[논문 리뷰] Trust-SIoT: Towards Trustworthy Object Classification in the Social Internet of Things

Subhash Sagar, Adnan Mahmood외 3명|arXiv (Cornell University)|2022. 05. 04.

Privacy-Preserving Technologies in Data인용 수 10

한 줄 요약

이 논문은 신뢰성 있는 물체 분류를 위한 딥러닝 기반 신뢰 프레임워크인 Trust–SIoT를 제안한다. 사회적 사물인터넷(SIoT) 환경에서 직접 신뢰, 신뢰성, 선량성, 신뢰할 만한 추천, 관계 정도와 같은 신뢰 지표 간의 복잡한 비선형 관계를 인공 신경망을 활용해 모델링하며, 지식 그래프 임bedding을 통해 구현한다. 실제 데이터셋을 대상으로 평가한 결과, 최신 히우리스틱 기법보다 높은 F1 점수와 낮은 MAE 및 MSE를 기록하여 우수한 성능과 확장성을 입증하였다.

ABSTRACT

The recent emergence of the promising paradigm of the Social Internet of Things (SIoT) is a result of an intelligent amalgamation of the social networking concepts with the Internet of Things (IoT) objects (also referred to as "things") in an attempt to unravel the challenges of network discovery, navigability, and service composition. This is realized by facilitating the IoT objects to socialize with one another, i.e., similar to the social interactions amongst the human beings. A fundamental issue that mandates careful attention is to thus establish, and over time, maintain trustworthy relationships amongst these IoT objects. Therefore, a trust framework for SIoT must include object-object interactions, the aspects of social relationships, credible recommendations, etc., however, the existing literature has only focused on some aspects of trust by primarily relying on the conventional approaches that govern linear relationships between input and output. In this paper, an artificial neural network-based trust framework, Trust-SIoT, has been envisaged for identifying the complex non-linear relationships between input and output in a bid to classify the trustworthy objects. Moreover, Trust-SIoT has been designed for capturing a number of key trust metrics as input, i.e., direct trust by integrating both current and past interactions, reliability, and benevolence of an object, credible recommendations, and the degree of relationship by employing a knowledge graph embedding. Finally, we have performed extensive experiments to evaluate the performance of Trust-SIoT vis-a-vis state-of-the-art heuristics on two real-world datasets. The results demonstrate that Trust-SIoT achieves a higher F1 and lower MAE and MSE scores.

연구 동기 및 목표

• 기존의 선형 모델에 의존하고 동적 사회적 신뢰 지표를 간과하는 SIoT의 신뢰 관리 시스템의 한계를 해결하기 위해.
• 직접 신뢰, 신뢰성, 선량성, 신뢰할 만한 추천, 관계 정도와 같은 다수의 신뢰 차원을 통합된 프레임워크에 통합하기 위해.
• 딥러닝을 활용해 입력 신뢰 지표와 출력 분류 간의 비선형 관계를 모델링하여 SIoT에서의 신뢰성 평가를 향상시키기 위해.
• 사회적 관계를 표현하고 관계 강도를 정량화하기 위해 지식 그래프를 구축하고 활용하기 위해.
• 다양한 훈련 데이터 크기와 상호작용 수준에서 프레임워크의 강건성, 확장성, 일반화 능력을 평가하기 위해.

제안 방법

• 입력 신뢰 지표와 물체의 신뢰성 분류 간의 비선형 관계를 모델링하기 위해 인공 신경망을 활용한다.
• 현재 및 과거 상호작용를 통합하여 동적 신뢰 점수로 직접 신뢰를 통합한다.
• 행동 패턴에서 유도된 핵심 구성요소로서의 신뢰성과 선량성을 물체 신뢰성의 핵심 요소로 모델링한다.
• 이웃 객체의 신뢰할 만한 추천을 통합하여 신뢰 평가를 향상시키며, 출처의 신뢰성에 따라 신뢰도를 가중치 적용한다.
• 객체 간 관계를 표현하기 위해 SIoT 지식 그래프를 구축하고, 지식 그래프 임베딩 기법을 사용해 관계 정도 벡터를 계산한다.
• 표준 평가 지표인 F1 점수, MAE, MSE를 사용하여 실제 데이터셋(Advogato 및 BTC-Alpha)을 대상으로 Trust–SIoT 모델을 훈련하고 평가한다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 프레임워크는 기존 선형 모델 대비 SIoT 환경에서 신뢰할 만한 물체 분류의 정확도를 어떻게 향상시킬 수 있는가?
• RQ2 신뢰성, 선량성, 그리고 신뢰할 만한 추천이 동적 SIoT 환경에서 물체의 신뢰성에 대해 얼마나 통합적으로 영향을 미치는가?
• RQ3 관계 정도에 대한 지식 그래프 임베딩의 통합은 SIoT에서의 신뢰 평가를 어떻게 향상시키는가?
• RQ4 다양한 훈련 데이터 크기와 쌍방향 상호작용 수에서 Trust–SIoT 프레임워크의 강건성과 확장성은 어떠한가?
• RQ5 제안된 신뢰 지표는 데이터셋 특화 캘리브레이션 없이 다양한 실제 사회적 및 IoT 네트워크에서 일반화 가능한가?

주요 결과

• Advogato 데이터셋에서 Trust–SIoT는 80% 훈련 세트 조건에서 F1 점수 0.860을 기록했으며, 동일 조건에서 Guardian 히우리스틱의 0.838 점수를 초월했다.
• BTC-Alpha 데이터셋에서 Trust–SIoT는 80% 훈련 데이터 조건에서 F1 점수 0.785를 기록했으며, Guardian의 0.781 점수를 뛰어넘었고, 모든 훈련 비율에서 MAE 및 MSE가 낮게 유지되었다.
• Advogato 데이터셋에서 쌍방향 상호작용 수가 증가함에 따라 Trust–SIoT는 안정적인 F1 점수를 유지했으며, Guardian 대비 높은 성능과 일관되게 낮은 MAE 및 MSE를 기록했다.
• BTC-Alpha 데이터셋에서 F1 점수는 약간 감소했지만, Trust–SIoT는 Guardian 대비 더 낮은 MAE 및 MSE를 유지하여 높은 상호작용 부하 하에서도 더 뛰어난 강건성을 보였다.
• 신뢰할 만한 물체의 신뢰도는 중립적 또는 불신뢰성 물체보다 항상 높게 유지되었으며, 양자 모두의 데이터셋에서 신뢰성과 선량성이 신뢰도와 강한 상관관계를 보였다.
• 의존성 분석 결과, 신뢰성과 선량성이 신뢰성 평가에 필수적이며 일반화 가능한 지표임을 확인했으며, 기반 데이터셋에 관계없이 적용 가능했다.