Securing E-Petition: A Privacy-Preserving Fine-Grained Electronic Petition System for Health and Political Petitions
Notice bibliographique
Résumé
E-petition has played an important role in health and politics that collects public opinions and requests a superior or an authority to take actions towards a health or political problem. However, this activity exposes the privacy of the signers who participate to express opinions. In this paper, we propose a privacy-preserving fine-grained e-petition system that supports attribute-based identity verification for signers, while protecting their privacy. By considering the target groups of signers in a specific health or political petition, an attribute policy is defined to ensure that only the signers with the attributes that satisfy the attribute policy can sign the petition. The fine-grained petition is better than the traditional e-petitions because it can improve the trustworthiness of the petition results via proactive signer selection. Moreover, the new petition system protects the identities of the signers by using the non-interactive zero-knowledge proof system, such that the signers are anonymous in signing petitions. In addition, the proposed petition system supports the tracing of double-signing, a cheating behavior that an anonymous signer can submit more than one signature in a petition without being detected. Finally, we prove that the proposed petition system achieves the desirable security properties, including anonymity, unforgeability, and traceability, and demonstrate that the system is efficient to be implemented on the mobile devices.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,000 | 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 ».