XiaoMi-AI文件搜索系统
World File Search SystemZKP
通过硬件加速零知识证明...
摘要 - 零知识证明（ZKP）是一种加密工具，使一个方（一个供奉献者）向另一方（供奉献者）证明（一个verifier）是一个陈述是正确的，而无需供供者向Veriifier披露任何数据。ZKP具有许多用例，例如让客户委员会将计算委托给具有加密性正确性的服务器，同时使服务器能够在这些计算中使用秘密数据。ZKP应用程序涵盖了可验证的机器学习（ML）和数据库，在线拍卖，电子投票和区块链。虽然ZKP已被广泛用于区块链，但证明生成的过高成本将它们限制在证明非常简单的计算中。我们提出了一个新颖的加速器NOCAP，该加速器杠杆级的硬件 - 叠加器共同设计以实现变革性的加速。NOCAP生成的证明比32核CPU快586倍，而41倍的速度比PipeZk快41倍，这是最先进的ZKP加速器。我们利用最近的算法开发来实现这些加速：我们识别并结合了两种最近的基于哈希的ZKP算法Orion和Spartan，它们在CPU上具有与先前加速器针对的ZKP相似的性能，但对硬件加速性的态度更为舒张。尽管这些算法产生了更大的证据，但我们表明，末端加速器（包括供奉献时间，证明传输和验证时间）不仅仅证明这种尺寸的增加是合理的。我们为利用这些加速机会的新型硬件组织做出了贡献：NOCAP是一个可编程矢量处理器，其功能单元适合基于哈希的ZKP的需求。结果，NOCAP实现了为ZKP提供新用例的加速。我们还贡献了针对加速器量身定制的Spartan+Orion ZKP的共同设计的实现，并具有优化，可改善并行性并减少存储器的运行。索引术语 - 零知识证明，硬件加速度，可验证的计算
身份验证系统中的知识证明
摘要 - 在数字时代，身份验证系统中的隐私保存已成为最重要的问题，突出了保护用户数据中常规身份验证机制的局限性。本文探讨了零知识证明（ZKP）的应用，这是一种革命的加密技术，是增强身份验证过程中隐私的强大解决方案。通过对包括ZK-Snarks和Zk-Starks在内的ZKP的理论基础进行全面检查，本研究描述了ZKPS启用无需披露任何个人信息而验证用户凭证的机制。通过采用比较分析方法，我们将基于ZKP的身份验证系统与各种指标的传统和现有隐私性身份验证方法进行了对比，例如计算效率，可扩展性和隐私保存程度。我们的发现表明，ZKP为隐私提供身份验证提供了卓越的框架，解决了传统系统中固有的关键安全漏洞，同时提供了适合广泛实现的可扩展和高效解决方案。本文通过讨论与部署基于ZKP的系统，提出潜在解决方案以及突出未来研究的未来研究方向相关的挑战来结束。通过这项调查，我们强调了ZKP在推进隐私保护数字身份验证前沿的重要性，为他们在越来越多地相互联系的世界中确保数字身份方面的更广泛应用铺平了道路。
探索针对内存计算的密码学的大整数乘法
摘要 - 出现的加密系统，例如完全型号的加密（FHE）和零知识证明（ZKP）是计算和数据密集型的。fhe和ZKP在软件和硬件中的影响很大程度上依赖于von Neumann架构，在数据移动上损失了大量的能量。有希望的计算范式正在内存（CIM）中进行计算，该计算使计算能够直接发生在内存中，从而减少数据运动和能耗。但是，有效地执行大整数乘法（在FHE和ZKP中至关重要）是一个开放的问题，因为现有的CIM方法仅限于小型操作数尺寸。在这项工作中，我们通过探索用于大整数乘法的高级算法方法来解决这个问题，并将Karatsuba算法确定为CIM应用程序最有效的方法。此后，我们设计了第一个用于电阻CIM横杆的Karatsuba乘数。我们的乘数使用三阶段管道来增强吞吐量，此外，还可以平衡内存耐力与有效的数组大小。与现有的CIM乘法方法相比，当比例扩展到ZKP和FHE所需的位宽度时，我们的设计在吞吐量中最多可实现916倍，而面积时间产品的改进则达到281倍。索引术语 - 在内存中计算，大整数乘以，karatuba乘法
OU：自动化零知识协议的并行化
零知识证明（ZKP）是一种强大的加密原理，用于许多分散或以隐私为中心的应用程序。但是，ZKP的高开销可以限制其实际适用性。我们设计了一种编程语言OU，旨在在编写有效的ZKP时减轻程序员的负担以及编译器框架Lian，该框架可以自动化对计算集群的语句分析和分布。lian使用编程语言语义，形式方法和组合优化，将OU程序自动将OU程序划分为有效尺寸的块，以进行并行ZK提供和/或验证。我们贡献：（1）一种前端语言，用户可以在熟悉的语法中将证明语句写为命令式程序； （2）自动分析程序并将其编译成优化的IR的编译器体系结构和实现，可以将其提升为各种ZKP构造； （3）基于伪树状优化和整数线性编程的切割算法，将指令重新定义，然后将程序分配为有效尺寸的块，以进行并行评估和有效的状态和解。
神经网络的有效且可扩展的零知识证明框架
近年来，云供应商已开始通过提供训练有素的神经网络模型来提供付费服务进行数据分析。但是，面对懒惰或恶意供应商，客户缺乏工具来验证云供应商提供的结果是否是正确推断的。称为零知识证明（ZKP）的Cryp-tographic原始人解决了此问题。它使结果可以进行验证，而无需泄漏有关模型的信息。不幸的是，神经网络的现有ZKP方案具有较高的计算开销，尤其是对于神经网络中的非线性层。在本文中，我们提出了为神经网络的有效且可扩展的ZKP框架。我们的工作改善了非线性层的证明的性能。与以前依靠位分解技术的工作相比，我们将非线性关系转换为范围和指数关系，这大大减少了证明非线性层所需的约束数量。此外，我们采用模块化设计，使我们的框架与更多的神经网络兼容。具体来说，我们提出了两个增强的范围和查找证明作为基本块。他们有效地证明了范围和指数关系的满意度。然后，我们使用少量范围和指数关系来限制原始非线性操作的正确计算。最后，我们建立了从原始操作到整个神经网络的ZKP框架，从而为各种神经网络提供了灵活性。6×（最多477。我们将ZKP实施用于卷积和变压器的网络网络。评估结果表明，我们的工作达到了168多个。2×）分离的非线性层和41的加速。与最先进的作品Mystique相比，整个Resnet-101卷积神经网络的4倍加速度。此外，我们的工作还可以证明GPT-2是一种具有1.17亿个参数的变压器神经网络，287。1秒，达到35。超过ZKML的7×加速度，这是支持变压器神经网络的最先进的工作。
解锁用户隐私：以隐私为中心的加密货币框架，用于使用零知识证明（ZKPS）隐藏交易（ZKPS）
摘要在数字交易和分散的加密货币时代，确保用户隐私已成为最重要的问题。此摘要提出了一个开创性的框架，旨在通过隐藏以隐私为中心的加密货币来增强用户隐私。所提出的框架利用零知识证明（ZKP）的功能使用户能够在保留其隐私的同时进行交易。通过隐藏交易细节和参与者身份，该框架消除了交易信息泄漏的可能性。ZKP的利用可确保交易的完整性在同时保护用户隐私的同时保持交易的完整性。本摘要探讨了框架的基本原理，并突出了其对加密货币领域增强用户隐私的潜在影响。新颖的框架具有彻底改变隐私在数字交易中的方式，为以隐私为中心的加密货币树立新标准。关键字：隐私；加密货币；零知识证明（ZKP）;交易隐藏；用户
ZK-IOT：用零...
摘要 - 本文介绍了ZK-iot框架，这是一种新颖的方法，可通过在区块链平台上使用零知识证明（ZKP）来增强物联网（IoT）生态系统的安全性。我们的框架可确保在潜在受到损害的IoT设备中固件执行和数据处理的完整性。通过利用ZKP的概念，我们建立了一个信任层，该信任层有助于在设备可能不会固有地相互信任的环境中的IoT设备之间安全的自主互动。该框架包括ZK-DEVICES，它利用功能承诺来生成执行程序的证据，以及用于编码设备之间交互逻辑的服务合同。它还分别利用区块链层和继电器作为ZKP存储和数据通信协议。我们的实验表明，在我们的系统设置中，证明生成，阅读和验证分别分别为694、5078和19毫秒。这些时间满足物联网设备通信的实际要求，证明了解决方案的可行性和效率。zk-iot框架代表着物联网安全领域的重大进步，为跨各种应用程序（例如智能城市基础架构，医疗保健系统和工业自动化）铺平了道路。索引条款 - 零知识证明，物联网，功能承诺，区块链。
论量子互联网的零知识证明
本文介绍了一种量子身份认证 (QIA) 协议的新方法。Schnorr [ 9 ] 提出的经典零知识证明 (ZKP) 逻辑被应用于量子电路和算法。这种新方法提供了一种精确的方法，证明者 P 可以通过将秘密封装在量子态中，然后通过量子通道发送给验证者 V，从而证明他们知道某个秘密 - 从而实现 ZKP，其中可以通过故障安全设计检测到窃听者或操纵。这是通过从离散对数问题的难度转向估计量子态的难度来实现的。本文介绍了一种实现此目标的方法，并提供了协议安全性的一些界限。随着“量子互联网”的预期出现，此类协议和想法可能很快就会在现实世界中发挥作用并付诸实施。
![arxiv：2402.06414v1 [cs.lg] 2024年2月9日](/simg/a\a690fe2c47c5d11051de77c280dbd9ea02c069b5.webp)
arxiv：2402.06414v1 [cs.lg] 2024年2月9日
诸如变形金刚这样的模型的生成AI在各个领域开辟了新的可能性，但也引起了人们对公平，透明和可靠性的关注，尤其是医学和法律等领域。本文强调了通过生成AI确保这些方法公平和质量的紧迫性。它使用加密技术（尤其是零知识证明（ZKP））探索，以解决对性能公正和准确性的担忧，同时保护模型隐私。将ZKP应用于Ma-Chine学习模型，称为ZKML（零知识机器学习），可以独立验证AI-I-Inti-Intergation contrication Aceration Actent，而无需揭示敏感的模型信息，促进透明度和信任。ZKML通过为模型预示例提供加密审核跟踪并确保用户统一的性能来增强AI的公平性。我们介绍了针对变形金刚的实用ZKML实现Snarkgpt，以授权用户验证输出准确性和质量，同时保留模型隐私。我们提出了一系列研究Snarkgpt的可伸缩性和能力的经验结果，以评估采用ZKML驱动方法来捕获生成AI模型中质量和表现公平问题的可行性和挑战。