【摘 要】
：
随着社会的进步和科学技术的提高,数字签名逐渐被深入研究并快速发展,出现了一系列不同类型的数字签名。其中,多重签名作为数字签名重要的一种变形,它能够将不同签名者对同一消息的签名合并成一个签名,在验证阶段只需一次验证即可。正是因为多重签名带来的简单高效的特性,多重签名引起了许多学者的关注。如何确保多重签名安全性的情况下提高多重签名的效率成为研究的关键。本文从多重签名角度出发,对多重签名的安全性和效率进
论文部分内容阅读
随着社会的进步和科学技术的提高,数字签名逐渐被深入研究并快速发展,出现了一系列不同类型的数字签名。其中,多重签名作为数字签名重要的一种变形,它能够将不同签名者对同一消息的签名合并成一个签名,在验证阶段只需一次验证即可。正是因为多重签名带来的简单高效的特性,多重签名引起了许多学者的关注。如何确保多重签名安全性的情况下提高多重签名的效率成为研究的关键。本文从多重签名角度出发,对多重签名的安全性和效率进行研究和改进,并将其应用到区块链的交易协议中。其主要内容和研究成果包括:（1）针对目前的多重签名方案CoSi进行研究,结合Gamma签名的特点,构造出一种新型的多重签名方案GMS。该方案能够避免CoSi中存在的恶意公钥攻击和k和问题攻击,同时避免该多重签名中存在的根节点权力过大的问题,并且可以达到与CoSi几乎相同的扩展性。因此,我们提出的多重签名方案GMS具有广泛的应用性。然后,考虑签名的线上/线下特性,在我们提出的方案GMS基础上,将签名算法与公钥聚合算法相结合,修改签名阶段的步骤顺序,从而构造出一种新的多重签名方案AGMS。该方案能够在消息到来之前提前执行部分复杂的计算过程,从而使得该签名方案具备更好的线上/线下表现,并解决了实时的网络堵塞问题。（2）分析与研究Gayathri等人的无证书签名方案及其聚合签名的安全性,在基于Gayathri方案的基础上,设计出新的无证书聚合签名、多重签名方案ACLAS和CLMS。与Gayathri等人方案相比,虽然其计算复杂度与原方案没有明显地改进,但是我们的方案在部分私钥生成算法上密钥生成中心KGC能实现以公开方式传递部分私钥给用户,在签名算法上避免了Gayathri等人方案中出现的敌手类型II的安全性问题。同时,合理应用线上/线下签名的特性,使得我们提出的方案同样具有快速线上签名的特性。（3）结合联盟链Hyperledger Fabric的交易流程进行研究。首先介绍目前Hyperledger Fabric v1.0的交易流程。然后,结合AMGS多重签名方案和无证书多重签名方案CLMS,基于椭圆曲线离散对数问题,在交易流程中利用AGMS方案来替换ECDSA方案,在节点准入上将无证书签名部分完善原来的准入机制,并通过实验测试结果。实验表明,我们的方案在线上具备更快的签名效率,并且能降低交易在区块中的存储空间,从而实现了安全高效的目标。综上,本文在基于CoSi和Gayathri等人CLAS方案的基础上,分别提出了AGMS和CLMS两种不同的多重签名方案,并将其应用到联盟链Hyperledger Fabric中,从而解决了其存在的效率和安全问题。
其他文献
图像去噪是一个基础性的科研任务,其旨在对获取到的噪声图像通过某种去噪算法的处理后能够获得对应的纯净图像。当前的很多去噪方法是使用大量的成对图像（噪声图像和纯净图像）去训练一个卷积神经网络使之学习到从噪声图像到去噪图像的映射关系。相比于传统的基于图像先验知识的方法,这类方法能够自动地挖掘和利用更多的图像统计信息,从而获得更好的去噪效果。但是,这类方法目前依然还存在着一些问题,如有去噪图像过模糊、单个
自然场景中的文本包含丰富而准确的语义信息,是分析和理解特定场景内容的关键要素。近年来,自然场景文本检测技术在自动驾驶、场景分析、盲人导航等领域得到了广泛应用,成为当前计算机视觉领域的研究热点,受到了工业界和学术界的共同关注。然而,由于自然场景中的文本往往形状大小多变、排列方向不一、环境背景复杂等原因,自然场景文本检测算法的研究仍然面临巨大的挑战。本文结合目标检测、图像分割和深度学习的最新研究成果,
基于沉浸式3D全景视频的虚拟现实应用可以给用户带来沉浸式、深度感和交互式等身临其境的体验,具有广泛的市场需求和应用价值。然而,由于现有采集技术的局限和计算资源的约束,3D全景视频系统中的各环节均会引入不同类型和不同程度的失真。因此,3D全景视频系统中存在大量的图像失真问题,亟需研究高效的修复算法,以提升整体系统性能。本论文基于深度学习技术,围绕3D全景视频系统中的深度图像修复和360度全景图像修复
在全球共有数以万计的数据中心,随着科技的发展及人们对数据服务需求的增加,数据中心的数量每年都在增长。数据中心给我们的的工作与生活带来便利的同时,每年消耗大量的电力并且带来大量的碳污染。本文研究以服务器集群中作业分配方法为目标,以节能为目的,即研究目标是,对于服务器集群中传入的作业请求,设计最优的分配方法,以提高系统的能量效率实现节能,同时又保证作业高效率完成。作业分配主要研究如何为用户的提交的作业
近年来,随着互联网的蓬勃发展,移动通信中的用户数变得越来越多,数据流量大量增加,能源的消耗也变得日益严重,在未来的通信中面临着降低成本、提高性能的挑战。为了提高系统的性能,如何消除多用户干扰便成为了一个越来越重要的课题。然而,随着通信的发展,现有的多用户干扰消除算法如多用户检测技术等无法普遍满足于各种应用场景的需求。所以,本文进一步研究使用机器学习算法消除多用户干扰这个问题。深度学习是机器学习中的
与传统的单任务进化算法相比,进化多任务（EMT）在多个任务的搜索空间中同时进行优化。通过任务间的知识迁移,EMT能够增强优化任务的求解能力。然而,如果知识迁移不能得到很好的进行,EMT的算法性能会受到影响。为提高任务间知识迁移的质量,本文提出了一种基于子空间对齐和自适应差分进化的多目标EMT算法MOMFEA-SADE。具体地说,MOMFEA-SADE采用子空间学习方式,基于一个映射矩阵来变换种群的
近年来,在第五代通信技术（5G）和人工智能技术的背景下,智能物联网技术（AIoT）逐渐走入研究人员的视野。AIoT是一个交叉学科,目的是将AI服务于物联网之中。已经有大量研究围绕如何在物联网中使用AI服务,这些研究主要围绕两个方面,即一些新颖的应用和AI服务的性能优化。在运用层面,研究人员广泛使用传感器网络以解决一些动作识别、步态识别、健康检测等功能。在优化层面,则包含边缘计算、神经网络优化、网络
随着各行各业对室内定位服务的需求日益增长,越来越多的研究者将科研工作投入到了室内定位技术的研究中。基于位置指纹的WIFI定位算法凭借具有覆盖范围广、成本较低、容易部署等优点,目前已经成为室内定位领域的研究热点。但由于室内环境的复杂多变,使得WIFI信号在室内传播过程中具有强烈的时变性、非线性,不平稳性。因此,本文针对上述问题对基于深度学习的室内定位算法进行研究,通过使用深度学习算法挖掘位置指纹信息
新兴应用程序（例如云计算）的爆炸性增长和新的网络范式（例如物联网）的广泛使用要求新网络的基础架构能够支持动态、高容量和高质量传输（Qo T）从而来保证端到端的服务。相应地,光通信网络需要更多的波长资源来承载业务。但目前市面上已经投入市场商用的波长交换开关的端口数量往往限制在大约20以内,且价格非常昂贵。近年来,波带交换（WBS）这项技术被光网络行业的研究者们所发现捕捉,并进行了深度研究。WBS在减
网络功能虚拟化（NFV）正在革新网络服务的设计和部署方式。与传统的网络相比,NFV概念虚拟化了网络功能（防火墙、入侵检测、代理服务器…）,因此它们可以托管在通用硬件（服务器/计算机/交换机）上。这些网络功能与专用硬件解耦,称为虚拟网络功能（VNF）。运行在基于NFV的网络提供了更大的灵活性,使得高效和可伸缩的资源得以利用,并降低了成本。因此运营商对放在数据中心或支持NFV的网络元素（如路由器和交换