"ML"的搜尋結果
2026-05-19
07:37

BNB Chain 完成後量子密碼遷移,將交易簽章切換為 ML-DSA-44,TPS 下滑 40%-50%

根據 BNB Chain 於 5 月 19 日發布的後量子密碼學(post-quantum cryptography)遷移報告,BSC 已完成測試,將交易簽名替換為 NIST 標準化的 ML-DSA-44(Dilithium)演算法,並將共識聚合從 BLS12-381 切換為 pqSTARK,以因應未來量子運算可能帶來的潛在威脅。 測試顯示,交易大小從約 110 bytes 增加至 2.5KB,區塊大小在 2000 TPS 條件下從約 130KB 成長至 2MB,且測試環境中的吞吐量下降了 40%-50%。BNB Chain 將效能降低的主要原因歸因於較大的交易資料在網路中的傳播,而非共識協議本身,並指出 pqSTARK 可維持 43:1 的簽名壓縮比例。
展開
BNB3.35%
07:37

BNB Chain 將交易簽名切換至 ML-DSA-44,後量子密碼遷移後 TPS 下滑 40%-50%

根據 ChainCatcher,BNB Chain 已於 5 月 14 日完成後量子密碼學遷移測試。交易簽章已從 ECDSA 切換至 ML-DSA-44(Dilithium),而共識投票彙總則由 BLS12-381 轉為 pqSTARK,使用了 NIST 標準化的抗量子演算法。 該遷移顯著增加鏈上資料量:單筆交易大小由約 110 bytes 成長至 2.5KB,區塊大小則從約 130KB 擴大到 2MB,並在 2,000 TPS 下進行。測試顯示,由於較大的交易資料傳播而非共識協定限制,TPS 下降了 40%-50%。pqSTARK 彙總方案達到 43:1 的簽名壓縮比,使驗證者的額外負擔仍可控。
展開
BNB3.35%
11:45

Quantography Labs 推出 Lock.com 硬體錢包,具備隔離式簽名與抗量子攻擊架構

根據 BlockBeats 報導,Quantography Labs 於 5 月 18 日宣布 Lock.com 的早期存取版本。Lock.com 是一款加密貨幣錢包,具有隔離式簽署與空隙(air-gapped)架構,用於離線私鑰管理,而無需專用硬體裝置。 該平台將簽署環境與線上廣播環境分離;私鑰保留在一個完全離線的裝置上,而交易則在一台連網裝置上建立並進行廣播。Lock.com 集成後量子密碼學,包括 ML-DSA 數位簽章與 ML-KEM 金鑰封裝,以提升對未來量子運算威脅的安全性。早期存取階段旨在於全面上線前蒐集使用者回饋。
展開
06:21

Asentum 於 5 月 1 日推出量子抗性 Layer-1 測試網

Asentum 於 5 月 1 日推出其公用測試網,推出一條建立在後量子密碼學之上的 Layer-1 區塊鏈,以及基於 JavaScript 的智慧合約與一套為更廣泛參與而設計的驗證者系統。該網路在整個協定中使用 ML-DSA-65(Dilithium3)進行數位簽章,跨越整個協定 st
展開
ETH4.56%
11:58

Ledger CTO:後量子密碼遷移進入關鍵階段,區塊鏈偏好基於雜湊的簽名

Gate News 訊息,4月23日——Ledger 首席技術官 Charles Guillemet 概述了後量子密碼遷移的現況,指出產業已進入關鍵分岔點。儘管具備實際密碼學影響的量子電腦時間表仍不確定,但遷移到後量子系統被視為不可避免。傳統產業已制定明確時間表,由美國國家標準與技術研究院 NIST 主導,目標是在 2030 年前淘汰易受攻擊的演算法、並於 2035 年前全面禁止。大型企業與政府機關正在加速準備,力爭在 2029 年前完成遷移能力。 在技術路線上,加密與金鑰交換將轉向 ML-KEM 此前為 CRYSTALS-Kyber,以應對「先蒐集後解密(harvest now, decrypt later)」的量子攻擊。對區塊鏈系統而言,重點聚焦於數位簽名。目前的後量子簽名方案分為兩大類:格基於 ML-DSA 此前為 CRYSTALS-Dilithium 與基於雜湊的 SLH-DSA 此前為 SPHINCS+。傳統產業偏好 ML-DSA 以及將其與 ECC 結合的混合做法,而區塊鏈則因其保守的安全性假設與更簡化的架構而偏好基於雜湊的方案。 每種方案都包含取捨:ML-DSA 提供更佳效能,但其安全性假設缺乏長期驗證;SLH-DSA 效率較低,卻依賴成熟的雜湊函數系統,並具備更高的安全確定性。對於強調長期安全性與已驗證路徑的區塊鏈而言,後者更具吸引力。然而,多方運算 MPC 與門檻簽名之間的相容性仍是未解的挑戰,對建立在託管與協作簽署之上的產業帶來特定風險。
展開
09:25

Hugging Face 開放原始碼 ml-intern:用於自主式 ML 研究的 AI 代理

ml-intern 已開放原始碼,Hugging Face 的自主式 ML 研究代理:會閱讀論文、整理資料、訓練、評估,並在科學、醫學與數學之間進行迭代。 摘要:Hugging Face 的 ml-intern 是一款開放原始碼的自主式 ML 研究代理,能夠閱讀論文、整理資料集、在本地或雲端 GPU 上進行訓練、評估結果並持續迭代改進。它基於 smolagents,並提供 CLI 與網頁介面,能夠瀏覽 arXiv/HF Papers、HF Hub 與 HF Jobs。示範涵蓋科學、醫學與數學,展示端到端自動化以及效能提升。
展開