From Capture to Court in Crime Scene Investigations: A Blockchain-Based Tamper-Proof File Sharing System Utilizing IPFS Multihash
Notice bibliographique
Résumé
This research paper examines the application of blockchain technology in crime scene investigations, with a particular focus on enhancing the preservation and security of evidence through the cryptographic watermarking of images. Despite several research initiatives, there has been limited investigation into the practical applications of traditional crime scene data sharing. Five LiDAR-enabled devices were selected for their ability to generate accurate 3D point clouds: the iPad M1, iPad M2 Pro, iPhone 14 Pro, iPhone 14, and iPhone 15 Pro Max. The InterPlanetary File System (IPFS) served as the medium for generating Secure Hash Algorithm (SHA)-256 hash values, with two Internet of Things (IoT) workstations evaluated based on tampering and throughput metrics. Throughput testing revealed no correlation between file size and transfer times over IPFS. Notably, the iPhone 14 Pro outperformed the iPad M1 Pro, achieving superior transfer performance despite the iPad's higher file density of 3287.04 KB compared to the iPhone's 2560 KB. Specifically, the iPhone transferred files in 87 seconds, while the iPad Pro took 141 seconds. This suggests that storage size does not significantly impact data transfer efficiency on the network. In the tampering evaluation, files uploaded to IPFS were hashed and distributed via InterPlanetary Name System (IPNS). Workstation Two received and modified these files, which were subsequently re-uploaded. Ultimately, Workstation One successfully detected the alterations. The manipulation techniques employed resulted in slight deviations in hash values, ensuring that the originally uploaded data retains a unique key that triggers alerts if any changes are made.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| 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 ».