MétaCan
Menu
Retour à la cohorte
Enregistrement W7144040931 · doi:10.47363/jaicc/icaic2025/2025(4)26

Trust Without Transmission: How RDH Uses Entanglement Emulation to Protect Digital Banking from AI and Quantum Threats

2025· article· W7144040931 sur OpenAlexaff
Chad Wanless

Notice bibliographique

RevueJournal of Artificial Intelligence & Cloud Computing · 2025
Typearticle
Langue
DomaineComputer Science
ThématiqueCryptography and Data Security
Établissements canadiensCanadian Association for Co-operative Education
Organismes subventionnairesnon disponible
Mots-clésEncryptionHandshakeMalwareSpoofing attackCryptographyEmulationBackdoorSoftwareUSableFirmware

Résumé

récupéré en direct d'OpenAlex

As artificial intelligence accelerates, its capacity to reverse-engineer, decompile, and imitate software systems now poses a direct threat to the foundation of digital security. AI-assisted tools can already analyze compiled binaries, infer encryption logic, and reconstruct wallet or payment workflows that were once considered opaque. At the same time, quantum computing looms as the next existential risk to classical encryption. Together, these twin pressures demand a new paradigm—one that moves security out of software and into tamper-resistant hardware.The Randomized Data Handshake (RDH) is a zero-trust encryption protocol engineered to counter both AI-based and quantum-based attacks. Acting as a lightweight wrapper around symmetric ciphers such as ASCON or AES, RDH allows two devices to derive identical session keys without ever transmitting them. Instead of sending secrets, RDH exchanges randomized challenge instructions that each side uses to construct keys locally, producing communication that contains no interpretable data in transit. This design not only removes the attack surface exploited by AI decompilation, but also emulates the information-exchange properties of quantum entanglement—where no usable key material ever leaves the device.RDH is optimized for FinTech, IoT, and e-commerce environments where hardware constraints, latency, and trust boundaries intersect. It can be embedded in smart cards, NFC tokens, USB dongles, or dedicated processors, ensuring that all cryptographic operations occur within secure hardware under explicit user control. Biometric sensors or motion triggers confirm physical presence, preventing malware or spoofed applications from activating encryption without consent. Because it builds on existing symmetric standards, RDH offers quantum-resilient security with minimal computational overhead, avoiding the performance penalties of current lattice-based algorithms.In an era where AI can read, clone, and manipulate code faster than humans can patch it, RDH redefines the trust model: software may be compromised, but hardware cannot be impersonated. The protocol transforms encryption from a passive defense into an active, user-anchored verification process—one that resists AI inference, survives quantum attack, and restores confidence in digital authentication.By fusing AI awareness, zero-trust architecture, and post-quantum cryptography, RDH establishes a deployable framework for the next generation of secure communication—bridging the gap between hardware control and the AI-driven threat landscape.www.srcmeetings.com26International Conference on Artificial Intelligence and Cybersecurity (ICAIC 2025)November 27-28, 2025 (Virtual)Conference Proceedings

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,013
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,013
Score d'incertitude au seuil0,045

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,013
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0020,007
Communication savante0,0050,011
Science ouverte0,0020,007
Intégrité de la recherche0,0030,003
Charge utile insuffisante (le modèle a refusé de juger)0,0130,004

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.

Tête enseignante Opus0,042
Tête enseignante GPT0,320
Écart entre enseignants0,278 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Artificial Intelligence & Cloud ComputingMême sujetCryptography and Data SecurityTravaux en français237 207