Comparative Analysis of ccTLD Security Policies
Notice bibliographique
Résumé
This paper analyzes and compares country code Top Level Domain (ccTLD) administration policies. The study investigated the effect of security-related components of these policies on the ccTLD security to determine whether the strength of the security components had any significant effect on the rate of malicious activities in the domains. To achieve this, thirty ccTLDs were selected based on the Human Development Index (HDI), and the administrative policies of the ccTLDs were analyzed and compared for the content of security-related components. The analysis shows that 40% of the ccTLDs have security policies that can be classified as strong, 47% weak, and 13% have no domain security policies. We verified the hypothesis that the ccTLDs of countries with high HDI tend to have strong domain security-related policies, while ccTLDs of countries with medium and low HDI have weak or non-existent policies. The data analysis also confirmed that the lack of enforceable, strong security-related policies in ccTLD administration results in Internet domains that are vulnerable to abuses. The analysis shows that the number of malicious ccTLD domains (N) is inversely proportional to the rate of attacks (P) for ccTLDs with strong security-related policies, and directly proportional to the rate of attacks for ccTLDs with weak security-related policies. The paper also shows no significant correlation between involvement of governments in the domain registration process and the rate of attacks. The importance of the hybrid governance model that combines bottom-up and top-down security administration of the ccTLDs is emphasized in the paper.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».