Batching Anonymous and Non-Anonymous Membership Proofs for Blockchain Applications
Notice bibliographique
Résumé
Membership proof is a very useful building block for checking if an entity is in a list. This tool is widely used in many scenarios. For instance in blockchain where checking membership of an unspent coin in a huge set is necessary, or in the scenario where certain privacy-preserving property on the list or on the entity is required. When it comes to multi-user applications, the naive way that verifies the membership relations one by one is very inefficient. In this work, we utilize subvector commitment schemes and non-interactive proofs of knowledge of elliptic curve discrete logarithms to present two batched membership proofs for multiple users, i.e., batched non-anonymous membership proofs and batched anonymous membership proofs, which offer plausible anonymity assurance respectively on the organization group list and on the users when combined within the blockchain applications. The non-anonymous membership proof scheme requires a trusted setup, but its proof size is only one bilinear group element and is independent of both the size of list and the number of users. The anonymous membership proof scheme requires no trusted setup, and its proof size is linear in the size of organization group and is independent of the number of users. Their security relies respectively on the CubeDH and the discrete logarithm assumptions. Finally, as a use-case application scenario, we extend Mesh which is a blockchain based supply chain management solution to Mesh+ which supports batched anonymous membership proofs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».