活动介绍

一种新颖的洗牌证明:原理、性能与未来展望

立即解锁
发布时间: 2025-08-31 00:57:20 阅读量: 12 订阅数: 27 AIGC
### 一种新颖的洗牌证明:原理、性能与未来展望 #### 1. 基本定义 在密码学的相关研究中,有几个重要的定义需要明确: - **完备性(Completeness)**:设 $(P, V)$ 如定义 1 所述,当且仅当对于所有 $(x, y) \in R$,有 $\Pr (\langle P(x, y), V (y)\rangle = 1) = 1$ 时,我们称 $(P, V)$ 实现了完备性。 - **特殊可靠性(Special soundness)**:设 $(P, V)$ 如定义 1 所述,当且仅当存在一个多项式时间提取算法 $Ext$ 时,我们称 $(P, V)$ 实现了特殊可靠性。其中,$Ext$ 以声明 $y \in Y$ 以及两个接受的转录本 $(a, e, z)$、$(a, e', z')$(其中 $e \neq e'$)作为输入,并输出见证 $x$ 使得 $(x, y) \in R$。 - **特殊诚实验证者零知识(Special honest verifier zero - knowledge)**:设 $(P, V)$ 如定义 1 所述,当且仅当存在一个概率多项式时间模拟器算法 $Sim$ 时,我们称 $(P, V)$ 实现了特殊诚实验证者零知识。$Sim$ 以声明 $y \in Y$ 和挑战 $e$ 作为输入,并输出一个接受的转录本 $(a, e, z)$,使得 $Sim(y, e) = trans(\langle P(x, y), V_e(y)\rangle)$ 成立,即模拟器的输出 $Sim(y, e)$ 与 $P(x, y)$ 和选择挑战 $e$ 的 $V(y)$ 之间的转录本具有相同的分布。 #### 2. 洗牌兼容的 Sigma 协议(SCSP) 洗牌兼容的 Sigma 协议(SCSP)是与洗牌证明兼容的 $\Sigma$ - 协议。其主要特征在于,公共声明 $y$ 可以表示为 $y = (prm, c_0, c_1)$,其中 $c_0$ 是洗牌的“输入”元素,$c_1$ 是“输出”元素。对于给定的挑战 $e \in \{0, 1\}$,验证者最终检查的输入可以限制为部分公共声明 $(prm, c_e)$ 以及转录本 $(a, e, z)$。 SCSP 是一对概率多项式时间交互式图灵机 $(P, V)$,具体信息如下: - 证明者 $P$ 以见证 - 声明对 $(x, (prm, c_0, c_1)) \in R$ 作为输入。 - 验证者 $V$ 以声明 $y = (prm, c_0, c_1)$ 作为输入,并返回 0 或 1。 - $P$ 和 $V$ 之间的交互结构如下: 1. $P$:计算 $(a, \alpha) \leftarrow Com(x, y)$ 并将承诺 $a$ 发送给 $V$。 2. $V$:计算挑战 $e \overset{r}{\leftarrow} \{0, 1\}$ 并将 $e$ 发送给 $P$。 3. $P$:计算响应 $z \leftarrow Resp(x, y, (a, \alpha), e)$ 并将 $z$ 发送给 $V$。 4. $V$:输出 $0/1 \leftarrow Check((prm, c_e), (a, e, z))$。 同时,SCSP 保证了完备性、特殊可靠性以及洗牌兼容的特殊诚实验证者零知识。当且仅当 $V$ 输出 1(即 $Check((prm, c_e), (a, e, z)) = 1$)时,我们称 $(a, e, z)$ 是一个接受的转录本。 #### 3. 通用的正确洗牌 $\Sigma$ 协议 $\Sigma_{Shuffle}$ 我们提出了一个通用的正确洗牌 $\Sigma$ 协议 $\Sigma_{Shuffle}$,它可以调用任何如定义 5 中指定的 SCSP。要证明的形式关系为: $R_{Shuffle} = \{(((x_j)_{j\in[\tau]}, \pi), (prm, (c_j^0)_{j\in[\tau]}, (c_j^1)_{j\in[\tau]})): \forall j \in [\tau]: (x_j, (prm, c_{\pi(j)}^0, c_j^1)) \in R\}$ 其中 $R$ 是底层洗牌兼容 $\Sigma$ 协议的关系。 我们提供了两个证明来表明 $\Sigma_{Shuffle}$ 是关系 $R_{Shuffle}$ 的 $\Sigma$ 协议: - 第一个证明是使用 Coq 进行的机器检查证明。Coq 编码的转换由模块 $ProofOfShuffle$ 给出,该模块定义了如上述所述的洗牌证明,并证明它是关系 $\Sigma_{Shuffle}$ 的 $\Sigma$ 协议。 - 第二个证明是一个密码学证明,具体内容
corwn 最低0.47元/天 解锁专栏
赠100次下载
继续阅读 点击查看下一篇
profit 400次 会员资源下载次数
profit 300万+ 优质博客文章
profit 1000万+ 优质下载资源
profit 1000万+ 优质文库回答
复制全文

相关推荐

史东来

安全技术专家
复旦大学计算机硕士,资深安全技术专家,曾在知名的大型科技公司担任安全技术工程师,负责公司整体安全架构设计和实施。
最低0.47元/天 解锁专栏
赠100次下载
百万级 高质量VIP文章无限畅学
千万级 优质资源任意下载
千万级 优质文库回答免费看
立即解锁

专栏目录

最新推荐

二维和三维偏微分方程耦合求解及生命科学中常微分方程问题的解决

### 二维和三维偏微分方程耦合求解及生命科学中常微分方程问题的解决 #### 1. 二维和三维偏微分方程耦合求解 在求解二维和三维偏微分方程时,有几个具体的问题和解决方法值得探讨。 ##### 1.1 获取相同网格点的 v 值 要在与 u 相同的网格点上获取 v 值,可以输入以下命令: ```matlab >> T_table=tri2grid(p,t,u(length(p)+1:end,end),x,y) ``` 示例结果如下: ``` T_table = 0.6579 0.5915 0.5968 0.6582 0 0.6042 0.4892 0.5073 0.6234 0 0.543

多视图检测与多模态数据融合实验研究

# 多视图检测与多模态数据融合实验研究 ## 1. 多视图检测实验 ### 1.1 实验数据集 实验参考了Wildtrack数据集和MultiviewX数据集,这两个数据集的特点如下表所示: | 数据集 | 相机数量 | 分辨率 | 帧数 | 区域面积 | | ---- | ---- | ---- | ---- | ---- | | Wildtrack | 7 | 1080×1920 | 400 | 12×36 m² | | MultiviewX | 6 | 1080×1920 | 400 | 16×25 m² | ### 1.2 评估指标 为了评估算法,使用了精度(Precision)、

使用PyTorch构建电影推荐系统

### 使用 PyTorch 构建电影推荐系统 在当今数字化时代,推荐系统在各个领域都发挥着至关重要的作用,尤其是在电影推荐领域。本文将详细介绍如何使用 PyTorch 构建一个电影推荐系统,从数据处理到模型训练,再到最终的推荐生成,为你呈现一个完整的推荐系统构建流程。 #### 1. 数据探索与处理 首先,我们需要对 MovieLens 数据集进行探索和处理。该数据集包含用户对电影的评分信息,其中存在一些缺失的评分值,用 NaN 表示。我们的目标是利用非空评分训练推荐系统,并预测这些缺失的评分,从而为每个用户生成电影推荐。 以下是处理数据集的代码: ```python import p

利用Kaen实现PyTorch分布式训练及超参数优化

### 利用Kaen实现PyTorch分布式训练及超参数优化 #### 1. 启用PyTorch分布式训练支持 在进行模型训练时,我们可以使用Kaen框架来支持PyTorch的分布式训练。以下是相关代码示例: ```python train_glob = os.environ['KAEN_OSDS_TRAIN_GLOB'] if 'KAEN_OSDS_TRAIN_GLOB' in os.environ else 'https://raw.githubusercontent.com/osipov/smlbook/master/train.csv' val_glob = os.environ['

模糊推理系统对象介绍

# 模糊推理系统对象介绍 ## 1. fistree 对象 ### 1.1 概述 fistree 对象用于表示相互连接的模糊推理系统树。通过它可以创建一个相互关联的模糊推理系统网络。 ### 1.2 创建方法 可以使用以下语法创建 fistree 对象: ```matlab fisTree = fistree(fis,connections) fisTree = fistree( ___ ,'DisableStructuralChecks',disableChecks) ``` - `fisTree = fistree(fis,connections)`:创建一个相互连接的模糊推理系统对象

利用PyTorch进行快速原型开发

### 利用 PyTorch 进行快速原型开发 在深度学习领域,快速搭建和验证模型是非常重要的。本文将介绍两个基于 PyTorch 的高级库:fast.ai 和 PyTorch Lightning,它们可以帮助我们更高效地进行模型的训练和评估。 #### 1. 使用 fast.ai 进行模型训练和评估 fast.ai 是一个基于 PyTorch 的高级库,它可以让我们在几分钟内完成模型的训练设置。下面是使用 fast.ai 训练和评估手写数字分类模型的步骤: ##### 1.1 模型训练日志分析 在训练过程中,我们可以看到冻结网络的第一个训练周期,然后是解冻网络的两个后续训练周期。日志中

PyTorch神经网络构建与训练全解析

### PyTorch 神经网络构建与训练全解析 #### 1. 特征标准化 在很多情况下,对特征进行标准化是一个很好的做法,即使并非总是必要(例如当所有特征都是二元特征时)。标准化的目的是让每个特征的值具有均值为 0 和标准差为 1 的特性。使用 scikit-learn 的 `StandardScaler` 可以轻松完成这一操作。 然而,如果你在创建了 `requires_grad=True` 的张量后需要进行标准化操作,就需要在 PyTorch 中直接实现,以免破坏计算图。以下是在 PyTorch 中实现特征标准化的代码: ```python import torch # Creat

电力电子中的Simulink应用:锁相环、静止无功补偿器与变流器建模

# 电力电子中的Simulink应用:锁相环、静止无功补偿器与变流器建模 ## 1. 锁相环(PLL) ### 1.1 锁相环原理 锁相环(PLL)是一种控制算法,用于确定正弦输入的频率和相位角。它主要用于两个系统之间的频率匹配,匹配完成后会存在一个恒定的相位差,从而实现相位“锁定”。PLL由相位检测机制、PID控制器和用于生成相位角信息的振荡器组成。此外,系统中还包含一个低通滤波器,用于获取正弦输入的频率信息。在柔性交流输电系统(FACTS)设备中,PLL增益对稳定系统性能起着至关重要的作用。 ### 1.2 Simulink环境下的PLL设置 为了直观展示PLL如何反映频率和相位的变化

模型生产化:从本地部署到云端容器化

# 模型生产化:从本地部署到云端容器化 ## 1. 引入 FastAPI 在将模型投入生产的过程中,我们首先要安装 FastAPI。由于 FastAPI 是一个 Python 模块,我们可以使用 pip 进行安装。打开一个新的终端,运行以下命令: ```bash $ pip install fastapi uvicorn aiofiles jinja2 ``` 这里我们安装了一些 FastAPI 所需的额外依赖项。uvicorn 是一个用于设置 API 的底层服务器/应用程序接口,而 aiofiles 则使服务器能够异步处理请求,例如同时接受和响应多个独立的并行请求。这两个模块是 FastA

强化学习与合成数据生成:UnityML-Agents深度解析

# 强化学习与合成数据生成:Unity ML - Agents 深度解析 ## 1. 好奇心奖励与超参数设置 在强化学习中,为了激发智能体的好奇心,可以传递与外在奖励相同的超参数。具体如下: - **好奇心奖励信号超参数**: - `reward_signals->curiosity->strength`:用于平衡好奇心奖励与其他奖励(如外在奖励)的缩放系数,取值范围在 0.0 到 1.0 之间。 - `reward_signals->curiosity->gamma`:根据奖励实现所需的时间来调整奖励感知价值的第二个缩放系数,与外在奖励的 `gamma` 类似,取值范围也在