NTRU加解密算法的GPU实现研究

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (34): 81-85.

NTRU加解密算法的GPU实现研究

朱瑶，严承华，李强

海军工程大学电子工程学院，武汉 430033

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-12-01 发布日期:2011-12-01

Research of NTRU encryption and decryption algorithm with GPU

ZHU Yao，YAN Chenghua，LI Qiang

School of Electronic Engineering，Naval University of Engineering，Wuhan 430033，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-12-01 Published:2011-12-01

摘要/Abstract

摘要： GPU拥有高度并行性和可编码的特点，在大规模数据并行计算方面得到广泛应用。NTRU算法是一种安全性高，易于并行化的公钥密码算法。研究了NTRU算法基于CUDA的并行化实现技术，将计算中最耗时的卷积运算分解到多个线程并行计算，引入大量的独立并发的加解密线程块来完成整个加解密过程，并给出了具体的数据编码及存储结构、线程组织以及基于合并访问和共享内存的性能优化技术。实验结果表明，基于CUDA的NTRU加解密算法实现了硬件加速，相对于NTRU算法在CPU的实现，CUDA实现能够达到12.38 MB/s的吞吐量，可获得最大为95倍的加速比。

关键词: 统一计算设备架构, 图形处理单元, NTRU算法, 并行

Abstract: Graphic Processing Unit（GPU） has a advantage of high parallelism and programmable，which is applied widely to massive data parallel compute.NTRU is a public key cryptography algorithm which has a high security and is easy to be parallel.A high performance implementation of NTRU algorithm based on Compute Unified Device Architecture（CUDA） is presented.The most time-consuming convolution is divided into several parallel threads to compute and the whole CUDA implementation of NTRU is large amount of independent parallel thread blocks of encryption or decryption in the kernel side.The thread organization scheme and data encode and storage are also presented.Besides，coalesced access and shared memory based performance improvement method are also presented.The result shows that the implementation of NTRU based on CUDA is with high efficiency compared with the tradition NTRU algorithm implemented on CPU can get throughput of 12.38 MB/s and acceleration of 95 times at most.

Key words: Compute Unified Device Architecture（CUDA）, Graphic Processing Unit（GPU）, NTRU algorithm, parallelization

朱瑶，严承华，李强. NTRU加解密算法的GPU实现研究[J]. 计算机工程与应用, 2011, 47(34): 81-85.

ZHU Yao，YAN Chenghua，LI Qiang. Research of NTRU encryption and decryption algorithm with GPU[J]. Computer Engineering and Applications, 2011, 47(34): 81-85.

[1]	李俊丽. Spark平台下类别数据互信息计算的并行化[J]. 计算机工程与应用, 2021, 57(7): 95-100.
[2]	石杰元，袁志勇，廖祥云，赵俭辉. 面向磁悬浮视触觉交互的多速率系统框架[J]. 计算机工程与应用, 2021, 57(5): 197-203.
[3]	唐蕊，焦继业，徐华昊. 面向嵌入式的卷积神经网络硬件加速器设计[J]. 计算机工程与应用, 2021, 57(4): 252-257.
[4]	杨鲁月，张树美，赵俊莉. 基于并行Gan的有遮挡动态表情识别[J]. 计算机工程与应用, 2021, 57(24): 168-178.
[5]	朱梦，闵卫东，张煜，段静雯. 基于HardSoftmax的并行选择核注意力[J]. 计算机工程与应用, 2021, 57(21): 95-101.
[6]	冯凯，李婧. k元n方体网络的子网络可靠性[J]. 计算机工程与应用, 2021, 57(16): 83-89.
[7]	李健，张大伟，姜晓明，向立云. 并行化洪水演进模拟研究综述[J]. 计算机工程与应用, 2021, 57(13): 1-7.
[8]	孙明，陈昕. 面向卷积神经网络的硬件加速器设计方法[J]. 计算机工程与应用, 2021, 57(13): 77-84.
[9]	陈元文. MapReduce技术在物资调运与配载问题中的应用[J]. 计算机工程与应用, 2021, 57(12): 273-278.
[10]	叶颖诗，魏福义，蔡贤资. 基于并行计算的快速Dijkstra算法研究[J]. 计算机工程与应用, 2020, 56(6): 58-65.
[11]	杨捷，吴素萍. 点云重建的并行算法[J]. 计算机工程与应用, 2020, 56(6): 213-219.
[12]	杜伟，傅游. 基于GPU的最小二乘蒙特卡罗算法期权定价[J]. 计算机工程与应用, 2020, 56(4): 225-229.
[13]	金之雁，杨磊，林隽民，王哲. 广义共轭余差法的通信避免算法[J]. 计算机工程与应用, 2020, 56(3): 74-79.
[14]	何锋，曾文，王秉钧. 并行实时测控数据存储系统设计与实现[J]. 计算机工程与应用, 2020, 56(23): 253-258.
[15]	刘家华，陈靖宇. 多核并行脉冲神经网络模拟器的设计[J]. 计算机工程与应用, 2020, 56(22): 244-250.