5月16日，在由杭州市金融办指导，巴比特主办的2019杭州区块链周•Chainge技术开放日上，VNT Chain首席科学家刘振广发表了以《VNT Chain区块链安全及隐私保护研究进展》为主题的演讲。他分享了VNT Chain目前的五个研究方向：一是PAMB，基于零知识证明实现针对账户模型的隐私保护方案；二是Q语言，基于形式化验证实现了百分之百没有BUG的合约；三是区块链共识验证方法，采用了DPOS和拜占庭容错算法，加上特色的硬件加速；最后是AI+Blockchain的两个实践，基于图神经网络的方法进行智能合约安全漏洞检测。以及对于节点时间序列性数据采用深度学习方法，实现对危险账户智能监管。

以下是刘振广的现场演讲内容精编，由巴比特整理。

我先简单分享一下对区块链的观点，区块链1.0是以比特币为代表的可编程货币。区块链2.0是以以太坊智能合约为代表的可编程金融。我们认为区块链3.0是可编程的商业级应用，也就是把区块链应用到各种各样商用系统里。

我们刚刚接触区块链时会遇到很多概念，加密算法、共识算法、区块…概念很多导致逻辑比较混乱，感觉区块链就是一个大杂烩。我们化繁为简，区块链的本质到底是什么，其实很简单，说白了区块链就是一种新的数据管理和计算方式。只不过这种方式相比于传统中心化存储有它的特点，它的特点就是利用链式结构来存储数据，利用分布式共识算法来更新数据。利用密码学的方式保护数据，利用自动化的脚本，智能合约操作数据，就是这么简单，是一种新的数据管理和计算方式。

VNT chain的五个研究方向

接下来，我具体讲一下VNT chain在区块链方向五个研究方向：一是基于零知识证明的隐私保护；二是智能合约语言；三是共识算法；四和五是结合人工智能和Blockchain做的研究。

具体来讲，一是PAMB，基于零知识证明实现针对账户模型的隐私保护方案；二是Q语言，基于形式化验证实现了百分之百没有BUG的合约。有人可能我在吹牛，百分之百无BUG做不到的，但一会我会展开讲为什么能做到百分之百没有BUG；三是区块链共识验证方法，我们采用了DPOS和拜占庭容错算法，加上特色的硬件加速；最后两个研究点，一个是基于图神经网络的方法进行智能合约安全漏洞检测。以及对于节点时间序列性数据采用深度学习方法，实现对危险账户智能监管。

1.PAMB：基于零知识证明实现针对账户模型的隐私保护方案

展开来讲，PAMB是基于零知识证明针对账户模型的隐私保护方案。提到隐私保护，首先要明确到底保护什么。很简单，无非就保护两个事情，一个是交易双方的关联关系，一个是交易的金额。

现在我们的区块链系统余额模型主要分为两种，一种是UTXO模型，就是为消费的交易输出模型，比特币就是采用这个模型。另一种是账户模型，以太坊就采用账户模型，VNT Chain也采用账户模型，这两个模型到底有什么区别？

UTXO是每一个人可能有好几个账户地址，这些账户地址没有人知道是谁的。我看到了一笔交易A地址转到B地址，但我不知道A的拥有人是谁，B的拥有人是谁。账户模型就不一样了，我有一个汇总的功能，这个人到底有几个转账地址，我是知道的，明确的。因为我有钱包的功能，统计他到底有多少钱，所以是知道他具体有哪几个地址，UTXO模型隐私保护会相对容易一些。

当前的隐私保护方案主要针对UTXO模型，比如说Zerocoin、Monero。针对账户模型的隐私保护方案现在还比较缺乏，现在隐私保护方案还有另外一个缺点，灵活性不够。隐私保护就这一种方案，固定的。比如我有一个需求，这个交易隐私保护需求不是很强烈，想保护的密集低一点。或者这个交易隐私保护非常高，密集高一点，可不可以，传统方案就会说不可以，就这一种方案。

我们的解决方案是把交易过程分成两步，第一步，不是把钱直接从发送方发送给收款方，而是先由发送方发到Merkel树上。再从Merkel树上钱存到收款方，这两步都用零知识证明保护。Merkel树大小不固定，可以动态调整，交易的隐私保护密集高，就调大一点，密集低，就调小一点。

这两步涉及到四个基本操作：发送、接收、明文转密文、密文转明文，涉及了相应的门电路图。

2.Q语言：基于形式化验证实现了百分之百没有BUG的合约

Q语言，我们设计了一种适用于形式化验证的智能合约语言。我们知道高级的编程语言，C语言、JAVA，这些语言都是面向函数和过程，把代码组织成一个个函数，实现业务逻辑时就实现一个过程。这种方法有很多BUG，这些BUG和安全漏洞基本上不可避免。现在由于智能合约所导致的安全问题已经造成了12.4亿美元的损失。

还有一个缺点，对于安全有关的领域，比如航天、高铁、核电、航空，涉及人类安全，如果很容易出现BUG的话无法容忍的。我们设计了一种Q语言，专门针对这种安全相关领域需求，当然也支持C语言这些高级语言，只不过这种是特定的，针对这种领域的应用。它主要是使用数据类型，不是int，不是double，而是有理数，这些数域的东西。数学描述表达也是用数学描述的语法，数据类型就用数域里数据，所以能做到实现程序和数学描述完全等价的，就保证没有没有BUG。

这不是我们拍脑袋想出来的，形式化验证是由牛津大学教授提出，经过几十年发展，现在也已经有了很大的进步。我们基于现在的技术做了一些改进，同时应用到智能合约语言上，我们是第一个把它做到智能合约语言上的。因为我们程序和数学描述是等价的，执行时间可以精准预估。

3.共识：一种采用硬件实现共识验证的方法

关于共识算法，这里采用的是DPOS，拜占庭容错和硬件加速，共识算法里最耗时的就是数据处理和加减密，操作次数太多了，就把这些常见的加解密还有数据处理用硬件加速，来增加它的吞吐量。

4.AI+Blockchain的两个实践

AI+Blockchain结合有两个实践，第一个实践是基于图神经网络智能合约安全漏洞检测，这里我先讲一下，现在AI应用到区块链的主要挑战在哪里？主要挑战就是因为数据非结构化，神经网络处理数据都喜欢结构化数据。比如一个图片就是几行乘几列，很规整的矩阵，训练时非常容易。对于非结构化数据，处理起来非常难。区块链里面非结构化数据偏偏比较多，主要挑战在这里。

因为这个挑战，当前做安全漏洞检测有很多方法是基于如图所示的3条硬规则。满足这3条规则，就认为有漏洞。没满足，就是没有。但这种硬逻辑规则可以绕过去，导致误判。

我们提出能不能用人工智能方法大量学习，而不是简单用3个逻辑数据判断。首先将智能合约代码转化为程序流图，第二步把程序流图消融规划，这个节点数不一样，这个有10个节点，那个有100个节点，而且程序流图长得不一样，训练时还是非结构化的，怎么样结构化一下。我们采用二分图的方法进行规划，不管有多少节点，都划分成两类，一类是核心节点，一类非核心节点。非核心节点消融到核心节点上去，这样结构统一起来，就可以用现在已经是结构化的数据，用深度学习的方法去训练。

第二个是用深度学习的方法，基于节点时间序列智能判断账户，智能发现一些危险的账户。

基于时间序列处理方法已经很多了，区块链里有很多时间序列数据是很丰富的，比如VNT里设置每个矿工有一个账户，所有给他的奖励都发到账户上，账户余额，还有更新频率都可以形成一些时间序列。每个账户余额，它的交易频次，交易金额也都可以形成时间序列。

现在处理时间序列的常用方法是LSTM和GRU，GRU是门电路模型。这些比较常用的方法，存在的问题是什么呢？首先把时间序列组织成1-T个桢，每次读一桢，更新语义隐状态，再读一桢，这样顺序的读下去。它存在的问题是后面几桢看得非常重要，前面一桢都忘了。

第二个问题，必须顺序的读，不能并行的读。基于这个，我们也提出了一个新的处理时间序列循环神经网络模型，我们的方法是用城市化语义隐状态，不是用一个状态建模语义。而是分成两种状态，一种是时间序列建一个语义隐状态。另外是每一个桢视角建立一个语义隐状态，在每个循环部通过交换相邻桢之间隐状态，更新语义状态。

最后，我想说VNT Chain是一个开放的社区，我们会奖励每一个为VNT Chain做出贡献的开发者，我们也组织了全国性的比赛，在全国几十个高校里进行宣讲，欢迎感兴趣开发者加入我们的社区。

来源链接：https://www.8btc.com/article/409949
转载请注明文章出处