该文提出一种新的移位序列集的构造方法，并基于这些新的移位序列，通过交织周期为N的完备高斯整数序列，得到一类具有灵活相关区长度的周期为2N的高斯整数零相关区序列集。这类新的序列集的参数能接近甚至达到Tang-Fan-Matsuji界，所以序列集的性能是最佳的或者几乎最佳的。高斯整数零相关区序列集可为高速准同步扩频系统提供更多的地址选择空间。

为了分析ZUC序列密码算法在相关性能量分析攻击方面的免疫能力，该文进行了相关研究。为了提高攻击的针对性，该文提出了攻击方案的快速评估方法，并据此给出了ZUC相关性能量分析攻击方案。最后基于ASIC开发环境构建仿真验证平台，对攻击方案进行了验证。实验结果表明该方案可成功恢复48 bit密钥，说明ZUC并不具备相关性能量分析攻击的免疫力，同时也证实了攻击方案快速评估方法的有效性。相比Tang Ming等采用随机初始向量进行差分能量攻击，初始向量样本数达到5000时才能观察到明显的差分功耗尖峰，该文的攻击方案只需256个初始向量，且攻击效果更为显著。

2000年, Tang, Fan和Matsufuji给出(L,M,Zcz)-ZCZ序列簇的理论界为ZczL/M-1 。给定正整数n和L，本文给出一个交织ZCZ序列簇的构造算法，该算法由L条周期为L的正交序列簇生成一类(2n+1L,2L,2n-1)-ZCZ序列簇。若n2且4 |, 该类ZCZ序列簇中编号为奇数的序列与编号为偶数的序列在移位为时相关值为零。此外，选择不同的正交序列簇或不同的移位序列, 经构造算法可以生成不同的ZCZ序列簇。

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。