「在 #完成第一篇統合分析的文章 後，便開始構思下一個題目，並在平常的臨床工作中觀察有沒有適合的題目。恰巧在減重手術袖狀胃切除時，老師問了 clerk：為什麼在做 gastric tube 的時候，會放一個 oral gastric tube 在裡面？那時才認識到 bougie calibration 這個詞並上網搜尋，發現適當大小的 bougie 目前還沒有定論，看起來是一個 #有潛力的題目。」
（高醫附院 外科 張庭瑋 醫師）
⠀
【快訊 🎊】張博智與張庭瑋醫師團隊，關於內視鏡袖狀胃切除手術，使用不同尺寸探條之統合分析，獲 Scientific Reports 刊登！
⠀
⠀
（張醫師第一篇統合分析文章發表心得）
⠀
「要把課堂上學習到的知識與技巧，運用在第一篇統合分析的研究，也是經過一番磨練，不過這樣的過程，才能顯得最後果實的甜美。很開心在上完新思惟的課程後，能夠快速理解統合分析的概念，並學會操作統計軟體，讓我得到撰寫一篇統合分析的基本技能。
⠀
要踏入統合分析的領域，雖然不須收病人，但是在評讀文章須要符合嚴謹的 protocol 仔細評讀，統計也要非常細心，才不會得到高證據等級的錯誤結論。這次投稿的經驗相當寶貴，不僅讓我了解投稿的流程，也讓我初步學習到與 reviewer 之間的攻防。」
⠀
🎯 克服經費與資源稀少的困境，這堂課帶您踏入統合分析的領域！
⠀
☑ 統合分析研究規劃技巧
☑ 正確拆解論文架構
☑ 必學的重要專有名詞
☑ 互動實作：完成一套 Meta-analysis 圖表
☑ 以發表為導向的搜尋文獻
☑ Meta-analysis 圖表優化重點
☑ 給初學者的起步建議
⠀
🔸 【全新梯次】11/7（日）統合分析工作坊
➠ https://meta-analysis.innovarad.tw/event/
現在投資自己，將來 PubMed 上有你。
⠀
⠀
👨‍🏫 堅強講者陣容
⠀
＃張凱閔，知名復健醫學與超音波學者，台大流病與預防醫學博士，SCI 論文超過 190 篇，並有 25 篇以上為 meta-analysis，探討臨床常見議題。
⠀
＃曾秉濤，專業精神科醫師，擅長從臨床工作找到發表議題，並組成研究團隊，SCI 論文超過 85 篇，並有 70 篇以上為 meta-analysis。
⠀
＃蔡依橙，專業課程開發與整合者，能迅速理解學門架構，並以初學者能理解的方式，建構學習流程。生涯被 SCI 期刊接受的圖表，已超過 500 張，熟悉學術審閱過程與要求。
⠀
⠀
🗣️ 學員課後心得
⠀
「新思惟魅力在於短短一天不過幾小時的時間裡，課程內容豐富得簡直超乎想像。在整天的課程結束後，我仍清楚記得當時的我坐在座位上，心裡想的是：我找到了。就像迷路在荒野中的登山客忽然看到那條下山的路，是新思惟抹去了我眼前的迷霧，研究的道路忽然變得無比清楚。」
⠀
「除了課堂上講師精彩的傳授之外，課程裡最最精華的部分，無疑是互動實作時間，蔡校長用淺顯易懂的分解步驟圖示，亦步亦趨地帶領學員操作電腦軟體，將數據轉換成研究不可或缺的圖表，而這樣的能力，是我醫學教育訓練以來，從來不曾相信自己能夠達到的成就。」

這裡來閒聊一下三期臨床試驗。
​
大家都知道美國食藥署（FDA）是全球藥品標準的制訂者。FDA protocol裡面，一般都要求新疫苗開發，必須做完大規模三期臨床試驗。
​
傳統上，三期大規模臨床試驗一定會設計 #安慰劑控制組（placebo control）。也就是找來幾萬人，一半打受測疫苗，一半打安慰劑。然後把這幾萬人，丟到有大規模疫情的社會環境當中，觀察誰有中獎誰沒中獎，誰重症誰輕症這樣。
​
不用內行人也看得出來，這種傳統三期臨試，有 #醫學倫理上的爭議－打安慰劑的人真的中獎了怎麼辦？但這就是傳統的業界硬標準。現在檯面上所有已上市的疫苗，三期臨床都是這樣做的。這被認為是藥品開發的一種 #必要之惡。
​
還有一點難處就是，你要做大規模三期，當然就要有大規模的疫情。但台灣已經守了一年半的零確診，即使現在兵荒馬亂的，其實疫情還是比世界各國要輕微很多。這樣的台灣是沒辦法做三期的，要在本土做三期？如果每天數千例確診可能就做得起來吧！所以高端打算去荷蘭做三期，而聯亞應該會在巴西和印度做。
​​
所以你說大規模三期在哪裡做？不外乎底下幾種狀況：
🔹 本國已經疫情爆炸了，藥廠乾脆在本國做（美國、英國）
🔹 花錢去有疫情的外國做（巴西、印度）
🔹 極權國家自己關起門來做（中國、俄羅斯）
🔹 跟外國政府做「國民當白老鼠、藥廠優先供應疫苗」的風險交換（以色列）。
​
再怎麼說就是要有一個覺悟：利用失控的疫情來做大規模臨床三期，是疫苗研發的必要之惡。製藥大國都有這樣的「必要之惡」的常識。
​
但台灣？台灣的民眾對於這個流程是很陌生的，不是每個人都有那種覺悟。尤其我在網路上常看到有人講，#既要臨床三期做好做滿，#又不想以身試藥當白老鼠，#又不願意藥廠砸大錢去外國做…那，請問在座看倌，您說您有什麼善策，可以讓台灣國產疫苗跑完整套流程？
​​
還真的有辦法。FDA（美國食藥署）、EMA（歐盟藥管局）和WHO，尤其是後兩者，也很清楚傳統大規模臨床三期不好搞。這使得差不多前幾名的疫苗大廠取得壓倒性的獨佔優勢，卻讓一堆中段班疫苗的研發卡關。
​
台廠絕對不是唯一面對到這個難題的。幾萬人規模的三期臨試，連歐洲的大藥廠都頗感吃不消，更何況是資源有限的台廠呢？
​
所以這一兩個月，大家都在討論一個折衷的老辦法，叫「#免疫橋接（immuno-bridge）」。
​
什麼是「免疫橋接」呢？就是測試看看，開發中的疫苗，能不能跟市面上已有的已經證明效果的疫苗並駕齊驅。
​
籠統來說做法是這樣的：招來的受試者分成兩組，一組人去打待測的疫苗，一組人去打已上市有效果的某疫苗。一段時間後，兩組人同時間、同實驗環境去抽血檢驗。我們都知道要看疫苗的保護力，最重要的指標就是體內產生「#中和抗體效價（neutralizing antibody titer）」，簡單說就是 #抗體的濃度。如果待測疫苗能夠做到跟市面疫苗效價相當，那我們大致上就可以判斷，市面疫苗的保護力，可以「橋接」到待測疫苗上，也就是兩者的防護力可以並駕齊驅。
​
好處就是這樣做，不會有「把安慰劑組丟到疫情之中，看他們中不中獎」的醫學倫理爭議。這讓大規模的三期試驗變得簡單多多。
​
免疫橋接其實不是什麼新玩意，是行之有年的方法。這樣講吧，如果你開發的是一款前所未有的新藥，那你沒有比較的對象，只能做安慰劑控制組，中獎沒中獎一翻兩瞪眼，是唯一的硬標準。但如果市面上已經有先行者，而且有一個明確可以比較的指標（例如抗體濃度），那麼免疫橋接就是比較可行的辦法。
​
一般來講免疫橋接的使用場合，是：
1️⃣ 舊藥改配方，新配方與舊配方比
2️⃣ 同一款藥，投藥方式改變，新方式與舊方式比
3️⃣ 同一款藥，受測人群改變，新人群和舊人群比
​
但一款疫苗和另一款疫苗，用免疫橋接的方式來做比較，是比較少見的作法。
​
安慰劑控制組仍是最赤裸裸的硬標準；免疫橋接畢竟是一種折衷的辦法。美國食藥署（FDA）、歐盟藥管局（EMA）和WHO買不買單，要看他們開會討論的結果，刻正熱烈討論中。尤其EMA和WHO是比較積極的；這不難理解，因為如果中段班的疫苗都卡在傳統三期試驗的話，現在檯面上那些疫苗廠商的產能根本不夠全世界打的。而且EMA和WHO也不希望看到武肺疫苗被壟斷在美、中、英等少數國家手中。
​
不意外的話，台灣、南韓、歐盟等地研發中的新疫苗，都會試著走免疫橋接試驗的路線。大仁哥稍早就講了，高端疫苗要跟AZ一對一PK。以台灣對蛋白質次單元技術的掌握度，還有二期解盲開出來的漂亮數字來看，我覺得成功的勝算很高。大家就樂觀其成吧！
​
（圖片來源：《五等分的花嫁》）

📜 [專欄新文章] [ZKP 讀書會] Trust Token Browser API
✍️ Yuren Ju
📥 歡迎投稿： https://medium.com/taipei-ethereum-meetup #徵技術分享文 #使用心得 #教學文 #medium

Trust Token API 是一個正在標準化的瀏覽器 API，主要的目的是在保護隱私的前提下提供跨站授權 (Cross-domain authorization) 的功能，以前如果需要跨站追蹤或授權通常都使用有隱私疑慮的 Cookies 機制，而 Trust Token 則是希望在保護隱私的前提下完成相同的功能。

會在 ZKP (Zero-knowledge proof) 讀書會研究 Trust Token 主要是這個 API 採用了零知識證明來保護隱私，這也是這次讀書會中少見跟區塊鏈無關的零知識證明應用。

問題

大家應該都有點了一個產品的網頁後，很快的就在 Facebook 或是 Google 上面看到相關的廣告。但是產品網頁並不是在 Facebook 上面，他怎麼會知道我看了這個產品的頁面？

通常這都是透過 Cookie 來做跨網站追蹤來記錄你在網路上的瀏覽行為。以 Facebook 為例。

當使用者登入 Facebook 之後，Facebook 會透過 Cookie 放一段識別碼在瀏覽器裡面，當使用者造訪了有安裝 Facebook SDK 來提供「讚」功能的網頁時，瀏覽器在載入 SDK 時會再度夾帶這個識別碼，此時 Facebook 就會知道你造訪了特定的網頁並且記錄下來了。如此一來再搭配其他不同管道的追蹤方式，Facebook 就可以建構出特定使用者在網路上瀏覽的軌跡，從你的瀏覽紀錄推敲喜好，餵給你 Facebook 最想給你看的廣告了。

不過跨站追蹤也不是只能用在廣告這樣的應用上，像是 CDN (Content Delivery Network) 也是一個應用場景。CDN 服務 Cloudflare 提供服務的同時會利用 Captcha 先來確定進入網站的是不是真人或是機器人。而他希望使用者如果是真人時下次造訪同時也是採用 Cloudflare 服務的網站不要再跳出 Captcha 驗證訊息。

雖然 Cloudflare 也需要跨站驗證的功能來完成他們的服務，但是相較於 Google 或 Facebook 來說他們是比較沒那麼想知道使用者的隱私。有沒有什麼辦法可以保護使用者隱私的狀況下還能完成跨站驗證呢？

這就是今天要講的新 API: Trust Token。

Trust Token API - The Chromium Projects

Trust Token / Privacy Pass 簡介

Trust Token 其實是由 Privacy Pass 延伸而來。Privacy Pass 就是由 Cloudflare 所開發的實驗性瀏覽器延伸套件實作一個驗證機制，可以在不透漏過多使用者隱私的前提下實作跨站驗證。而 Trust Token 則是標準化的 Privacy Pass，所以兩個運作機制類似，但是實作方式稍有不同。

先看一下 Privacy Pass 是如何使用。因為這是實驗性的瀏覽器延伸套件所以看起來有點陽春，不過大致上還是可以了解整個概念。

以 hCaptcha 跟 Cloudflare 的應用為例，使用者第一次進到由 Cloudflare 提供服務的網站時，網站會跳出一些人類才可以解答的問題比如說「挑出以下是汽車的圖片」。

當使用者答對問題後，Cloudflare 會回傳若干組 blind token，這些 blind token 還會需要經過 unblind 後才會變成真正可以使用的 token，這個過程為 issue token。如上圖所示假設使用者這次驗證拿到了 30 個 token，在每次造訪由 Cloudflare 服務的網站時就會用掉一個 token，這個步驟稱為 redeem token。

但這個機制最重要的地方在於 Cloudflare 並無法把 issue token 跟 redeem token 這兩個階段的使用者連結在一起，也就是說如果 Alice, Bob 跟 Chris 都曾經通過 Captcha 測試並且獲得了 Token，但是在後續瀏覽不同網站時把 token 兌換掉時，Clouldflare 並無法區分哪個 token 是來自 Bob，哪個 token 是來自 Alice，但是只要持有這種 token 就代表持有者已經通過了 Captcha 的挑戰證明為真人。

但這樣的機制要怎麼完成呢？以下我們會透過多個步驟的例子來解釋如何達成這個目的。不過在那之前我們要先講一下 Privacy Pass 所用到的零知識證明。

零知識證明 (Zero-knowledge proof)

零知識證明是一種方法在不揭露某個祕密的狀態下，證明他自己知道那個秘密。

Rahil Arora 在 stackexchange 上寫的比喻我覺得是相對好理解的，下面簡單的翻譯一下：

假設 Alice 有超能力可以幾秒內算出樹木上面有幾片樹葉，如何在不告訴 Bob 超能力是怎麼運作並且也不告訴 Bob 有多少片葉子的狀況下證明 Alice 有超能力？我們可以設計一個流程來證明這件事情。

Alice 先把眼睛閉起來，請 Bob 選擇拿掉樹上的一片葉子或不拿掉。當 Alice 睜開眼睛的時候，告訴 Bob 他有沒有拿掉葉子。如果一次正確的話確實有可能是 Alice 幸運猜到，但是如果這個過程連續很多次時 Alice 真的擁有數葉子的超能力的機率就愈來愈高。

而零知識證明的原理大致上就是這樣，你可以用一個流程來證明你知道某個秘密，即使你不真的揭露這個秘密到底是什麼，以上面的例子來說，這個秘密就是超能力運作的方式。

以上就是零知識證明的概念，不過要完成零知識證明有很多各式各樣的方式，今天我們要介紹的是 Trust Token 所使用的零知識證明：DLEQ。

DLEQ (Discrete Logarithm Equivalence Proof)

說明一下以下如果小寫的變數如 c, s 都是純量 (Scalar)，如果是大寫如 G, H則是橢圓曲線上面的點 (Point)，如果是 vG 則一樣是點，計算方式則是 G 連續相加 v 次，這跟一般的乘法不同，有興趣可以程式前沿的《橢圓曲線加密演算法》一文解釋得比較詳細。

DLEQ 有一個前提，在系統中的所有人都知道公開的 G 跟 H 兩個點，此時以下等式會成立：

假設 Peggy 擁有一個秘密 s 要向 Victor 證明他知道 s 為何，並且在這個過程中不揭露 s 真正的數值，此時 Victor 可以產生一個隨機數 c 傳送給 Peggy，而 Peggy 則會再產生一個隨機數 v 並且產生 r，並且附上 vG, vH, sG, sH：

r = v - cs

所以 Victor 會得到 r, sG, sH, vG, vH 再加上他已經知道的 G, H。這個時候如果 Victor 計算出以下兩個等式就代表 Peggy 知道 s 的真正數值：

vG = rG + c(sG)vH = rH + c(sH)

我們舉第二個等式作為例子化簡：

vH = rH + c(sH) // 把 r 展開成 v - csvH = (v - cs)H + c(sH) // (v - cs)H 展開成 vH - csHvH = vH - c(sH) + c(sH) // 正負 c(sH) 消掉vH = vH

這樣只有 Peggy 知道 s 的狀況下才能給出 r，所以這樣就可以證明 Peggy 確實知道 s。

從簡易到實際的情境

Privacy Pass 網站上透過了循序漸進的七種情境從最簡單的假設到最後面實際使用的情境來講解整個機制是怎麼運作的。本文也用相同的方式來解釋各種情境，不過前面的例子就會相對比較天真一點，就請大家一步步的往下看。

基本上整個過程是透過一種叫做 Blind Signature 的方式搭配上零知識證明完成的，以下參與的角色分為 Client 與 Server，並且都會有兩個階段 issue 與 redeem token。

Scenario 1

如果我們要設計一個這樣可以兌換 token 來確認身分的系統，其中有一個方法是透過橢圓曲線 (elliptic curve) 完成。Client 挑選一個在橢圓曲線上的點 T 並且傳送給 Server，Server 收到後透過一個只有 Server 知道的純量 (scalar) s 對 T 運算後得到 sT 並且回傳給 Client，這個產生 sT 的過程稱為 Sign Point，不過實際上運作的原理就是橢圓曲線上的連續加法運算。

SignPoint(T, s) => sT

等到 Client 需要兌換時只要把 T 跟 sT 給 Server，Server 可以收到 T 的時候再 Sign Point 一次看看是不是 sT 就知道是否曾經 issue 過這個 token。

Issue

以下的範例，左邊都是 Client, 右邊都是 Server。 -> 代表 Client 發送給 Server，反之亦然。

// Client 發送 T 給 Server, 然後得到 sT

T -> <- sT

Redeem

// Client 要 redeem token 時，傳出 T 與 sT

T, sT ->

問題：Linkability

因為 Server 在 issue 的時候已經知道了 T，所以基本上 Server 可以透過這項資訊可以把 issue 階段跟 redeem 階段的人連結起來進而知道 Client 的行為。

Scenario 2

要解決上面的問題，其中一個方法是透過 Blind Signature 達成。Client 不送出 T，而是先透過 BlindPoint 的方式產生 bT 跟 b，接下來再送給 Server bT。Server 收到 bT 之後，同樣的透過 Sign Point 的方式產生結果，不一樣的地方是情境 1 是用 T，而這邊則用 bT 來作 Sign Point，所以得出來的結果是 s(bT)。

Client:BlindPoint(T) => (bT, b)

Server:SignPoint(bT, s) => sbT

而 Blind Signature 跟 Sign Point 具備了交換律的特性，所以得到 s(bT) 後可以透過原本 Client 已知的 b 進行 Unblind：

UnblindPoint(sbT, b) => sT

這樣一來在 Redeem 的時候就可以送出 T, sT 給 Server 了，而且透過 SignPoint(T, s) 得出結果 sT’ 如果符合 Client 傳來的 sT 就代表確實 Server 曾經簽過這個被 blind 的點，同時因為 T 從來都沒有送到 Server 過，所以 Server 也無法將 issue 與 redeem 階段的 Client 連結在一起。

Issue

bT -> <- s(bT)

Redeem

T, sT ->

問題：Malleability

以上的流程其實也有另外一個大問題，因為有交換律的關係，當 Client 透過一個任意值 a 放入 BlindPoint 時產生的 a(sT) 就會等於 s(aT)：

BlindPoint(sT) => a(sT), a// a(sT) === s(aT)

此時如果將 aT 跟 s(aT) 送給 Server Redeem，此時因為

SignPoint(aT, s) => s(aT)

所以就可以兌換了，這樣造成 Client 可以無限地用任意數值兌換 token。

Scenario 3

這次我們讓 Client 先選擇一個純數 t，並且透過一種單向的 hash 方式來產生一個在橢圓曲線上的點 T，並且在 redeem 階段時原本是送出 T, sT 改成送出 t, sT。

因為 redeem 要送出的是 t，上個情境時透過任意數 a 來產生 s(aT) 的方法就沒辦法用了，因為 t 跟 sT 兩個參數之間並不是單純的再透過一次 BlindPoint() 就可以得到，所以就沒辦法無限兌換了。

Issue

T = Hash(t) bT -> <- sbT

Redeem

t, sT ->

問題：Redemption hijacking

在這個例子裏面，Client 其實是沒有必要傳送 sT 的，因為 Server 僅需要 t 就可以計算出 sT，額外傳送 sT 可能會導致潛在的 Redemption hijacking 問題，如果在不安全的通道上傳輸 t, sT 就有可能這個 redemption 被劫持作為其他的用途。

不過在網站上沒講出實際上要怎麼利用這個問題，但是少傳一個可以計算出來的資料總是好的。Client 只要證明他知道 sT 就好，而這可以透過 HMAC (Hash-based Message Authentication Code) 達成。

Scenario 4

步驟跟前面都一樣，唯一不一樣的地方是 redeem 的時候原本是傳 t, sT，現在則改傳 t, M, HMAC(sT, M)，如果再介紹 HMAC 篇幅會太大，這邊就不解釋了，但可以是作是一個標準的 salt 方式讓 Hash 出來的結果不容易受到暴力破解。

這樣的特性在這個情境用很適合，因為 Server 透過 t 就可以計算出 sT，透過公開傳遞的 M 可以輕易地驗證 client 端是否持有 sT。

Issue

T = Hash(t) bT -> <- sbT

Redeem

t, M, HMAC(sT, M) ->

問題：Tagging

這邊的問題在於 Server 可以在 issue 階段的時候用不一樣的 s1, s2, s3 等來發出不一樣的 sT’，這樣 Server 在 Redeem 階段就可以得知 client 是哪一個 s。所以 Server 需要證明自己每次都用同樣的 s 同時又不透漏 s 這個純亮。

要解決這個問題就需要用到前面我們講解的零知識證明 DLEQ 了。

Scenario 5

前面的 DLEQ 講解有提到，如果有 Peggy 有一個 s 秘密純量，我們可以透過 DLEQ 來證明 Peggy 知道 s，但是又不透漏 s 真正的數值，而在 Privacy Pass 的機制裡面，Server 需要證明自己每次都用 s，但是卻又不用揭露真正的數值。

在 Issue 階段 Client 做的事情還是一樣傳 bT 給 Server 端，但 Server 端的回應就不一樣了，這次 Server 會回傳 sbT 與一個 DLEQ 證明，證明自己正在用同一個 s。

首先根據 DLEQ 的假設，Server 會需要先公開一組 G, H 給所有的 Client。而在 Privacy Pass 的實作中則是公開了 G 給所有 Client，而 H 則改用 bT 代替。

回傳的時候 Server 要證明自己仍然使用同一個 s 發出 token，所以附上了一個 DLEQ 的證明 r = v - cs，Client 只要算出以下算式相等就可證明 Server 仍然用同一個 s (記住了 H 已經改用 bT 代替，此時 client 也有 sbT 也就是 sH)：

vH = rH + c(sH) // H 換成 bTvbT = rbT + c(sbT) // 把 r 展開成 v - csvbT = (v - cs)bT + c(sbT) // (v - cs)bT 展開成 vbT - csbTvbT = vbT - c(sbT) + c(sbT) // 正負 c(sbT) 消掉vbT = vbT

這樣就可以證明 Server 依然用同一個 s。

Issue

T = Hash(t) bT -> <- sbT, DLEQ(bT:sbT == G:sG)

Redeem

t, M, HMAC(sT, M) ->

問題：only one redemption per issuance

到這邊基本上 Privacy Pass 的原理已經解釋得差不多了，不過這邊有個問題是一次只發一個 token 太少，應該要一次可以發多個 token。這邊我要跳過源文中提到的 Scenario 6 解釋最後的結果。

Scenario 7

由於一次僅產生一個 redeem token 太沒效率了，如果同時發很多次，每次都產生一個 proof 也不是非常有效率，而 DLEQ 有一個延伸的用法 “batch” 可以一次產生多個 token, 並且只有使用一個 Proof 就可以驗證所有 token 是否合法，這樣就可以大大的降低頻寬需求。

不過這邊我們就不贅述 Batch DLEQ 的原理了，文末我會提及一些比較有用的連結跟確切的源碼片段讓有興趣的人可以更快速的追蹤到源碼片段。

Issue

T1 = Hash(t1) T2 = Hash(t2)T3 = Hash(t3)b1T1 ->b2T2 ->b3T3 -> c1,c2,c3 = H(G,sG,b1T1,b2T2,b3T3,s(b1T1),s(b2T2),s(b3T3)) <- sb1T1 <- sb2T2 <- sb3T3 <- DLEQ(c1b1T1+c2b2T2+c3b3T3:s(c1b1T1+c2b2T2+c3b3T3) == G: sG)

Redeem

t1, M, HMAC(sT1, M) ->

結論

Privacy Token / Trust Token API 透過零知識證明的方式來建立了一個不需要透漏太多隱私也可以達成跟 cookie 相同效果的驗證方式，期待可以改變目前許多廣告巨頭透過 cookie 過分的追蹤使用者隱私的作法。

不過我在 Trust Token API Explainer 裡面看到這個協議裡面的延伸作法還可以夾帶 Metadata 進去，而協議制定的過程中其實廣告龍頭 Google 也參與其中，希望這份協議還是可以保持中立，盡可能地讓最後版本可以有效的在保護隱私的情況下完成 Cross-domain authorization 的功能。

參考資料

IETF Privacy Pass docs

Privacy Pass: The Protocol

Privacy Pass: Architectural Framework

Privacy Pass: HTTP API

Cloudflare

Supporting the latest version of the Privacy Pass Protocol (cloudflare.com)

Chinese: Cloudflare支持最新的Privacy Pass扩展_推动协议标准化

Other

Privacy Pass official website

Getting started with Trust Tokens (web.dev)

WICG Trust Token API Explainer

Non-interactive zero-knowledge (NIZK) proofs for the equality (EQ) of discrete logarithms (DL) (asecuritysite.com) 這個網站非常實用，列了很多零知識證明的源碼參考，但可惜的是 DLEQ 這個演算法講解有錯，讓我在理解演算法的時候撞牆很久。所以使用的時候請多加小心，源碼應該是可以參考的，解釋的話需要斟酌一下。

關鍵源碼

這邊我貼幾段覺得很有用的源碼。

privacy pass 提供的伺服器端產生 Proof 的源碼

privacy pass 提供的瀏覽器端產生 BlindPoint 的源碼

github dedis/kyber 產生 Proof 的源碼

[ZKP 讀書會] Trust Token Browser API was originally published in Taipei Ethereum Meetup on Medium, where people are continuing the conversation by highlighting and responding to this story.

👏 歡迎轉載分享鼓掌