Geri Dön

Adaptif öğrenme tabanlı güven değeri kullanılarak blokzincirin ölçeklenmesi

Scaling blockchain by using adaptive learning based reputation value

  1. Tez No: 650821
  2. Yazar: AHMET BUĞDAY
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ADNAN ÖZSOY, PROF. DR. HAYRİ SEVER
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2020
  8. Dil: Türkçe
  9. Üniversite: Hacettepe Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 101

Özet

Blokzincir teknolojisinin önündeki en büyük zorluklardan biri ölçeklenebilirlik problemidir. Uzlaşma algoritması seçimi, ölçeklenebilirlik probleminin pratik çözümü için kritik öneme sahiptir. Ölçeklenebilirliği artırmak için, Bizans Hata Toleransı (Byzantine Fault Tolerance - BFT) tabanlı yöntemler en yaygın şekilde uygulanmıştır. Bu çalışma, açık blokzincir ağında BFT tabanlı yöntemlerin kullanılmasına izin veren uzlaşma komitesini oluşturmak için İş Kanıtı (Proof of Work-PoW) yerine yeni bir model önermektedir. Önerilen modelde, çevrimiçi karar tabanlı öğrenme algoritması olan uyarlamalı çit yöntemi(adaptive hedge method) \cite{qi2016hedged} kullanılarak uzlaşma komitesine katılmak isteyen düğümler için güven değeri hesaplanır ve uzlaşma komitesindeki düğümlerin zararlı olma ihtimalini azaltmak için uzlaşma komitesine yüksek güven değeri olan düğümler seçilir. Bu çalışmada uzlaşma komitesi oluşturulmasına odaklanıldığından, önerilen modeli daha etkin bir şekilde test etmek için blokzincir ağının simülasyonu kullanılmıştır. Test sonuçları, önerilen modelin (uzlaşma komitesinin oluşturulmasında makine öğrenmesinden faydalanan yeni bir yaklaşım) uzlaşma komitesine güven değeri yüksek olan düğümleri başarıyla seçtiğini göstermektedir. Ayrıca blokzincir çalışmaları, son zamanlarda ölçeklenebilirlik problemini ele almak için blokzincirin parçalara ayrılmasına(sharding) odaklanmıştır. Parçalara ayırma yönteminde, blokzincir ağı küçük gruplara ayrılır. Daha kapsamlı bir ağ yerine, daha az düğüme sahip ağlar oluşturulur. Bu nedenle, ağdaki her düğümün güvenilir olması daha önemli hale gelir. Bu süreç için öğrenme temelli uyarlamalı yöntemlerin kullanılması, blokzincir parçalarının güvenli ve güvenilir kullanımına katkıda bulunacaktır. Her bir parçanın tüm blokzinciri bozma ve etkileme olasılığı azaltılacaktır. Modelimizi blokzincir ağını parçalara ayırmak için de uyguladık. Test sonuçları, güven değeri kullanımının parçaların güvenilirliğini artırdığını göstermiştir.

Özet (Çeviri)

Scalability has become a challenging problem for blockchain technology. Consensus algorithm selection is critical for the practical solution of the scalability problem. Byzantine Fault Tolerance (BFT) based methods have been applied most commonly to increase scalability. We propose a new model for creating consensus committee which is not using Proof of Work (PoW) so that BFT-based methods could be used in public blockchain networks. In our model, we use an online, decision-theoretic, unsupervised learning algorithm which is called the adaptive hedge method \cite{qi2016hedged}. For nodes wishing to join the consensus committee, the reputation value is calculated and nodes with a high reputation value are selected to the consensus committee to reduce the probability that the nodes in the consensus committee are harmful. Since this study focused on establishing a consensus committee, simulation of the blockchain network was used to test the proposed model more effectively. The test results show that the proposed model (a new approach that uses machine learning in the creation of a consensus committee) has successfully selected nodes with high reputation in the consensus committee. In addition, blockchain studies have recently focused on sharding the blockchain for solving the scalability problem. Sharding method divides the blockchain network into small pieces. Networks with fewer nodes are created instead of a more extensive network. Therefore, it becomes more important for every node in the network to be reliable. Using adaptive learning-based methods for this process will contribute to the safe and reliable use of blockchain pieces. The probability of each piece breaking and affecting the entire blockchain will be reduced. We used our model to shard the blockchain network and we see that using reputation value increases shard's reliability in our test results.

Benzer Tezler

  1. Hipersezgisel yöntemlerle lojistik ağ tasarımı ve optimizasyon

    Logistic network design and optimization using hyperheuristic methods

    VURAL EROL

    Doktora

    Türkçe

    Türkçe

    2017

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MURAT BASKAK

    PROF. DR. GÜLGÜN KAYAKUTLU

  2. Target aware visual object tracking

    Hedef farkındalığıyla görsel nesne takibi

    CANER ÖZER

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. BİLGE GÜNSEL KALYONCU

  3. Esnek hesaplama yöntemlerinin jeodezide uygulamaları

    Applications of soft computing methods in geodesy

    ORHAN AKYILMAZ

    Doktora

    Türkçe

    Türkçe

    2005

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Jeodezi ve Fotogrametri Mühendisliği Ana Bilim Dalı

    PROF.DR. TEVFİK AYAN

  4. Yere nüfuz eden radarlarda öğrenme tabanlı yeni kargaşa giderme yöntemleri

    New learning-based clutter removal methods in ground penetrating radar

    EYYUP TEMLİOĞLU

    Doktora

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. IŞIN ERER

  5. Applications of deep reinforcement learning for advanced driving assistance systems

    İleri sürüş destek sistemleri için derin pekiştirmeli öğrenme uygulamaları

    MUHARREM UĞUR YAVAŞ

    Doktora

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Mekatronik Ana Bilim Dalı

    DOÇ. DR. TUFAN KUMBASAR