PQCrypto-SIDH 项目使用教程
1. 项目目录结构及介绍
PQCrypto-SIDH 项目的目录结构如下:
PQCrypto-SIDH/
├── KAT/
├── Visual Studio/
├── src/
│ ├── P434_api.h
│ ├── P503_api.h
│ ├── P610_api.h
│ ├── P751_api.h
│ ├── ...
├── tests/
│ ├── aes/
│ ├── rng/
│ ├── PQCtestKAT_kem.c
│ ├── ...
├── Makefile
├── README.md
├── LICENSE
└── ...
目录结构介绍
- KAT/: 包含已知答案测试(Known Answer Test, KAT)文件,用于验证 KEM(Key Encapsulation Mechanism)的正确性。
- Visual Studio/: 包含 Visual Studio 的项目文件,用于在 Windows 环境下编译和运行项目。
- src/: 包含项目的源代码文件,包括主要的 API 头文件(如
P434_api.h等)和实现文件。 - tests/: 包含测试文件,用于测试项目的各个功能模块。
- Makefile: 用于在 Linux 环境下编译项目的 Makefile 文件。
- README.md: 项目的基本介绍和使用说明。
- LICENSE: 项目的开源许可证文件。
2. 项目的启动文件介绍
PQCrypto-SIDH 项目没有明确的“启动文件”,因为它是一个库项目,主要用于实现基于超奇异同源的密码学方案。项目的启动通常是通过编译和链接库文件,然后在应用程序中调用相应的 API 来实现的。
编译和运行
Linux 环境
在 Linux 环境下,可以使用以下命令编译项目:
make
编译完成后,可以运行测试文件来验证库的功能:
./tests/arith_tests-p434
./tests/arith_tests-p503
./tests/arith_tests-p610
./tests/arith_tests-p751
Windows 环境
在 Windows 环境下,可以使用 Visual Studio 打开 Visual Studio/SIDH.sln 解决方案文件,选择相应的平台(x64 或 Win32)和配置(Fast 或 Generic),然后点击“生成解决方案”进行编译。
编译完成后,可以在 tests/ 目录下找到生成的可执行文件,运行这些文件来测试库的功能。
3. 项目的配置文件介绍
PQCrypto-SIDH 项目的主要配置文件是 Makefile 和 Visual Studio 解决方案文件 SIDH.sln。
Makefile
Makefile 文件用于在 Linux 环境下配置和编译项目。它包含以下主要配置选项:
- ARCH: 指定目标架构(如 x64、x86、ARM 等)。
- CC: 指定编译器(如 gcc 或 clang)。
- OPT_LEVEL: 指定优化级别(如 FAST 或 GENERIC)。
- USE_MULX 和 USE_ADX: 指定是否使用特定的 CPU 指令集优化。
示例配置:
make ARCH=x64 CC=gcc OPT_LEVEL=FAST USE_MULX=TRUE USE_ADX=TRUE
Visual Studio 解决方案文件
SIDH.sln 文件用于在 Visual Studio 中配置和编译项目。在 Visual Studio 中打开该文件后,可以选择不同的平台(x64 或 Win32)和配置(Fast 或 Generic)来编译项目。
其他配置
项目还包含一些其他的配置文件,如 src/ 目录下的 API 头文件(如 P434_api.h 等),这些文件定义了库的接口和参数,用户可以根据需要进行配置和调用。
总结
PQCrypto-SIDH 项目是一个高效的基于超奇异同源的密码学库,支持多种平台和架构。通过编译和运行测试文件,用户可以验证库的功能并集成到自己的应用程序中。项目的配置主要通过 Makefile 和 Visual Studio 解决方案文件进行管理。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
Spark-Prover-X1-7BSpark-Prover-X1-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer-X1-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile015
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00