論文の概要: A Comparative Analysis of zk-SNARKs and zk-STARKs: Theory and Practice

• arxiv url: http://arxiv.org/abs/2512.10020v1
• Date: Wed, 10 Dec 2025 19:19:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-12 16:15:42.02286
• Title: A Comparative Analysis of zk-SNARKs and zk-STARKs: Theory and Practice
• Title（参考訳）: zk-SNARKとzk-STARKの比較分析:理論と実践
• Authors: Ayush Nainwal, Atharva Kamble, Nitin Awathare,
• Abstract要約: 我々は、コンシューマグレードのARMプラットフォーム上で公開されているリファレンス実装を使用して、zk-SNARKs(Groth16)とzk-STARKsを比較した。 その結果、zk-SNARKは123倍小さい証明サイズで68倍高速な証明を生成するが、検証は遅く、信頼性の高い設定を必要とする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Zero-knowledge proofs (ZKPs) are central to secure and privacy-preserving computation, with zk-SNARKs and zk-STARKs emerging as leading frameworks offering distinct trade-offs in efficiency, scalability, and trust assumptions. While their theoretical foundations are well studied, practical performance under real-world conditions remains less understood. In this work, we present a systematic, implementation-level comparison of zk-SNARKs (Groth16) and zk-STARKs using publicly available reference implementations on a consumer-grade ARM platform. Our empirical evaluation covers proof generation time, verification latency, proof size, and CPU profiling. Results show that zk-SNARKs generate proofs 68x faster with 123x smaller proof size, but verify slower and require trusted setup, whereas zk-STARKs, despite larger proofs and slower generation, verify faster and remain transparent and post-quantum secure. Profiling further identifies distinct computational bottlenecks across the two systems, underscoring how execution models and implementation details significantly affect real-world performance. These findings provide actionable insights for developers, protocol designers, and researchers in selecting and optimizing proof systems for applications such as privacy-preserving transactions, verifiable computation, and scalable rollups.
• Abstract（参考訳）: ゼロ知識証明(ZKP)は、安全性とプライバシ保護の計算の中心であり、zk-SNARKとzk-STARKは、効率性、スケーラビリティ、信頼の前提に明確なトレードオフを提供する主要なフレームワークとして出現する。 理論の基礎はよく研究されているが、現実の条件下での実践的なパフォーマンスはいまだに理解されていない。 本稿では,消費者向けARMプラットフォーム上で公開されているリファレンス実装を用いて,zk-SNARK(Groth16)とzk-STARK(Groth16)を体系的に比較する。 私たちの経験的評価では、証明生成時間、検証待ち時間、証明サイズ、CPUプロファイリングがカバーされています。 その結果、zk-SNARKは123倍小さい証明サイズで68倍高速な証明を生成するが、検証は遅く、信頼性の高い設定を必要とする。 プロファイリングはさらに、2つのシステム間で異なる計算ボトルネックを特定し、実行モデルと実装の詳細が実際のパフォーマンスにどのように影響するかを説明している。 これらの発見は、プライバシ保護トランザクション、検証可能な計算、スケーラブルなロールアップなどのアプリケーションの証明システムの選択と最適化において、開発者、プロトコルデザイナ、研究者に実行可能な洞察を提供する。

関連論文リスト

• Long-horizon Reasoning Agent for Olympiad-Level Mathematical Problem Solving [65.02106674311908]
  我々はtextbfOutcome ベースの textbfProcess textbfVerifier (OPV) を提案する。 OPVは、長いCoTからの要約結果の合理的なプロセスを検証することで、正確かつ効率的な検証を実現する。 76.3と比較して、Qwen3-Max-Previewのようなはるかに大きなオープンソースモデルよりも、F1スコアが83.1である。
  論文  参考訳（メタデータ） (2025-12-11T15:26:28Z)
• Revisiting Logit Distributions for Reliable Out-of-Distribution Detection [73.9121001113687]
  アウト・オブ・ディストリビューション(OOD)検出は、オープンワールドアプリケーションにおけるディープラーニングモデルの信頼性を保証するために重要である。 LogitGapは、最大ロジットと残りのロジットの関係を利用する、ポストホックなOOD検出手法である。 我々は、LogitGapが様々なOOD検出シナリオとベンチマークにわたって、最先端のパフォーマンスを一貫して達成していることを示す。
  論文  参考訳（メタデータ） (2025-10-23T02:16:45Z)
• Log-Augmented Generation: Scaling Test-Time Reasoning with Reusable Computation [80.69067017594709]
  大規模言語モデル(LLM)とそのエージェントモデルは、以前のタスクからの推論を維持するのに苦労する。 本稿では,従来の計算を直接再利用し,テスト時に過去のログから推論する新しいフレームワークであるLAGを提案する。 本手法は,ログを使用しない標準的なエージェントシステムよりも優れている。
  論文  参考訳（メタデータ） (2025-05-20T14:14:38Z)
• Need for zkSpeed: Accelerating HyperPlonk for Zero-Knowledge Proofs [19.39122173458594]
  ZKPはブロックチェーン技術、検証可能な機械学習、電子投票に応用されている。 最近の研究により、GPUとASICにおける最先端ZKPプロトコルの重要なプリミティブが加速された。 この研究は、最先端のZKPプロトコルであるHyperPlonkのアクセラレータであるzkSpeedを提示する。
  論文  参考訳（メタデータ） (2025-04-08T16:56:10Z)
• Thinking Longer, Not Larger: Enhancing Software Engineering Agents via Scaling Test-Time Compute [61.00662702026523]
  より大規模なモデルではなく、推論時間の増加を活用する統合されたテスト時間計算スケーリングフレームワークを提案する。 当社のフレームワークには,内部TTCと外部TTCの2つの補完戦略が組み込まれている。 当社の textbf32B モデルは,DeepSeek R1 671B や OpenAI o1 など,はるかに大きなモデルを上回る 46% の課題解決率を実現している。
  論文  参考訳（メタデータ） (2025-03-31T07:31:32Z)
• SoK: Understanding zk-SNARKs: The Gap Between Research and Practice [12.706199263238192]
  我々は,zk-SNARKを理論から実践まで包括的に研究し,ギャップと限界を指摘する。 まず、プログラムをzk-SNARKに変換する際の主要なステップを統一するマスターレシピを示す。 2013年以降、40以上のzk-SNARKを調査し、それらのカテゴリとプロパティをリストアップした参照テーブルを提供する。
  論文  参考訳（メタデータ） (2025-02-04T15:06:58Z)
• Benchmarking ZK-Friendly Hash Functions and SNARK Proving Systems for EVM-compatible Blockchains [7.520993886306112]
  我々は、Poseidon2、Neptune、GMiMCの自己開発回路テンプレートを含む、SNARK証明システムと5つのZKフレンドリなハッシュ関数をベンチマークした。 我々の研究は、ZKフレンドリなハッシュ関数とZKツールのベンチマークを提供し、ZKPベースのプライバシ保護トランザクションプロトコルにおけるコスト効率とコンプライアンスも検討しています。
  論文  参考訳（メタデータ） (2024-09-03T15:19:47Z)
• CoCoMoT: Conformance Checking of Multi-Perspective Processes via SMT (Extended Version) [62.96267257163426]
  我々はCoCoMoT(Computing Conformance Modulo Theories)フレームワークを紹介する。 まず、純粋な制御フロー設定で研究したSATベースのエンコーディングを、データ認識ケースに持ち上げる方法を示す。 次に,プロパティ保存型クラスタリングの概念に基づく新しい前処理手法を提案する。
  論文  参考訳（メタデータ） (2021-03-18T20:22:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。