Tez No	İndirme	Tez Künye	Durumu
759688		Eşler arası ağlarda makine öğrenimi destekli tutarlılık temelli güven yönetimi / Machine learning aided consistency based trust management in P2P Yazar:YASİN ŞAHİN Danışman: DOÇ. DR. AHMET BURAK CAN Yer Bilgisi: Hacettepe Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı / Bilgisayar Mühendisliği Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Eşler arası ağlar = Peer-to-peer networks ; Makine öğrenmesi = Machine learning ; Tutarlılık = Consistency ; İstatistiksel modeller = Statistical models	Onaylandı Doktora Türkçe 2022 100 s.
Dosya paylaşımı, dağıtımı gibi uygulamalarla ilk ortaya çıkan eşler arası (P2P) ağlar, blok zinciri, kripto para birimleri, NFT'ler, sanal evren platformları gibi yeni kullanım alanlarında popülerliğini devam ettirmektedir. Eşler arası ağlar, merkezi olmayan yapıları ile sonsuz ölçeklenebilirlik gibi faydaların yanında, tutarlı, sağlam ve güvenilir bir şekilde hizmet sürekliliğini sağlayacak birtakım kurallara ve mekanizmalara ihtiyaç duyarlar. Eşler arası ağlar, merkezi olmayan doğası gereği, hizmet sağlayıcıların ve hizmet alıcıların manipülasyonuna açıktır. Blok zinciri gibi güvenilir şifreleme algoritmaları ile bir kaydın değişmeyeceğini garanti eden sistemler için bile, söz konusu kaydın orijinal hali ile doğruluğunu teyit eden ayrı bir güven mekanizmasına gereksinim vardır. Bu nedenle güven yönetimi, uzun süredir çalışılmasına rağmen, eşler arası ağlarda en önemli araştırma alanlarından biri olmaya devam etmektedir. Bu tezde, eşler arası ağın kötü niyetli davranışlardan korunmasını ve güvenilir bir ortamın sağlanması için ihtiyaç duyulan güven modelleri üzerine çalışılmıştır. Eksiksiz bir model elde etmek için hem hizmet saldırıları hem de geri bildirim saldırıları kapsamlı şekilde araştırılmıştır. İki aşamada gerçekleştirilen çalışmanın birinci aşamasında tutarlılık temelli istatistiksel bir model önerilmiştir. Bu model ile özellikle hizmet saldırılarını önlemede çok iyi başarım elde edilmiş olunsa da, bazı geri bildirim saldırılarını tespit etmekte aynı düzeyde bir başarım elde edilememiştir. Çalışmanın ikinci aşamasında ise farklı makine öğrenmesi yöntemlerini uygulayarak daha geniş saldırı senaryoları için güven modeli geliştirilmiştir. Bu modelde, farklı gruplarda özniteliklerden oluşan bir öznitelik kümesi üzerinde çalışılmıştır. Elde ettiğimiz sonuçlar, tutarlılık temelli modelimizi filtreleme amacıyla kullandıktan sonra, makine öğrenmesi modelimizi uyguladığımızda daha güvenilir bir eşler arası ağ elde edebileceğimizi gösterdi. Ayrıca modelin tutarlılığı özendiren doğasının bir sonucu olarak, güvenilir eşlerin daha yüksek hizmet kalitesi elde ettiği ve güvenilir eşler arasında hizmetlerin genelde daha adil bir şekilde dağıtıldığı gözlemlenmiştir.
Peer-to-peer (P2P) networks first emerged with file sharing and distribution applications. P2P networks continue their popularity with new usage areas such as cryptocurrencies, NFTs, and metaverse platforms. While peer-to-peer networks provide benefits such as infinite scalability with their decentralized structure, they need some rules and mechanisms to ensure service continuity in a consistent, robust and reliable manner. Due to their decentralized nature, P2P networks are vulnerable to manipulation by service providers and service receivers. Even for the systems like blockchain, which guarantee unchangeability of a record by using reliable encryption algorithms, there is a need for a separate trust mechanism that confirms the authenticity of the record in its original state. Therefore, trust management remains one of the most important research areas in P2P networks, although it has been studied for a long time. In this thesis, the trust models, which are needed to protect the peer-to-peer network from malicious behavior and to provide a reliable environment have been studied. Both service attacks and feedback attacks have been extensively investigated to obtain a complete model. In the first stage of the study, which was carried out in two stages, a statistical model based on consistency is proposed. Although this model has achieved very good performance in preventing service attacks, it cannot show the same level of performance in detecting some feedback attacks. In the second stage of the study, a trust model is proposed for wider attack scenarios by applying different machine learning methods. In this model, a feature set consisting of different groups of features was studied. Our results showed that we can achieve a more reliable peer-to-peer network when we apply machine learning after using our consistency-based model for filtering. It has also been observed that, as a result of the consistency-promoting nature of the model, trusted peers got better quality of service (QoS) and services were distributed among trusted peers more fairly.