论文笔记:Efficient Bootstrapping for Confidential Transactions

本文主要是介绍论文笔记:Efficient Bootstrapping for Confidential Transactions,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

EcoBoost: Efficient Bootstrapping for Confidential Transactions

设计了一种被称为EcoBoost的新方法,以提高支持机密交易的区块链的引导效率。具体来说,利用随机抽样来验证高概率保密交易的正确性。因此,与事务数量相比**,验证开销是次线性的**(与当前解决方案中的线性相比)。实验结果表明,如果比特币实现保密交易,EcoBoost可以在引导中节省超过86%的存储和验证时间,但仍然以99%的概率检测到虚假交易。

具体来说,当一个新节点加入网络时,它需要从其他节点检索区块链上的交易。由于网络是分布式的,这个新节点并不完全信任其他节点,它需要验证区块链上的所有交易都是正确的,然后才能参与任何交易。这一步被称为 bootstrapping。

EcoBoost,这是一种优化支持机密交易的区块链 bootstrapping开销的新方法。
主要思想是利用随机抽样[5]来概率验证机密交易的证明,但仍然可以确保所有证明以非常高的概率是正确的。

主要思想是要求一个新节点随机检索s个证明,而不是下载所有n个证明如果s个证明是正确的,则表明区块链上的所有n个证明都有很高的概率是正确的。随机选择的证明的数量也是可调的,这在效率和正确性之间进行了各种权衡。为了对证明进行随机抽样,只有每个证明的哈希值而不是证明本身被包含在区块链中。网络中现有的全节点将需要存储所有机密交易和所有证明

安全分析。假设有n个机密交易和n个证明。假设n个机密交易中有d个是虚假交易。设s为用户在验证中随机选择的证明个数。设X是一个随机变量,表示一个新节点在bootstrapping过程中选择的虚假交易证明的数量。我们可以计算 P x P_x Px,即在验证中选择至少一个虚假交易证明的概率,如下所示
在这里插入图片描述
根据[5]的分析,如果我们将虚假交易的数量d表示为机密交易总数n的一部分,则概率Px与n无关,可以由随机选择的证明的数量s来决定。

(这篇短文的方法很简单,用概率抽样的方法牺牲了一定的交易合法性,通过概率方式优化节点验证效率是优化区块链存储的一种思路)

这篇关于论文笔记:Efficient Bootstrapping for Confidential Transactions的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/790866

相关文章

AI hospital 论文Idea

一、Benchmarking Large Language Models on Communicative Medical Coaching: A Dataset and a Novel System论文地址含代码 大多数现有模型和工具主要迎合以患者为中心的服务。这项工作深入探讨了LLMs在提高医疗专业人员的沟通能力。目标是构建一个模拟实践环境,人类医生(即医学学习者)可以在其中与患者代理进行医学

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识

论文翻译:arxiv-2024 Benchmark Data Contamination of Large Language Models: A Survey

Benchmark Data Contamination of Large Language Models: A Survey https://arxiv.org/abs/2406.04244 大规模语言模型的基准数据污染:一项综述 文章目录 大规模语言模型的基准数据污染:一项综述摘要1 引言 摘要 大规模语言模型(LLMs),如GPT-4、Claude-3和Gemini的快

论文阅读笔记: Segment Anything

文章目录 Segment Anything摘要引言任务模型数据引擎数据集负责任的人工智能 Segment Anything Model图像编码器提示编码器mask解码器解决歧义损失和训练 Segment Anything 论文地址: https://arxiv.org/abs/2304.02643 代码地址:https://github.com/facebookresear

数学建模笔记—— 非线性规划

数学建模笔记—— 非线性规划 非线性规划1. 模型原理1.1 非线性规划的标准型1.2 非线性规划求解的Matlab函数 2. 典型例题3. matlab代码求解3.1 例1 一个简单示例3.2 例2 选址问题1. 第一问 线性规划2. 第二问 非线性规划 非线性规划 非线性规划是一种求解目标函数或约束条件中有一个或几个非线性函数的最优化问题的方法。运筹学的一个重要分支。2

【C++学习笔记 20】C++中的智能指针

智能指针的功能 在上一篇笔记提到了在栈和堆上创建变量的区别,使用new关键字创建变量时,需要搭配delete关键字销毁变量。而智能指针的作用就是调用new分配内存时,不必自己去调用delete,甚至不用调用new。 智能指针实际上就是对原始指针的包装。 unique_ptr 最简单的智能指针,是一种作用域指针,意思是当指针超出该作用域时,会自动调用delete。它名为unique的原因是这个

查看提交历史 —— Git 学习笔记 11

查看提交历史 查看提交历史 不带任何选项的git log-p选项--stat 选项--pretty=oneline选项--pretty=format选项git log常用选项列表参考资料 在提交了若干更新,又或者克隆了某个项目之后,你也许想回顾下提交历史。 完成这个任务最简单而又有效的 工具是 git log 命令。 接下来的例子会用一个用于演示的 simplegit

记录每次更新到仓库 —— Git 学习笔记 10

记录每次更新到仓库 文章目录 文件的状态三个区域检查当前文件状态跟踪新文件取消跟踪(un-tracking)文件重新跟踪(re-tracking)文件暂存已修改文件忽略某些文件查看已暂存和未暂存的修改提交更新跳过暂存区删除文件移动文件参考资料 咱们接着很多天以前的 取得Git仓库 这篇文章继续说。 文件的状态 不管是通过哪种方法,现在我们已经有了一个仓库,并从这个仓

忽略某些文件 —— Git 学习笔记 05

忽略某些文件 忽略某些文件 通过.gitignore文件其他规则源如何选择规则源参考资料 对于某些文件,我们不希望把它们纳入 Git 的管理,也不希望它们总出现在未跟踪文件列表。通常它们都是些自动生成的文件,比如日志文件、编译过程中创建的临时文件等。 通过.gitignore文件 假设我们要忽略 lib.a 文件,那我们可以在 lib.a 所在目录下创建一个名为 .gi