书接上篇笔记，假设声称对手可以在给定我们方案的密文的情况下找出明文的第一位。我们如何检验这一说法？通过加密以0或1开头的明文生成密文将密文交给对手，等待对手决定是哪种情况，检查决定是否正确不可区分性： 如果我们想模拟任何泄漏怎么办？为了模拟任何泄漏，我们可以让对手选择消息。对手的能力：选择明文攻击Chosen-PlaintextAttack(CPA)选择密文攻击Chosen-CiphertextAttack(CCA)IND-CPA安全对手有能力进行加密查询不可区分性：任何对手获胜的概率与偶然获胜的概率相差可忽略不计（即½）证明一个方案不是IND-CPA：给一个能以远大于½的概率赢得比赛的对手伪

我已经使用Polymer构建了一个Chrome应用程序，并希望将其安装在Android平台上。我已成功按照此处列出的步骤进行操作，编译并部署了一个SDK:https://github.com/MobileChromeApps/mobile-chrome-apps问题是，我的chrome应用程序只有37k，编译后的SDK是37Mb。我还尝试编译“HelloWorld”示例并获得类似的文件大小。虽然我预计会有一些开销，但这似乎非常高。我假设这是因为cca命令行会自动提取您可能需要的所有预期插件，即使我可能只使用了很少的插件(如果有的话)。有没有办法减少使用cca构建的应用程序的文件大小-或

前言    过去十年， TEE主要用在移动端，可以称为机密计算1.0，保障支付宝、微信、FIDO支付类信任根上的安全，保障人脸、指纹等个人隐私的安全，保障高清媒体的数字版权DRM。        2008年，ARM推出了trustzone技术，通过硬件设计将处理器运行状态隔离为安全（secure）状态和非安全（non-secure）状态，可以通过tzc-400、tzc-380等安全模块将内存分为安全内存和非安全内存。基于Trustzone技术，厂商构建出了可信执行环境TEE。    未来十年，将会进入数据经济时代，敏感数据上云以及数据的跨境、流转是让数据释放更大价值的必经之路，作为隐私计算的主

1算法来源典型相关分析是数据分析领域中非常常用的统计分析方法，而清华大学的林中林将CCA应用到了SSVEP中，并得到了较好的结果，成为SSVEP识别的经典算法。Z.Lin,C.Zhang,W.WuandX.Gao,“FrequencyrecognitionbasedoncanonicalcorrelationanalysisforSSVEP-basedBCIs,”inIEEETransactionsonBiomedicalEngineering,vol.54,no.6,pp.1172-1176,June2007,doi:10.1109/TBME.2006.889197.2算法原理确定所需频率用

在适用于Python的scikit-learn中，有一个模块调用cross_decomposition，其中包含典型相关分析(CCA)类。我一直在试图弄清楚如何给出形状为(n,m)的第2类多维向量并获得第一个典型相关系数。查看文档，一个小示例脚本如下。fromsklearn.cross_decompositionimportCCAimportnumpyasnpU=np.random.random_sample(500).reshape(100,5)V=np.random.random_sample(500).reshape(100,5)cca=CCA(n_components=1)cc