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 OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Communication savante
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,939
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,000
Communication savante0,0040,002
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

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