本文提出 PANDA，一个基于零知识证明（ZKP）的可扩展系统，用于在保护神经网络模型参数私密性的同时，形式化地证明模型的鲁棒性和公平性。随着机器学习模型在安全关键和法律合规场景中的部署日益增多，模型的鲁棒性和公平性保证变得重要，但模型参数常被视为商业机密，不能直接暴露给审计方或终端用户。PANDA 构建在 CROWN 这一高效的鲁棒性认证框架之上，CROWN 已被许多最先进的神经网络形式化验证工具使用。PANDA 的核心贡献是提出一种新的算法，用于证明非线性激活层的线性松弛界，从而生成简单且轻量的证明。实验表明，PANDA 能够在 5 分钟内为超过 290 万参数的神经网络生成局部鲁棒性证明，并在 10 秒内完成验证。相比之下，之前基于 ZKP 的鲁棒性系统依赖指数时间算法，无法扩展到有意义的网络规模。PANDA 的证明生成和验证复杂度在神经元数量上呈多项式增长，因此能够支持的神经网络规模比之前方法大 4 个数量级，同时显著降低证明者的开销。该研究面向机器学习安全、形式化验证和密码学交叉领域的研究人员，尤其适合关注模型完整性证明和隐私保护下的认证技术的安全从业者。

本文提出 MatRiCT+，一个基于后量子格假设的实用型区块链隐私支付协议。该工作建立在 Esgin 等人于 ACM CCS 2019 发表的 MatRiCT 协议之上，整体遵循门罗币（Monero）中使用的 Ring Confidential Transactions（RingCT）思路，旨在为隐私保护加密货币提供可抵御量子计算攻击的高效方案。与 MatRiCT 相比，MatRiCT+ 在典型交易场景下实现了 2 至 18 倍的证明长度缩减（具体取决于输入账户数量 M），并实现了 3 至 11 倍的运行速度提升。其关键优势在于证明长度对输入账户数量 M 的依赖仅为对数级别（O(log M)），而 MatRiCT 的证明长度与 M 成线性关系。为支撑这一效率，作者设计了多种新颖技术来构造紧凑的基于格的零知识证明系统，充分利用了实际格密码中常用的 2 的幂次分圆环的代数性质。此外，作者还通过一种称为 partition-and-sample 的技术设计了一族“最优”挑战空间，该挑战空间具有最小 l1 范数，并且挑战差值以压倒性概率可逆，同时支持高分裂的 2 的幂次分圆环。作者认为这些结果具有广泛的适用性和独立的研究价值。本文的核心贡献在于：1) 提出更高效的后量子区块链隐私支付协议；2) 设计了紧凑的格基零知识证明协议；3) 提出最优挑战空间构建方法。适合对后量子密码学、区块链隐私保护、零知识证明方向感兴趣的研究人员和工程技术人员阅读。

这篇名为《Coral: Fast Succinct Non-Interactive Zero-Knowledge CFG Proofs》的学术论文提出了一种新的零知识证明系统，专门用于验证上下文无关文法（CFG）相关的计算。研究的核心问题是在不泄露任何底层信息的前提下，高效地证明某段数据符合给定的CFG规则，例如验证一个字符串是否由特定语法生成、检查代码的语法合法性或处理序列数据。传统的零知识证明系统在处理CFG时往往需要将文法转换为电路或约束系统，导致证明生成和验证的开销较大。Coral直接利用CFG的结构，构建了一种自定义的简洁非交互式零知识证明（zk-SNARK）方案。该方法通过将文法规则编码为多项式约束，并结合多项式承诺和交互式预言机证明（IOP）技术，实现了对数级别的证明大小和常数级别的验证时间。实验结果表明，Coral在证明生成速度和验证效率上相较于现有的通用零知识证明系统有显著提升，尤其是在处理大型CFG规则集时。论文的贡献包括理论上的证明系统设计、安全证明以及针对性能优化的实现细节。该研究适合对零知识证明底层协议、形式语言验证以及高效隐私保护计算感兴趣的密码学研究人员和安全工程师阅读。由于本文仅提供了摘要，具体的技术方案和实验数据需要阅读全文才能进一步确认。

本文提出了一种针对LLM推理零知识证明验证的新型攻击——Hollow-LLM攻击。在零知识证明（ZKP）场景中，验证者通常需要检查证明者是否基于正确权重执行了推理，但本文发现攻击者可以构造一类“计算上琐碎”的权重，即权重值极小或特定模式，使得验证过程中的多项式承诺或线性测试极易通过，从而在完全不进行真实推理的情况下欺骗验证者。具体地，攻击者利用零知识证明协议中算术电路的特定门约束，将所有权重设置为接近零或具有特殊代数结构的值，导致验证者无法区分真实推理与伪造证明。实验表明，该攻击在多个主流ZKP系统（如crypto、Groth16等）上成功，且对证明大小和验证时间影响微小。该研究揭示了当前LLM推理完整性验证机制在对抗性权重攻击下的脆弱性，强调了在部署ZKP验证时需额外检查权重分布或引入一致性约束。

该论文旨在解决机器学习模型输出结果的可公开验证性问题。作者在Goldwasser等人提出的交互式学习证明框架基础上，首次研究了非交互式学习证明，并定义了一种新概念：公开可验证的统计有效性证书（Publicly-Verifiable Certificates of Statistical Validity, pvCSVs）。该证书允许学习算法发布一个假设h及其对应的证书π，任何持有特定分布的用户都能有效验证该假设在该分布下是否有效。论文重点在自适应统计查询（Adaptive Statistical Query, SQ）算法场景下构造pvCSVs。对于进行了k次自适应查询的SQ算法，作者构建的pvCSVs的样本复杂度仅为O(log k)，而最优学习算法的样本复杂度为~O(√k)，展现了显著优势。此外，论文更广泛地研究了SQ模型中的学习证明系统，展示了该模型的优势与局限性。该工作为机器学习模型的可验证性、鲁棒性和公平性认证提供了新思路，尤其适用于需要公开验证模型性能的场景，如联邦学习、可信AI审计等。

本文针对下一代软件定义汽车（SDV）中区域化架构（ZoA）下OTA更新的安全挑战，提出了一种基于硬件根信任和隐私保护的认证协议zk-ScalHard。当前主流标准Uptane和AUTOSAR Adaptive依赖公钥基础设施（PKI），但随着电子控制单元（ECU）数量激增，PKI认证方式在车内和车云通信中产生带宽瓶颈，且集中式架构易泄露敏感车辆配置和乘客隐私。zk-ScalHard引入基于硅物理不可克隆函数（PUF）的去中心化层次信任模型，并设计了两种新型零知识证明（ZKP）电路：区域身份与完整性（ZIDI）电路和高性能计算聚合（HPCA）电路。这些电路结合多方计算（MPC）和递归聚合技术，实现了去中心化和可扩展性。通过将ZKP与PUF集成，协议保证了车辆级数据主权。与Uptane相比，zk-ScalHard实现了通信和验证复杂度O(1)常数级，而传统方案为O(n)线性复杂度。实验评估显示，认证带宽降低99.2%，时间攻击面减少99.9%。该架构符合GDPR要求，为未来区域化SDV提供了可扩展、安全且隐私保护的认证方案。

本文研究了在流式认证数据上实现隐私保护证明的问题。在该场景中，服务器从可信数据提供者处持续接收数据流，并被要求向第三方正确且隐私地证明对数据执行的计算结果。第三方除了知道声称结果的正确性外，不获得任何数据信息。挑战在于第三方仅与服务器通信，却能验证结果相对于提供者所认证数据的有效性。该问题广泛应用于股票市场监控与预测服务、政府基于大型医疗数据库发布的统计等场景，这些都需要可靠且可扩展的解决方案。论文提出了针对签名数据的高效零知识证明方法，支持对数据流进行可验证计算，同时确保数据隐私。主要贡献包括：形式化定义了流式认证数据上的零知识证明模型，设计了高效的协议实现，并通过实验证明了其性能优势。适合密码学、隐私保护计算、数据流处理等领域的研究人员和工程师阅读。

本文提出了一种新的机器学习模型认证度量——方向锐度（Directional Sharpness），旨在高效且可靠地指示模型的泛化能力。在模型认证中，泛化能力是关键质量指标，但直接认证泛化不可行，因为它依赖于未知数据且不可直接测量。传统代理指标如测试准确率在训练过程受扰动时可能产生误导，而现有度量如锐度（Sharpness）虽有实证支持与泛化相关，但计算成本高，且在训练偏离规定流程时可能不可靠。方向锐度通过关注特定方向上的损失变化，能够在训练偏差存在的情况下更有效地评估泛化能力。实验和分析表明，方向锐度与泛化能力的相关性优于现有度量，且能更可靠地识别泛化能力差的模型。此外，方向锐度在模型审计场景中可高效计算，验证者可以访问训练数据，并通过零知识证明（Zero-Knowledge Proofs）在不暴露训练数据的前提下认证模型质量。本文适合对机器学习模型可靠性、安全认证、以及隐私保护验证感兴趣的从业人员阅读。

该论文提出了一种名为 PriME-Deal 的隐私保护双边数据交易协议，旨在解决现有基于属性的访问控制方案在数据交易中存在的策略泄露、计算开销大、依赖可信第三方等问题。PriME-Deal 是一个非交互式协议，能够在公共区块链上同时实现策略隐藏的双边匹配、高效的阈值访问控制和可审计的公平交换。核心方法包括：卖家将秘密令牌嵌入到基于伪随机掩码的 oblivious 键值存储中，该令牌受买家策略保护；买家通过标签探测在本地重构令牌，无需组合枚举，并通过零知识证明证明重构的正确性。公平交换通过链上抵押披露和加密审计机制实现，无需可信第三方。安全性在通用可组合框架下基于标准假设证明。实验表明，与最先进的阈值模糊 IB-ME 方案相比，卖家发布时间减少两个数量级（策略含 500 个属性时，8.76 秒 vs 690 秒）；在典型配置 (200,20,5) 下，买家令牌重构和证明生成需 8.9 秒，其中零知识证明仅需 0.6 秒且与参数规模无关；链上成本约 2860 万 gas，远低于以太坊区块限制。该协议是首个同时实现线性卖方开销、双边策略隐藏和可审计公平性的实用隐私保护数据交易方案。

本文研究多验证者零知识证明（MVZK）协议的效率问题。MVZK 作为非交互式零知识证明和指定验证者零知识证明之间的中间方案，具有广泛的应用场景，例如区块链中的隐私保护、去中心化计算等。现有的大多数 MVZK 协议假设大多数验证者是诚实的，或者在处理环运算时效率低下。本文提出了一种新的 MVZK 协议，适用于预处理模型，并且允许任意恒定比例的验证者被腐败（与证明者合谋）。该协议是首个基于环（ring）的 MVZK 方案，不同于先前在域上的研究（针对不诚实多数情况），其通信复杂度与验证者数量无关，而先前方案的通信复杂度随验证者数量线性增长。这一关键进步显著提升了可扩展性和效率。作者提供了端到端的实现，并通过基准测试展示了性能：在64个验证者且50%腐败率下，吞吐量达到147万门/秒；在75%腐败率下，吞吐量为88万门/秒。该工作适用于密码学研究者、零知识证明系统构建者以及需要高效多验证者零知识证明的应用开发人员。

本文提出 FIDEM，一个符合 MUD（Manufacturer Usage Description）标准的框架，用于安全绑定 IoT 设备与其 MUD 配置文件。MUD 标准允许制造商通过在线 MUD 文件指定设备的预期网络流量，从而在网络边缘实施访问控制。设备会广播一个指向该文件的 URL，但标准并未定义如何安全地将设备与其配置文件绑定。这导致恶意设备可以通过广告其他合法设备的 MUD URL 来操纵网络策略执行。现有解决方案存在依赖公钥基础设施（PKI）、不符合标准、需要制造商过多参与或无法支持安全配置文件更新等问题。FIDEM 通过基于零知识证明（ZKP）的认证机制，在 DHCP 扩展中实现设备与配置文件的加密绑定，无需 PKI，最小化制造商参与，并支持安全配置文件更新。形式化分析表明，FIDEM 能抵御比先前工作更强的攻击者模型，包括供应链妥协和利用合法设备作为加密预言机的攻击。在 ESP32-S3 和 ESP32-C6 两种参考受限设备上的实际评估显示，与标准 DHCP 相比，FIDEM 仅引入约 5ms 延迟和 20mJ 能量开销，相较于基于证书的方案速度提升约 20 倍，能耗降低 35%。该研究为 IoT 安全策略的自动实施提供了实用且符合标准的解决方案。

本文针对现有RingCT（环机密交易）协议在处理多输入交易时效率低、匿名性弱的问题，提出了一种新型的任意多证明（any-out-of-many proof）方案。该方案是一种对数大小的零知识证明，用于证明公开列表中存在任意数量的秘密，且不泄露秘密的具体个数，克服了以往部分知识证明必须暴露秘密数量的缺陷。作者还通过通用的内积变换技术，结合Bulletproofs压缩方法，将证明大小优化至2⌈log₂(N)⌉+9。基于该证明方案，他们构建了一个紧凑的RingCT协议，能够为多输入交易提供对数级别的通信复杂度，并在匿名性上达到已知最高水平，优于Omniring等方法。此外，该协议经修改还可应用于多重环签名等场景。论文的主要贡献是提出了首个基于部分知识证明的、具有最强匿名性的RingCT协议，并展示了其在区块链隐私保护中的广泛适用性。

该论文提出了 VeriLoRA，首个将低秩适配（LoRA）微调与零知识证明（ZKP）相结合的框架，旨在解决大语言模型（LLM）在不可信环境下微调的安全性和可验证性问题。LoRA 通过低秩矩阵分解大幅降低微调所需的计算和存储资源，但标准 LoRA 过程无法保证参数更新的正确性和数据隐私。VeriLoRA 利用先进的密码学原语——包括查找参数（lookup arguments）、和校验协议（sumcheck protocols）以及多项式承诺（polynomial commitments）——为基于 Transformer 架构的 LLM 微调中的前向传播、反向传播和参数更新提供端到端的可验证性。该框架能确保微调过程的正确性，同时保护模型参数和训练数据的隐私。实验基于开源 LLaMA 模型（最大 13B 参数），使用 GPU 实现验证了其实际可行性。VeriLoRA 填补了参数高效微调与可验证安全之间的空白，为在敏感或不可信环境中安全部署 LLM 提供了关键技术支持。适合对 LLM 安全、隐私保护、密码学应用感兴趣的研究人员阅读。

该论文提出 ZKSL，一个可验证且高效的拆分/联邦学习框架，将训练过程与零知识证明相结合。核心目标是实现联邦学习的隐私保护与可验证正确性，同时避免高昂的证明开销。ZKSL 通过三个设计支柱实现： (i) 层间并行证明，逐层生成证明并聚合； (ii) PC-PLONK，引入专用的隐私承诺列来高效强制执行跨层一致性，避免在电路内进行哈希（在论文规模下不可行）或脱离电路进行哈希（破坏零知识信任模型）； (iii) 异步计算-证明调度（K-window），将随机梯度下降与证明解耦，使训练过程不会因证明生成而停滞。论文提供了开源原型，包括立即可用的配置和脚本，可复现 LeNet（两方）和 DeepFM（三方）上的关键结果。它产生结构化日志，记录前向/梯度/反向各阶段的证明生成时间。预期结果是，在启用分层并行时，前向和反向阶段的证明时间显著减少，并且在异步调度下端到端吞吐量更高，与论文图表中报告的趋势一致。该工作适合关注隐私保护机器学习、联邦学习安全性和可验证计算的研究人员和工程师阅读。

数据估值是数据市场中的核心任务，Shapley值归因用于决定买方的付款如何在数据提供者之间分配。传统上，市场运营商独立执行归因，但要求参与者和外部审计员信任无法在底层私有数据上独立重算的分数。零知识证明（ZKP）理论上可以协调隐私与可验证性之间的冲突，但现有ZK估值系统由于证明时间过长或需要公开验证集而无法满足实际市场需求。本文提出ZK-Value，一个实用的端到端ZK数据估值系统。系统通过完全协同设计的架构解决可扩展性瓶颈：(1) LSH-Shapley，一种基于局部敏感哈希的估值原语，用每个桶的碰撞计数替代昂贵的成对距离度量，显著降低计算复杂度；(2) ZK-LSH-Shapley，一个定制的ZKP协议，通过将碰撞计数编码为桶级直方图而非朴素成对张量，大幅减少见证大小，从而降低证明开销；(3) 结构性的证明系统优化，包括超预言机批处理和稀疏性跳过，进一步加速证明生成。在12个标准数据集上的实验表明，ZK-Value的估值质量与当前最先进的KNN-Shapley基线相当（AUROC差异在0.033以内），证明生成时间从数秒到数分钟，比专门设计的ZK基线快12.6到68.1倍，验证时间低于4.6秒。该工作为数据市场中隐私保护且可验证的数据估值提供了实用的解决方案。

该论文提出了一种名为 Dubhe 的零知识证明系统，专门针对标准 AES 加密算法实现了高效、简洁的证明。传统的零知识证明（如基于 R1CS 或 QAP 的方案）在处理 AES 这类复杂算术电路时往往面临巨大的证明尺寸和验证开销。Dubhe 通过设计定制的算术化电路和多项式承诺方案，显著降低了 AES 计算电路的表示复杂度，使得证明尺寸仅为几百字节，验证时间达到亚秒级。论文详细描述了 Dubhe 的算术系统：将 AES 的字节代换、行移位、列混合和轮密钥加操作转化为低次数的多项式约束，并利用新型的线性时间可验证的批处理技术来合并多个门。实验结果表明，对于 AES-128 的加密操作，Dubhe 的证明生成时间约 10 秒，验证时间 50 微秒，证明大小 1.5KB。此外，论文还讨论了 Dubhe 在密码学锁箱、隐私交易和可验证计算等应用中的潜力。该工作为在资源受限设备或区块链场景中证明 AES 运算的正确性提供了可行的密码学工具。