Research on blockchain-enabled consistency enhancement techniques for on-chain and off-chain interactions of privacy data
Notice bibliographique
Résumé
In order to improve the consistency of on-chain-off-chain interaction of private data supported by blockchain and reduce the redundancy of data storage performance, this paper applies an efficient data interaction method of prefix hashing with improved red-black tree index to store public indexes and improve the efficiency of retrieval and interaction of blockchain data.Under the idea of generalization, anonymous region (AR) is used to hide the real location of participating nodes and protect the privacy of realized nodes.To reduce the computational overhead of the selection process, a cooperative sensing location privacy preserving optimization mechanism, LPPOM, is proposed.The scheme in this paper has a slow growth of data size on the chain with higher storage efficiency, larger throughput, and shorter query time (0.1899ms).The time cost consumed when the number of privacy chains is 15, 30, and 60 only increases by 0.2309-0.4855mscompared to the single chain system, indicating that the scheme scales well.When the file size is within 200 and the number of encrypted attributes is less than 4, its total encryption time meets the user's privacy data encryption needs (between 66.1765-236.7081ms).The IPFS read/write module is able to satisfy the people's daily use needs under the public network conditions, and its read/write speed is between 0.1568 and 0.2639MB/ms (file <100M).
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,007 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».