当前位置:首页 > 文章列表 > Golang > Go问答 > 降低Go中Argon2内存消耗的技巧

降低Go中Argon2内存消耗的技巧

来源:stackoverflow 2024-02-20 18:27:27 0浏览 收藏

目前golang学习网上已经有很多关于Golang的文章了,自己在初次阅读这些文章中,也见识到了很多学习思路;那么本文《降低Go中Argon2内存消耗的技巧》,也希望能帮助到大家,如果阅读完后真的对你学习Golang有帮助,欢迎动动手指,评论留言并分享~

问题内容

argon2 的设计非常消耗内存。在go半官方实现中,使用idkey时推荐使用以下参数:

key := argon2.IDKey([]byte("some password"), salt, 1, 64*1024, 4, 32)

其中 1 是时间参数,64*1024 是内存参数。这意味着该库在对值进行哈希处理时将创建一个 64mb 的缓冲区。在许多哈希过程可能同时运行的情况下,这会对主机内存造成高压。

如果内存消耗过多,建议减少内存参数并增加时间系数:

rfc 草案建议[2] time=1,而内存=64*1024 是一个合理的数字。如果在某些情况下无法使用该内存量 (64 mb),则可以增加时间参数进行补偿。

因此,假设我想将内存消耗限制为 16mb(建议 64mb 的 1/4),我仍然不清楚应该如何调整 time 参数:这是假设的吗乘以 4 以便内存和时间的乘积保持不变?或者时间和内存的相关性背后是否还有其他逻辑在起作用?


解决方案


我认为这里的关键是“补偿”这个词,所以在这种情况下它试图说:实现与 IDKey([]byte("some password"), salt, 1, 64* 类似的哈希复杂度1024, 4, 32), 你可以尝试 IDKey([]byte("一些密码"), salt, 4, 16*1024, 4, 32).
但是,如果您想降低哈希结果复杂性(并降低性能开销),可以减小 memory uint32 的大小,而忽略 time 参数。

我不这么认为,我相信这里的 memory 意味着结果哈希的长度,但是 time 参数可能意味着“哈希结果需要重新哈希多少次,直到我得到最终结果”。 p>

所以这两个参数是相互独立的。这些只是控制您想要实现的“由于时间内存权衡而节省的强力成本”

今天关于《降低Go中Argon2内存消耗的技巧》的内容就介绍到这里了,是不是学起来一目了然!想要了解更多关于的内容请关注golang学习网公众号!

版本声明
本文转载于:stackoverflow 如有侵犯,请联系study_golang@163.com删除
前端开发中,$符号对于jQuery的重要性前端开发中,$符号对于jQuery的重要性
上一篇
前端开发中,$符号对于jQuery的重要性
揭秘PyCharm密钥失效的解决方法
下一篇
揭秘PyCharm密钥失效的解决方法
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    374次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    443次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    451次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    397次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    221次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码