| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10页 |
| 1.3 目前存在的问题 | 第10-11页 |
| 1.4 本文的研究内容及工作 | 第11页 |
| 1.5 全文内容结构 | 第11-12页 |
| 第二章 反馈移位寄存器与并行计算技术 | 第12-30页 |
| 2.1 反馈移位寄存器（FSR） | 第12-17页 |
| 2.1.1 反馈移位寄存器的构造 | 第12-13页 |
| 2.1.2 反馈移位寄存器的形式化表示 | 第13页 |
| 2.1.3 反馈移位寄存器的工作原理 | 第13-14页 |
| 2.1.4 反馈移位寄存器的分类 | 第14-15页 |
| 2.1.5 反馈移位寄存器的周期和输出序列 | 第15-17页 |
| 2.2 MapReduce 并行计算框架 | 第17-24页 |
| 2.2.1 MapReduce 框架的来源和基本概念 | 第17-18页 |
| 2.2.2 MapReduce 的计算框架 | 第18-20页 |
| 2.2.3 MapReduce 的计算流程 | 第20-24页 |
| 2.2.4 MapReduce 的主要适用场景 | 第24页 |
| 2.3 GPU 并行计算框架 | 第24-30页 |
| 2.3.1 GPU 的结构特征 | 第24-26页 |
| 2.3.2 统一计算架构 CUDA | 第26页 |
| 2.3.3 通过 CUDA 进行 GPU 并行计算 | 第26-28页 |
| 2.3.4 GPU 并行计算的主要适用场景 | 第28-30页 |
| 第三章 基于并行计算框架寻找 NLFSR | 第30-47页 |
| 3.1 实验目标和计算任务 | 第30-31页 |
| 3.1.1 计算程序的输入 | 第30-31页 |
| 3.1.2 计算的目标结果 | 第31页 |
| 3.2 计算流程和算法 | 第31-35页 |
| 3.2.1 将 NLFSR 按类型分组 | 第31-34页 |
| 3.2.2 使用串行计算来寻找符合条件的 NLFSR | 第34-35页 |
| 3.3 基于单机的 GPU 并行计算实验设计 | 第35-39页 |
| 3.3.1 硬件条件与环境 | 第35页 |
| 3.3.2 主要的算法与逻辑 | 第35-39页 |
| 3.4 基于集群的 MapReduce 并行计算实验设计 | 第39-44页 |
| 3.4.1 硬件条件与环境 | 第39-40页 |
| 3.4.2 在 MapReduce 框架中计算 NLFSR | 第40-41页 |
| 3.4.3 主要的算法与逻辑 | 第41-43页 |
| 3.4.4 对传统 MapReduce 计算框架的革新 | 第43-44页 |
| 3.5 两种方案的可行性分析和比较 | 第44-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第四章 实验结果的比较，验证和分析 | 第47-59页 |
| 4.1 计算结果的正确性分析 | 第47-52页 |
| 4.1.1 并行计算逻辑的正确性分析 | 第47-50页 |
| 4.1.2 算法执行的示例和验证 | 第50-52页 |
| 4.2 计算的时间代价分析 | 第52-58页 |
| 4.2.1 提升计算速度的重要意义 | 第52-53页 |
| 4.2.2 不同框架下计算速度的比较 | 第53-56页 |
| 4.2.3 处理高次数复杂 NLFSR 时的性能优势 | 第56-58页 |
| 4.3 本章小结 | 第58-59页 |
| 第五章 总结 | 第59-61页 |
| 第六章 结束语 | 第61-63页 |
| 6.1 论文主要工作 | 第61页 |
| 6.2 未来工作展望 | 第61-63页 |
| 参考文献 | 第63-66页 |
| 致谢 | 第66-67页 |
| 攻读硕士学位期间已发表或录用的论文 | 第67-70页 |
| 附件 | 第70页 |
