MétaCan
Menu
Retour à la cohorte
Enregistrement W4385386787 · doi:10.18280/ria.370314

Analysis of Existing Approaches and Algorithms of Post-Quantum Cryptography

2023· article· en· W4385386787 sur OpenAlexvenueno aff
Aigerim Kerimbayeva

Notice bibliographique

RevueRevue d intelligence artificielle · 2023
Typearticle
Langueen
DomaineComputer Science
ThématiqueQuantum Computing Algorithms and Architecture
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCryptographyComputer scienceQuantum cryptographyAlgorithmTheoretical computer scienceQuantumQuantum informationPhysicsQuantum mechanics

Résumé

récupéré en direct d'OpenAlex

The rapidly evolving field of post-quantum cryptography necessitates a comprehensive analysis of existing technologies to determine their efficiency and reliability.This study aims to identify the strengths and weaknesses of contemporary approaches and algorithms in post-quantum cryptography, ultimately pinpointing the most effective solutions.To achieve this objective, an analytical comparison of practical post-quantum cryptography systems was conducted, considering key metrics such as security against quantum attacks, computational efficiency, compatibility with existing systems, resistance to various cyber threats, ease of implementation, potential for standardization, and compliance with regulatory requirements.The findings reveal that while numerous approaches and algorithms exist in post-quantum cryptography, the NTRU and SIKE algorithms demonstrate superior efficacy.Additionally, WOTS+, Dilithium, and SABER exhibit promising potential, each possessing unique advantages and disadvantages concerning key size, computation speed, attack resistance, and implementation feasibility.This study offers practical value by providing guidance in the selection and adoption of post-quantum cryptography technologies, thereby contributing to the field's advancement and ensuring robust security in a post-quantum era.

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)0,002
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,005
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,002
Communication savante0,0020,004
Science ouverte0,0010,001
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 Opus0,073
Tête enseignante GPT0,286
Écart entre enseignants0,212 · 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'étudeSans objet
Domainenon disponible
GenreSynthèse

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

En bref

Citations10
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRevue d intelligence artificielleMême sujetQuantum Computing Algorithms and ArchitectureTravaux en français237 207