MétaCan
Menu
Retour à la cohorte
Enregistrement W4390022937 · doi:10.18280/mmep.100623

A Novel Approach of 1-D Cellular Automata in Cryptosystem

2023· article· en· W4390022937 sur OpenAlexvenueno aff

Notice bibliographique

RevueMathematical Modelling and Engineering Problems · 2023
Typearticle
Langueen
DomaineComputer Science
ThématiqueCellular Automata and Applications
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCryptosystemCellular automatonComputer scienceTheoretical computer scienceCryptographyArtificial intelligenceComputer security

Résumé

récupéré en direct d'OpenAlex

Cryptosystems worldwide employ techniques for the encryption and decryption of sensitive data, relying extensively on secret keys.In this context, the generation of a randomized, secured secret key and its size hold paramount significance in ensuring confidentiality, data integrity, and resistance to a plethora of security attacks, rendering it arduous for potential intruders to predict key sequences.This study aims to generate the highly secured randomized secret key, minimize the time complexity and ensure efficiency of the cryptosystem.In the key generation methodology presented, a novel approach was introduced, taking into account the receiver's credentials and employing the elementary cellular automata (CA).Rule 150 of CA was strategically leveraged to generate a secret key, undergoing numerous iterations to bolster security, intricacy, and to compound the predictability challenge of the key.Python was the chosen medium for the implementation of the proposed model.Time complexity was rigorously evaluated, and a comparative analysis was conducted against established cryptographic algorithms, notably Rivest-Shamir-Adleman (RSA) and Advanced Encryption Standard (AES), to ascertain efficiency.Subsequently, a frequency analysis, underpinned by a letter frequency distribution chart, was undertaken to confirm the randomness of the resultant ciphertext (CT).To further validate the robustness of the proposed model, security assessments encompassing brute force attacks, CT attacks, known plaintext (PT) attacks, and chosen PT attacks were meticulously examined.Cumulative findings corroborate the heightened security and efficiency of the proposed model in contrast to its predecessors.Anticipated future research horizons include the potential incorporation of CA in domains such as image and video encryption, blockchain technology, cryptocurrency, and digital signatures, aiming to cultivate superior security infrastructures.

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)0,000
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
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 Opus0,032
Tête enseignante GPT0,207
Écart entre enseignants0,175 · 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

Citations2
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMathematical Modelling and Engineering ProblemsMême sujetCellular Automata and ApplicationsTravaux en français237 207