基于通用计算平台SM4-CTR算法并行实现与优化

随着大数据、云计算、5G通信技术的迅速发展,数据传输安全问题日益凸显,密码算法的设计和高效实现变得尤为重要,能高速运行的国产密码算法已成为保护国家安全的关键.与此同时,原本只用于图像计算的硬件GPU,在编程模型CUDA发布后就成为通用的、普及化的算力资源.本文基于通用的计算机平台,提出了利用其本地GPU进行CTR工作模式下SM4算法高速加解密的并行实现和优化方案.实验表明,本文提出的SM4-CTR并行加解密方案能够有效提高SM4算法的运行效率,在通用的计算机平台上,能够达到40倍加速比,加解密速率达到了14.192 Gbps.实验中还分析了线程块划分对GPU并行加速效果的影响,最优线程块大小为128到512,且必须为32的整倍数.最后,基于本文实验的结果与其他团队的优化SM4方案进行对比,包括传统工作模式下利用CPU、GPU优化的方案和利用软件快速实现的方案,对比结果显示即便之前团队的方案运行的平台硬件条件好于本文实验环境,文中提出的方案运行速率依然能做到大幅领先.因此,本文方案在安全性、运算速率提高的同时适用平台也更加广泛,在实际生活中针对大数据和个人数据的安全保护中必将发挥巨大的作用.

SM4算法CTR模式的高吞吐率ASIC实现

针对同时要求安全性能高和吞吐率高的应用场景,基于支持并行实现的计数器模式SM4算法,提出一种高性能、可扩展的电路结构。该结构分离了控制平面和数据平面,并对数据平面进行了参数化,使得电路性能可依据吞吐率需求进行扩展。通过该结构,既可保障数据的安全性能,又可保证较高的吞吐率。FPGA实现结果显示,单通道设计的吞吐率可达14.647Gbit/s,而资源开销仅为7 423 ALMs。在0.18μm CMOS工艺下进行综合的芯片面积为0.271 mm^2。

基于CTR操作模式的AES算法加密组件的研究

通过对AES算法进行研究和实现,并对CTR算法的操作模式必要性和模式原理进行说明,结合COM的优秀特性将基于CTR操作模式的AES算法封装在一个组件中,组成一个跨平台可重用性的组件。

基于多维用户画像和DeepFM的“环评云助手”资源推荐研究

“环评云助手”是一款服务于环境影响评价行业用户的APP,针对APP中信息量激增、行业资源文本特征利用不充分和行业用户即时资源推荐精准较低等问题,提出一种结合行业文本资源和用户行为特征的多维用户画像模型并应用于深度因子分解机(Deep Factorization Machines,DeepFM),实现资源点击率(Click-Through-Rate,CTR)的精准预测.模型首先对行业资源文本进行语义抽取,再对行业用户行为进行自定义评分,从而构建多维用户画像模型;最后将多维用户画像应用于DeepFM模型,进行CTR预测任务,实现具有行业特征的个性化推荐.实验数据来自“环评云助手”APP,实验结果表明该模型有效提高了CTR预测任务的AUC值,降低了LogLoss值,具有一定的应用价值.

一种基于曝光量和点击率的用户组优化策略

行为定向技术在网络广告投放过程中起着非常重要的作用,其中最关键的就是对用户进行分组.好的用户分组策略能够产生高质量的用户组,对用户组内的用户投放广告能够有效提高点击量(曝光量×点击率).传统的用户分组策略评估方法重点考虑点击率(click-through rate,CTR)提高程度,忽略了曝光量(impression)的重要性.曝光量受到用户数量的影响,当用户组中的用户数量达不到一定值时,看到广告的用户数量很少,导致曝光量非常少,即使广告的CTR很高,点击量和广告转换量也会非常少,针对这样的用户组投放广告不会为广告主带来特别大的收益.针对曝光量小的用户组,提出一种用户组优化算法,可保证最终分组结果同时具备高的CTR提高程度和曝光量.在真实数据集上进行实验,结果表明经过优化之后的用户组在保证CTR的同时大幅度提高了曝光量和点击量.

一种基于用户角色的综合网页排序算法

通过对网页用户角色的分析发现,传统的基于PageRank算法的搜索引擎结果排序欠佳,是因为其没有兼顾所有角色对网页重要性的评价。为此,提出一种结合了所有角色评价的综合网页排序算法——ComPageRank(CPR)算法和一种基于点击量分析的Click-throughRank(CTR)算法。实验结果表明,相比PageRank为代表的网页排序算法,CPR算法更全面、合理。

基于DeepFM的深度兴趣因子分解机网络

推荐系统能够根据用户的喜好从海量信息中筛选出其可能感兴趣的信息并进行排序展示。随着深度学习在多个研究领域取得了良好的效果,其也开始应用于推荐系统。目前基于深度学习的推荐排序算法常采用Embedding&MLP模式,只能获得高阶的特征交互。为了解决该问题,DeepFM在上述模式中加入了因子分解机(Factorization Machine,FM),能够实现端到端的低阶与高阶特征交互学习,但其缺乏用户兴趣多样性的表示。鉴于此,通过将多头注意力机制引入DeepFM,提出了深度兴趣因子分解机网络(Deep Interest Factorization Machine Network,DIFMN)。DIFMN能够根据待推荐的不同物品自适应地学习用户表示,展示用户兴趣的多样性。此外,该模型根据用户历史行为的种类添加了喜好表征,从而不仅能够应用于只记录用户爱好的历史行为的任务,还可以处理同时记录用户喜欢与不喜欢的历史行为的任务。采用tensorflow-gpu进行算法的实现,在Amazon(Electronics)和movieLen-20m两个公开数据集上进行对比测试,实验表明所提算法相比DeepFM分别有17.70%和35.24%的RelaImpr提升,验证了其可行性与有效性。

基于CUDA的SKINNY加密算法并行实现与分析

针对SKINNY加密算法在中央处理器(CPU)下实现效率偏低的问题,提出一种基于图形处理器(GPU)的快速实现方法。首先,结合SKINNY算法的结构特征提出优化方案,将5个分步操作优化整合为1个整体运算;然后,分析该算法的电子密码本(ECB)模式和计数器(CTR)模式的特性,并给出并行粒度、内存分配等并行设计方案。实验结果表明,与传统的CPU实现方法下的SKINNY算法相比,基于计算统一设备架构(CUDA)实现的SKINNY算法的效率和吞吐量得到很大提升。具体来说,当处理的数据达到16 MB及以上时,在所提实现方法下,SKINNY算法的ECB模式的加速效率提升峰值为99.85%,加速比峰值为671,CTR模式的加速效率提升峰值为99.87%,加速比峰值为765;而与已有AES-256(ECB)和SKINNY_ECB并行算法比较,新提出的SKINNY-256(ECB)并行算法的吞吐量分别是它们的吞吐量的1.29倍和2.55倍。

基于FG_DRFwFm模型的深度推荐

近年来随着深度学习在多个领域取得了不错的效果,深度学习也开始应用在推荐系统,例如利用深度学习技术来捕捉高阶特征交互的NFM模型和DeepFM模型等。然而考虑到外部环境和内部感知的变化,用户的兴趣也应该随着时间动态的变化,且基于原始特征进行组合不一定能学到有效特征交互。为此尝试构建一种新的模型FG_DRFwFm,该模型能学习多特征域低阶与高阶特征交互与处理用户长期兴趣变化,并且训练特征是根据原始特征构建出新特征并拼接后组成的,能更好地学习有效特征交互。最后该模型在MovieLens数据集上与多个先进的CTR算法进行推荐效果对比验证,实验结果证明提出的模型取得了更好的效果。