使用默克尔山脉和基于变压器的深度学习模型为教育生态系统提供安全的认证和等价证书
Sumathy Krishnan1, Surendran Rajendran2, Mohammad Zakariah3
1Department of Computer Science and Engineering, Saveetha School of Engineering, Saveetha Institute of Medical and Technical Sciences, SIMATS, Chennai, 602105, India.
Scientific reports
|July 2, 2025
概括
本研究介绍了一个基于区块链的系统,使用一种新的TCRN模型来打击认证欺诈. 安全平台提高了凭证验证的准确性和效率,确保了学术资格的全球认可.
科学领域:
- 计算机科学 计算机科学
- 教育技术的教育技术
- 信息安全 信息安全
背景情况:
- 当前的认证和等价性验证系统往往是低效,昂贵和不透明的.
- 凭证欺诈对教育资格的完整性构成重大挑战.
- 需要一个安全,透明和高效的系统来验证学术资格证书.
研究的目的:
- 开发一个基于区块链的安全原型,用于认证和等效认证.
- 通过使用先进的技术解决方案,减轻凭证和等价欺诈行为.
- 建立一个全球可靠的学术资格可比性和认可的基础.
主要方法:
- 提出了一种基于变压器的新型卷积循环网络 (TCRN),用于自动化等价估计.
- 在TCRN中使用Bi-GRU,深度可分离卷积 (DSC) 和BERT进行全面分析.
- 实现了增强的MD5哈希和默克尔山脉 (MMR) 数据完整性,并利用Cerberus++网络通过QR码进行高效的验证.
主要成果:
- 该TCRN模型在估计学术等价性方面显示出超过95%的准确性.
- 基于区块链的系统确保了数据完整性,并有效地减轻了凭证欺诈.
- 塞伯鲁斯++网络可实现资源效率高,实时验证凭证.
结论:
- 开发的基于区块链的系统为认证和等价性验证提供了安全有效的解决方案.
- 新的TCRN模型显著提高了等价估计过程的准确性和自动化.
- 该平台促进了分级尺度的全球可比性,并促进了学术资格的无转移和认可.