Securing Non-Human Identities in Industrial IoT a Blockchain-Based Trust Framework
Notice bibliographique
Résumé
The rapid growth of the Industrial Internet of Things (IIoT) has created a complex and often vulnerable landscape for managing non-human identities (NHIs) such as sensors, bots, and service accounts. In response, this research proposes a blockchain-based trust framework designed to move beyond traditional static security scoring models. By integrating decentralized identity management, lightweight consensus mechanisms, and smart contract enforcement, the framework provides a more dynamic and context-aware approach to assessing trust in IIoT environments. A key innovation of this model is the introduction of two metrics: the Security Confidence Score (CS), which combines identity assurance, blockchain integrity, and residual risk; and the Non-Human Identity Trust Score (Tₙₕᵢ), which evaluates trust at the device level based on authentication strength, behavioral patterns, and anomaly detection. The framework is validated through simulations across multiple Operational Technology (OT) environments in the oil and gas sector, demonstrating its practical applicability in reducing residual cybersecurity risk while strengthening overall identity trust. Its hybrid blockchain architecture, combining public and private layers, ensures both operational privacy and regulatory transparency. Proof-of-concept testing with sample datasets confirms the framework’s adaptability and context-aware capabilities, establishing it as a significant step forward in securing IIoT ecosystems.
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 | 0,015 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,012 | 0,028 |
| Études des sciences et des technologies | 0,003 | 0,019 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,006 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,007 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».