An Assessment of, and Improvements to, the Digital Forensics Acquisition Process of a Law Enforcement Agency
Notice bibliographique
Résumé
Forensics addresses the collection and analysis of evidence. Digital forensics is forensics in the context of digital devices. It is a rapidly evolving field employed in various organizations such as law enforcement, government, and the private sector. The acquisition of digital evidence is the step in digital forensics where digital evidence is preserved. The preservation of digital evidence in its original form is customarily deemed a necessary property in the context of digital forensics, as such evidence may need to be re-examined in the future. \n \nIn this thesis, we first analyze the acquisition phase of the digital forensics process of the Ontario Provincial Police (OPP) to determine whether it is forensically sound. The OPP is a law enforcement agency that serves a population of 14 million people who reside in the province of Ontario in Canada. We extract a set of properties that OPP's acquisition phase does, and should, uphold to achieve forensic soundness. We then evaluate whether the desired properties are met by comparing OPP's process to three standards on forensic soundness for law enforcement. We conclude by proposing improvements to the parts of the process that do not uphold desired properties. \n \nWhile our thesis evaluates and provides suggestions to OPP's current process, it also serves a greater purpose. Our contributions allow OPP, and any other law enforcement agency, the framework needed to analyze an existing process, identify areas that may jeopardize forensic soundness, and implement changes that mitigate those threats.
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 | 0,036 | 0,102 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,013 | 0,009 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».