[論文レビュー] A Reputation Based Framework to Avoid Free-riding in Unstructured Peer-to-Peer network

Ruchir Gupta, Yatindra Nath Singh|arXiv (Cornell University)|Jul 25, 2013

Peer-to-Peer Network Technologies参考文献 9被引用数 14

ひとこと要約

本稿では、無構造的P2Pネットワークにおける無料利用者（free-riding）を是正するため、レピュテーションに基づく確率的リソース割り当てフレームワークを提案する。レピュテーションと関心の類似性を統合して効率的なネイバーを形成し、共有容量を最適化することで、低レピュテーションノードに対しても有限のサービス確率を保証し、接続性を維持するとともに、性能劣化を最小限に抑えつつ、無料利用者に対するシステムのレジliエンスを向上させる。

ABSTRACT

Free riding is a major problem in peer-to-peer networks. Reputation management systems are generally proposed to overcome this problem. In this paper we have discussed a possible way of resource allocation on the basis of reputation management system i.e. probabilistic allocation based on reputation. This seems to be a better way for allocation of resources because in this case nodes that do not have very good reputation about each other, may also serve each other at least some amount of resource with finite probability. This avoids disconnect between them. Algorithms are presented for optimizing the shared capacity, reputation based probabilistic allocation that is optimal for a node, and formation of interest groups on the basis of similarity between interests of nodes.

研究の動機と目的

• 無構造的P2Pネットワークにおける無料利用者問題に対処すること。ここではノードがリソースを提供せずに消費する状況を想定する。
• レピュテーションと関心の類似性をネイバー選択に統合することで、システムの効率性と公平性を向上させること。
• 各ノードの共有容量を最適化し、自身の報酬を最大化するとともに、受容可能なサービス品質を維持すること。
• 低レピュテーションノードに対しても有限のサービス確率を保証する確率的割り当てメカニズムを設計すること。これにより、ネットワークの切断を回避する。

提案手法

• ノードは、平均ダウンロード性能の変化に基づいてδ単位で逐次的共有容量を調整することで、自身の共有容量を最適化する。
• レピュテーションは、提供されたサービス量と受領したサービス量の比として計算され、類似係数の精度を向上させるためにベースパラメータを動的に調整する。
• ノード間の関心の類似性は、クエリの相互作用頻度と応答率を用いて計算され、初期推定値の安定化のための区分関数が適用される。
• 組み合わせスコア（score_ij = α·χ_ij + (1−α)·t_ij）を用いてピアをサーバ選択のための順位付けを行い、関心の類似性とレピュテーションのバランスを取る。
• リソース割り当ては確率的である：リクエストの処理確率は、リクエスターのレピュテーションに比例する。
• レピュテーションに基づく意思決定を実施する前に、50イテレーションの知人形成フェーズを実施し、初期段階の安定性を確保する。

実験結果

リサーチクエスチョン

• RQ1 低レピュテーションノード同士の接続性を維持しつつ、無料利用者を許容しないレピュテーションベースの割り当ては、どのように設計できるか？
• RQ2 自身の報酬を最大化しつつ、サービス品質を維持するため、ノードが提供すべき最適な共有容量は何か？
• RQ3 ピア間の関心の類似性は、どのように効果的に測定し、効率的かつ安定したネイバーを形成するために活用できるか？
• RQ4 レピュテーションと関心の類似性を統合することで、クエリ解決効率とシステムの公平性はどの程度向上するか？
• RQ5 無料利用の度合いが変化する条件下で、システムの性能はどの程度劣化するか。また、性能劣化の閾値は何か？

主な発見

• より多くのリソースを共有したノードが、顕著に高い平均データ量を受領しており、レピュテーションベースのインcentiveの有効性が裏付けられた。
• 10%の無料利用者が存在しても、システム性能はわずか5–10%の低下に抑えられ、無料利用に対する強いレジリエンスを示した。
• 実際のニーズに応じてリソースを要求したノードが、複数回リクエストを送るノードよりも優れたサービスを受領した。これは、悪用を抑制する要因となった。
• 関心に基づくグループ化により、1回の解決に必要なクエリ対象ノードの平均数が減少し、非関心ベースのネットワークと比較して効率が向上した。
• 確率的割り当てメカニズムにより、低レピュテーションノードに対しても有限のサービス確率が保証され、ネットワークの切断が回避された。
• 容量最適化アルゴリズムは、逐次的調整により、近似的に最適な共有容量水準に収束した。