-
公开(公告)号：CN116861390B
公开(公告)日：2024-03-22
申请号：CN202310997855.5
申请日：2023-08-09
Applicant: 之江实验室
Abstract: 本发明公开了一种基于聚合签名的跨区块链批量交易认证方法，该方法通过网关对业务信息所在的区块集合的签名进行聚合，并通过中继链对聚合签名进行验证从而实现了中继链机制下异构跨链系统中批量交易认证技术，从而使得中继链在跨链过程中不需要逐笔验证跨链数据同步交易的合法性，不需要保存和传输大量交易信息，仅仅传输固定长度的验证字段，以用于接收链确认区块集合中所有签名的合法性，实现了批量的数据同步，减少了跨链系统的信息传输和计算压力，提高了跨链系统的吞吐量与验证速率。本发明还公开一种基于聚合签名的跨区块链批量交易认证装置。
-
Patent Agency Ranking
公开(公告)号：CN118842591A
公开(公告)日：2024-10-25
申请号：CN202410808772.1
申请日：2024-06-21
Applicant: 之江实验室
Abstract: 本发明公开了一种针对向量承诺的简洁范围证明方法和系统，包括以下步骤：建立证明目标关系为证明者要向验证者证明其拥有的秘密向量中的每一个元素值均在待证明的范围内；证明者根据其拥有的秘密向量计算二元分解多项式；证明者向验证者证明二元分解多项式对应的二元分解矩阵的任一行的按列累加和等于原秘密向量中对应的元素值；证明者向验证者证明二元分解多项式对应的二元分解矩阵中任一列的任一元素属于待证明的范围。本发明能够实现批量化的证明和验证协议，从而减少证明大小和验证者计算压力，能够提升大规模数据证明的效率，有利于在去中心化金融、区块链等领域的规模化扩展。
-
公开(公告)号：CN116861390A
公开(公告)日：2023-10-10
申请号：CN202310997855.5
申请日：2023-08-09
Applicant: 之江实验室
Abstract: 本发明公开了一种基于聚合签名的跨区块链批量交易认证方法，该方法通过网关对业务信息所在的区块集合的签名进行聚合，并通过中继链对聚合签名进行验证从而实现了中继链机制下异构跨链系统中批量交易认证技术，从而使得中继链在跨链过程中不需要逐笔验证跨链数据同步交易的合法性，不需要保存和传输大量交易信息，仅仅传输固定长度的验证字段，以用于接收链确认区块集合中所有签名的合法性，实现了批量的数据同步，减少了跨链系统的信息传输和计算压力，提高了跨链系统的吞吐量与验证速率。本发明还公开一种基于聚合签名的跨区块链批量交易认证装置。
-
公开(公告)号：CN115186831B
公开(公告)日：2022-12-13
申请号：CN202211099367.4
申请日：2022-09-09
Applicant: 之江实验室
Abstract: 本发明公开了一种高效隐私保护的深度学习方法，包含在加法秘密共享的情况下比较数值大小、和快速隐私保护的深度学习两个部分；所述的在加法秘密共享的情况下比较数值大小包含在加法秘密共享的情况下计算秘密数值的正负性和在加法秘密共享的情况下比较两个被共享的数的大小两个步骤；相较于现在正在使用的安全多方计算和全同态加密实现隐私、安全的深度学习预测方法，本发明没有使用非对称公钥加密体系，整个计算过程在实数域上完成，有极大的效率优势。同时保护了模型提供方的模型的安全性和数据拥有者输入数据的安全性。
-
公开(公告)号：CN119130641A
公开(公告)日：2024-12-13
申请号：CN202410800572.1
申请日：2024-06-20
Applicant: 之江实验室
Abstract: 本发明公开了一种高效可监管的匿名区块链交易和系统，包括以下步骤：生成公开参数及用户初始化；生成匿名交易和零知识证明，计算承诺，将匿名交易、零知识证明和承诺打包为隐私交易；矿工验证隐私交易；构建匿名交易集合，利用基于Walsh码的承诺算法对承诺进行聚合，将匿名交易集合和聚合承诺打包为区块；监管周期结束后，用户产生范围证明并调用第二智能合约验证，监管者调用第一智能合约计算周期内的聚合承诺并利用基于Walsh码的承诺算法从周期内的聚合承诺中抽取每个用户交易总额的承诺，监管者检查第二调用记录判断异常交易。发明能在保障用户原有匿名性不变的前提下为交易系统添加可监管属性，大大减少监管者的计算和通讯压力。
-
公开(公告)号：CN115186831A
公开(公告)日：2022-10-14
申请号：CN202211099367.4
申请日：2022-09-09
Applicant: 之江实验室
Abstract: 本发明公开了一种高效隐私保护的深度学习方法，包含在加法秘密共享的情况下比较数值大小、和快速隐私保护的深度学习两个部分；所述的在加法秘密共享的情况下比较数值大小包含在加法秘密共享的情况下计算秘密数值的正负性和在加法秘密共享的情况下比较两个被共享的数的大小两个步骤；相较于现在正在使用的安全多方计算和全同态加密实现隐私、安全的深度学习预测方法，本发明没有使用非对称公钥加密体系，整个计算过程在实数域上完成，有极大的效率优势。同时保护了模型提供方的模型的安全性和数据拥有者输入数据的安全性。
-
-
-
-
-
Search Results
6
records
(took 0.02 seconds)
