- ระบบการยืนยันตัวตนสำหรับการเรียนรู้แบบ IoT บน Hedera ที่ทำงานได้ 4,310 TPS แม้ว่าประสิทธิภาพจะช้าลงเล็กน้อยเป็น 3,425 TPS เมื่อรวมกับกราฟความรู้
- การทดสอบบนอุปกรณ์จริงแสดงให้เห็นว่าการยืนยันตัวตนใช้เวลา 41–47 มิลลิวินาทีบน Raspberry Pi และ 55–68 มิลลิวินาทีบน ESP32; การค้นหา BAN+ProVerif ไม่พบการรั่วไหลของการยืนยันตัวตน
Hedera Hashgraph ถูกอ้างอิงในงานวิจัยใหม่ว่าเป็นชั้นฐานที่ใช้งานได้จริงสำหรับการยืนยันตัวตนที่รวดเร็วและใช้พลังงานต่ำในระบบการศึกษาแบบ IoT งานวิจัยหัวข้อนี้เป็นปัญหาทั่วไปในบริบทของการเรียนรู้ออนไลน์ ซึ่งใช้อุปกรณ์เชื่อมต่อกัน ซึ่งการเข้าสู่ระบบและการตรวจสอบตัวตนอาจทำให้การเข้าถึงช้าลงและเพิ่มความเสี่ยงของความล้มเหลวเมื่อให้บริการโดยศูนย์กลางเดียว โมเดลที่เสนอใช้ Hedera เป็นชั้นความเชื่อถือและการจัดลำดับ ในขณะที่เก็บข้อมูลตัวตนที่ละเอียดอ่อนนอกเครือข่าย
นักวิจัย Marco Slazmann กล่าวว่า งานวิจัยนี้ผสมผสาน Hedera Hashgraph, กราฟความรู้ และกุญแจแบบไดนามิกที่ช่วยโดย GAN ระบบ Hedera Consensus Service ถูกใช้เพื่อสร้างเหตุการณ์ที่จัดลำดับและมีเวลาประทับตรา เพื่อให้สามารถตรวจสอบและติดตามการดำเนินการยืนยันตัวตนโดยไม่เผยแพร่ข้อมูลส่วนตัว ผลลัพธ์นี้เหมาะสำหรับการใช้งานที่โรงเรียนและแพลตฟอร์มฝึกอบรมสามารถใช้กับอุปกรณ์ที่ใช้พลังงานต่ำและมีปริมาณเซสชันสูง
🧵 Hedera + กราฟความรู้ + กุญแจ GAN: โครงสร้างการยืนยันตัวตนที่มี TPS สูงและใช้พลังงานต่ำสำหรับ IoT E-Learning
IoT ในการเรียนรู้ออนไลน์สุดยอด… จนกว่าการเข้าสู่ระบบ + ตัวตนจะกลายเป็นคอขวด การยืนยันตัวตนแบบรวมศูนย์ = จุดล้มเหลวเดียว, การขยายตัวไม่ดี, และอุปกรณ์ IoT มีข้อจำกัดด้านทรัพยากร… https://t.co/QUqj1e1WyM pic.twitter.com/qP2vKHWjzc
— Marco Ħ 🇩🇪🇻🇪 (@MarcoSalzmann80) 26 มกราคม 2026
ในขณะเดียวกัน กราฟความรู้ถูกใช้โดยส่วนประกอบเชิงความหมายเพื่อสร้างโมเดลตัวตน, คุณสมบัติ, และสิทธิ์ในความสัมพันธ์ ซึ่งช่วยในการตรวจสอบนโยบายของสถาบันและช่วยควบคุมการเข้าถึงที่ไม่สามารถควบคุมได้ง่ายในชื่อผู้ใช้ อย่างไรก็ตาม ด้านเข้ารหัสลับมีการแนะนำโมดูล GAN ซึ่งสร้างกุญแจแบบสมมาตรแบบไดนามิก ตามงานวิจัย GAN นี้ไม่ได้มีจุดประสงค์เพื่อทดแทนการสร้างตัวเลขสุ่มแบบเข้ารหัสแบบดั้งเดิม แต่เพื่อเสริมให้สมบูรณ์
Hedera: การทดสอบเบนช์มาร์คทำได้ 4,310 TPS ด้วยฮาร์ดแวร์ IoT จริง
ในการทดสอบเบนช์มาร์ค ระบบเต็มชุดทำได้ 4,310 รายการต่อวินาที การศึกษายังวัดการปรับปรุงเมื่อเทียบกับระบบพื้นฐาน รวมถึงอัตราการส่งข้อมูลสูงขึ้น เวลาประมวลผลต่ำลง และเวลาการดำเนินการน้อยลงบนชุดข้อมูลขนาดใหญ่ ตามรายงาน การใช้พลังงานลดลง 6% ถึง 15% และความล่าช้าในการยืนยันตัวตนลดลงประมาณ 23% ภายใต้ภาระเครือข่ายหนาแน่น
ในเวลาเดียวกัน ผลการตัดสินใจแบบ ablation แสดงให้เห็นถึงการแลกเปลี่ยนระหว่างความหมายและความเร็ว Hedera ที่ใช้ cryptography มาตรฐานทำได้ประมาณ 3,710 TPS การเพิ่มกราฟความรู้ลดอัตราการส่งข้อมูลลงเหลือประมาณ 3,425 TPS ซึ่งสะท้อน overhead ทางเชิงความหมาย ขณะที่บล็อกเชนบวกกับกราฟความรู้วัดได้ประมาณ 3,000 TPS เมื่อรวม Hedera, กราฟความรู้, และกุญแจ GAN-based แล้ว อัตราการส่งข้อมูลเพิ่มขึ้นเป็น 4,310 TPS ซึ่งเป็นผลลัพธ์ที่ดีที่สุดในงานวิจัย
งานวิจัยยังวัดต้นทุนของการตรวจสอบเชิงความหมายในชั้นกราฟความรู้ โดยการค้นหาตัวตนใช้เวลา 1.9–3.1 มิลลิวินาที ในขณะที่การให้เหตุผลหลายก้าวใช้เวลาประมาณ 5.8–7.4 มิลลิวินาที คำถามการควบคุมการเข้าถึงใช้เวลาประมาณ 7.2–9.8 มิลลิวินาที แสดงเวลาที่เพิ่มขึ้นสำหรับการตรวจสอบตามนโยบาย
ผู้เขียนทดสอบว่าอุปกรณ์พลังงานต่ำสามารถรับมือกับ overhead นี้ได้หรือไม่ โดยใช้ Raspberry Pi 4, ESP32, และ Arduino Nano 33 IoT ซึ่งดำเนินการเข้ารหัสแบบเบา เช่น AES-128 และ SHA-256 สำหรับข้อมูลเข้า 256 ไบต์ SHA-256 ใช้เวลา 0.42 มิลลิวินาทีบน Pi, 1.21 มิลลิวินาทีบน ESP32, และ 4.73 มิลลิวินาทีบน Arduino ในขณะที่การถอดรหัส AES-128 ใช้เวลา 0.18 มิลลิวินาที, 0.83 มิลลิวินาที, และ 3.95 มิลลิวินาทีตามลำดับ
นอกจากนี้ การตรวจสอบด้านความปลอดภัยรวม BAN logic และ ProVerif ในการทดสอบเชิงสัญลักษณ์ 500 ครั้ง และงานวิจัยบันทึกว่าไม่มีความล้มเหลวด้านความลับหรือการยืนยันตัวตนในรันเหล่านั้น การดำเนินการยังใช้การเปรียบเทียบแบบเวลาคงที่และขั้นตอน masking เพื่อช่วยลดความแปรปรวนของเวลาและจำกัดการรั่วไหลในชุดอุปกรณ์ด้านข้างของผู้เขียน ในขณะเดียวกัน นอกบริบทของงานวิจัย Hedera ยังได้ขยายการมองเห็นผ่านความร่วมมือหลายปีร่วมกับ McLaren Racing ซึ่งวางแผนแจกคอลเลกชันดิจิทัลสุดสัปดาห์ฟรี
ในระหว่างการพัฒนานี้ โทเคน HBAR ฟื้นตัวหลังจากลดลง 9% ใน 30 วันที่ผ่านมา ขณะรายงาน โทเคน HBAR ซื้อขายที่ $0.1057 ซึ่งลดลง 1%
