Double-Layer Blockchain and MEC Deployment Enabled Secure and Efficient Entity Interaction Framework for the Industrial IoT
Notice bibliographique
Résumé
The Industrial Internet of Things (IIoT), a core driver of Industrial 4.0, is considered as one of the most promising revolutionary technologies propelling the evolution of smart manufacturing towards Specialization, Reinforcement, Distinctiveness, and Innovation. The security and efficiency of smart manufacturing depend on the secure and efficient interaction of massive production data among entities. Yet, as a crucial measure of securing entity interactions, current authentication mechanisms overlook the single-point-of-failure issue and lightweight design. Moreover, interaction efficiency is rarely optimized and enhanced from the perspective of communication-supporting nodes. Paramountly, the assurance and optimization of entity interaction security and efficiency are strongly coupled, which is not considered in existing interaction frameworks. This paper designs a three-layer entity interaction framework based on mobile edge computing (MEC) and blockchain technology. Specifically, the double-layer blockchain and MEC-cluster assisted lightweight authentication (BCLA) mechanism is proposed under the three-layer framework to achieve lightweight entity authentication in a weakly centralized manner. To optimize the entity interaction efficiency from joint authentication and transmission, this paper further proposes an industrial edge server (IES) deployment optimization scheme and the proximity policy optimization based IES deployment (PAID) algorithm. The security features and efficiency of the three-layer framework are demonstrated by carrying out security analysis and performance evaluation, which is based on the Hyperledger Fabric platform.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 ».