MétaCan
Menu
Retour à la cohorte
Enregistrement W3094840931 · doi:10.1109/tii.2020.3035006

A Blockchain-Based Secure Data Aggregation Strategy Using Sixth Generation Enabled Network-in-Box for Industrial Applications

2020· article· en· W3094840931 sur OpenAlexaff
Hui Lin, Sahil Garg, Jia Hu, Georges Kaddoum, Min Peng, M. Shamim Hossain

Notice bibliographique

RevueIEEE Transactions on Industrial Informatics · 2020
Typearticle
Langueen
DomaineComputer Science
ThématiqueBlockchain Technology Applications and Security
Établissements canadiensÉcole de Technologie Supérieure
Organismes subventionnairesDeanship of Scientific Research, King Saud University
Mots-clésComputer scienceData aggregatorSoftware deploymentAutomationBlock (permutation group theory)Distributed computingComputer securityComputer networkEngineeringWireless sensor networkSoftware engineering

Résumé

récupéré en direct d'OpenAlex

Sixth generation (6G) network is a revolutionary technology to satisfy the ever-growing demands from the sustainable development of emerging industrial applications and services. Due to its high flexibility, convenient and rapid deployment, self-organization capability, and outstanding expansibility, network-in-box (NIB) represents a promising approach for future networks. The integration of NIB with 6G can lead to many new applications in geoscience, robotics, and industrial automation. For 6G-enabled NIB, services are deployed directly on the NIB, which increases the fault tolerance and reduces the traffic volume on the backhaul link. As more and more data are processed and shared in industrial applications and services, the security of data aggregation becomes a key challenge for 6G-enabled NIB. To address this challenge, in this article, we propose a blockchain based privacy-aware distributed collection (BPDC) oriented strategy for data aggregation. In BPDC, an improved blockchain with a new block header structure and two different block generation rules are designed and introduced, which restricts the task receivers to search and receive the tasks beyond their levels of security permission. While guaranteeing the data aggregation performance, BPDC can also achieve privacy protection by decomposing sensitive tasks and task receivers into multiple groups. Validation experiments show that the BPDC accomplishes low overhead, high throughput, and privacy preservation in various industrial 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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,149
Tête enseignante GPT0,293
Écart entre enseignants0,144 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations32
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Industrial InformaticsMême sujetBlockchain Technology Applications and SecurityTravaux en français237 207