随着格密码体制在密码系统中扮演的角色越来越重要,基于两类基础难题SVP和CVP的攻击算法也显得尤为关键。从LLL算法到枚举算法、BKZ算法,再到系列的BKZ改进算法,这些格基规约算法基本上成了解决各种格问题唯一有效的途径。自筛法被提出后,在近20年得到了飞速的发展,特别是近几年公开的筛法有了NNS技术、各种并行技术的加持后,它们针对高维格在实际的表现中都优于之前的各种筛法和规约算法。随着硬件的不断发展,性能的不断提高,格上筛法的并行化研究将会成为格方法研究中的重要分支。本文的第一个研究工作是对angular-LSH下的N-V筛法基于GPU的并行化改进。哈希桶的大小一般在指数量级,在CPU上的串行操作复杂度为候选向量集C的大小|C|。由于每次遍历执行彼此独立,我们将整个目标向量v与候选向量集C的|C|次检测操作全部交给GPU的单个块（block）执行。其次我们将最外层的循环,分批次打包交给所有的块执行。实验中所使用的显卡型号为NVIDIA Ge Force1050Ti,改进后的算法相对于原始的算法在70维随机格的SVP测试中有了接近1.8倍的加速效果。本文的第二个研究工作是对List筛法基于GPU的并行化改进。在原始的List筛法中,最耗时的操作在于向量v相对于向量列表L的约减,直到v不能再被L约减为止,其次是v对L的|L|次最短向量检测。我们将上述两个耗时操作交给GPU的两个核函数处理,第一个核函数每个块中的各个线程执行v相对L的约减,且当v更新后,其他线程同步共享。第二个核函数处理v对于L的检测,各个线程自由执行,当检测到最短向量,程序终止并返回。我们对50维的随机格进行改进前后的SVP实验对比,加速效率能达到2.2倍左右。