当前美国国家标准与技术研究院(National Institute of Standards and Technology,NIST)对后量子密码(Post-Quantum Cryptography,PQC)标准化方案的评估已进入第四轮,位翻转密钥封装(Bit Flipping Key Encapsulation,BIKE)协议是目前被...当前美国国家标准与技术研究院(National Institute of Standards and Technology,NIST)对后量子密码(Post-Quantum Cryptography,PQC)标准化方案的评估已进入第四轮,位翻转密钥封装(Bit Flipping Key Encapsulation,BIKE)协议是目前被评估的四个候选方案之一.在BIKE的密钥生成算法中,多项式乘法作为众多密码系统中特别耗时的操作之一,耗费了大量的时间和面积资源.针对此问题,本文设计了一种基于Karatsuba算法(Karatsuba Algorithm,KA)的无交叠多项式乘法器,可高效实现万级比特位宽的多项式乘法,具有低时延、高性能和面积小的特点.同时,本文将该优化乘法器应用于BIKE密钥生成算法中,并基于现场可编程门阵列(Field Programmable Gate Array,FPGA)对其进行硬件架构实现,改进了原有的紧凑多项式乘法和多项式求逆算法.本文提出的乘法器通过采用不同的操作数位宽,可适应对面积和延时的不同需求.与BIKE原本的设计相比,改进的设计使密钥生成模块的延时减小了36.54%,面积延迟积(Area Delay Production,ADP)减小了10.4%.展开更多
文摘目的基于机器学习构建高精度、可解释性好的后路腰椎椎体间融合术后慢性疼痛(chronic post-surgical pain,CPSP)风险预测模型,为临床早期识别高危人群、实现精准预防提供可靠工具。方法回顾性分析2019年1月至2023年12月在我院行后路腰椎椎体间融合术患者759例,其中男375例,女384例,33~80(55.28±9.94)岁。按7∶3比例分层随机分为训练集(n=531)和测试集(n=228)。收集所有患者术前、术中、术后共40项特征数据。行数据预处理和LASSO回归特征筛选后,构建7种机器学习模型,以受试者工作特征曲线下面积(area under the curve,AUC)、F1分数等作为核心指标筛选模型,使用沙普利加法解释(Shapley additive explanations,SHAP)工具对其进行可解释性分析。结果最终筛选出CPSP核心预测特征10项,其中疼痛灾难化量表(pain catastrophizing scale,PCS)、术前手术部位疼痛、并发症为三大核心驱动因素(累计贡献48.21%)。朴素贝叶斯(AUC=0.914)、逻辑回归(AUC=0.913)模型表现出较好的模型效果,朴素贝叶斯特异度达0.958,逻辑回归综合性能更均衡(F1分数=0.685)。SHAP分析明确了各特征对于预测结果的影响作用方向及强度,揭示PCS评分超过30分时,CPSP风险显著升高的阈值效应。结论利用解释性强的可解释机器学习算法所构建的后路腰椎椎体间融合术后CPSP风险预测模型,具有良好的判别效能和临床可解释性,且核心预测因子有助于指导临床个性化防控策略的开展,推动脊柱外科从“经验医学”向“数据驱动精准预防”转变。
