活动介绍

多洋葱:在节点变动环境下实现匿名性

立即解锁
发布时间: 2025-08-31 00:33:09 阅读量: 10 订阅数: 37 AIGC
### 多洋葱:在节点变动环境下实现匿名性 #### 1. 相关工作概述 现有的洋葱路由工作存在多种局限性: - 部分工作缺乏理论建模和可证明的安全性,或者偏离了不可区分性的标准概念。 - 有些仅关注洋葱的构建,而未讨论或分析路由算法。 - 一些只考虑单轮静态网络环境下的路由。 - 还有部分工作聚焦于下限研究。 #### 2. 问题建模 我们的模型基于实际的洋葱路由(如Tor),考虑了网络节点的变动(churn)。在Tor中,有五到十个半可信的目录权威机构维护中继节点的最新信息,路由器会定期上传“路由器描述符”,目录权威机构每12到18小时更新其对路由器的视图,用户和路由器从多个目录权威机构下载更新视图的“差异”信息。 在我们的模型中: - **时间**:假设为同步设置,时间以轮为单位,多个轮构成一个大的运行周期。设运行周期为$R_1, ..., R_L$,且$L$受安全参数$\lambda$的多项式约束。 - **参与方**:有$N$个参与方$P_1, ..., P_N$,$N$也受$\lambda$的多项式约束,每个参与方都有一个公开的密钥。设$Bad$为受破坏的参与方集合。 - **节点变动公告**:公告$B_1, ..., B_L$准确指示每个运行周期开始时哪些参与方在线。即$B_i \subseteq \{P_1, ..., P_N\}$,参与方$P_j$在运行周期$R_i$开始时在线当且仅当$P_j \in B_i$。 - **节点变动时间表**:$C_1, ..., C_L$为运行周期的节点变动时间表。对于每个$i$,$C_i$是参与方 - 轮次对的集合,如$C_i = \{(P_{i1}, r_1), (P_{i2}, r_2), ...\}$,表示在运行周期$R_i$中,参与方$P_{ij}$在第$r_j$轮开始时离线。所有在$C_i$列表中的参与方在运行周期开始时必须根据$B_i$在线。为简化,我们允许参与方仅在运行周期开始时上线,而不在运行期间上线。 - **节点变动限制**:设$c(N)$为节点变动限制,即任何时刻最多有$c(N)$个参与方离线。要求公告和节点变动时间表指定的离线参与方数量不超过$c(N)$,即对于每个$i$,$N - |B_i| + |C_i| \leq c(N)$。 - **输入**:运行周期$R_i$的输入表示为向量$\sigma_i = (\sigma_{i,1}, \sigma_{i,2}, ..., \sigma_{i,N})$,其中$\sigma_{i,j}$是参与方$P_j$的输入。每个参与方的输入要么是收件人 - 消息对$(P_k, m)$,表示该参与方将消息$m$发送给参与方$P_k$,要么是$\perp$,表示该参与方在该运行周期不发送信息。输入向量$\sigma_i$有效需满足存在一个置换$f : [B_i] \to [B_i]$,使得对于每个$P_j \in B_i$,$P_j$的输入是$(f(P_j), m_j)$,且对于每个$P_j \notin B_i$,输入为$\perp$。 我们使用基于游戏的方法定义匿名性,允许对手选择洋葱路由协议的一对输入,其目标是通过运行协议确定挑战者选择的是哪个输入。为防止对手轻易获胜,对手必须从同一等价类中选择两个输入。两个输入向量$\sigma$和$\sigma'$关于受破坏参与方集合$Bad$等价,记为$\sigma \equiv_{Bad} \sigma'$,当且仅当对于所有$P_j \in Bad$,$\sigma_j = \sigma'_j$,且$P_j$作为收件人的诚实消息内容在$\sigma$和$\sigma'$中相同。 #### 3. 对手模型 对手可以控制节点变动、观察网络流量,并选择破坏的参与方(如果有)。我们假设通信是经过认证的,对手只能丢弃受破坏或离线参与方发送的消息,不能干扰两个诚实且在线参与方之间的通信。定义了三类不同能力的对手: |对手类型|能力描述| | ---- | ---- | |网络对手|可以控制节点变动、观察网络流量| |被动对手|除网络对手的能力外,还能破坏一定比例的参与方并观察这些参与方的计算和状态,但不能控制它们偏离协议| |主动对手|具备被动对手的所有能力,还能控制受破坏的参与方做任何事情,包括偏离协议| #### 4. 面向节点变动的洋葱加密 我们对双洋葱加密进行了推广,每个洋葱的每一层有两个候选中间服务器。为解决受破坏参与方可能选择受破坏候选服务器的问题,引入了辅助参与方(helpe
corwn 最低0.47元/天 解锁专栏
赠100次下载
继续阅读 点击查看下一篇
profit 400次 会员资源下载次数
profit 300万+ 优质博客文章
profit 1000万+ 优质下载资源
profit 1000万+ 优质文库回答
复制全文

相关推荐

史东来

安全技术专家
复旦大学计算机硕士,资深安全技术专家,曾在知名的大型科技公司担任安全技术工程师,负责公司整体安全架构设计和实施。
最低0.47元/天 解锁专栏
赠100次下载
百万级 高质量VIP文章无限畅学
千万级 优质资源任意下载
千万级 优质文库回答免费看
立即解锁

专栏目录

最新推荐

利用Kaen实现PyTorch分布式训练及超参数优化

### 利用Kaen实现PyTorch分布式训练及超参数优化 #### 1. 启用PyTorch分布式训练支持 在进行模型训练时,我们可以使用Kaen框架来支持PyTorch的分布式训练。以下是相关代码示例: ```python train_glob = os.environ['KAEN_OSDS_TRAIN_GLOB'] if 'KAEN_OSDS_TRAIN_GLOB' in os.environ else 'https://raw.githubusercontent.com/osipov/smlbook/master/train.csv' val_glob = os.environ['

电力电子中的Simulink应用:锁相环、静止无功补偿器与变流器建模

# 电力电子中的Simulink应用:锁相环、静止无功补偿器与变流器建模 ## 1. 锁相环(PLL) ### 1.1 锁相环原理 锁相环(PLL)是一种控制算法,用于确定正弦输入的频率和相位角。它主要用于两个系统之间的频率匹配,匹配完成后会存在一个恒定的相位差,从而实现相位“锁定”。PLL由相位检测机制、PID控制器和用于生成相位角信息的振荡器组成。此外,系统中还包含一个低通滤波器,用于获取正弦输入的频率信息。在柔性交流输电系统(FACTS)设备中,PLL增益对稳定系统性能起着至关重要的作用。 ### 1.2 Simulink环境下的PLL设置 为了直观展示PLL如何反映频率和相位的变化

模型生产化:从本地部署到云端容器化

# 模型生产化:从本地部署到云端容器化 ## 1. 引入 FastAPI 在将模型投入生产的过程中,我们首先要安装 FastAPI。由于 FastAPI 是一个 Python 模块,我们可以使用 pip 进行安装。打开一个新的终端,运行以下命令: ```bash $ pip install fastapi uvicorn aiofiles jinja2 ``` 这里我们安装了一些 FastAPI 所需的额外依赖项。uvicorn 是一个用于设置 API 的底层服务器/应用程序接口,而 aiofiles 则使服务器能够异步处理请求,例如同时接受和响应多个独立的并行请求。这两个模块是 FastA

使用PyTorch构建电影推荐系统

### 使用 PyTorch 构建电影推荐系统 在当今数字化时代,推荐系统在各个领域都发挥着至关重要的作用,尤其是在电影推荐领域。本文将详细介绍如何使用 PyTorch 构建一个电影推荐系统,从数据处理到模型训练,再到最终的推荐生成,为你呈现一个完整的推荐系统构建流程。 #### 1. 数据探索与处理 首先,我们需要对 MovieLens 数据集进行探索和处理。该数据集包含用户对电影的评分信息,其中存在一些缺失的评分值,用 NaN 表示。我们的目标是利用非空评分训练推荐系统,并预测这些缺失的评分,从而为每个用户生成电影推荐。 以下是处理数据集的代码: ```python import p

模糊推理系统对象介绍

# 模糊推理系统对象介绍 ## 1. fistree 对象 ### 1.1 概述 fistree 对象用于表示相互连接的模糊推理系统树。通过它可以创建一个相互关联的模糊推理系统网络。 ### 1.2 创建方法 可以使用以下语法创建 fistree 对象: ```matlab fisTree = fistree(fis,connections) fisTree = fistree( ___ ,'DisableStructuralChecks',disableChecks) ``` - `fisTree = fistree(fis,connections)`:创建一个相互连接的模糊推理系统对象

强化学习与合成数据生成:UnityML-Agents深度解析

# 强化学习与合成数据生成:Unity ML - Agents 深度解析 ## 1. 好奇心奖励与超参数设置 在强化学习中,为了激发智能体的好奇心,可以传递与外在奖励相同的超参数。具体如下: - **好奇心奖励信号超参数**: - `reward_signals->curiosity->strength`:用于平衡好奇心奖励与其他奖励(如外在奖励)的缩放系数,取值范围在 0.0 到 1.0 之间。 - `reward_signals->curiosity->gamma`:根据奖励实现所需的时间来调整奖励感知价值的第二个缩放系数,与外在奖励的 `gamma` 类似,取值范围也在

多视图检测与多模态数据融合实验研究

# 多视图检测与多模态数据融合实验研究 ## 1. 多视图检测实验 ### 1.1 实验数据集 实验参考了Wildtrack数据集和MultiviewX数据集,这两个数据集的特点如下表所示: | 数据集 | 相机数量 | 分辨率 | 帧数 | 区域面积 | | ---- | ---- | ---- | ---- | ---- | | Wildtrack | 7 | 1080×1920 | 400 | 12×36 m² | | MultiviewX | 6 | 1080×1920 | 400 | 16×25 m² | ### 1.2 评估指标 为了评估算法,使用了精度(Precision)、

二维和三维偏微分方程耦合求解及生命科学中常微分方程问题的解决

### 二维和三维偏微分方程耦合求解及生命科学中常微分方程问题的解决 #### 1. 二维和三维偏微分方程耦合求解 在求解二维和三维偏微分方程时,有几个具体的问题和解决方法值得探讨。 ##### 1.1 获取相同网格点的 v 值 要在与 u 相同的网格点上获取 v 值,可以输入以下命令: ```matlab >> T_table=tri2grid(p,t,u(length(p)+1:end,end),x,y) ``` 示例结果如下: ``` T_table = 0.6579 0.5915 0.5968 0.6582 0 0.6042 0.4892 0.5073 0.6234 0 0.543

利用PyTorch进行快速原型开发

### 利用 PyTorch 进行快速原型开发 在深度学习领域,快速搭建和验证模型是非常重要的。本文将介绍两个基于 PyTorch 的高级库:fast.ai 和 PyTorch Lightning,它们可以帮助我们更高效地进行模型的训练和评估。 #### 1. 使用 fast.ai 进行模型训练和评估 fast.ai 是一个基于 PyTorch 的高级库,它可以让我们在几分钟内完成模型的训练设置。下面是使用 fast.ai 训练和评估手写数字分类模型的步骤: ##### 1.1 模型训练日志分析 在训练过程中,我们可以看到冻结网络的第一个训练周期,然后是解冻网络的两个后续训练周期。日志中

排行榜接入全攻略:第三方SDK集成实战详解

![cocos2d-x 塔防游戏源码](https://docs.godotengine.org/en/3.1/_images/ui_mockup_break_down.png) # 1. 排行榜系统概述与应用场景 在现代互联网应用中,排行榜系统已成为增强用户参与感和提升活跃度的重要工具。无论是在游戏、社交、电商,还是内容平台中,排行榜都能有效激发用户的竞争意识与社交互动。排行榜系统不仅展示用户之间的排名关系,还承载着数据聚合、实时更新、多维度统计等复杂功能。本章将从排行榜的基本概念出发,探讨其在不同业务场景中的典型应用,并为后续技术实现打下理论基础。 # 2. 排行榜技术原理与架构设计