A Comparison of Zero-Knowledge Proof Schemes in a Unified Framework

Abstract

Zero-knowledge důkazy (ZKP) umožňují dokazovateli přesvědčit ověřovatele o správnosti tvrzení, aniž by odhalil podkladový svědek. V posledních letech se ZKP stal klíčovou součástí aplikací chránících soukromí i škálovatelných blockchainových systémů, od stručných rollupů založených na SNARK až po transparentní konstrukce STARK založené na hašovacích funkcích a důkazy vykonání v systémech zkVM/zkEVM. Tato diplomová práce zkoumá hlavní moderní rodiny ZKP, včetně pairing-based zk-SNARKů, Plonkish protokolů, zk-STARKů, Bulletproofs a novějších hash-based přístupů k proximity testingu, jako je WHIR, se zaměřením na jejich kryptografické stavební bloky, bezpečnostní předpoklady a praktické kompromisy. Práce dále mapuje existující benchmarkingové přístupy a identifikuje běžné problémy, které komplikují spravedlivé porovnání, včetně nekonzistentních benchmarkových úloh, heterogenní volby parametrů a nereprodukovatelných běhových \\ prostředí. Na základě této analýzy práce vymezuje klíčové hodnoticí metriky a navrhuje sjednocený benchmarkingový framework typu host-agent s kontejnerizovanými provery, explicitními run manifesty, standardizovanými kontrakty výsledků a podporou jak pro CPU, tak pro GPU výpočetní cesty napříč systémy založenými na obvodech i zkVM. S využitím tohoto frameworku práce hodnotí reprezentativní implementace na sadě sémanticky porovnatelných primárních benchmarkových úloh a sekundárních benchmarkových úloh orientovaných na specializaci. Výsledky ukazují, že neexistuje jeden univerzálně nejlepší proof system: transparentní frameworky založené na obvodech, jako jsou Plonky3 a Winterfell, dosahují u primárních benchmarkových úloh nejlepších výsledků z hlediska doby generování důkazu a paměťových nároků, pairing-based systémy jako Groth16 a ICICLE poskytují nejmenší důkazy a nejrychlejší verifikaci pro scénáře omezené možnostmi ověřovatele nebo pro on-chain nasazení a systémy zkVM, jako jsou RISC Zero a SP1, směňují vyšší spotřebu paměti a větší důkazy za lepší programovatelnost a snazší integraci obecně použitelných výpočtů. Experimenty dále ukazují, že akcelerace pomocí GPU je nejpřínosnější u dostatečně velkých benchmarkových úloh, zatímco inicializační režie a limity VRAM její přínos u menších případů snižují. Celkově práce přispívá jak praktickým jednotným benchmarkingovým frameworkem, tak experimentálně podloženými doporučeními pro volbu ZKP přístupů v různých podmínkách nasazení, hardwaru, důvěryhodnostních modelů a bezpečnostních omezení.