sha256零知识证明constraints对比-白红宇

sha256零知识证明constraints对比

阅读量：313 次

发布时间：2019-03-01

本文共 351 字，大约阅读时间需要 1 分钟。

在2016年，使用libsnark的deprecated-master版本进行测试时，记录的性能数据如下：

测试环境：Intel® Core™ i7-3770S CPU @ 3.10GHz

密钥生成时间：11.6551秒

证明生成时间：3.0884秒

验证时间：0.0262秒

证书大小：2294位

证明密钥大小：102284136位

验证密钥大小：4586位

R1CS约束数量：56101（主要为sha256相关）

2019年，进一步优化了性能表现：

例子	描述	约束数量
高级SHA-256实现	该实现编译生成了优化后的电路，与手动低级别库生成的电路类似。	25538

从2016年到2019年，证明性能得到了显著提升，特别是在证明生成时间和验证时间方面。同时，证书大小和证明密钥大小也得到了优化。

转载地址：http://vuqx.baihongyu.com/

你可能感兴趣的文章

OpenCV与AI深度学习 | 基于OpenCV实现模糊检测 / 自动对焦

查看>>

OpenCV与AI深度学习 | 基于Python和OpenCV将图像转为ASCII艺术效果

查看>>

OpenCV与AI深度学习 | 基于PyTorch实现Faster RCNN目标检测

查看>>

OpenCV与AI深度学习 | 基于PyTorch语义分割实现洪水识别（数据集 + 源码）

查看>>

OpenCV与AI深度学习 | 基于YOLO11的车体部件检测与分割

查看>>

OpenCV与AI深度学习 | 基于YoloV11自定义数据集实现车辆事故检测（有源码，建议收藏！）

查看>>

OpenCV与AI深度学习 | 基于YOLOv8 + BotSORT实现球员和足球检测与跟踪 (步骤 + 源码)

查看>>

OpenCV与AI深度学习 | 基于YOLOv8实现高级目标检测和区域计数

查看>>

VS2003 Front Page Server Extension

查看>>

OpenCV与AI深度学习 | 基于YOLOv8的停车对齐检测

查看>>

OpenCV与AI深度学习 | 基于YoloV8的药丸/片剂类型识别

查看>>

OpenCV与AI深度学习 | 基于YOLO和EasyOCR从视频中识别车牌

查看>>

OpenCV与AI深度学习 | 基于图像处理的火焰检测算法（颜色+边缘）

查看>>

OpenCV与AI深度学习 | 基于拉普拉斯金字塔实现图像融合（步骤 + 代码）

查看>>

OpenCV与AI深度学习 | 基于改进YOLOv8的景区行人检测算法

查看>>

OpenCV与AI深度学习 | 基于机器视觉的磁瓦表面缺陷检测方案

查看>>

OpenCV与AI深度学习 | 基于深度学习的轮胎缺陷检测系统

查看>>

OpenCV与AI深度学习 | 如何使用YOLO-World做目标检测

查看>>

OpenCV与AI深度学习 | 如何使用YOLOv9分割图像中的对象

查看>>

OpenCV与AI深度学习 | 如何使用YOLOv9检测图片和视频中的目标

查看>>