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。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
Baichuan-M3-235BBaichuan-M3 是百川智能推出的新一代医疗增强型大型语言模型,是继 Baichuan-M2 之后的又一重要里程碑。Python00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00