汇编语言
摩斯荣获2024“金融密码杯”一等奖
墨衍会员 · AI 创作全网分发 墨衍智能分发 通过墨衍一键同步至各平台 可同步平台 CSDN微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网
我也要 关注 + 加入社区持续技术创新以领先的隐私计算技术打造营销科技底座！
开篇
2024“金融密码杯”密码应用和技术创新大赛圆满落幕，摩斯荣获第二阶段赛事一等奖、创新赛三等奖。“金融密码杯”是国内金融行业规格最高的密码大赛，目标是汇聚高端人才、探索数字金融创新前沿、引领金融密码融合发展、强化数字经济安全体系，中国人民银行数字货币研究所副所长狄刚，中国科学院院士王小云，市委常委、副市长顾海东，副市长季晶出席了颁奖典礼。摩斯参赛团队受邀在大赛的“金融信息安全研讨会”上演讲并介绍了获奖方案。
基于摩斯隐私计算平台密码库的实现方案
摩斯本次的获奖题目为第二阶段赛事“国密算法的高速安全软件实现”，题目分为服务器端和移动端国密算法SM2、3、4的高效软件实现，参赛作品需同时满足功能正确性、安全性和内存限制要求，并力求达到最高的性能表现。
摩斯的获奖方案《MorseCrypto：国密算法安全高性能实现》是基于摩斯隐私计算平台的底层密码库方案，主要在X86和ARM平台上从算法设计和编码两个方面优化。算法设计方面，充分利用X86平台的高级向量扩展指令集和ARM平台的A64指令集特性，设计向量化并行的实现算法，使单任务和多任务的并行实现均达到最少计算数，同时特别优选指令实例化算法使算法的实际总指令数最少、理论时延最低。编码实现方面，采用汇编语言和内联汇编编码，精准控制寄存器以最少访存，同时充分考虑处理器计算单元的超标量、指令流水线等特性，精心排布数据无关指令将各计算单元流水线填满，达到最高指令吞吐量。
MorseCrypto的SM2、SM3、SM4算法性能，与目前最快的开源库相比均有大幅提升。其中X86平台上SM2验签达到3倍，ARM平台上SM2验签达到4.3倍。
夯实营销科技底座，保护数据隐私安全
营销场景数据量大、时效性强，对产品性能要求高，摩斯基于多年金融营销场景打磨，利用协议算法库MorseCrypto进一步构建出高性能的半同态算法(ElGamal、Paillier)、GC、OT等MPC基础协议的高性能实现，极大地提升了摩斯隐私计算产品的性能。摩斯是行业内为数不多的同时通过信通院多方安全（MPC）和联邦学习（FL）隐私计算大规模性能认证的厂商。
目前摩斯隐私计算产品已在上百家银行、证券等金融机构部署使用，助力数据安全流通、业务增长。
关注我，获取更多资讯~
相关推荐
蚂蚁摩斯安全计算平台白皮书
蚂蚁摩斯安全计算平台是借助区块链、密码学、隐私保护、安全多方安全计算等前沿技术，建设的数据安全和保护隐私的可信数据交换基础设施，旨在帮助企业机构之间进行安全、高效的数据合作。在产品设计之初，蚂蚁摩斯安全计算平台就坚信数据可用不可见以及去中心化的数据合作方向。 面向未来的数据合作方向是数据可用不可见。由于多方安全计算、同态加密、零知识证明等技术的发展，使数据使用方在不拿到原始明细数据的情况下进行相关的计算并得到期望的结果成为可能。在这种情况下，获取原始数据一方面增加了企业使用数据的成本，另一方面对数据管理的责任也增加了数据持有成本。对于数据管理方，原始数据不出域，可用不可见大大降低了数据在合作过程中的泄露风险，加快了数据流通的效率并提升了数据的商业价值。 面向未来的数据合作方向是去中心化的。随着数据合作场景的日趋复杂化，在一个计算场景下，可能需要使用到不同行业、不同机构的数据，同一份数据也有众多的需求方，将数据和计算分布在不同的节点上的，很好的避免了数据的中心化聚集带来的信任问题，也提升了数据合作过程中的计算效率。
2021隐私计算行业研究报告：深潜数据蓝海.zip
2021隐私计算行业研究报告：深潜数据蓝海
gqWEGQWREGERGTH
gqWEGQWREGERGTH
机械三维3D设计图-等离子清洗机.zip
机械三维3D设计图-等离子清洗机.zip
【无人车路径跟踪】基于神经网络的数据驱动迭代学习控制(ILC)算法，用于具有未知模型和重复任务的非线性单输入单输出(SISO)离散时间系统的无人车的路径跟踪（Matlab代码实现）
内容概要：本文提出了一种基于神经网络的数据驱动迭代学习控制（ILC）算法，专门针对具有未知动态模型和重复任务需求的非线性单输入单输出（SISO）离散时间系统，应用于无人车路径跟踪问题，并提供了完整的Matlab代码实现。该方法充分利用神经网络强大的非线性逼近能力和数据驱动特性，结合迭代学习控制在周期性任务中逐次提升控制性能的优势，无需依赖被控对象的精确数学模型，即可实现对期望轨迹的高精度、渐进式跟踪。文中系统阐述了算法的整体架构设计、关键控制律的构建方式、权重更新机制以及在无人车系统中的具体实施流程，展示了其在复杂非线性环境下的有效性和鲁棒性。; 适合人群：具备自动控制理论、机器学习基础知识和Matlab编程能力的研究生、科研人员，以及从事自动驾驶、智能控制、机器人控制等领域的工程技术人员。; 使用场景及目标：①解决无人车、工业机器人等在执行重复性路径任务时的高精度轨迹跟踪问题；②为研究数据驱动控制、迭代学习控制与神经网络的深度融合提供一个完整的仿真案例和技术参考；③辅助研究人员复现先进控制算法，服务于学术论文的验证、课题研究或实际工程项目的技术预研。; 阅读建议：建议读者在学习过程中紧密结合所提供的Matlab代码，深入剖析算法各模块的具体实现逻辑，推荐预先掌握迭代学习控制的基本原理和神经网络的相关知识，并通过Simulink搭建仿真环境，进行不同工况下的实验验证，以深刻理解算法的控制效果、收敛特性及关键参数的调优策略。
