Research on Copyright Protection and Data Security Based on Blockchain Technology in Digital Library
Notice bibliographique
Résumé
Currently, digital libraries face challenges in piracy and illegal distribution, data and privacy security, digital content identification and traceability.In this paper, we design a blockchain-based copyright protection system for digital libraries to provide true and reliable digital copyright information for libraries and users, and to ensure the security of data information stored in the digital copyright registration system.Firstly, we classify blockchain and analyze in detail the three core technical principles of consensus mechanism, cryptography principle, and hash algorithm.Then design the copyright registration protection system that contains the functions of unique authentication of digital work copyright, IPFS distributed storage, and privacy data encryption.The designed algorithm is tested for performance and the service performance of this paper's scheme is analyzed in real applications, and it is found that the throughput performance of this paper's algorithm when the number of nodes ranges from 4 to 20 is on average 36.19%more than that of the PBFT consensus algorithm, and 55.92% more than that of the RBFT consensus algorithm.When there are 5000 digital resource feature vectors in the system database, the time required for similarity retrieval is only 0.523s, which meets the requirements of the system's non-functional needs for similarity retrieval runtime, and realizes a good balance between the operational efficiency of digital libraries and security.The research has practical reference significance for the application of blockchain technology in the field of digital copyright protection.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».