Empirical Evaluation and Reclassification of Cryptographic Algorithms for Energy-Efficient Secure Communication in Medical IoT Devices
Notice bibliographique
Résumé
Internet of Medical Things (IoMT) devices demand cryptographic solutions that balance robust security with extreme resource efficiency, given strict constraints on power, memory, and processing. This study presents a detailed empirical evaluation of ten cryptographic algorithms—including symmetric ciphers and hash functions —across two representative microcontroller platforms: TM4C123GXL (ARM Cortex-M4F) and PIC32MX440F256H (MIPS32). Algorithms tested include AES-256-ECB, Tiny-AES (AES-128), XTEA, ChaCha20, Poly1305, NORX, HMAC, SHA-256, AEAD (AES-256-EAX), and Ascon-AEAD.Comprehensive measurements of energy, execution time, and memory footprint reveal substantial discrepancies between prior classifications and practical performance. Lightweight algorithms such as ChaCha20 and Ascon-AEAD consistently achieved superior energy and speed efficiency, while certain “lightweight” candidates like Poly1305 and Tiny-AES demonstrated higher resource demands. The study introduces a performance-based reclassification of cryptographic algorithms grounded in empirical results. It also evaluates end-to-end session behavior by integrating ECDH key exchange with ChaCha20-Poly1305 encryption in a real-world IoMT setup. Results confirm the viability of these algorithms in real-time telemetry pipelines and battery-sensitive wearables. The findings offer hardware-aware, use-case-driven guidelines for cryptographic algorithm selection in secure and sustainable IoMT systems aligned with emerging NIST standards.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| 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 ».