1. 引言

在EVM中，每个word对应256个bit。在zkevm中，对word的encode方式有所不同：

为random linear combination of 8 bit words

这种编码方式有助于使用plookup来表达Arithmetic、Bitwise oprations和Comparators。而stack和memory不需要关注该编码方式，因为stack和memory仅需处理commitments值。

将256 bit 拆分为 8 bit chunks主要基于以下2方面考虑：

1）使用的BN254曲线。BN254曲线的最大值可以254 bit表示，所有的arithmetic都是对254 bit素数取模完成。
2）通过plookups来进行conditional checks和bitwise operations。2252^{25}225行的size限制了需要work in smaller chunks of the word。在plookup中需要做多项式除法。Plonk prover使用FFT来高效实现多项式触发。BN254曲线支持的最大FFT size为2282^{28}228。某些需要常量开销和自定义约束。因此，限制了多项式最大degree为2252^{25}225。

2. Word编码举例（Endianness）

将256 bit word以little endian编码。
如对于256 bit的value 1：

word256 = 1

将word256变量切分为32个8 bit words表示：

word8s = [1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]

3. Commitment

该256 bit表示为其8 bit words的random linear combination。
该commitment check应保证该32 chunks in 8 bit range。

4. Addition

验证a256 + b256 = c256。支持overflow来匹配EVM behavior。
如：

a8s    ff 0 0 0 0 0 0 0 | 0 0 0 0 0 0 0 0 | 0 0 0 0 0 0 0 0 | 0 0 0 0 0 0 0 0
b8s     2 1 0 0 0 0 0 0 | 0 0 0 0 0 0 0 0 | 0 0 0 0 0 0 0 0 | 0 0 0 0 0 0 0 0
carry     1 0 0 0 0 0 0 | 0 0 0 0 0 0 0 0 | 0 0 0 0 0 0 0 0 | 0 0 0 0 0 0 0 0 0
sum8s   1 2 0 0 0 0 0 0 | 0 0 0 0 0 0 0 0 | 0 0 0 0 0 0 0 0 | 0 0 0 0 0 0 0 0

a8s    ff ff ff ff ff ff ff ff | ff ff ff ff ff ff ff ff | ff ff ff ff ff ff ff ff | ff ff ff ff ff ff ff ff
b8s     2  0  0  0  0  0  0  0 |  0  0  0  0  0  0  0  0 |  0  0  0  0  0  0  0  0 |  0  0  0  0  0  0  0  0
carry      1  1  1  1  1  1  1 |  1  1  1  1  1  1  1  1 |  1  1  1  1  1  1  1  1 |  1  1  1  1  1  1  1  1  1
sum8s   1  0  0  0  0  0  0  0 |  0  0  0  0  0  0  0  0 |  0  0  0  0  0  0  0  0 |  0  0  0  0  0  0  0  0

5. Comparator

会检查如下关系：

a256 > b256
a256 < b256
a256 == b256

将8 bit chunks group为 16 bit chunks来优化该table。
该result会carry the conclusion of the comparision from the higher significant chunks all the way down。
如：

a       1 0 0 0 | 0 0 0 0 | 0 0 0 0 | 0 1 0 0 |
b       1 0 0 0 | 0 0 0 0 | 0 0 0 0 | 0 0 0 0 |
result  1 1 1 1 | 1 1 1 1 | 1 1 1 1 | 1 1 0 0 |

6. Comparator Take 4

# This value is determined by the curve we use
FIELD_SIZE = 2**254 # 为SCALAR_FIELD_SIZEclass SignTable:"""x: 18 bits signed ( -(2**17 - 1) to 2**17 - 1)sign: 2 bits (0, -1, 1)(1 column and 2**18 - 1 rows)"""def __init__(self):self.rows = []self.rows.append({"x": 0, "sign": 0})for x in range(1, 2**17):self.rows.append({"x": x, "sign": 1})self.rows.append({"x": -x + FIELD_SIZE, "sign": -1})def lookup(self, diff: int, sign: int) -> bool:"""Returns True if the row exists in the table"""...def compare(a8s: Sequence[U8],b8s: Sequence[U8],result: Sequence[int],) -> int:"""returns -1 if a < b0 if a == b1 if a > b"""assert len(a8s) == len(b8s) == 32assert len(result) == 16# Before we do any comparison, the previous result is "equal" result = result[:] + [0]for i in reversed(range(0, 32, 2)):a16 = a8s[i] + 256 * a8s[i + 1]b16 = b8s[i] + 256 * b8s[i + 1]diff = (a16 - b16) % FIELD_SIZEprevious, current = result[i//2+1], result[i//2]require(SignTable.lookup((diff + 2**16 * previous) % FIELD_SIZE, current))return result[0]

previous会影响当前lookup结果。previous=0表示仅由diff决定result。
对于u256比较，需16次linear combination和16次lookup。
具体举例为：

参考资料

[1] https://hackmd.io/HfCsKWfWRT-B_k5j3LjIVw
[2] https://hackmd.io/QUiYS3MnTu29s62yg9EtLQ
[3] https://hackmd.io/6jzBI4nmRR-JvSG2TFHrDw
[4] zkEVM-specs Word Encoding

appliedzkp的zkevm（3）Word Encoding相关推荐

使用socket实现信用卡程序和迷你购物商城
#-*- coding:utf-8 -*- from moudle import * import socketserver import json import os import time imp ...
NLP之词向量：利用word2vec对20类新闻文本数据集进行词向量训练、测试(某个单词的相关词汇)
NLP之词向量:利用word2vec对20类新闻文本数据集进行词向量训练.测试(某个单词的相关词汇) 目录输出结果设计思路核心代码输出结果寻找训练文本中与morning最相关的10个词汇: ...
邮件头解析=?utf-8?Q?乱码
一图胜千言 import email.headerdef decode_mime_words(s):return u''.join(word.decode(encoding or 'utf8') if ...
【NLP实战】Task1　数据集探索
一.THUCNews数据集传送门链接: https://pan.baidu.com/s/1lziUTaCF7VfnuAKXrGftTw 提取码: saag 概述本数据集是清华NLP组提供的THU ...
AAAI 2018论文解读 | 基于文档级问答任务的新注意力模型
在碎片化阅读充斥眼球的时代,越来越少的人会去关注每篇论文背后的探索和思考. 在这个栏目里,你会快速 get 每篇精选论文的亮点和痛点,时刻紧跟 AI 前沿成果. 点击本文底部的「阅读原文」即刻加入社区 ...
CNN进行新闻文本分类代码实战，包含分类文本
依次运行三个文件: cnews_loader.py cnn_model.py run_cnn.py cnews新闻文件夹下载路径:链接:https://pan.baidu.com/s/1H3K94E7 ...
C# 词典数据结构设计【附demo】
分析要建立词典,最基本的应该有词典的描述信息.词典索引文件以及词典数据文件. /// <summary> /// 索引文件 /// </summary> string idx ...
基于sigmoid的文本多标签分类模型代码实现
sigmoid一般是用来做二分类的,它是将一个标量的数字转换成[0,1]之间的一个概率值,如果概率值大于0.5, 则判定为是某个分类,否则则不是某个分类,公式如下: 本文基于sigmoid做了一个将一 ...
基于softmax的文本多分类模型代码实现
对于多分类问题,可以使用softmax来做,但是效果不是那么好,当做一个算法的练手吧首先是数据集处理的代码: 文件名:data_loader.py # coding: utf-8import sys ...

appliedzkp的zkevm（3）Word Encoding