Sensing instrumentation using smartphones: Securing impact and awareness
Notice bibliographique
Résumé
As the Internet of Things (IoT) continues to proliferate though the field of instrumentation and measurement, there are many issues to address: one being security. The very technologies that are utilized by advanced IoT algorithms can also be compromised and provide access to a user's smart phone sensors. In this paper, algorithms that activate sensing instrumentation in conjunction with Near-Field Communication (NFC), Quick Response (QR) codes, and HTML 5 scripting on smartphones are presented, and examined from a security perspective in terms of vectors that could result in unwanted access of sensor data, and the algorithms to derive these parameters. The IoT proliferation issue of security is addressed in this paper by examining sensor data access. With no user prompt at all, accelerometer and gyroscope data can be extracted, and from this, the user's speed and position changes can be extracted. Motion data then can be accessed with nothing other than activation using the tap of an NFC card, QR code scanned, or URL entered. With a tap and a single user acknowledgment, images can be captured or locations can be shared. New instrumentation and measurement techniques and IoT proliferation opens up many new opportunities, but regular security awareness is necessary for steps to increase protection from unwanted sensor data leakage. When designing an IoT instrumentation system, it is important to consider user security awareness, training, and overall situational awareness.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».