混合存储模型：
只有少量meta-data（加密哈希）存在链上，原始数据外包给链下的存储服务商
贡献
提出了一个新的ADS
1.首先提出了抑制默克尔倒置（Merkle inv）索引，该索引仅在链上维护部分 ADS 结构，可以使用对数加密证明进行安全更新。
2.提出了一个变色龙倒置（Chameleon inv）索引，它利用变色龙向量承诺来实现恒定的维护成本。它使用Bloom过滤器进一步优化，以增强查询和验证性能。
问题：
1.要支持完整性保证的数据检索
2.ADS要是更新高效的（即可以被智能合约高效维护，且计算和存储成本低）
3.GEM2-tree支持范围查询，不支持关键字查询和相似查询
4.GEM2-tree会存储很多中间数据
解决1
Merkel inv index
1.每个关键字对应一棵MBTree，这个index用来索引对应objects的ID
2.搜索时的输入是合取范式，这可以看作是每个连接组件的结果的并集
3.每个连接组件，可以作为可认证的连接查询，在查询关键字的MBTree上进行处理
带来问题：
存储操作过多，在链上智能合约维护这个index开销很大
Suppressed Merkle inv index
主要思想：智能合约只维护 Merkle inv index中每个 MB-tree 的根摘要。
因为：在可认证的关键字查询时只有链上ADS中的根摘要用到了
更新时，有新数据进来，SP发送update proof给智能合约，由可认证的信息组成，来安全计算新的根摘要
存储操作变成常数级别（贵）
内存操作变成对数级别（便宜）
Chameleon inverted (Chameleon inv) index
index的作用：恒定维护成本
CVC作用：
1.可以公开验证存储在向量中的数据。
2.数据所有者可以通过使用秘密陷门来更新向量而不改变其承诺
所以用CVC可以构建具有不变根承诺的变色龙树。
在这个index里，每个关键词是一棵Chameleon树
智能合约使用这个index的一些辅助数据维护根承诺，SP 维护完整的index以进行高效的查询处理。
两者概述：
Suppressed Merkle inv index：在智能合约维护ADS中，减少gas
Chameleon inverted (Chameleon inv) index：进一步减少ADS维护成本到一个恒定值，且仍然高效查询
问题定义
Fig.1
O object
id
{wi} 一组与object关联的关键词
v object的内容
新对象到了之后，DO发送给
SP：<id, {wj}, vi>
区块链：<id, {wj}, h(oi)>
👇
作用：保证数据完整性的同时降低了存储
SP和智能合约都维护ADS，DO调用智能合约维护链上的ADS，SP同步更新区块链上最新确认的对象
ADS的digest就是SP和智能合约共享的认证信息（authenticated information）
本文的查询：关键字查询
查询输入：单调布尔表达式Q，是DNF
用户检索得到的输出：R = {oi = <id, {wj}, vi> | Q({wj}) = true}
Q = q1 ∨ q2 ∨ · · · ∨ qn
qi = w1 ∧ w2 ∧ · · · ∧ wl
查询过程：
客户端向SP发送关键字查询请求->SP用ADS计算查询结果和验证对象VOsp
result和VOsp都发送给客户
验证过程：
客户从区块链检索认证摘要VOchain，客户通过VOchian和VOsp验证result的正确性
提出问题：
integrity
soundness
completeness
本文中研究的问题是：如何设计能够由链上智能合约有效维护的 ADS，在 gas 成本方面，同时有效地支持混合中的认证关键字搜索-存储区块链。
原文中，第 III 节中提供了一些初步信息，然后介绍了一个baseline解决方案，然后在第 IV 节和第 V 节中介绍了两种节能 ADS 方案。
基础前提
密码学原语
MHT：
1.每个叶节点是索引对象的digest
2.根哈希由DO签名并公开
3.可以用来认证数据对象的任意子集是否被存在叶节点，复杂度是对数级别
4.在关系型数据库里，已经从二叉树扩展到了多路树
Vector Commitment（VC）
1.把变长向量映射成定长的承诺
2.可以证明mi是第i个承诺信息
3.
• Gen(1λ, q)：q为向量大小，输出-公共参数pp
• Compp(<m1, m2, · · · , mq>, r)：<>内为有q个message的向量，输出-承诺c、辅助信息aux
• Openpp(i, m, aux)：当且仅当m是向量（vector w.r.t. c）里第i个message时，返回一个证明π
• Verpp(c, i, m, π): 当且仅当π通过验证——c是根据消息序列来计算的，这个消息序列m在位置i，这个函数返回1
CVC
不改变承诺c的情况下改变m
CGen(1λ, q)：输出pp和td(trapdoor)
CColpp(c, i, m, m’, td, aux)：计算出一个新aux’，当不是m而是m’在第i个位置的时候，承诺还是c
Openpp(i, m’, aux’)：输出π’
Verpp(c, i, m’, π’)：输出1，证明m’是c向量存的第i个message
可认证关键字搜索过程
两个MB-Tree上的可认证连接处理：
S和R是两个表，里面的内容用树Ts和Tr索引
1.从Tr树的r1作为目标开始，在树Ts的匹配对象是s3，边界对象是s4
2.下一轮，交换Ts和Tr的角色
3.目标变为s4，检索到边界对象r2
4…角色切换一直到目标为r5，它的左边界对象是s12，s12是Ts的最后一个叶节点
结果验证：
1.所有匹配和边界对象，以及它们的Merkel proof（图中阴影部分），都添加到VO
2.客户把每棵树根据这些阴影部分重新构建，对比DO签名的根，来证明匹配的和边界目标的完整性
3.客户端检查每一轮的目标是否是上一轮的右边界，并且在对应的边界内，确保没有丢失任何信息
Suppressed Merkle inv index
先介绍倒排索引
倒排索引：
由一个关键字字典组成，每个关键字都指向一个包含该关键字的对象列表
1.为了支持可认证的关键字查询，给每个关键字的对象列表构建一个 MB-tree，这个ADS就是(Merkle inv) index
2.每个 MB-tree的搜索键就是对象ID（且假设对象id递增，比如用时间戳）
3.当有一个新object进入这个ADS时，这个object的ID和hash值<oi.id, h(oi)>会被插入每个相关关键词的MB-tree
Suppressed Merkle inv Index：
链上的MBTrees只存根哈希，以减少维护成本
SP上存MBTrees的完整结构，以支持高效查询
问题：
智能合约怎样能在不知道完整MBTree结构的情况下维护根哈希？
1.让SP，在新对象插入时构造一个UpdVO
2.UpdVO由足够的可认证信息组成
3.然后被发送到智能合约进行根哈希的更新
下面部分详细介绍UpdVO怎么构造、怎么用它更新根哈希
构造（算法1）：SP从上往下遍历，如果不是叶节点，就把它的孩子，除了最右的孩子append进UpdVO，直到叶节点，这个叶节点就是最新进来的object的ID，因为是按照时间戳的
智能合约验证UpdVO：
1.对比UpdVO一起发来的新object的哈希和DO发来的哈希
2.对比SP发来的其他信息，也就是根据UpdVO自底向上重建，然后与存在链上的对比，匹配上了就可以证明UpdVO的完整性
智能合约更新MB-Tree的根哈希（算法2）：验证了UpdVO的完整性后再更新。
1.与插入类似，先计算叶节点的哈希，然后逐层向上计算
2.如果因为溢出拆分节点，用内存变量h’记录更新后的哈希值（如果没有分裂），用h1’和h2’记录两个拆分的节点的哈希（如果分裂了，要分别重新计算再存储）
3.最后，更新的根哈希被智能合约存储到链上
4.如果成功，智能合约发送一个事件指示更新操作的完成，如“Successful update for UpdVO.h(o)”
5.SP收到这个事件后才能用更新后的ADS进行后续的查询操作
每一个关键字的MBTree更新需要的消耗：
1.UpdVO由SP送给智能合约，有交易成本
2.UpdVO的完整性验证（验证新Object和树的每一层）
3.更新MBTree的根哈希，并且有可能要拆分
4.智能合约把根哈希更新到链上
成本低的操作，系数是对数级的，成本高的操作，系数是常数级的
Chameleon inverted (Chameleon inv) index
因为MBTree的结构，Merkel inv index还是对数级别的花费
Chameleon inv index可以使花费变成常数级别
A:Overview of the Chameleoninv Index
Chameleon Tree
1.是一个q叉树，每个节点对应一个object和位置pos，从上到下从左到右数数来分配pos
2.根节点：没有对应对象，它只包括一个CVC，计算见橙色波浪线（q+1个0组成的message向量，sk是DO的私钥，w是关键字）
3.（见Fig.8） 每个非根节点：由四个部分组成 {h(o), Cpos, πpos, ρpar,j}，Cpos的计算与根不同，多并入了pos；
πpos证明h(o)是存储在更新后的Cpos向量里的第一个元素；
ρpar,j证明这个节点链接到了父节点第j个子节点par的位置，父节点位置是par，证明这个节点是par的子节点中的第j个
πpos和ρpar,j的生成? B部分
自上而下遍历可以很快验证O C部分
1.初始节点都是用q+1个0组成的常数，和固定的数预定义的，之后用陷门更新，向量改变，CVC不改变
2.更新了（插入了新object）的节点总是从左往右与父节点相连
由以上两点，给定对象总数，就能确定Chameleon Tree的结构
所以链上维护的是cnt的值，是常数级的。
Chameleon inv index中，每个关键字一棵Chameleon tree
智能合约只要维护根CVC（不变）和cnt，只有这两者在可认证关键字查找里有作用，作为可认证信息
B:Maintenance of the Chameleoninv Index
Chameleon inv index的维护
初始化，由DO创建初始的Chameleon tree：（算法3）
1.从创建必要的keys开始创建，比如sk、td、pp（比如pp就是Gen函数生成的），且sk和td需要DO保管好，不然就可以篡改index了
2.这些keys生成好后就可以计算出根节点的CVC
3.把w（关键词）和这个CVC（C0）发送给链和SP
插入新O：（算法4）
1.给O创建一个新节点
①分配一个新pos，并计算初始CVC（Cpos）
②DO用td找到CVC的collision，更新向量的第一个元素变为对象的哈希h(o)
③生成πpos
2.链接到对应的父节点
①DO定位父节点npar（par暂且认为就是object的ID）和CVC里的j
②npar里的Cpar要重新计算，找一个collision第j+1个元素，更新为Cpos（第一个元素存自己的h(o)，后面的存子节点的C？标号：j和j+1）
③计算相应证明ρpar,j，证明npos是npar的第j个子节点
3.<cpos, πpos, ρpar,j>作为新Object的插入证明，DO把这个插入证明、cnt、O、h(o)发送给SP，把cnt、w发给区块链
π是自己（即第1个element）的collision证明，ρ是父节点的，替换父节点的第j+1个位置（还是第j个？）一个节点有两个message向量吗
是第j+1，向量也是p+1个分量
C: Authenticated Keyword Search with Chameleoninv Index
认证关键字查询
成员资格测试（证明pos位置上有一个object存在）
1.SP生成一个membership prrof，包括：前面的插入证明+所有除根节点的祖先节点（自己的C、π、 ρ，祖先的C、ρ）
2.客户验证：自下而上递归
①自己的π证明自己存在，
②自己的ρ证明是父节点的第i个孩子，
③父节点的ρ和根节点的C(这个C从链上得到)证明父节点是根的第i个孩子，验证完成
认证关键字搜索（算法5）
给每个Chameleon tree建一个object ID和位置的映射哈希表
连接过程：
1.连接也在两棵树之间轮换
2.每一轮，目标、匹配、边界的objects都被加入VOsp
3.两棵树切换角色以找到匹配的对象，直到到达一棵树的末端。
客户端验证（算法6）类似于两个树的连接过程：（注意到这个连接和Fig.4的连接略有不同）
1.客户端检索每个相关的C0和cnt（也就是VOchain）
2.客户端检查每轮连接的VOsp
①本轮的目标的位置是否为1或者上一轮的边界的位置
②用membership proof证明边界对象的完整性
③用membership proof证明目标的完整性，并且如果这个ID和左边界ID匹配就加入到结果
④验证目标对象ID在左右边界ID之间
⑤最后一轮时，客户端额外检查中止位置不能比cnt小
②③保证了健全性(都存在) ①④⑤保证了完整性(无遗漏)
文章来源：https://www.toymoban.com/news/detail-799644.html
论文笔记仅为个人观点，仅供参考文章来源地址https://www.toymoban.com/news/detail-799644.html
到了这里，关于论文笔记-Authenticated Keyword Search in Scalable Hybrid-Storage Blockchains的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
