SXT Proof of SQL项目中的Transcript抽象化改造
2025-06-06 06:46:10作者:彭桢灵Jeremy
在密码学证明系统中,Transcript(交互式证明记录)是一个关键组件,它负责记录和验证证明者与验证者之间的交互过程。本文将深入分析SXT Proof of SQL项目中对Transcript系统的抽象化改造过程,这一改进使得系统能够支持多种Transcript实现,特别是为WASM环境提供了更好的兼容性。
Transcript在证明系统中的作用
在零知识证明系统中,Transcript扮演着公共硬币(public-coin)的角色,它负责:
- 记录证明过程中交换的所有消息
- 生成可验证的随机挑战值
- 确保证明过程的不可篡改性
传统的实现通常依赖于merlin库,但merlin存在两个主要限制:
- 不支持no_std环境
- 难以在EVM/Solidity环境中使用
抽象化设计思路
项目团队采用了Rust的trait机制来抽象Transcript功能,定义了核心的Transcript trait,包含三个关键方法:
extend_serialize_as_le- 替代merlin的append_autoextend_canonical_serialize_as_le- 替代append_canonical_serializescalar_challenge_as_be- 替代challenge_scalar_single
这种设计允许系统在不改变核心逻辑的情况下,灵活切换不同的Transcript实现。例如,项目中新增的Keccak256Transcript就是专为EVM环境优化的实现。
具体改造内容
改造工作主要涉及以下几个关键组件:
CommitmentEvaluationProof模块
这是证明系统的核心部分,改造后现在接受泛型的Transcript实现:
- new方法
- verify_proof方法
- verify_batched_proof方法
证明实现适配
现有的证明实现需要进行适配:
- InnerProductProof内部仍使用merlin,但通过wrap_transcript进行封装
- DoryEvaluationProof的修改会传递到DoryMessages
QueryProof设计决策
对于QueryProof,团队面临两个选择:
- 使方法泛型化(new和verify)
- 使整个结构体泛型化
最终选择了更灵活的设计方案,确保核心逻辑与具体Transcript实现解耦。
测试策略调整
虽然生产代码已经抽象化,但测试代码仍使用merlin::Transcript作为具体实现,这保证了:
- 测试的稳定性
- 向后兼容性
- 逐步迁移的可能性
未来可以考虑将测试迁移到Keccak256Transcript,以更好地模拟生产环境。
技术影响与优势
这一改造带来了多方面好处:
- 支持no_std环境,为嵌入式系统和WASM提供可能
- 为EVM/Solidity集成铺平道路
- 提高了代码的模块化和可测试性
- 为未来支持更多Transcript实现提供了框架
这种抽象化设计体现了良好的软件工程实践,通过定义清晰的接口边界,使得系统各组件能够独立演化和优化,同时保持整体的兼容性和一致性。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
26
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
420
3.22 K
Ascend Extension for PyTorch
Python
230
261
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
689
330
暂无简介
Dart
685
160
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
React Native鸿蒙化仓库
JavaScript
266
326
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.22 K
666
仓颉编译器源码及 cjdb 调试工具。
C++
136
869