34、基于盲多重签名方案的可证明安全电子现金

基于盲多重签名方案的可证明安全电子现金

1. 引言

随着电子商务等在线业务的广泛开展,电子现金(e - cash)作为基础要素,受到了大量研究。电子现金方案的安全需求主要包括:对诚实用户的不可追踪性、对不诚实用户的可追踪性以及电子现金的不可伪造性。为实现不可追踪性,Chaum提出了盲签名方案。盲签名方案包含签名者、用户和验证者三个实体,签名者为用户隐藏的消息生成签名,验证者使用签名者的公钥检查签名的有效性。

现有的不可追踪电子现金方案中,商店可离线验证电子现金的有效性,用户隐私通过盲签名方案得到保护,但用户重复使用同一电子现金(双花)会导致个人信息泄露,这种对不诚实用户的可追踪性可防止双花行为。然而,之前的方案存在银行陷害用户的问题,由于电子现金通常由单一银行发行,银行可能恶意模拟取款和支付协议。若采用盲多重签名方案,将发行功能分散到多个银行,且至少有一个银行是可信的,就能避免这一弊端。

Horster等人引入了盲多重签名方案的概念,并基于Meta - 盲签名方案给出了具体方案;Chen等人从双线性映射给出了另一个具体方案,但这两个方案的安全性均未得到证明,因此基于它们的电子现金或电子投票系统的安全性存疑。

2. 研究贡献

构建了基于Abe盲签名方案的盲多重签名方案,并提出了一种新的不可追踪电子现金方案,该方案在随机预言模型下可证明安全。这是首次探讨基于盲多重签名方案的不可追踪电子现金方案的形式化安全问题。

3. 相关工作

多重签名的概念由Itakura和Nakamura引入,其目的是多个签名者合作生成一个签名,以减少签名长度。Micali等人提供了多重签名方案的形式化模型,并提出了基于离散对

【故障诊断】【pytorch】基于CNN-LSTM故障分类的轴承故障诊断研究[西储大学数据](Python代码实现)内容概要:本文介绍了基于CNN-LSTM神经网络模型的轴承故障分类方法,利用PyTorch框架实现,采用西储大学(Case Western Reserve University)公开的轴承故障数据集进行实验验证。该方法结合卷积神经网络(CNN)强大的特征提取能力和长短期记忆网络(LSTM)对时序数据的建模优势,实现对轴承不同故障类型和严重程度的高精度分类。文中详细阐述了数据预处理、模型构建、训练流程及结果分析过程,并提供了完整的Python代码实现,属于典型的工业设备故障诊断领域深度学习应用研究。; 适合人群:具备Python编程基础和深度学习基础知识的高校学生、科研人员及工业界从事设备状态监测与故障诊断的工程师,尤其适合正在开展相关课题研究或希望复现EI级别论文成果的研究者。; 使用场景及目标:① 学习如何使用PyTorch搭建CNN-LSTM混合模型进行时间序列分类;② 掌握轴承振动信号的预处理与特征学习方法;③ 复现并改进基于公开数据集的故障诊断模型,用于学术论文撰写或实际工业场景验证; 阅读建议:建议读者结合提供的代码逐行理解模型实现细节,重点关注数据加载、滑动窗口处理、网络结构设计及训练策略部分,鼓励在原有基础上尝试不同的网络结构或优化算法以提升分类能。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值