[論文レビュー] Difficulties of Timestamping Archived Web Pages

Mohamed Aturban, Michael L. Nelson+1 more|arXiv (Cornell University)|Dec 8, 2017

Caching and Content Delivery参考文献 17被引用数 5

ひとこと要約

この論文は、ブロックチェーンベースのシステムを用いたアーカイブ済みウェブページの信頼性のあるタイムスタンプの付与における重要な課題を特定し、既存のサービスがURIを受容できず、動的コンテンツ、キャッシュ動作、変化するメタデータのため、ハッシュ生成が一貫性を欠くことにある。本論文は、ライブリソースを除外し、動的コンテンツを避けること、および重要なHTTPヘッダーを含めることなど、信頼できるタイムスタンプのための再現可能で検証可能な暗号的ハッシュを保証するための8つの要件を提案する。

ABSTRACT

We show that state-of-the-art services for creating trusted timestamps in blockchain-based networks do not adequately allow for timestamping of web pages. They accept data by value (e.g., images and text), but not by reference (e.g., URIs of web pages). Also, we discuss difficulties in repeatedly generating the same cryptographic hash value of an archived web page. We then introduce several requirements to be fulfilled in order to produce repeatable hash values for archived web pages.

研究の動機と目的

• 公開および非公開のウェブアーカイブの増加に伴い、アーカイブ済みウェブページ（ミームメント）に対するブロックチェーンベースのタイムスタンプの実用可能性を調査すること。
• 時間経過に伴い、アーカイブ済みウェブコンテンツの暗号的ハッシュ化が一貫性を欠く原因となる主な技術的課題を特定・分析すること。
• アーカイブ済みウェブページのハッシュ値が、異なるアクセスポイントや時間帯においても再現可能かつ検証可能であることを保証する要件のセットを提案すること。
• 現在のブロックチェーンサービスがURIベースのタイムスタンプをサポートしていないという点に対処すること。これらのサービスは、ファイルコンテンツなど、データの値によってのみ受容する。

提案手法

• インターネットアーカイブや『Michael’s Evil Wayback』のようなプライベートアーカイブからの実際のアーカイブ済みウェブページの例を分析し、時間経過に伴うコンテンツの一貫性の欠如を示す。
• ハッシュの再現性に影響を与える要因を特定する。これには、JavaScriptによって生成される動的コンテンツ（例：CNNのアーカイブページにおける天気アイコン）、HTTPレスポンスヘッダー（例：X-Page-Cache、Location、Content-Type）、キャッシュ動作が含まれる。
• ハッシュ計算の標準化のための8つの技術的要件を提案する。これには、再現可能なハッシュ化の確保、複合ミームント（composite mementos）の使用、アーカイブ固有およびライブウェブリソースの除外、キャッシュ済みコンテンツの回避、TimeMapの変更の考慮、動的コンテンツの除外、および重要なHTTPヘッダーの含め方が含まれる。
• MementoプロトコルとOpenWaybackやPyWbなどのツールを用いて、時間経過に伴う再生動作とコンテンツの一貫性をシミュレートおよび検証する。
• フォーマットの変更（例：画像のMIMEタイプ）とコンテンツネゴシエーションのハッシュ値への影響を評価する。
• 提案された要件に基づき、ハッシュ処理の入力を標準化することで、一貫性があり検証可能なタイムスタンプのフレームワークを構築する。

実験結果

リサーチクエスチョン

• RQ1 なぜ既存のブロックチェーンベースのタイムスタンプサービスは、アーカイブ済みウェブページのURIによる直接のタイムスタンプをサポートできないのか？
• RQ2 同じアーカイブ済みウェブページを異なるタイミングで再ハッシュ化した際に、なぜ一貫性のない暗号的ハッシュ値が生じるのか？
• RQ3 動的コンテンツ、HTTPレスポンスヘッダー、キャッシュメカニズムは、アーカイブ済みウェブページのハッシュ値の再現性にどのように影響を与えるのか？
• RQ4 同じアーカイブ済みウェブページが時間経過に伴って同じハッシュ値を生成するように保証するための技術的要件は何か？
• RQ5 アーカイブ間でTimeMapの変更やコンテンツネゴシエーション動作の変化が、ハッシュベースのタイムスタンプの信頼性にどのように影響を与えるのか？

主な発見

• ブロックチェーンベースのタイムスタンプサービスは、アーカイブ済みウェブページのURIを受け入れない。それらは、ファイルコンテンツなど、データの値によってのみ受容するため、ウェブミームントの直接的なタイムスタンプは非現実的である。
• 同じアーカイブ済みウェブページ（ミームント）を異なるタイミングで再生すると、異なるコンテンツが得られることがある。例として、同じミームントでCO₂濃度が406.31 ppmから270.31 ppmに変化したことがあり、改ざんまたは一貫性の欠如を示唆している。
• JavaScriptによって生成される動的コンテンツ（例：CNNのアーカイブページにおける天気アイコン）は、リロードの度に変化するため、ハッシュ値が一貫性を欠く原因となる。
• X-Page-Cache、Location、Content-TypeなどのHTTPレスポンスヘッダーはハッシュ値に顕著な影響を与える。コンテンツの変更がなくても、これらのヘッダーの変更はハッシュ値を変更する。
• TimeMap（URI-Rの利用可能なミームントを一覧するもの）は、アクセス方法（例：Webインターフェース対CDX API）によって異なるため、得られるミームントの集合が異なり、結果としてハッシュ計算が一貫性を欠く。
• コンテンツの変更がないにもかかわらず、リソースのフォーマット（例：GIFからPNGへの変更）の変更は、異なるハッシュ値を生じさせる。これは、ハッシュ化の際、MIMEタイプを標準化するか、含める必要があることを強調している。