Abstract

Blokzincir platformları, güvenlik, gizlilik ve performans açısından farklı teknik özelliklere sahiptir. Doğru platform seçimi için bu özelliklerin kapsamlı ve sistematik bir şekilde değerlendirilmesi önemlidir. Bu çalışma, performans ve mimari odaklı geleneksel sınıflandırma yaklaşımlarının ötesine geçerek, teknik ve kriptografik parametreleri temel alan kapsamlı bir değerlendirme sunmaktadır. Bu kapsamda, 31 farklı blokzincir platformu; teknik (TPS, enerji tüketimi, gizlilik türü, konsensüs algoritması) ve kriptografik (şifreleme algoritması) parametreler kullanılarak sınıflandırılmıştır. Platform türlerinin belirlenmesinde Makine Öğrenmesi (Random Forest) ve Bulanık Mantık modelleri karşılaştırmalı olarak incelenmiştir. Random Forest modeli, mevcut veri setinde %100 doğruluk sağlamış ancak bu sonuç veri setine özgüdür ve genelleme yeteneğinin değerlendirilmesi gerekir. Aşırı uyum riski nedeniyle farklı veri setleri üzerinde test edilmesi önerilmektedir. Ayrıca, modelin karar verme süreci kara kutu olarak kabul edildiğinden, açıklanabilirliği sınırlıdır. Diğer yandan, klasik bulanık mantık modeli başlangıçta yalnızca %22,58 doğruluk sağlamıştır. Ancak, Random Forest modelinden elde edilen sonuçlar rehberliğinde oluşturulan hibrit bulanık mantık modeli, doğruluğunu %87,10’a yükseltmiştir. Kolay uygulanabilirliği ve hesaplama kompleksi tisinin düşük olması sebebiyle hibrit bulanık mantık modelinin doğruluğu birçok uygulama için yeterli seviyededir. Bu hibrit yapı, makine öğrenmesi sonuçlarını kullanarak bulanık mantık modelinin açıklanabilirliğini ve doğruluğunu artırmayı amaçlamaktadır.

References

[1] S. Nakamoto, “Bitcoin: A Peer-to-Peer Electronic Cash System,” 2008.

[2] W. Y. Wang et al., “Blockchain Applications in Healthcare and Supply Chains: A Survey,”

IEEE Access, vol. 8, pp. 21150–21172, 2020.

[3] M. Crosby, P. Pattanayak, S. Verma, and V. Kalyanaraman, “Blockchain Technology:

Beyond Bitcoin,” Applied Innovation Review, no. 2, pp. 6–10, June 2016.

[4] F. Casino, T. K. Dasaklis, and C. Patsakis, “A systematic literature review of blockchainbased applications: Current status, classification and open issues,” Telematics and Informatics, vol.

36, pp. 55–81, 2019.

[5] K. Christidis and M. Devetsikiotis, “Blockchains and Smart Contracts for the Internet of

Things,” IEEE Access, vol. 4, pp. 2292–2303, 2016.

[6] M. Conti, C. Lal, and S. Ruj, “A Survey on Security and Privacy Issues of Bitcoin,” IEEE

Communications Surveys & Tutorials, vol. 20, no. 4, pp. 3416–3452, 2018.

[7] A. Gervais et al., “On the Security and Performance of Proof of Work Blockchains,”

Proceedings of the 2016 ACM SIGSAC Conference on Computer and Communications Security,

pp. 3–16.

[8] Solana Labs, “Solana: A new architecture for a high performance blockchain,” Whitepaper,

2020.

[9] D. Yaga et al., “Blockchain Technology Overview,” NIST Interagency/Internal Report

(NISTIR)- 8202, 2018.

[10] S. Rouhani and R. Deters, “Security, Performance, and Applications of Smart Contracts: A

Systematic Survey,” IEEE Access, vol. 7, pp. 50759–50779, 2019.

[11] Y. Xiao et al., “A Survey of Consensus Protocols and Their Applications in Blockchain,”

IEEE Communications Surveys & Tutorials, vol. 22, no. 2, pp. 1432–1465, 2020.

[12] Y. Zhang, S. Kasahara, Y. Shen, X. Jiang, and J. Wan, “Smart Contract-Based Access

Control for the Internet of Things,” IEEE Internet of Things Journal, vol. 6, no. 2, pp. 1594–1605,

2019.

[13] L. Breiman, “Random Forests,” Machine Learning, vol. 45, no. 1, pp. 5–32, 2001.

[14] Scikit-learn developers, “sklearn.ensemble.RandomForestClassifier documentation,”

[Online] https://scikit-learn.org.

[15] Q. Zhou et al., “Performance Analysis of Consortium Blockchain for Real-Time Data,”

Future Generation Computer Systems, vol. 107, pp. 841–850, 2020.

[16] R. R. Yager and L. A. Zadeh, “An Introduction to Fuzzy Logic Applications in Intelligent

Systems,” Springer, 1992.

[17] L. A. Zadeh, “Fuzzy Sets,” Information and Control, vol. 8, no. 3, pp. 338–353, 1965.