Blockchain technologies and their application in security software development
Notice bibliographique
Résumé
Current factors like the rising frequency of cyber threats and vulnerabilities on centralized platforms indicate the inefficiency of conventional network security frameworks, leading to new solutions such as the blockchain. This review systematically reviews developments of blockchain technologies in the context of security software (2021-2023) to evaluate its efficacy and challenges and explore the future potential. 77 peer-reviewed papers from ScienceDirect, IEEE Xplore and Scopus; adopting the PRISMA guideline, records were screened down from 1,532 to 77. Empirical evaluations (35%), case studies (28%), and theoretical frameworks (37%) using Joanna Briggs Institute tools and the Newcastle-Ottawa Scale were used in mitigating bias. Our results show that blockchain has strengths that add to data integrity (89% of studies) and security of the Internet of Things (IoT) ecosystem (28 studies) and supply chains (15 studies). Nevertheless, blockchain-based authentication has reduced latency by 284% (342 ± 112 ms) compared to a traditional system and has tradeoffs with scalability and performance. Research is skewed towards finance (47%), missing healthcare (9%), and critical infrastructure (6%). It does not include sufficient interoperability standards, post-quantum cryptographic validation, etc. The adaptive regulations are urged for policy implications for editable blockchains and hybrid Artificial Intelligence (AI) blockchain architectures. Interoperability should be taken care of by cross-chain protocols, scalability trilemmas and real-world adversarial testing must be addressed by the researchers and practitioners must put priority on scalability. This review, in its totality, brings out the singular role of blockchain in complementing the existing security solutions instead of replacing them. It calls for cross-disciplinary involvement and partnership in harnessing technical innovation in a regulatory framework to tackle cybersecurity threats through outsider and insider security approaches.
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 | 0,017 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,010 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,005 | 0,009 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».