Performance enhancement in blockchain based IoT data sharing using lightweight consensus algorithm
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The proliferation of Internet of Things (IoT) devices generates vast amounts of data, traditionally stored, processed, and analyzed using centralized systems, making them susceptible to attacks. Blockchain offers a solution by storing and securing IoT data in a distributed manner. However, the low performance and poor scalability of blockchain technology pose significant challenges for its application in IoT networks. The primary obstacle is the distributed consensus protocol, while ensuring data transparency, integrity, and immutability in a decentralized and untrusted circumstances which often compromises scalability. To address this issue, this paper introduces the use of the Delegated Proof of Stake (DPoS) consensus algorithm and sharding techniques to enhance scalability in blockchain-based IoT networks. Experimental results indicate that system throughput increases synchronously with the test load. Our findings reveal a tradeoff between throughput, latency, and up-downstream time on the Inter Planetary File System (IPFS). Given the critical importance of latency and throughput in IoT networks, the results demonstrate that DPoS offers high throughput, parallel processing, and robust security while efficiently scaling the network. Furthermore, at a test load of 500 Transactions Per Second (TPS), the system achieves a maximum throughput of approximately 11.094 ms. However, when the test load exceeds 2000 TPS, the total processing time for transactions extends to 11.205 ms. This method is particularly suitable for constrained IoT networks. Compared to previous edge computing-based approaches, our scheme demonstrates superior throughput performance.
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.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle