用cuda优化rc4

如何解决用cuda优化rc4

| 我做了一些尝试，以便在cuda中实现高效的rc4密码算法。我使用共享内存来存储内部排列状态，并注意存储库的内存布局会浪费时间并在扭曲中进行并行线程访问。我还尝试利用带有'i \'索引的读/写访问是连续的并且可以用32位字打包的事实来最大程度地减少访问次数。最后，我利用常量内存来初始化置换状态。 尽管有这些“聪明”的技巧，但即使考虑到主机和gpu之间的畅通通信可以用来部分覆盖，我仍可以预期仅达到报告的最佳实现的大约50％的吞吐量（例如，参见guapdf Cracker）。计算。我不知道为什么，我正在寻找新的改进想法或对我可能做出的错误假设的评论。 这是我的KSA（密钥设置）内核的一个玩具实现，密钥减少到4个字节。

__constant__ unsigned int c_init[256*32/4];

__global__ void rc4Block(unsigned int *d_out,unsigned int *d_in)
{
__shared__ unsigned int s_data[256*32/4];

int inOffset  = blockDim.x * blockIdx.x;
int in  = inOffset + threadIdx.x;
unsigned int key,u;

// initialization 
key = d_in[in];

for(int i=0; i<(256/4); i++) {  // read from constant memory
  s_data[i*32+threadIdx.x] = c_init[i*32+threadIdx.x];
}
// key mixing
unsigned char j = 0;
unsigned char k0 = key & 0xFF;
unsigned char k1 = (key >> 8) & 0xFF;
unsigned char k2 = (key >> 8) & 0xFF;
unsigned char k3 = (key >> 8) & 0xFF;

for(int i=0; i<256; i+=4) { // unrolled

  unsigned int u,sj,v;
  unsigned int si = s_data[(i/4)*32+threadIdx.x];
  unsigned int shiftj;

  u = si & 0xff;
  j = (j + k0 + u) & 0xFF;
  sj = s_data[(j/4)*32+threadIdx.x];
  shiftj = 8*(j%4);
  v = (sj >> shiftj) & 0xff;
  si = (si & 0xffffff00) | v;
  sj = (sj & ~(0xFFu << (8*(j%4)))) | (u << shiftj);
  s_data[(j/4)*32+threadIdx.x] = sj;

  u = (si >> 8) & 0xff;
  j = (j + k1 + u) & 0xFF;
  sj = s_data[(j/4)*32+threadIdx.x];
  shiftj = 8*(j%4);
  v = (sj >> shiftj) & 0xff;
  si = (si & 0xffff00ff) | (v<<8);
  sj = (sj & ~(0xFFu << (8*(j%4)))) | (u << shiftj);
  s_data[(j/4)*32+threadIdx.x] = sj;

  u = (si >> 16) & 0xff;
  j = (j + k2 +u) & 0xFF;
  sj = s_data[(j/4)*32+threadIdx.x];
  shiftj = 8*(j%4);
  v = (sj >> shiftj) & 0xff;
  si = (si & 0xff00ffff) | (v<<16);
  sj = (sj & ~(0xFFu << (8*(j%4)))) | (u << shiftj);
  s_data[(j/4)*32+threadIdx.x] = sj;

  u = (si >> 24) & 0xff;
  j = (j + k3 + u) & 0xFF;
  sj = s_data[(j/4)*32+threadIdx.x];
  shiftj = 8*(j%4);
  v = (sj >> shiftj) & 0xff;
  si = (si & 0xffffff) | (v<<24);
  sj = (sj & ~(0xFFu << (8*(j%4)))) | (u << shiftj);
  s_data[(j/4)*32+threadIdx.x] = sj;

  s_data[(i/4)*32+threadIdx.x] = si;
}
d_out[in] = s_data[threadIdx.x]; // unrelevant debug output 
}

    

解决方法

        似乎代码至少部分涉及对字节进行重新排序。如果您使用的是Fermi类的GPU，则可以考虑使用__byte_perm（）内在函数，该内在函数映射到Fermi类设备上的硬件指令，并允许人们更高效地对字节进行重新排序。 我假设当您与其他实施方案进行比较时，即是相同的，即在相同类型的GPU上。该代码看起来完全不受计算限制，因此吞吐量将在很大程度上取决于GPU的整数指令吞吐量，并且性能范围很广。