该文提出一种通用的时间数字转换器(TDC)码密度校准信号产生方法，该方法基于相干采样理论，通过合理设置TDC主时钟和校准信号之间的频率差，结合输出信号保持电路，产生校准用的随机信号，在码密度校准过程中，随机信号均匀分布在TDC的延时路径上，实现对TDC的bin-by-bin校准。基于Xilinx公司的28 nm工艺的Kintex-7 现场可编程门阵列(FPGA)内部的进位链实现一种plain TDC，利用该方法校准plain TDC的码宽(抽头延迟时间)，研究校准了2抽头方式下的TDC的性能参数，时间分辨率(对应TDC的最低有效位，Least Significant Bit, LSB)为24.9 ps，微分非线性为(–0.84～3.1)LSB，积分非线性为(–5.0～2.2)LSB。文中所述的校准方法采用时钟逻辑资源实现，多次测试考核结果表明，单个延时单元的标准差优于0.5 ps。该校准方法采用时钟逻辑资源代替组合逻辑资源，重复性、稳定性较好，实现了对plain TDC的高精度自动校准。该方法同样适用于其他类型的TDC的码密度校准。

在车载网络(VANETs)中，联邦学习(FL)通过协同训练机器学习模型，实现了车辆间的数据隐私保护，并提高了整体模型的性能。然而，FL在VANETs中的应用仍面临诸多挑战，如模型泄露风险、训练结果验证困难以及高计算和通信成本等问题。针对这些问题，该文提出一种面向联邦学习的可验证隐私保护批量聚合方案。首先，该方案基于Boneh-Lynn-Shacham (BLS)动态短群聚合签名技术，保护了客户端与路边单元(RSU)交互过程中的数据完整性，确保全局梯度模型更新与共享过程的不可篡改性。当出现异常结果时，方案利用群签名的特性实现车辆的可追溯性。其次，结合改进的Cheon-Kim-Kim-Song (CKKS)线性同态哈希算法，对梯度聚合结果进行验证，确保在联邦学习的聚合过程中保持客户端梯度的机密性，并验证聚合结果的准确性，防止服务器篡改数据导致模型训练无效的问题。此外，该方案还支持车辆在部分掉线的情况下继续更新模型，保障系统的稳定性。实验结果表明，与现有方案相比，该方案在提升数据隐私安全性和结果的可验证性的同时，保证了较高效率。