Smart Phone Anti-counterfeiting System Using a Decentralized Identity Management Framework
Notice bibliographique
Résumé
The effect of counterfeiting on smart phone sales worldwide is estimated at 184 million units, valued at 45.3 billion EUR or 12.9 % of total sales. The mobile phone counterfeiting, in addition to its economic impact, has serious security, privacy, and even general safety concerns. The proliferation of Smart Phones devices is on the rise, where the number of smart phone devices shipped in 2017 has surpassed 1.5 billion devices and it is has reached around 1.2 billion devices by end of Q3 2018. Most of those devices are attached to different mobile networks operated around the globe, and the challenges arising is how those devices' identities are maintained and verified in addition to how the supply chain actors in smart phones industry can ensure the access to device identity throughout the device life cycle with less control from third parties. Blockchain as a distributed ledger technology positions itself as a suitable candidate to address this challenge. That is mainly attributed to Blockchain's use of cryptographic identifiers, records immutability, and provenance. These features, together, provide a platform to implement the functions of smart phone identity management functions in a global and decentralized environment. This paper presents a the use of a decentralized identity management framework to implement a system for Smart Phone Anti-Counterfeiting that eliminates the need for a central authority and provides the features of identity creation and transfer of ownership, along with the capability of fast and secure reporting of stolen and lost devices that takes effect in the shortest time. The work is implemented using a set of solidity of smart contracts deployed on a private Ethereum Blockchain.
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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».