Towards Automated Benchmark Support for Multi-Blockchain\n Interoperability-Facilitating Platforms
Notice bibliographique
Résumé
Since the introduction of the first Bitcoin blockchain in 2008, different\ndecentralized blockchain systems such as Ethereum, Hyperledger Fabric, and\nCorda, have emerged with public and private accessibility. It has been widely\nacknowledged that no single blockchain network will fit all use cases. As a\nresult, we have observed the increasing popularity of multi-blockchain\necosystem in which customers will move toward different blockchains based on\ntheir particular requirements. Hence, the efficiency and security requirements\nof interactions among these heterogeneous blockchains become critical. In\nrealization of this multi-blockchain paradigm, initiatives in building\nInteroperability-Facilitating Platforms (IFPs) that aim at bridging different\nblockchains (a.k.a. blockchain interoperability) have come to the fore. Despite\ncurrent efforts, it is extremely difficult for blockchain customers\n(organizations, governments, companies) to understand the trade-offs between\ndifferent IFPs and their suitability for different application domains before\nadoption. A key reason is due to a lack of fundamental and systematic\napproaches to assess the variables among different IFPs. To fill this gap,\ndeveloping new IFP requirements specification and open-source benchmark tools\nto advance research in distributed, multi-blockchain interoperability, with\nemphasis on IFP performance and security challenges are required. In this\ndocument, we outline a research proposal study to the community to realize this\ngap.\n
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».