基于混币机制的区块链隐私保护研究

来源 :湖北大学 | 被引量 : 0次 | 上传用户:ytfeng
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
区块链技术在金融、数字货币、医疗等领域得到了广泛的应用,其公开性的特点也导致用户面临着严重的隐私泄露威胁,为此,研究者提出了多种区块链隐私保护方法,其中混币机制由于能够部署在现有区块链网络中,且不会影响区块链原有的协议和机制,成为当前主流的区块链隐私保护解决方案之一。混币机制利用混淆用户输出地址的思想达到实现区块链隐私保护的目的,但是现有的混币机制存在以下问题:1)运行时间长,混币过程无法并行进行,容易阻塞;2)混币过程要求各参与者同时在线,容易遭受拒绝服务攻击。为了解决现有混币机制存在的问题,本文针对混币交易参与者人数较多和较少两种不同应用场景分别提出了两种混币机制。1)当混币交易参与者较少时,提出了一种基于中间人的区块链混币机制—IMShuffle。该混币机制首先对混币交易的参与者随机分组,每个小组成员都需要从小组中选择一位参与者作为中间人发送自己的输出地址,这些中间人将接收到的输出地址发送给小组的最后节点;然后运用多层加密的思想完成小组间最后节点输出地址的传递和混淆;经过实验分析表明,IMShuffle在参与者达到70名时混币时间仅11s,与典型的混币机制Coin Shuffle以及基于Coin Shuffle改进的TTShuffle机制的运行时间相比,大大提升了混币交易的效率,缩短了混币交易消耗的时间,同时保护了交易过程中参与者的隐私,并降低了遭受拒绝服务攻击的风险。2)当混币交易参与者较多时,提出了一种基于多层代理的区块链混币机制—MLAShuffle。该混币机制在IMShuffle机制的基础上进行改进,引入多层代理节点替换了混淆阶段中的最后节点,并在混淆阶段沿用Coin Shuffle混币机制中的多层加密思想传递参与者的输出地址,降低了混币交易过程中遭受拒绝服务攻击的风险和影响,避免了最后节点作为恶意节点所产生的不良后果。经过实验分析表明,MLAShuffle混币机制在混币交易参与者人数较多时,能够极大的缩短混币交易的运行时间,同时能够有效降低遭受拒绝服务攻击的概率。
其他文献
技术能对司法文书的内容进行压缩总结,生成涵盖裁判过程和事实依据的要点内容,对智慧司法的建设和应对法律信息过载具有重要意义。本文结合司法领域的文本特点,对司法文书研究其抽取式和生成式文本摘要算法。具体研究内容如下:(1)融合篇章结构的多任务学习摘要研究。针对现有抽取式摘要模型难以捕获司法文书区别于普通文本的规范性特征,本文利用文书不同结构对于摘要贡献度的不同提出一种多任务学习模型,以共享参数的方式将
学位
在互联网海量信息的数据中,文本是最主要的表现形式,这些文本信息多以非结构化的形式呈现出来。命名实体识别技术可以从非结构化的文本中识别人名和地名等含有特定意义的实体。命名实体识别的结果可以用于关系抽取、事件抽取、知识图谱构建等下游任务中,其结果的好坏直接影响下游任务的效果。命名实体识别任务根据命名实体是否嵌套分为非嵌套命名实体识别和嵌套命名实体识别,本文对这两个任务进行研究。具体的研究内容如下:(1
学位
随着无人机行业发展的不断成熟,在许多行业都引入无人机航拍获取图像信息。无人机具有操作便捷、不受场地限制的许多优点,但是无人机相机只能获取有限视野的内的图像,难以对场景的实际情况进行反映。因此需要采用图像拼接技术得到航拍图像的全景图。传统的图像拼接算法虽然已经被成熟地集成在商业软件中,但大多基于全局单应性的配准变形方法,难以解决航拍图像拼接过程中的视差问题。并且这些采用单一的特征的图像拼接算法又由于
学位
随着深度神经网络在各领域越来越广泛的应用,学者们也越来越关注深度神经网络的安全性。在21世纪人工智能时代已经到来的环境下,深度神经网络在计算机视觉领域特别是图像分类任务中取得了相当好的效果。然而,有研究表明,在输入样本中添加人眼不可见的微小扰动,能够成功地欺骗深度神经网络,使得DNN分类模型发生误判。这种添加了扰动的样本叫做对抗样本,通过对抗样本使得深度神经网络出错的方法叫做针对深度神经网络的逃逸
学位
企业简介是企业信息的重要来源之一,大量有价值的企业信息蕴藏在各种企业简介中,如何从企业简介中高效地抽取信息,是自动化构建企业信息管理系统的基础。企业命名实体识别和关系抽取是将机器学习、深度学习等技术应用于企业信息管理领域,准确、快速地实现企业信息的抽取,从而帮助企业快速地构建企业信息知识图谱,辅助企业决策。为此,本文以企业简介文本为基础,通过抽取企业相关实体与关系,实现企业信息抽取,具体工作如下:
学位
由于社会的进步和信息科技的发展,人们加快了走向互联网时代的步伐,网络上出现层出不穷的信息供用户阅览,但用户难以在海量数据中找到自己真正想要的信息。推荐系统的出现缓解了这一问题,在解决信息过载问题的同时还能给使用者提供个性化服务。传统的推荐系统存在推荐结果解释性低、用户或物品冷启动等问题,知识图谱作为升级版知识库加入到推荐系统中,有助于增加用户和物品信息的丰富度,提高推荐结果的精准性。现存的一些推荐
学位
为了弄清硒矿粉中硒的生物有效性,为硒矿粉的农业利用提供依据,本研究设置了土壤施硒矿粉0、3、5、10、20、25、50 g/kg和亚硒酸钠1、5 mg/kg的处理,进行了为期4个多月的萝卜盆栽实验,测定了萝卜种子的发芽率、萝卜苗硒含量、生物量、维生素C(Vc)、可溶性糖、丙二醛(MDA)、光合色素、水溶性养分含量、过氧化氢酶(CAT)活性和萝卜成熟期硒含量、生物量、营养元素含量,以及盆栽土壤硒含量
学位
送转是上市公司给各股东分红的一种方式,高送转指的是送转比例达到0.5及以上的股票,该行为有助于股票流动性的增加。从正面来看,该行为预示着公司正处于较快的发展期;另一方面,高送转也成为了某些公司在发展较差时提高股票流动性的一种手段。通过某公司上一年的股票数据对该公司下一年是否发生高送转进行预测对投资者具有较大的经济学意义。近年来高送转相关研究逐渐增多,但各学者更多倾向于使用传统机器学习或集成模型进行
学位
纳税信用既是衡量纳税人“品质”的重要指标,也是构建社会诚信体系的核心内容,更是落实税务管理、政策改革的有力抓手。虽然我国不断健全税务监管机制,但违反税法的行为时常发生;现有的纳税信用评价采用年度评价指标得分,即一年公布一次评定结果,导致信用评定时效性滞后;现有信用评价指标体系还较为落后,纳税评价的信息化程度较低。本文以面向纳税人信用情况研究为出发点,提出一种基于改进博弈论的纳税信用评价模型,深入分
学位
联邦学习(Federated Learning,FL)是一种新兴的实现多方之间协同的分布式机器学习技术,经过近年的研究证明联邦学习在解决数据孤岛问题方面效果显著。然而传统联邦学习对各个参与方隐私保护关注度不够,一旦恶意参与方收集到其它参与方的本地模型参数便可以进行推理攻击,最终导致参与方隐私泄露。现有的联邦学习隐私保护手段主要是差分隐私保护和安全多方计算,二者分别存在隐私预算问题和加密开销过大问题
学位