摘要：在区块链场景下,往往需要引入数字签名、零知识证明等密码学算法以保护数据安全性与用户隐私。但由于这些算法依赖于大量的大数与椭圆曲线运算,包括范围证明在内的许多密码学算法已经成为了区块链系统的性能瓶颈。而密码学算法的GPU优化也在近几年获得了广泛的关注与研究。本文充分利用GPU作为众核处理器的优势,设计了基于GPU的椭圆曲线运算库。在运算库中,本文在GPU上实现并优化了常用的椭圆曲线运算与大数运算,同时针对不同的需求设计了不同的实现与接口。本文对寄存器与常量内存等存储空间进行了合理分配,并通过利用预计算等优化手段减少了计算量,从而最大化了运算库的吞吐与性能。为了验证运算库的实用性与有效性,本文利用该运算库实现了代理重加密与Bulletproofs范围证明的验证算法,同时充分利用了算法的内部并行性进行优化。实验表明,本文实现的运算库在各个运算中都取得了远超于OpenSSL等常用CPU端运算库的性能。基于该运算库实现的代理重加密算法相比CPU实现能达到最高145倍左右的加速比,Bulletproofs范围证明验证算法相比于CPU端实现也能达到5.57倍左右的加速效果,平均证明验证时间在1 ms内,可以满足数字货币隐私保护场景下超过每秒2000笔交易的性能需求。可见该运算库能为区块链系统隐私保护等对密码学计算具有高吞吐需求的场景提供坚实支持。

摘要：该文针对现有关键帧选择方法在复杂场景下的稳定性和适应性方面不足问题,提出一种多源约束的自适应视觉SLAM关键帧选取方法。该算法基于相机几何测量原理,设计自适应阈值进行关键帧选取策略;针对复杂环境下的剧烈运动情况,设计基于IMU的实时状态检测机制和熵函数约束标准,进一步提高关键帧选取的稳定性和适应性。在EuRoC数据集和TUM数据集上对该方法进行定性和定量评估。在单目惯性和立体惯性模式下,将估计轨迹与参考轨迹进行对比,以绝对轨迹误差(absolute trajectory error,ATE)、关键帧数量和运行时间作为评判指标,并与ORB-SLAM3方法进行比较。结果显示,提出的方法可显著提高视觉SLAM在复杂环境下的定位精度和稳定性。

摘要：碳纤维混杂增强复合材料由于具有重量轻、可设计性强等诸多优点,广泛用于汽车、海洋、航空航天等行业.根据固化剂与环氧树脂的配比化学原理,计算出石墨烯-碳纤维混杂增强树脂基(GO-CF/EP)复合材料的最佳配比为1∶5,并采用真空浸渗热压成型工艺(VIHPS)制备1∶2~1∶7共六个配比的试样,结合形状记忆性能测试及微观形貌的观察,得到固化剂与环氧树脂实际最佳配比.实验结果表明,GO-CF/EP复合材料性能主要取决于体系中交联度的大小,交联度越大,复合材料的形状记忆性能越好,微观组织形貌也较理想.当基体配比为1∶5时,GO-CF/EP复合材料体系中交联度最大,微观形貌呈现均匀致密的状态,形状固定率最大,为95.90%;形状回复率最大,为95.40%;形状回复时间最短,为80.30 s;形状回复力最大,为9.48 N.当基体配比为1∶2或1∶7时,固化剂过量或不足,交联度较小,微观组织形貌中有大量的基体聚集区,其形状记忆性能下降,形状固定率及回复率也相应减小,分别为82.99%,81.66%,81.91%,78.75%;形状回复力分别只有5.20 N和5.50 N.