A Hybrid Post-Quantum Secure Framework Integrating McEliece KEM, RC6 Encryption and Steganography for IoT Data Protection
Notice bibliographique
Résumé
The dramatic growth in the number of digital data which are exchanged combined with the increased complexity of cyber threats requires a system which is strong enough to provide the data confidentiality and integrity. The classical steganographic and cryptography are only adequate in the context of solitude, and not in the context of imperceptibility and resistance to sophisticated attacks. An adaptive cryptography system augmented with clever steganography is suggested to address these weaknesses. The system has been designed with three layers: (i) dynamic cryptographic layer, which uses McEliece Key Encapsulation with noise thresholds to provide post-quantum resilience, (ii) adaptive encryption layer using RC6 with a threshold parameter to use for statistical diffusion, and (iii) steganographic embedding layer using hybrid wavelet-domain embedding optimized using Particle Swarm Optimization (PSO) in order to achieve imperceptibility and robustness. The layered design guarantees protection against noise, compression, and cropping attacks and at the same time computational efficiency such that it can be used in IoT and health care tasks in real time. The effectiveness of the suggested system over the traditional LSB and DWT-GA approaches is proven by experimental evidence. It is worth noting that the whole hiding capacity of the framework reaches the highest signal-to-noise ratio (PSNR) of 39.8 dB, thus, meaning that, the content is greatly imperceptible at the integrity maintained. The model suggested therefore presents a secure, efficient, and scalable solution that is flexible enough to accommodate new digital ecosystems in which privacy of information and resiliency would be of utmost importance.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| 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 ».