深入理解The Lightning Network Book中的简化Schnorr签名示例
2025-06-11 16:16:33作者:申梦珏Efrain
引言
在区块链技术领域,Schnorr签名因其简洁性和安全性而备受关注。本文将通过The Lightning Network Book中的简化示例,深入浅出地讲解Schnorr签名的工作原理及其在多重签名(MuSig)中的应用。
Schnorr签名基础
Schnorr签名是一种基于离散对数问题的数字签名方案,相比ECDSA签名具有以下优势:
- 线性特性,支持签名聚合
- 更简单的安全性证明
- 更小的签名尺寸
简化示例设置
示例中使用了一个极小的循环群(阶为23)来演示Schnorr签名,这使得我们可以手动验证所有计算:
p = 23 # 群的阶
points = {i: chr(97+i) for i in range(p)} # 将数字映射为字母表示
密钥对生成
在Schnorr签名中,每个参与者都有自己的私钥和公钥:
x_a = 17 # 用户A的私钥
A = points[x_a] # 用户A的公钥
x_b = 15 # 用户B的私钥
B = points[x_b] # 用户B的公钥
签名过程
Schnorr签名的生成包含以下步骤:
- 选择一个随机数r(称为nonce)
- 计算R = r·G (G是生成元)
- 计算e = H(R||m) (消息的哈希)
- 计算s = r + e·x
- 签名为(R, s)
示例中的实现:
def sign(m, priv):
r = random.randint(0, 22) # 随机nonce
return (r + H(m)*priv) % p, points[r] # 返回(s, R)
验证过程
验证签名时,检查以下等式是否成立:
s·G = R + e·P
其中P是公钥,e是消息哈希。
示例中的验证函数:
def verify(s, R, m, pub):
lhs = points[s] # s·G
rhs = add_points(R, scalar_mult_point(H(m), pub)) # R + e·P
return lhs == rhs
多重签名(MuSig)
Schnorr签名的线性特性使其非常适合多重签名场景。多个参与者可以合作生成一个聚合签名,验证时只需验证这个聚合签名。
聚合过程
- 聚合公钥:P = P₁ + P₂
- 聚合R值:R = R₁ + R₂
- 聚合签名:s = s₁ + s₂
示例代码:
AB = add_points(A,B) # 聚合公钥
R_ab = add_points(R_a, R_b) # 聚合R值
s_ab = (s_a + s_b) % p # 聚合签名
安全性考虑
虽然示例使用了极小的群来简化理解,但实际应用中需要注意:
- 必须使用足够大的群(如256位)来保证安全性
- nonce必须随机且不可预测
- 实际实现应使用标准化的椭圆曲线(如secp256k1)
结语
通过这个简化示例,我们深入理解了Schnorr签名的工作原理及其在多重签名中的应用。这种签名方案因其简洁性和可聚合性,在闪电网络等二层解决方案中发挥着重要作用。
理解这些基础概念对于深入研究区块链技术,特别是闪电网络等二层扩容方案至关重要。希望本文能帮助读者建立对Schnorr签名的直观理解。
登录后查看全文
热门项目推荐
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
25
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
415
3.19 K
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
暂无简介
Dart
680
160
🔥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
Ascend Extension for PyTorch
Python
229
259
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
327
React Native鸿蒙化仓库
JavaScript
265
326
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
🎉 (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
1.21 K
660