QuanFraud: Quantum State Verification Scheme for Fraud Detection in IoT-Assisted Quantum-Blockchain Networks
Notice bibliographique
Résumé
Fraud detection in Internet-of-Things (IoT) applications remains a pressing challenge. Adversaries exploit injection, eavesdropping, and man-in-the-middle attacks that often evade conventional detection pipelines. Existing blockchain and Machine Learning (ML) based solutions improve accuracy but lack verifiability, auditability, and resilience against quantum-era threats. We proposeQuanFraud, a protocol that integrates Greenberger–Horne–Zeilinger (GHZ)–$\theta$quantum state verification, Decentralized Identifiers (DID), and a Quantum Support Vector Classifier (QSVC) within an auditable blockchain framework. The scheme ensures that fraud detection outcomes are not only data-driven but also cryptographically verifiable and resistant to identity-correlation and replay attacks. We evaluateQuanFraudon a financial dataset of 20,000 records (117 features), using Principal Component Analysis (PCA) and the Synthetic Minority Oversampling Technique (SMOTE) under 10- fold cross-validation. Results show that classical baselines such as Random Forest and XGBoost achieve balanced accuracy above 77%, while QSVC alone yields 42.1$\pm$2.8%. This gap indicates that the contribution ofQuanFraudis not accuracy leadership but a verifiable, auditable fraud-detection protocol under Noisy Intermediate-Scale Quantum (NISQ) constraints, where QSVC provides kernel-level privacy, quantum state verification, and on-chain checks that classical models do not offer. We further discuss complexity and scalability, highlighting the scheme's suitability for deployment in resource-constrained IoT environments.
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 | 0,005 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».