Extraction of Common Processes of the Investigation Models Proposed in the Drone Forensics Domain
Notice bibliographique
Résumé
A recent development in the field of digital forensics is drone forensic (DF), which involves collecting evidence from drone environments.Nevertheless, DF still suffers from a number of issues and challenges that have recently been discovered.The complexity of DF infrastructures is still a key issue that needs to be resolved.Furthermore, redundancy challenges are important obstacles and constraints in DF investigations.The present study proposes a model called Unified Investigation Processes for Drone Forensics Domain (UIP-DFD) in order to identify the investigation processes commonly involved in the models proposed in the DF domain.Furthermore, this study used the design science research (DSR) approach to design an effective and efficient method for analyzing unmanned aerial vehicle (UAV) evidence, ensuring the evidence is identified, gathered, and analyzed based on recognized DF investigation techniques.UIP-DFD comprises five common investigation processes: i) Identification, ii) Data acquisition, iii) Preservation, iv) Data analysis, and v) Reporting.After conducting a comparative analysis, this study concludes that the NIST digital forensic framework is inadequate for DF.In contrast, the proposed UIP-DFD model integrates drone-specific investigation activities, minimizing redundancy and effectively managing the diversity of evidence from onboard systems, controllers, storage devices, and other digital sources.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».