Skip to content

搞英语 → 看世界

翻译英文优质信息和名人推特

Menu
  • 首页
  • 作者列表
  • 独立博客
  • 专业媒体
  • 名人推特
  • 邮件列表
  • 关于本站
Menu

恢复排列的种子短语

Posted on 2025-08-17

正如上一篇文章所述,加密钱包通常会将一系列单词(称为种子短语)转换为私钥。这些单词来自一个包含 2 11 = 2048 个单词的列表,这些单词经过精心挑选,独特且易于记忆。您可以在此处找到该列表。通常,一个种子短语包含 12 个单词。例如:

奖品, 不同, 年, 布, 要求, 野生, 清洁, 工具包, 手推车, 敲门, 生物, 以上

每个字携带 11 位信息,因此总共代表 132 位,即 128 位内容和 4 位校验和。

现在假设你记住了12个单词,但后来你记不住它们的正确顺序。那么你需要尝试大约五亿种排列方式,因为

12!=479,001,600。

然而,并非所有这些排列都同样可能正确。例如,你调换几个单词的顺序,远比完全打乱整个列表的可能性大得多。所以,你应该从记住的顺序的单词列表开始,然后从初始序列开始,逐渐探索更远的地方。用数学术语来说,你应该按照凯莱距离的顺序,尝试对记住的序列进行排列。

一个包含 12 个元素的列表,由两个元素的转置组成,一共有 66 种排列。所以,如果你开始的序列是

abcdefghijkl

那么你可以尝试bacdefghijkl或ebcdafhghijkl之类的命令。一共有 66 种可能性,因为从 12 件物品中选择 2 件物品有 66 种方法;你要选择要交换的两件物品。

如果上述方法无效,您可以接下来探索与您记忆中的排列凯莱距离为 2 的排列。现在有 1,925 种可能性。凯莱距离为 3 时,有 32,670 种可能性。

一般而言,与原始n 个元素序列的凯莱距离为k 的排列数量等于

| S 1 ( n , n − k )|

其中S 1表示第一类斯特林数。

还有其他方法可以测量两个排列之间的距离。另一种可能是肯德尔距离 (Kendall distance),它计算将一个序列转换为另一个序列所需的相邻转置次数。肯德尔距离有时被称为冒泡排序距离,类似于冒泡排序算法。肯德尔距离可能比凯莱距离更合适,因为人们更容易意外地转置序列中相邻元素的位置。

凯莱距离和肯德尔距离都不完全对应于人类记忆的损坏,但两者都会在探索不太可能的变化之前指导您纠正可能的变化。

相关文章

  • 排列距离
  • 命令行中的排列

文章“恢复排列的种子短语”最先出现在John D. Cook上。

原文: https://www.johndcook.com/blog/2025/08/16/recovering-a-permuted-seed-phrase/

本站文章系自动翻译,站长会周期检查,如果有不当内容,请点此留言,非常感谢。
  • Abhinav
  • Abigail Pain
  • Adam Fortuna
  • Alberto Gallego
  • Alex Wlchan
  • Answer.AI
  • Arne Bahlo
  • Ben Carlson
  • Ben Kuhn
  • Bert Hubert
  • Big Technology
  • Bits about Money
  • Brian Krebs
  • ByteByteGo
  • Chip Huyen
  • Chips and Cheese
  • Christopher Butler
  • Colin Percival
  • Cool Infographics
  • Dan Sinker
  • David Walsh
  • Dmitry Dolzhenko
  • Dustin Curtis
  • eighty twenty
  • Elad Gil
  • Ellie Huxtable
  • Ethan Dalool
  • Ethan Marcotte
  • Exponential View
  • FAIL Blog
  • Founder Weekly
  • Geoffrey Huntley
  • Geoffrey Litt
  • Greg Mankiw
  • HeardThat Blog
  • Henrique Dias
  • Herman Martinus
  • Hypercritical
  • IEEE Spectrum
  • Investment Talk
  • Jaz
  • Jeff Geerling
  • Jonas Hietala
  • Josh Comeau
  • Lenny Rachitsky
  • Li Haoyi
  • Liz Danzico
  • Lou Plummer
  • Luke Wroblewski
  • Maggie Appleton
  • Matt Baer
  • Matt Stoller
  • Matthias Endler
  • Mert Bulan
  • Mind Matters
  • Mostly metrics
  • Naval Ravikant
  • News Letter
  • NextDraft
  • Non_Interactive
  • Not Boring
  • One Useful Thing
  • Phil Eaton
  • Product Market Fit
  • Readwise
  • ReedyBear
  • Robert Heaton
  • Rohit Patel
  • Ruben Schade
  • Sage Economics
  • Sam Altman
  • Sam Rose
  • selfh.st
  • Shtetl-Optimized
  • Simon schreibt
  • Slashdot
  • Small Good Things
  • Steph Ango
  • Stephen Wolfram
  • Steve Blank
  • Taylor Troesh
  • Telegram Blog
  • The Macro Compass
  • The Pomp Letter
  • thesephist
  • Thinking Deep & Wide
  • Tim Kellogg
  • Understanding AI
  • Wes Kao
  • 英文媒体
  • 英文推特
  • 英文独立博客
©2025 搞英语 → 看世界 | Design: Newspaperly WordPress Theme