ZKSwap團隊深入解讀零知識證明算法之Zk-stark(七):Low Degree Testing

前言

本系列的第二篇文章,以超市收據為例,描述了 Arithmetization 的具體過程。本文將以另外一個例子為基礎,在回顧 Arithmetization 過程的同時,將內容引申到多項式的 LDT 過程。

新的實例

Alice Claim:“我有 1000000 個數,他們都在 [0,9] 范圍內”。為了方便驗證者 Bob 驗證,Alice 首先要對 Claim 進行 Arithmetization 轉換。過程如下圖 1 所示(圖中:黑色箭頭代表主流程,紅色箭頭代表附加說明資訊,黃色圈對應下面詳細說明的索引)。

下面具體說明一下對應流程:

  1. 首先生成執行軌跡(EXCUTE TRACE),事實上,它是一張表,總共有 1000000 行(實際上,為了達到零知識的目的,還需要在執行軌跡后面增加一些隨機值,具體數量是由證明者和驗證者統一協調決定的,作為一個擴展,不具體講述);
  2. 生成多項式約束(Polynomial Constrains),多項式約束滿足執行軌跡的每一行(個人理解:步驟 1,2 沒有一定的先后依賴關系,只是習慣上先生成執行軌跡,再生成約束多項式);
  3. 對執行軌跡進行插值,得到一個度小于 1000000 的多項式 P(x)、x 取值[1,1000,000],并計算更多點上的值,x 取值范圍擴大到11000000000;假如,證明者有一個值不在[0,9] 范圍內(圖中紅線 1/2 所示),假如就是第 1000000個點,它實際的值是 13,大于 9,其插值后的曲線 G(x) 如圖所示,圖中 P(x) 為有效曲線,G(x) 為無效曲線,可以看出,兩條曲線在變量 x 取值 [1,1000000000] 范圍內,最多有 1000000個交點,即有1000000000 – 1000000 個點不同,這很重要,
  4. 將插值后的多項式 P(x) 和多項式約束進行組合變換,最終得到的形式為:

Q(P(x)) = Ψ(x) * T(x),其中 T(x) = (x – 1)(x – 2)……(x – 1000000),x 取值[1,1000000000]

其中,d(Q(P(x))) = 10000000、d(Ψ(x)) = 10000000 – 1000,000、d(T(x)) = 1000000;

  1. 至此,問題就轉化成了,Alice 宣稱“多項式等式在變量x取值[1,1000000000]范圍內成立”的問題。那么驗證者 Bob 該如何驗證呢?具體過程如下(圖中紅線 3/4 所示): a. 證明者 Alice 在本地計算多項式P(x)、Ψ(x)在所有點上的取值,對!從1至1000000000,并形成一個默克爾樹; b. 驗證者 Bob 隨機的從[1,1000,000000]內選取一個值 ρ,并發送給證明者Alice,要求其返回對應的資訊(事實上為了達到零知識的目的,只允許從[1000,000,1000,000,000]上隨機選擇一點); c. 證明者 Alice 返回 P(ρ)、Ψ(ρ)、root、AuthorizedPath(P(ρ)、Ψ(ρ))給驗證者Bob; d. 驗證者Bob首先根據默克爾樹驗證路徑驗證值 P(ρ)、Ψ(ρ)的有效性,然后等式Q(P(ρ)) = Ψ(ρ) * T(ρ),如果成立,則驗證通過;

完整性分析:如果驗證者 Alice 是誠實的,那么等式 Q(P(x))一定會被目標多項式 T(x)整除,因此必定存在一個 d(Ψ(x)) = d(Q(P(x))) – d(T(x)) 的多項式 Ψ(x),滿足Q(P(x)) = Ψ(x) * T(x),因此對于任意的 x,取值在[1,1000,000,000]之間,等式都會成立;

可靠性分析:如果驗證者 Alice 是不誠實的,即類似于步驟 3 里的假設,在x = 1000,000上,P(x)的取值為 13,那么Q(P(1000,000)) != 0,但是等式右邊,T(1000,000) = 0,因此Q(P(x)) != Ψ(x) * T(x),即等式兩邊是不相等的多項式,其交點最多有 10,000,000 個,因此通過一次隨機選取,其驗證通過的概率僅為10,000,000/1000,000,000 = 1/100 = 0.01,經過k次驗證,其驗證通過的概率僅是 1- 10(^-2k);

  • 上述的驗證過程為交互式的,如果是非交互式的,可以利 Fiat-Shamir heuristic 進行變換,以默克爾樹的根作為隨機源,生成要查詢的隨機點;

LDT

我們忽略了一種攻擊方式,即針對每一個數 x,證明者都隨機生成 p,然后根據 Ψ(x) = Q(p) / T(x),這些點不在任何一個度小于 1000000 的多項式上,但是可以通過驗證者驗證,如下圖 2 所示:

圖中:紫色的點為隨機生成的點 p,這些點大概率不在一個度小于 1000,000 的多項式上(事實上,可以不考慮前 1000,000 個點,因為驗證者只會從[1000,000,1000,000,000]范圍內取值),因為即使選擇 1000,000 個點插值出一個度小于 1000,000 的多項式,也不能保證其他的點在這個多項式上,因為其他的點是隨機生成的。因此,需要有一種方式,保證證明者 P(x)的度是小于 1000,000, Ψ(x)的度小于10,000,000 – 1000,000。這就是 LDT 的目標,那 LDT 具體的過程是怎么樣的呢?請繼續往下看。

舉個栗子,如果 Alice 想證明多項式 f(x) 的度是小于 3 的,即有可能是 2 次的或者是1次的,一般流程如下:

  1. 驗證者 Bob 隨機選取三個值 a,b,c,發送給證明者 Alice;
  2. 證明者 Alice 返回 f(a),f(b),f(c);
  3. 驗證者 Bob 插值出度小于 3 的多項式 g(x),然后再隨機選取一個點 d,發送給證明者;
  4. 證明者 Alice 返回f(d);
  5. 驗證者 Bob 比對 f(d)和g(d)的值,如果相等,則證明成立。

回歸到一般情況,其過程可以用下圖 3 表示:

可以看出,如果 D 很大,Alice 和 Bob 交互的次數則為 D+k 次,復雜度很高;有沒有一種辦法,使得兩者之間交互的次數小于 D 的情況下,使得驗證者相信多項式的度是小于 D 的,直接返回小于 D 個點肯定是不行的,因為那不能唯一確定一個度小于 D 的多項式,因此需要證明者需要額外發送一些輔助資訊。下面我們以 P(x)為例,詳細闡述這個過程(事實上,應該是證明 P(x) 和 Ψ(x) 的線性組合小于 10,000,000 – 1000,000,本文重點是 LDT,因此只以 P(x) 為例,這并不影響對 LDT 的理解)。

假如 P(x) = x + x^999 + x^1001 + x^999999 = x + x^999 + x * x^1000 + x^999*(x^1000)^999;

此時,我們找到一個二維多項式 G(x, y),取值范圍分別是[0, 999999999]、[01000, 9999999991000],滿足: G(x, y) = x + x^999 +x * y + x^999y^999 可以發現,當y = x^1000時,滿足: G(x, y) = G(x, x^1000) = x + x^999 + x * x^1000 + x999(x^1000)^999 = P(x) 如果我們能證明 G(x, y) 相對的 x,y 的最高度都是小于 1000,因為P(x) = G(x, x^1000)上,因此可以相信 P(x) 的度小于 1000000;如圖 4 所示:

驗證者把所有的點都計算好(沒錯,總共 10^18 個點),形成一顆默克爾樹,驗證者隨機選擇一行和一列,如圖中紅線 1/2 所示,對于每一列,它是由關于y的度小于 1000 的多項式生成,對于每一行,它是由關于x的度小于 1000 的多項式生成,驗證者從行/列中隨機選擇 1010 個點,用來驗證對應行/列上的點是否在度小于 1000 的多項式上,需要注意的是,因為 P(x)的點都在上圖的對角線上,因此我們要確保每一行/列對應的對角線上的點也在對應的度小于 1000 的多項式上,即 1010 個里面一定要包含對角線的點,

可靠性分析:如果原始多項式的度實際上是小于 10^6 +10999,即 P(x) = x + x^999 + x^1001 + x^1010999 ,那么對應的 G(x, y) 為 G(x, y) = x + x^999 +x * y + x^999*y^1010 ,即,對于每一個 x,G(x, y) 是關于 y 的一元多項式函數,且度 d < 1010,因此下圖中的每一列所有點都是在度 d < 1010 的多項式上,而不在 d < 1000的多項式式上。所以如果證明者任然宣稱多項式 P(x) 的度 d < 1000,000 ,則會驗證失敗,其他場景是同樣的道理

那有沒有可能惡意證明者仍以 G(x, y) = x + x^999 +x * y + x^999*y^999 的形式去生成證據呢?這樣會驗證通過嗎?

我們知道,我們在驗證時著重強調了對角線上的那一點一定要在多項式上,我們知道,此時對角線對應的多項式形式是:

P(x) = x + x^999 + x1001 + x^999999 ,而實際的 P(x),我們在這里標記為 P`(x) ,其形式是:

P`(x) = x + x^999 + x^1001 + x^1010999

因此,如果驗證者恰好選擇的點是兩個多項式的交點,則會驗證通過,事實上,兩個多項式最多有 1000,000 左右個交點,但是由于隨機選取的點不是證明者自己選取,是由默克爾樹的根為種子隨機生成,因此證明者沒有機會作惡,去可以選取那些能通過驗證的點,

由于總共由 10^9 個點,因此隨機選取一個點,能驗證成功的概率為 10^6 / 10^9 = 10^(-3),如果選擇 k 行,則成功的概率僅為 10^(-3k),

以上可以看出,驗證者和證明者只需要交互 1010 * 2 * k 個點,就可以完成驗證,假如k = 10,則 1010 * 2 * 10 = 20100 << 10^6。

  • 雖然上述實現了在交互次數小于 D 的情況下,完整 LDT 驗證,但是證明者的復雜度過于龐大,至少 10^18 的復雜度遠遠大于原始的計算,因此需要一些優化方案,降低復雜度,話不多說,直接引入有限域,畢竟在實際項目中,我們可不希望數值本身過于龐大。直接引用費馬小定理的結論:在有限域p內,如果滿足(p – 1) 能被 k 整除,則映射 x => x^k的像只有(p -1) / k + 1個,下圖 5 以 p = 17,映射 x=> x^2 為例:

圖中,紅色為 x^2 在有限域 p 內的象,總共由(p – 1) /2 + 1 = 9 個,同時我們可以發現,9^2 和 8^2 的像一致,10^2 和 7^2 的像一致,以此類推,16^2 和 1^2 的像一致,記住這個現象,對下一張圖的理解有幫助。

因此,在本例中,我們選擇一個素數 p = 1000,005,001,其滿足:

  • 為素數
  • p – 1 能被 1000 整除
  • p 要大于 10^9

因此,在有限域 p 內,x => x^1000 的像在 p 內有(p -1) / 1000 = 1000005個,因此圖 4 可以變成圖 6 的形式:

可以看出,列坐標變成了 10^6 個元素,對角線變成了平行的線條,總共有 1000 個,還記得上面費馬小定理結論的特殊現象嗎?這就是對角線這種分布的原因,讀者試著去理解(可能讀者會覺得,對角線應該是鋸齒形,不是這種平行的形式,也許你是對的,但是這并不影響驗證流程)。此時證明者的復雜度已經從 10^18 減少到了 10^15 次方,證明和驗證過程和步驟 3 描述的仍然一致。

  1. 還能不能繼續優化呢?答案是肯定的,回想起前面所述的驗證過程,對于每一行/列,驗證者都要獲取 1000 個點進行插值得出一個度小于 1000 的多項式,仔細觀察圖 6,對于每一行,原始數據里不就是有 1000 個數么?那我們干脆選這些點插值出一個度小于1000 的多項式,然后只需要隨機讓證明者再計算任何一列,并且證明沿著列上的點都在度小于 1000 的多項式上,并且列上的點也在對應的利用原始數據插值出的行多項式上,此時,證明者復雜度從 10^15 減少到了 10^9 次方。
  2. 總結:個人理解,從步驟 1 到步驟 5,其實是 PCP 到 IOP 的選擇過程。 a. PCP 要求證明者生成全部的證據,然后驗證者多次隨機選取其中的某一部分進行驗證,但是這樣,證明者的復雜度仍然很高; b. IOP 要求證明者不用生成全部的證據,根據多次的交互,每次生成只需生成部分證據,使得證明的復雜度和 D 呈近似線性關系;
  3. 證明者復雜度已經降低到了與 D 呈擬線性關系,驗證者的復雜度雖然是亞線性,交互次數已經低于 D,但是能不能優化到更低呢?基于證明復雜度的最優設置,我們繼續探索驗證復雜度的優化之路,回顧 P(x) = x + x^999 + x^1001 + x^999999 = x + x*(x^2)^499 + x*(x^2)^500 + x*(x^2)499999,令G(x, y) = x + xy^499 + xy^500 + xy^499999,則當 y = x^2時,有 G(x, y) = G(x, x^2) = x + x*(x^2)^499 + x*(x^2)^500 + x*(x^2)*499999 = P(x)。

最終的圖應如下圖 7 所示:

從圖中可知:

  • 證明則復雜度仍為 10^9 次方;
  • 每一行上的點都在度 d < 2 的多項式上,因為當 y 取固定值時,G(x, y)就是關于 x 的一次多項式;
  • 每一列上的點都在度 d < D/2 的多項式上,證明者需要證明這個多項式是小于 D/2 的,假定這個多項式為 P1(x),這個時候,并非驗證者選取大于 D/2 個點去驗證,因為驗證復雜度仍然不夠低,而是對這一列再一次用到類似于 P(x) 的處理過程,如圖7中下面的圖所示,以此循環,直到可以直接判斷列上的多項式的度為止,類似于行,

總結

至此,本篇文章就結束了,總結下來,本文主要闡述了以下幾個內容:

  • 如何轉換問題形式 — Arithmetization
  • 為何需要 LDT — 為了驗證簡潔
  • LDT 的大概過程 — 二分法驗證,類似于 FFT
  • 降低 LDT 的復雜度 — 有限域 +IOP

0 条回复 A文章作者 M管理員
    暫無討論,說說你的看法吧