طبیعت دسترسی آزاد به شبکه، گمنام ماندن، وجود اعضای ناهمگون و نبود سیستم احراز هویت مرکزی، همانطوری که تجارب اخیر از محیط های نظیربه نظیر مانند شبکه نوتلا (gnutella) نشان می دهد، این سیستم ها را در مقابل اعضای بدخواهی که قصد آلوده کردن سیستم با داده های مسموم را دارند، آسیب پذیر می سازد. بنابراین بایستی کاربران در مورد کیفیت و قابلیت اعتماد منابعی که در دسترس آنها قرار می گیرد، بسیار هوشیار باشند و محتاطانه عمل کنند. پژوهشگران به منظور کاهش رفتارهای مضرّ توسط اعضای بدخواه و غیرقابل اعتماد در شبکه، استفاده از مکانیزم های خوشنامی و اعتماد را پیشنهاد کرده اند. در این پژوهش از شبکه عصبی مصنوعی rbf،که خاصیت دسته بندی بدون ناظر را مضاف بر مکانیزم بازشناسی با ناظر، دارا است، به منظور تعیین سطح اعتماد و خوشنامی در شبکه های فرانهاد(overlay) کمک گرفته ایم. ورودی های این شبکه عصبی نظرات سایر اعضا در مورد سطح اعتماد فراهم کننده فایل مورد نظر است. آموزش آن، از طریق تجربه خود فرد پس از هر بار تعامل انجام می گیرد و در نهایت خروجی نیز معادل سطح اعتماد فراهم کننده فایل است. مدل ارائه شده در یک محیط شبیه ساز مناسب ارزیابی و آزمون شده است و پس از اجرای 30000 چرخه جستجو، به مقدار 91.7 درصد پاسخ صحیح شبکه عصبی رسیده است.

اخیرا استفاده از پلیمرهای هادی بسیار مورد توجه قرار گرفته است و در این رساله pedot:pss و pani‎ مورد استفاده قرار گرفته‎اند. علاوه بر آن، به دلیل این که گرافن دارای ویژگی‎های خاصی است، برای افزایش حساسیت، پلیمرهای هادی مورد نظر، با این ماده آلایش شده‎اند. برای انعطاف‎پذیر بودن حسگر نیز از زیرپایه پلاستیک استفاده شده است.