62、人类工作量证明谜题设计与人类币应用

人类工作量证明谜题设计与人类币应用

1. CAPTCHA与通用采样器

在传统的CAPTCHA应用中，如机器人检测，攻击者在没有人类协助的情况下正确解决长CAPTCHA挑战的概率极低，例如2⁻¹⁰⁰ 。不过对于一些应用场景，这种需要较长时间解决的CAPTCHA是可以接受的，比如比特币中，参数设置使得每10分钟挖出一个新块。

虽然有些垃圾邮件发送者会雇佣人类批量解决CAPTCHA，但这并不被视为对我们定义的攻击，因为其中涉及了人类的努力。如果一个HumanCoin矿工付钱让用户为他解决CAPTCHA，若补偿不公平，人类用户会有动力自己挖掘HumanCoin。

通用采样器是Hofheinz等人引入的概念。一个通用采样器方案由算法(Setup, Sample)组成：
- (U \leftarrow Setup(1^{\lambda})) 是一个随机算法，它以安全参数 (1^{\lambda}) 为输入，输出采样器参数 (U)。
- (p_d \leftarrow Sample(U, d)) 以采样器参数 (U) 和大小至多为 (\ell = poly(\lambda)) 的电路 (d) 为输入，输出诱导样本 (p_d)。

在我们的应用中，会使用一个允许额外输入的扩展版本的通用采样器方案，记为 (Sample(U, d, \beta)) 。这样可以在不改变电路 (d) 功能的情况下，为其提供灵活的描述。

自适应安全的直观概念是，诱导样本对于任意由对抗方和诚实方组成的交互系统来说，与真实生成的样本是不可区分的。在理想世界中，一个可信方根据固定程序描述 (d) 和输入 (\beta) ，输出 (d(r_{\beta})) ，其中 (r