MétaCan
Menu
Retour à la cohorte
Enregistrement W4324118567 · doi:10.47611/jsrhs.v11i4.3379

Analysis on Blockchain Effectiveness Towards Protecting Renewable-Based Smart Power Grids

2022· article· en· W4324118567 sur OpenAlexaff
Brendan McQuilkin, Samuel Liburd

Notice bibliographique

RevueJournal of Student Research · 2022
Typearticle
Langueen
DomaineComputer Science
ThématiqueBlockchain Technology Applications and Security
Établissements canadiensConestoga College
Organismes subventionnairesnon disponible
Mots-clésBlockchainRenewable energyFirewall (physics)Smart gridComputer securityComputer scienceSAFERGridPower gridRisk analysis (engineering)Environmental economicsPower (physics)EngineeringBusinessElectrical engineering

Résumé

récupéré en direct d'OpenAlex

Non-renewable energies have been increasingly destructive to the environment, and as a result, society has been seeking to replace these energies at a growing rate. Converting current non-renewable-based power grids to environmentally friendly smart energy grids has been identified as one of the most powerful ways to remove the reliance on non-renewable energies. However, failing to keep these new power grids efficient and secure will cause this concept to fail to become a reality. With a new energy management system, a new security system is also required. Some developing technologies such as blockchain and artificial intelligence have been identified as candidates for strong and efficient security protocols for smart grids. Analysis shows that blockchain technology can provide incredible defense against malicious tampering and data protection. Artificial intelligence can be trained to identify attacks before they become destructive. Along with these new technologies, concepts such as the firewall should be included due to their general effectiveness and efficiency. By utilizing both old and new security protocols, a safer, more efficient, and more reliable energy grid for the future can be created.

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)0,004
score de la tête « metaresearch » (Gemma)0,010
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,027

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,010
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,003
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0080,001

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 Opus0,058
Tête enseignante GPT0,380
Écart entre enseignants0,322 · 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'étudeThéorique ou conceptuel
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

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Student ResearchMême sujetBlockchain Technology Applications and SecurityTravaux en français237 207