Blockchain has revolutionized numerous fields, which include financial services, health care, the Internet of things, academia and supply chain management. Blockchain technology enables us to have an immutable, distributed ledger for managing the transactions of untrusted users. However, the technology has many open challenges, such as privacy leaks, scalability, and energy consumption. User identity can be easily tracked using network analysis, as transactions are accessible to everyone, which is a serious concern of blockchain. In this paper, we propose a new efficient, privacy-preserving, and quantum-resistant key generation algorithm, namely, lattice-based hierarchical deterministic key generation (LB-HDKG), for maintaining user privacy in the public blockchain. The LB-HDKG scheme generates many cryptographic keys in a tree-like structure from a single seed to hide the links between transactions of the same user. Our proposal uses the lattice NTRU cryptosystem, the security of which relies on the shortest vector problem (SVP) and closest vector problem (CVP) over the polynomial ring. Operations on the lattice NTRU cryptosystem are efficient and secure against classical computers and quantum computers. Security and performance analyses of our scheme show that the model is more secure and efficient and should replace current models to safeguard data from quantum computers.

区块链已经革新了许多领域，包括金融服务，医疗保健，物联网，学术界和供应链管理。区块链技术使我们能够拥有一个不变的，分布式账本来管理不受信任的用户的交易。但是，该技术面临许多开放性挑战，例如隐私泄漏，可伸缩性和能耗。用户身份可以使用网络分析轻松跟踪，因为每个人都可以访问交易，这是区块链的一个严重问题。在本文中，我们提出了一种新的高效，隐私保护和抗量子密钥生成算法，即基于格的分层确定性密钥生成（LB-HDKG），用于维护公共区块链中的用户隐私。LB-HDKG方案从单个种子以树状结构生成许多加密密钥，以隐藏同一用户的交易之间的链接。我们的建议使用晶格NTRU密码系统，其安全性取决于多项式环上的最短向量问题（SVP）和最接近向量问题（CVP）。晶格NTRU密码系统上的操作相对于传统计算机和量子计算机而言是高效且安全的。我们方案的安全性和性能分析表明，该模型更加安全有效，应该替换当前模型以保护量子计算机中的数据。其安全性取决于多项式环上的最短向量问题（SVP）和最接近向量问题（CVP）。晶格NTRU密码系统上的操作相对于传统计算机和量子计算机而言是高效且安全的。我们方案的安全性和性能分析表明，该模型更加安全有效，应该替换当前模型以保护量子计算机中的数据。其安全性取决于多项式环上的最短向量问题（SVP）和最接近向量问题（CVP）。晶格NTRU密码系统上的操作相对于传统计算机和量子计算机而言是高效且安全的。我们方案的安全性和性能分析表明，该模型更加安全有效，应该替换当前模型以保护量子计算机中的数据。