:(a,b)↦b−s⋅a,是 κ \kappa κ Lipschitz 函数,其中 κ \kappa κ 很小(关于环面上 l ∞ l_\infty l∞ 范数)
不考虑(具有同态性质的)纠错码,
对称密钥:
- 均匀采样 s ← B s \gets \mathcal B s←B,它是短的整系数多项式
加密:
- 明文 μ ∈ T R \mu \in \mathbb T_R μ∈TR
- 均匀采样 a ← T R a \gets \mathbb T_R a←TR,零中心高斯采样 e ← T R e \gets \mathbb T_R e←TR
- 计算 b : = s ⋅ a + e ∈ T R b := s\cdot a+e \in \mathbb T_R b:=s⋅a+e∈TR,满足 ϕ s ( a , b ) = e ≈ 0 \phi_s(a,b)=e \approx 0 ϕs(a,b)=e≈0
- 密文 c : = ( a , b ) + ( 0 , μ ) c:=(a,b)+(0,\mu) c:=(a,b)+(0,μ) 是长度 2 2 2 的列向量
解密:
- 密文 ( a , b ′ ) ∈ T R × T R (a,b') \in \mathbb T_R \times \mathbb T_R (a,b′)∈TR×TR
- 计算 ϕ s ( a , b ′ ) = e + μ ∈ T R \phi_s(a,b') = e+\mu \in \mathbb T_R ϕs(a,b′)=e+μ∈TR
- 带噪明文 μ + e \mu+e μ+e 是一个随机变量,均值是 μ \mu μ
同态运算:
- 根据 R R R 模的加法, μ 1 + μ 2 ⟺ c 1 + c 2 \mu_1+\mu_2 \iff c_1+c_2 μ1+μ2⟺c1+c2
- 根据 R R R 模的环作用, k ⋅ μ ⟺ k ⋅ c k \cdot \mu \iff k \cdot c k⋅μ⟺k⋅c,其中 k ∈ R k \in R k∈R
- 不支持乘法运算(BGV/BFV 的密文张量积不自然)
TGSW
底层的代数结构,
- 秘钥空间: B ⊆ Z N \mathcal B \subseteq \mathbb Z^N B⊆ZN,小范数的整数向量集合
- 明文空间: Z \mathbb Z Z,是整数环(定义了乘法)
- 密文空间: T N × ( N + 1 ) l × T N l = T ( N + 1 ) × ( N + 1 ) l \mathbb T^{N\times (N+1)l} \times \mathbb T^{Nl}=\mathbb T^{(N+1) \times (N+1)l} TN×(N+1)l×TNl=T(N+1)×(N+1)l,是 Z \mathbb Z Z 模(同态乘法自然)
- 相位函数: ϕ s : ( A , b ) ↦ b − s t A \phi_s: (A,b) \mapsto b-s^tA ϕs:(A,b)↦b−stA,是 κ \kappa κ Lipschitz 函数,其中 κ \kappa κ 很小(关于环面上 l ∞ l_\infty l∞ 范数)
采用 Gadget 纠错码,设置行向量 g = [ 2 − 1 , 2 − 2 , ⋯ , 2 − l ] g=[2^{-1},2^{-2},\cdots,2^{-l}] g=[2−1,2−2,⋯,2−l],其中 l l l 是实数环面的离散化精度 2 − l Z / Z ⊆ T 2^{-l}\mathbb Z/\mathbb Z \subseteq \mathbb T 2−lZ/Z⊆T,
G = I N + 1 ⊗ g = [ g g ⋱ g ] ∈ Z ( N + 1 ) × ( N + 1 ) l G = I_{N+1} \otimes g = \begin{bmatrix} g&\\ &g&\\ &&\ddots&\\ &&& g \end{bmatrix} \in \mathbb Z^{(N+1) \times (N+1)l} G=IN+1⊗g= gg⋱g ∈Z(N+1)×(N+1)l
对应的逆变换 G − 1 G^{-1} G−1 是个随机化程序,满足 ∥ G G − 1 ( C ) − C ∥ ∞ ≤ 2 − ( l + 1 ) \|GG^{-1}(C)-C\|_\infty \le 2^{-(l+1)} ∥GG−1(C)−C∥∞≤2−(l+1),对于任意的 C ∈ T ( N + 1 ) × ( N + 1 ) l C \in \mathbb T^{(N+1) \times (N+1)l} C∈T(N+1)×(N+1)l
对称密钥:
- 均匀采样 s ← B s \gets \mathcal B s←B,它是整系数的短向量
加密:
- 明文 μ ∈ Z \mu \in \mathbb Z μ∈Z,编码为有限精度的环面矩阵 μ G ∈ T ( N + 1 ) × ( N + 1 ) l \mu G \in \mathbb T^{(N+1) \times (N+1)l} μG∈T(N+1)×(N+1)l
- 均匀采样 A ← T N × ( N + 1 ) l A \gets \mathbb T^{N \times (N+1)l} A←TN×(N+1)l,零中心高斯采样 e ← T ( N + 1 ) l e \gets \mathbb T^{(N+1)l} e←T(N+1)l(行向量)
- 计算 b : = s t A + e ∈ T ( N + 1 ) l b := s^tA+e \in \mathbb T^{(N+1)l} b:=stA+e∈T(N+1)l(行向量),满足 ϕ s ( A , b ) = e ≈ 0 \phi_s(A,b)=e \approx 0 ϕs(A,b)=e≈0
- 密文 c : = [ A b ] + μ G c:=\begin{bmatrix}A\\b\end{bmatrix}+\mu G c:=[Ab]+μG
解密:
- 密文 [ A ′ b ′ ] ∈ T ( N + 1 ) × ( N + 1 ) l \begin{bmatrix}A'\\b'\end{bmatrix} \in \mathbb T^{(N+1) \times (N+1)l} [A′b′]∈T(N+1)×(N+1)l
- 计算 ϕ s ( A ′ , b ′ ) = e + μ ( − s , 1 ) G ∈ T ( N + 1 ) l \phi_s(A',b') = e+\mu (-s,1)G \in \mathbb T^{(N+1)l} ϕs(A′,b′)=e+μ(−s,1)G∈T(N+1)l(行向量)
- 截取长度 l l l 的尾巴,得到的 e ′ + μ g ∈ T l e'+\mu g \in \mathbb T^l e′+μg∈Tl 是含噪码字,均值 μ g \mu g μg
同态运算:
-
根据 Z \mathbb Z Z 模的加法, μ 1 + μ 2 ⟺ c 1 + c 2 \mu_1+\mu_2 \iff c_1+c_2 μ1+μ2⟺c1+c2
-
根据 Z \mathbb Z Z 模的环作用, k ⋅ μ ⟺ k ⋅ c k \cdot \mu \iff k \cdot c k⋅μ⟺k⋅c,其中 k ∈ Z k \in \mathbb Z k∈Z
-
同态乘法,明文空间 μ 1 ∈ Z \mu_1 \in \mathbb Z μ1∈Z 对于密文空间 G − 1 ( μ 2 G ) ∈ T ( N + 1 ) × ( N + 1 ) l G^{-1}(\mu_2G) \in \mathbb T^{(N+1) \times (N+1)l} G−1(μ2G)∈T(N+1)×(N+1)l 的环作用,
C 1 ⋅ G − 1 ( C 2 ) = ( [ A 1 ∣ b 1 ] + μ 1 G ) ⋅ G − 1 ( ( [ A 2 ∣ b 2 ] + μ 2 G ) ) = ( [ A 1 ∣ b 1 ] ⋅ G − 1 ( C 2 ) + μ 1 C 2 ) + μ 1 μ 2 G \begin{aligned} &\,\, C_1 \cdot G^{-1}(C_2)\\ =&\,\, ([A_1|b_1]+\mu_1 G) \cdot G^{-1}(([A_2|b_2]+\mu_2 G))\\ =&\,\, \left([A_1|b_1] \cdot G^{-1}(C_2) + \mu_1C_2\right) + \mu_1\mu_2G \end{aligned} ==C1⋅G−1(C2)([A1∣b1]+μ1G)⋅G−1(([A2∣b2]+μ2G))([A1∣b1]⋅G−1(C2)+μ1C2)+μ1μ2G它的噪声增长是不平衡的,导出了乘法链的右结合性。
TRGSW
底层的代数结构,
- 秘钥空间: B ⊆ R \mathcal B \subseteq R B⊆R,小范数的整系数多项式集合
- 明文空间: R R R,是整系数多项式环(定义了乘法)
- 密文空间: T R 2 l × T R 2 l = T R 2 × 2 l \mathbb T_R^{2l} \times \mathbb T_R^{2l} = \mathbb T_R^{2 \times 2l} TR2l×TR2l=TR2×2l,是 R R R 模(同态乘法自然)
- 相位函数: ϕ s : ( A , b ) ↦ b − s A \phi_s: (A,b) \mapsto b-sA ϕs:(A,b)↦b−sA,是 κ \kappa κ Lipschitz 函数,其中 κ \kappa κ 很小(关于环面上 l ∞ l_\infty l∞ 范数)
采用 Gadget 纠错码,设置 g = [ 2 − 1 , 2 − 2 , ⋯ , 2 − l ] g=[2^{-1},2^{-2},\cdots,2^{-l}] g=[2−1,2−2,⋯,2−l] 是行向量,其中 l l l 是环面的离散化精度 2 − l R Z / R Z ⊆ T R 2^{-l}R_\mathbb Z /R_\mathbb Z \subseteq \mathbb T_R 2−lRZ/RZ⊆TR,
G = g ⊗ I 2 = [ I , 2 I , ⋯ , 2 − l I ] ∈ T R 2 × 2 l G = g \otimes I_2 = \begin{bmatrix} I, 2I, \cdots, 2^{-l}I \end{bmatrix} \in \mathbb T_R^{2 \times 2l} G=g⊗I2=[I,2I,⋯,2−lI]∈TR2×2l
对应的逆变换 G − 1 G^{-1} G−1 是个随机化程序,满足 ∥ G G − 1 ( C ) − C ∥ ∞ ≤ 2 − ( l + 1 ) \|GG^{-1}(C)-C\|_\infty \le 2^{-(l+1)} ∥GG−1(C)−C∥∞≤2−(l+1),对于任意的 C ∈ T R 2 l × 2 C \in \mathbb T_R^{2l \times 2} C∈TR2l×2
对称密钥:
- 均匀采样 s ← B s \gets \mathcal B s←B,它是短的整系数多项式
加密:
- 明文 μ ∈ R \mu \in R μ∈R,编码为有限精度的环面矩阵 μ G ∈ T R 2 × 2 l \mu G \in \mathbb T_R^{2\times 2l} μG∈TR2×2l
- 均匀采样 A ← T R 2 l A \gets \mathbb T_R^{2l} A←TR2l(行向量),零中心高斯采样 e ← T R 2 l e \gets \mathbb T_R^{2l} e←TR2l(行向量)
- 计算 b : = s A + e ∈ T R N l b := sA+e \in \mathbb T_R^{Nl} b:=sA+e∈TRNl(行向量),满足 ϕ s ( A , b ) = e ≈ 0 \phi_s(A,b)=e \approx 0 ϕs(A,b)=e≈0
- 密文 c : = [ A b ] + μ G c:=\begin{bmatrix}A\\b\end{bmatrix}+\mu G c:=[Ab]+μG
解密:
- 密文 ( A ′ , b ′ ) ∈ T R 2 l × T R 2 l (A',b') \in \mathbb T_R^{2l} \times \mathbb T_R^{2l} (A′,b′)∈TR2l×TR2l
- 计算 ϕ s ( A ′ , b ′ ) = e + μ ( − s , 1 ) G ∈ T R 2 l \phi_s(A',b') = e+\mu(-s,1)G \in \mathbb T_R^{2l} ϕs(A′,b′)=e+μ(−s,1)G∈TR2l(行向量)
- 截取索引 2 , 4 , ⋯ , 2 l 2,4,\cdots,2l 2,4,⋯,2l 的元素,得到的 e ′ + μ g ∈ T R l e'+\mu g \in \mathbb T_R^l e′+μg∈TRl 是含噪码字,均值 μ g \mu g μg
同态运算:
-
根据 R R R 模的加法, μ 1 + μ 2 ⟺ C 1 + C 2 \mu_1+\mu_2 \iff C_1+C_2 μ1+μ2⟺C1+C2
-
根据 R R R 模的环作用, k ⋅ μ ⟺ k ⋅ C k \cdot \mu \iff k \cdot C k⋅μ⟺k⋅C,其中 k ∈ R k \in R k∈R
-
同态乘法,明文空间 μ 1 ∈ R \mu_1 \in R μ1∈R 对于密文空间 G − 1 ( μ 2 G ) ∈ T R 2 × 2 l G^{-1}(\mu_2G) \in \mathbb T_R^{2 \times 2l} G−1(μ2G)∈TR2×2l 的环作用,
C 1 ⋅ G − 1 ( C 2 ) = ( [ A 1 ∣ b 1 ] + μ 1 G ) ⋅ G − 1 ( ( [ A 2 ∣ b 2 ] + μ 2 G ) ) = ( [ A 1 ∣ b 1 ] ⋅ G − 1 ( C 2 ) + μ 1 C 2 ) + μ 1 μ 2 G \begin{aligned} &\,\, C_1 \cdot G^{-1}(C_2)\\ =&\,\, ([A_1|b_1]+\mu_1 G) \cdot G^{-1}(([A_2|b_2]+\mu_2 G))\\ =&\,\, \left([A_1|b_1] \cdot G^{-1}(C_2) + \mu_1C_2\right) + \mu_1\mu_2G \end{aligned} ==C1⋅G−1(C2)([A1∣b1]+μ1G)⋅G−1(([A2∣b2]+μ2G))([A1∣b1]⋅G−1(C2)+μ1C2)+μ1μ2G它的噪声增长是不平衡的,导出了乘法链的右结合性。
FHE Module Structure
非正式地,全同态模结构是五元元组 ( R , Π R , M , Π M , ⊡ ) (R,\Pi_R,M,\Pi_M,\boxdot) (R,ΠR,M,ΠM,⊡):
-
环 R R R 的加密方案 Π R = ( E n c R , D e c R ) \Pi_R=(Enc_R,Dec_R) ΠR=(EncR,DecR),它的密文空间是 C R \mathcal C_R CR
-
模 M M M 的同态加密方案 Π M = ( E n c M , D e c M ) \Pi_M=(Enc_M,Dec_M) ΠM=(EncM,DecM),它的密文空间是 C M \mathcal C_M CM
-
两个方案的密文之间的运算 ⊡ : C R × C M → C M \boxdot: \mathcal C_R \times \mathcal C_M \to \mathcal C_M ⊡:CR×CM→CM(外积),使得
D e c M ( E n c R ( r ) ⊡ E n c M ( m ) ) = r ⋅ m , ∀ r ∈ R , ∀ m ∈ M Dec_M(Enc_R(r) \boxdot Enc_M(m)) = r \cdot m,\forall r \in R,\forall m \in M DecM(EncR(r)⊡EncM(m))=r⋅m,∀r∈R,∀m∈M
TFHE 就是让 TGSW 和 TLWE、TRGSW 和 TRLWE 组成了全同态模结构,从而实现了 “外积”,
- 元组 ( ( Z , TGSW ) , ( T , TLWE ) ) ((\mathbb Z,\text{TGSW}),(\mathbb T,\text{TLWE})) ((Z,TGSW),(T,TLWE)),组成了环 Z \mathbb Z Z 模 T \mathbb T T 的全同态模结构
- 元组 ( ( R , TRGSW ) , ( T R , TRLWE ) ) ((R,\text{TRGSW}),(\mathbb T_R,\text{TRLWE})) ((R,TRGSW),(TR,TRLWE)),组成了环 R R R 模 T R \mathbb T_R TR 的全同态模结构
相关文章:
TFHE 的全同态模结构(FHE Module Structure)
参考文献: [CGGI20] Chillotti I, Gama N, Georgieva M, et al. TFHE: fast fully homomorphic encryption over the torus[J]. Journal of Cryptology, 2020, 33(1): 34-91.[BGGJ20] Boura C, Gama N, Georgieva M, et al. Chimera: Combining ring-lwe-based ful…...
rapidocr_paddle[gpu]:GPU端推理库来了
简介 rapidocr_paddle系列包是基于PaddlePaddle框架作为推理引擎的,支持CPU和GPU上推理。值得说明的是,这个包和PaddleOCR相比,代码基本都是一样的,只不过这个库将里面核心推理代码抽了出来,更加精简而已。 推荐GPU上…...

PKU 概率论+数理统计+建模 期中考复习总结
目录 计算条件概率计算概率(放回与不放回)生成随机数算法Linear Congruential Method判断是否是full period Uniformity (test of frequency)1.Chi-Square testmethodreminderexample 2.Kolmogorov-Sminov testmethodexample Independence (test of auto…...

Kubernetes技术与架构-网络 3
Kubernetes集群支持为Pod或者Service申请IPV4或者IPV6的地址空间。 kube-apiserver --service-cluster-ip-range<IPv4 CIDR>,<IPv6 CIDR> kube-controller-manager --cluster-cidr<IPv4 CIDR>,<IPv6 CIDR> --service-cluster-ip-range<IPv4 CI…...

pycharm转移缓存目录
原来的缓存目录为C:\Users\86176\AppData\Local\JetBrains,各种配置文件、缓存文件随着pycharm的使用堆积在这里,导致C盘逐渐爆满。 因此需要将缓存目录转移至D盘。首先需要了解缓存目录的知识。 PyCharm 和其他 JetBrains 的 IDE 通常会有两个关键的目…...
python 2组list绘制拟合曲线、计算拟合方程 R^2
import matplotlib.pyplot as plt import numpy as np # plt.rcParams[font.family] SimHei # 指定使用中文字体,例如宋体(SimHei)def Curve_Fitting(x, y, deg):parameter np.polyfit(x, y, deg) #拟合deg次多项式p np.poly1d(paramet…...

Vue单页面应用(SPA)怎么做SEO
在Vue单页面应用(SPA)中,由于内容的动态加载和路由切换,搜索引擎可能无法直接获取和索引页面的内容。不过,你可以采取一些策略来优化SEO,使你的Vue单页面应用在搜索引擎中更好地被索引和展示: 1:使用预渲染(Prerendering)或服务器端渲染(Server-Side Rendering,SS…...
简述【关系型数据库】
“关系型数据库”是博主在复习时做题遇到的知识点,用于简单扫盲 关系型数据库简称RDBMS,是依据关系模型来创建的数据库所谓“关系模型”就是“一对一、一对多、多对多”等关系模型。关系模型就是指二维表格模型,因而一个关系型数据库就是由二…...

LVS之DR模式(最常见的LVS负载方式,直接路由模式)
一、LVS-DR模式的数据流向 1、负载均衡器lvs调度器:只负责请求和转发到后端的真实服务器,但是响应结果,由后端服务器直接转发给客户端,不需要经过调度器的处理,减轻lvs调度器的负担,提高性能和稳定性 二、…...

006:vue使用lottie-web实现web动画
文章目录 1. 简介2. 优点3. 效果4. 安装使用5. lottie-web 常用方法6. Lottie-web 常用的事件 1. 简介 官方介绍:Lottie 是一个库,可以解析使用AE制作的动画(需要用bodymovie导出为json格式),支持web、ios、android、flutter和re…...

Java NIO
Java NIO 一,介绍 Java NIO(New IO)是 JDK 1.4 引入的一组新的 I/O API,用于支持非阻塞式 I/O 操作。相比传统的 Java IO API,NIO 提供了更快、更灵活的 I/O 操作方式,可以用于构建高性能网络应用程序。 …...
人机交互中的数字与文字
人机交互是指人类与计算机系统之间进行信息交流和操作的过程。在人机交互中,数字和文字被广泛应用于界面设计、输入输出、交流和信息展示等方面。 数字在人机交互中常用于表示数据、数量和参数等信息。通过数字,我们可以输入和输出各种数值,进…...

C++11新特性之十六:std::tie
在c 11标准库中,加入了std::tie,在c 14中改进,方便使用。 其与std::tuple关系密切, 主要目的是方便地使用std::tuple。 std::tie函数的作用就是从元素引用中生成一个std::tuple元组,其在头文件<tuple>中定义&…...
今天是1024节日,作为一个程序员,我想表达我对Java和詹姆斯·高斯林(James Gosling)的感激之情
今天是1024节日 我感谢Java感谢詹姆斯高斯林 今天是1024节日,作为一个程序员,我想表达我对Java和詹姆斯高斯林(James Gosling)的感激之情。Java是一门伟大的编程语言,而詹姆斯高斯林是它的创造者之一。 首先…...

众和策略:华为汽车概念活跃,圣龙股份斩获12板,华峰超纤涨10%
华为轿车概念23日盘中再度生动,到发稿,华峰超纤涨超10%,佛山照明、圣龙股份、隆基机械、银宝山新等涨停,赛力斯涨近6%。 值得注意的是,圣龙股份已接连12个交易日涨停。 昨日晚间,圣龙股份宣布前三季度成果…...
关于一篇“范式详解”博文的批注
本篇文章是对于下面这个链接中的文章的批注。这篇文章详细讲述了第一、二、三范式和BCNF范式,希望我的这篇文章能帮助您更好的理解这篇优秀的博文 详解第一范式、第二范式、第三范式、BCNF范式-CSDN博客 “范式”批注 这样理解范式的概念:一张数据表的表…...

LNMP架构部署Discuz论坛系统
文章目录 LNMP架构&部署Discuz论坛系统部署LNMP架构环境前期准备安装Nginx安装mariadb安装php配置nginx 部署Discuz论坛系统下载Discuz论坛系统代码包部署Discuz论坛系统配置虚拟主机安装Discuz论坛访问站点尝试注册一个账号 LNMP架构&部署Discuz论坛系统 部署LNMP架构…...
【vscode】本地配置和根据不同项目不同的vscode配置
目录 1. .vscode项目配置2. vscode本地配置 1. .vscode项目配置 {"typescript.tsdk": "node_modules/typescript/lib","prettier.enable": false,"god.tsconfig": "./tsconfig.json",// TODO: 文件默认配置"[css]&quo…...
状态空间方程的离散化
一、理论基础 1、系统离散化(传递函数和状态空间方程) 【离散系统】传递函数和状态空间方程离散化-CSDN博客 状态空间方程的离散化 - 知乎 (zhihu.com) 2、差分方程的建立与分析 【精选】数学建模之差分方程模型详解_左手の明天的博客-CSDN博客 【信…...

【Docker从入门到入土 3】Docker镜像的创建方法
Part3 一、Docker镜像1.1 镜像的概念1.2 镜像结构的分层 二、Docker镜像的创建2.1 基于现有镜像创建2.1.1 创建思路2.1.2 举个例子 2.2 基于本地模板创建2.3 基于Dockerfile 创建 三、Dockerfile 详解3.1 Dockerfile 操作指令3.1.1 常用的操作指令3.1.2 CMD和ENTRYPOINT的区别…...

阿里云ACP云计算备考笔记 (5)——弹性伸缩
目录 第一章 概述 第二章 弹性伸缩简介 1、弹性伸缩 2、垂直伸缩 3、优势 4、应用场景 ① 无规律的业务量波动 ② 有规律的业务量波动 ③ 无明显业务量波动 ④ 混合型业务 ⑤ 消息通知 ⑥ 生命周期挂钩 ⑦ 自定义方式 ⑧ 滚的升级 5、使用限制 第三章 主要定义 …...
前端倒计时误差!
提示:记录工作中遇到的需求及解决办法 文章目录 前言一、误差从何而来?二、五大解决方案1. 动态校准法(基础版)2. Web Worker 计时3. 服务器时间同步4. Performance API 高精度计时5. 页面可见性API优化三、生产环境最佳实践四、终极解决方案架构前言 前几天听说公司某个项…...

【项目实战】通过多模态+LangGraph实现PPT生成助手
PPT自动生成系统 基于LangGraph的PPT自动生成系统,可以将Markdown文档自动转换为PPT演示文稿。 功能特点 Markdown解析:自动解析Markdown文档结构PPT模板分析:分析PPT模板的布局和风格智能布局决策:匹配内容与合适的PPT布局自动…...

在WSL2的Ubuntu镜像中安装Docker
Docker官网链接: https://docs.docker.com/engine/install/ubuntu/ 1、运行以下命令卸载所有冲突的软件包: for pkg in docker.io docker-doc docker-compose docker-compose-v2 podman-docker containerd runc; do sudo apt-get remove $pkg; done2、设置Docker…...

使用Spring AI和MCP协议构建图片搜索服务
目录 使用Spring AI和MCP协议构建图片搜索服务 引言 技术栈概览 项目架构设计 架构图 服务端开发 1. 创建Spring Boot项目 2. 实现图片搜索工具 3. 配置传输模式 Stdio模式(本地调用) SSE模式(远程调用) 4. 注册工具提…...

人工智能(大型语言模型 LLMs)对不同学科的影响以及由此产生的新学习方式
今天是关于AI如何在教学中增强学生的学习体验,我把重要信息标红了。人文学科的价值被低估了 ⬇️ 转型与必要性 人工智能正在深刻地改变教育,这并非炒作,而是已经发生的巨大变革。教育机构和教育者不能忽视它,试图简单地禁止学生使…...
快刀集(1): 一刀斩断视频片头广告
一刀流:用一个简单脚本,秒杀视频片头广告,还你清爽观影体验。 1. 引子 作为一个爱生活、爱学习、爱收藏高清资源的老码农,平时写代码之余看看电影、补补片,是再正常不过的事。 电影嘛,要沉浸,…...

C++ 设计模式 《小明的奶茶加料风波》
👨🎓 模式名称:装饰器模式(Decorator Pattern) 👦 小明最近上线了校园奶茶配送功能,业务火爆,大家都在加料: 有的同学要加波霸 🟤,有的要加椰果…...
关于uniapp展示PDF的解决方案
在 UniApp 的 H5 环境中使用 pdf-vue3 组件可以实现完整的 PDF 预览功能。以下是详细实现步骤和注意事项: 一、安装依赖 安装 pdf-vue3 和 PDF.js 核心库: npm install pdf-vue3 pdfjs-dist二、基本使用示例 <template><view class"con…...
django blank 与 null的区别
1.blank blank控制表单验证时是否允许字段为空 2.null null控制数据库层面是否为空 但是,要注意以下几点: Django的表单验证与null无关:null参数控制的是数据库层面字段是否可以为NULL,而blank参数控制的是Django表单验证时字…...