#sparse-merkle-tree

共收录 2 条相关安全情报。

← 返回所有主题
👥 作者: Jinwook Kim

该论文处理的是一个在可验证计算工程中常被忽视的信任缺口:GKR 协议的可靠性界只能保证『关于某个算术电路的输出声明是可信的』,却无法保证『该电路确实编码了应用所期望的状态转移』。作者以稀疏 Merkle 树(SMT)的成员证明、非成员证明与状态更新为具体应用载体,在 Isabelle/HOL 证明助手内对这条从状态转移到 GKR 验证的完整信任链进行机器检验。 方法上分为若干层次。首先是编译器模型:它建立了电路接受与状态转移有效性之间的双向关系(而非仅有单向的可靠性蕴含),从而同时覆盖可靠性与完整性两个方向。其次是可复用的协议模型:把层归约(layer reduction)、wiring predicate 扩展,以及从外部导入的 sumcheck 可靠性结论组装起来,形成一个针对某个显式『链事件』的界;其组合定理把语义上的无效性传递到该界上,且 witness 在挑战实验之前就已固定,避免了先看挑战再选证据的隐患。作者特别强调使用具体解释(concrete interpretations)与前提激活(premise activation)来暴露『空洞假设集』——即假设集合在逻辑上被满足但语义上无内容的情况,这是仅靠一次干净编译无法发现的。 进一步的工作构造了精确的四次 KoalaBear 扩域,把基域上的电路对象提升到扩域,并在其陈述的挑战假设下建立分母为 p^4 的装配界。论文还附带了一个可执行的 Rust prover,通过 Creusot/Why3 合约提供部分实现层面的连接,并给出一个条件性定理,把成功的验证者执行轨迹与模型事件关联起来——但该定理依赖一个未被消解的值对应(value-correspondence)前提。作者明确列出未完成的部分:既未建立转录中的在线挑战分布性质,也未建立多轮 Fiat–Shamir 归约。因此其核心贡献是:在单一证明助手内完成编译器正确性与 GKR 装配模型的组合,并显式、诚实地刻画了遗留的实现义务与密码学义务。 适合阅读的人群包括:形式化方法与证明助手研究者、zkVM / 可验证计算与状态承诺(SMT、Rollup 状态根)方向的协议设计者,以及需要对证明系统实现做独立评估的安全审计人员。

💡 推荐理由: 大量 zk/可验证计算系统的安全性论证止步于『电路层面可信』,而状态编码是否忠实往往靠人工审查。本文给出把电路编译正确性与 GKR 可靠性在同一证明助手内串起来的方法论,并明确标注未消解的密码学与实现义务,为审计这类系统提供了可复用的审查框架与风险清单。

🎯 建议动作: 研究跟进

排序因子: 来自 arXiv 其他板块 (+2) | Community 数据源 (+1) | LLM 评分加成 (+0.5)
推荐 3.5
Conf: 50%
👥 作者: Risto Laanoja, Mike Gault, Dirk Draheim, Ahto Buldas

该论文提出并实现了一种名为 Unicity 的新型区块链基础设施,其核心目标是支持用户进行链下(off-chain)点对点代币交易,同时防止代币的平行状态(即双重支付),并保持区块链本身的极简复杂度与存储开销。基础设施的关键组件是聚合层(Aggregation Layer),它负责存储代币已花费状态的信息,并向用户提供关于无双重支付的紧凑密码学证明,且无需牺牲任何信任假设。聚合层本质上是一个二层(Layer 2)服务,维护一个仅追加(append-only)的键值存储库,并周期性通过被称为共识层(Consensus Layer)的传统区块链来认证其状态。在每一轮状态变更时,聚合层需向共识层提供密码学证明,以证明键值存储的仅追加一致性。论文采用 Radix 稀疏默克尔树(RSMT)生成每一轮 i 的存储摘要 r_i,并构造特殊类型的认证路径,以证明下一轮摘要 r_{i+1} 仅通过向存储库中添加若干键值对 (k,v) 得到。证明验证代码实现为代数中间表示(AIR)电路,构建在 Plonky3 STARK 工具包之上。该实现无需可信设置,在单台普通消费级 CPU 上可达到每秒 10000 次插入的吞吐量,验证时间在毫秒级范围内。论文的主要贡献在于设计了一个无需信任的聚合层,兼顾可扩展性、安全性和低存储成本,为链下交易提供实用的双重支付防护方案。该研究适合对区块链扩容、二层协议、密码学证明(STARK/Merkle 树)以及去中心化系统安全感兴趣的从业者阅读。

💡 推荐理由: 该研究为链下交易的双花防护提供了无需信任的聚合层设计,结合STARK和RSMT,性能优异,对构建可扩展二层网络具有直接参考价值。

🎯 建议动作: 研究跟进

排序因子: 来自 arXiv 其他板块 (+2) | Community 数据源 (+1) | LLM 评分加成 (+0.5)