Securing the Metaverse: The Intersection of ML-Based Oracles and Blockchain Technology
Notice bibliographique
Résumé
The integration of blockchain and machine learning (ML) in decentralized systems has revolutionized the operational potential of smart contracts, especially in dynamic and interactive environments such as the metaverse. Smart contracts leverage blockchain technology to enable secure, decentralized, and transparent automation of agreements without intermediaries. However, their reliability often depends on external data sources, known as blockchain oracles, which are prone to tampering and manipulation due to their operation outside the blockchain. To address these vulnerabilities, we propose a novel architecture, MARL-RSS (Multi-Agent Reinforcement Learning with Ring Signature Scheme), designed to enhance blockchain security and ensure the trustworthiness of oracle networks. MARL-RSS integrates Multi-Agent Reinforcement Learning techniques to dynamically detect and isolate malicious oracles, ensuring data integrity and system resilience. Furthermore, the integration of a Ring Signature Scheme (RSS) guarantees oracle anonymity and authenticity, enabling secure data sharing while preserving privacy. Experimental results demonstrate the effectiveness of MARL- RSS in detecting malicious oracles with high accuracy while maintaining low false positive rates. The RSS mechanism introduces minimal overhead while ensuring privacy and authenticity. MARL- RSS provides a scalable and secure foundation for decentralized systems, enabling efficient and trustworthy operations in blockchain-based applications, including the metaverse.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 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 ».