A Walkthrough of Blockchain-Based Internet of Drones Architectures
Notice bibliographique
Résumé
The open and unreliable environment of drones could make data transfer and authentication challenging. Given the proliferation of drone applications, the Internet of Drones (IoD) represents a promising phenomenon to enhance flight reliability and security. IoD has recently acquired pace due to its exceptional flexibility in numerous challenging circumstances. Furthermore, the incorporation of drones holds the potential to enhance many network systems’ performance metrics, such as throughput, scalability, connection, and latency. Regardless of its diverse domain, IoD is susceptible to malicious attacks owing to the wireless medium’s inherent unreliability. Drone communication can be made secure, reliable, and affordable by utilizing blockchain (BC) concepts that can be used to develop security mechanisms for addressing IoD’s shortcomings. This article reviews emerging BC-powered schemes, focusing on their application in drone communication, authentication, and security. Our study explores various drone applications and intricacies associated with BC-based drone technology. By leveraging BC concepts, security mechanisms can mitigate IoD’s shortcomings. Unlike previous works, this survey offers a detailed examination of BC applications in drone technology. The research includes a thorough investigation into current IoD challenges and proposes insightful recommendations to fortify its security framework. Additionally, we conduct experiments on the runtime of consensus algorithms, providing a detailed comparison along with various security models. An analysis of recent work shows diverse approaches in BC for IoD, with a comparative study aimed at mitigating challenges. An overview of machine learning in IoD along with insightful research recommendations are also given that provide ways to improve IoD’s security.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| 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 ».