🔍 耿同学打假报告

论文信息

• 论文来源：iot fine-grand control.pdf
• 标题：A Fine-Grained IoT Data Access Control Scheme Combining Attribute-Based Encryption and Blockchain
• 作者：Xiaofeng Lu, Songbing Fu, Cheng Jiang, Pietro Lio
• 期刊：Security and Communication Networks (Hindawi)
• DOI：https://doi.org/10.1155/2021/5308206
• 发表年份：2021

综合评定：🟠 高度可疑

详细发现

发现 1：违背物理常识的数据造假（水平线悖论）

• 位置：Figure 7 (Upload times) / Figure 8 (Download times) 及对应正文（Section 5.3.2）
• 描述：视觉分析显示，代表作者提出方案（"Ours"）的上传和下载耗时曲线在图表中呈现出一条完全水平的直线，即无论文件大小是 500KB 还是 1200KB，其耗时一模一样。
• 证据：这直接违背了计算机网络与存储的基本物理常识。文件越大，切片、网络传输和落盘所需的时间必然越长。更荒谬的是，作者在正文 Section 5.3.2 中写道：“the upload and download times of the IPFS storage scheme were, respectively, about 8% and 11% those of the cloud storage scheme”。如果“Ours”的数值恒定不变，而作为对比的“Wang [25]”方案数值是增长的，那么两者之间的百分比根本不可能保持固定的 8% 和 11%。这暴露出数据不仅是编造的，而且作者连基础的数学逻辑都没有圆上。
• 严重程度：🔴
• 复核状态：✅ 成立

发现 2：统计学与实验真实性质疑（“过于完美”的幻觉）

• 位置：Figure 6 (Encryption and decryption times) 及 Section 5.3.1
• 描述：论文在 Section 5.3.1 明确指出：“The reported experimental results are the average results of 50 experimental runs”（报告的数据是 50 次实验的平均值）。然而，Figure 6 中“Ours”方案的曲线却呈现出极其平滑、完美的线性增长。
• 证据：任何做过真实计算机系统性能测试（特别是密码学运算和网络系统）的研究者都知道，即使做 50 次平均，真实环境下的实验数据也会因为 CPU 调度、内存波动等因素产生噪声，图表必然带有轻微的抖动（误差棒）。绝对平滑的折线高度暗示这并非真实测量的数据，而是根据理论公式直接计算或人为随手画出的“教科书式”完美直线。
• 严重程度：🟠
• 复核状态：✅ 成立

发现 3：行文与方法学描述的草率与低级错误

• 位置：Introduction (第1节) 及 Section 5.3.1
• 描述：正文存在多处与引用文献严重脱节的低级错误，暴露出“复制粘贴”或未严谨研读原文献的痕迹。例如，第1节中声称“In 2005, attribute-based encryption (ABE) was first proposed by Waters...”，但 ABE 实际上是由 Sahai 和 Waters 共同提出的（作者自己在参考文献 [11] 中列出的也是“A. Sahai and B. R. Waters”）。此外，在 5.3.1 节提到对比方法时，正文写为“Hao Wang and Song [24]”，而参考文献表 [24] 中的作者实为“H. Wang and Y. Song”。
• 证据：作者连自己引用的核心文献的作者名字和归属都能写错，说明其在撰写文献综述和实验对比分析时极度敷衍，进一步降低了整篇论文实验数据的可信度。
• 严重程度：🟡
• 复核状态：✅ 成立

耿同学辣评

这篇论文向我们展示了局域网科研的“究极进化”：网速快到什么程度呢？500KB 和 1200KB 的文件传输时间一模一样！这哪里是 IPFS 分布式网络，这明明是打破了物理定律的“薛定谔的带宽”啊。连 50 次实验跑出来都能画出没有一丝杂音的完美直线，这种“量身定制”的造假连随机数生成器都看不下去了。不仅如此，连引用文献的原作者名字都能写错，这份敷衍的态度更是让人对实验数据的真实性打上一个大大的问号。

建议后续行动

• 联系作者要求提供原始数据（尤其是 Figure 7 和 Figure 8 的 50 次实验原始 log）
• 在 PubPeer 上提出质疑
• 向期刊编辑部举报
• 向作者所在机构学术委员会举报

⚠️ 免责声明

本报告由 AI 辅助生成，仅供学术讨论参考。
学术不端的最终认定需要专业机构调查。
我们支持学术诚信，但也尊重每一位研究者的名誉权。
如有异议，请以官方调查结论为准。
本工具不保证检测结果的准确性，误报和漏报均有可能。