MétaCan
Menu
Retour à la cohorte
Enregistrement W3091685380 · doi:10.1109/worlds450073.2020.9210358

Performance Evaluation of Distributed Ledger Technologies for IoT data registry : A Comparative Study

2020· article· en· W3091685380 sur OpenAlexaff
Mohammadreza Rasolroveicy, Marios Fokaefs

Notice bibliographique

Revue2020 Fourth World Conference on Smart Trends in Systems, Security and Sustainability (WorldS4) · 2020
Typearticle
Langueen
DomaineComputer Science
ThématiqueBlockchain Technology Applications and Security
Établissements canadiensPolytechnique Montréal
Organismes subventionnairesnon disponible
Mots-clésBlockchainComputer scienceInternet of ThingsOverhead (engineering)Computer securityOperating system

Résumé

récupéré en direct d'OpenAlex

Internet-of-Things (IoT) technologies have gained prevalence in various areas including Smart Vehicles, Smart Buildings, and Smart Health. Especially on these domains, the use of IoT involves certain challenges around security, privacy and trust, which can be characterized as sensitive issues. Blockchain technologies have emerged as the potential solution to address these issues. However, Blockchain can be inefficient in terms of both performance and cost due to high bandwidth overhead and delays. In this paper, we have examined four different popular Blockchain platforms (Hyperledger Fabric, Hyperledger Burrow, Hyperledger Sawtooth, and BigchainDB) to identify what are the overheads around the use of Blockchain and to study whether there is a single optimal solution with respect to time and computation overheads, or if there are trade-offs between the four platforms for IoT applications.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,949
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,003
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0020,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,114
Tête enseignante GPT0,344
Écart entre enseignants0,230 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations11
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revue2020 Fourth World Conference on Smart Trends in Systems, Security and Sustainability (WorldS4)Même sujetBlockchain Technology Applications and SecurityTravaux en français237 207