[論文レビュー] Trust-SIoT: Towards Trustworthy Object Classification in the Social Internet of Things

Subhash Sagar, Adnan Mahmood+3 more|arXiv (Cornell University)|May 4, 2022

Privacy-Preserving Technologies in Data被引用数 10

ひとこと要約

本稿では、社会的インターネット・オブ・シングス（SIoT）における信頼できるオブジェクト分類のための深層学習ベースの信頼フレームワーク、Trust–SIoTを提案する。本フレームワークは、知識グラフ埋め込みを用いて、直接的信頼、信頼性、好意的行動、信頼できる推薦、関係性の度合いといった信頼指標間の複雑で非線形な関係をモデル化するための人工ニューラルネットワークを活用する。実世界のデータセットを用いた評価において、最先端のヒューリスティクスよりも高いF1スコアと低いMAEおよびMSEを達成しており、優れた性能とスケーラビリティを示している。

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.

研究の動機と目的

• 従来の信頼管理システムが線形モデルに依存しており、動的かつ変化する社会的信頼指標を無視するという限界を是正すること。
• 直接的信頼、信頼性、好意的行動、信頼できる推薦、関係性の度合いといった複数の信頼次元を統合した統一フレームワークを構築すること。
• 深層学習を用いて入力の信頼指標と出力の分類結果との間の非線形関係をモデル化することで、SIoTにおける信頼性評価を向上させること。
• 社会的関係を表現し、関係性の強さを定量化するため、知識グラフを構築し、それを活用して信頼推論を改善すること。
• 異なる訓練データ量および相互作用レベルにおけるフレームワークの頑健性、スケーラビリティ、一般化性能を評価すること。

提案手法

• 入力の信頼指標とオブジェクトの信頼性分類との間の非線形関係をモデル化するために、人工ニューラルネットワークを採用する。
• 現在および過去の相互作用を統合することで、動的信頼スコアとして直接的信頼を統合する。
• 行動パターンから導出される信頼性と好意的行動を、オブジェクトの信頼性の中心的要素としてモデル化する。
• 周辺オブジェクトからの信頼できる推薦を統合して信頼評価を向上させ、送信元の信頼性に応じて重みを付ける。
• オブジェクト間の関係を表現するためのSIoT知識グラフを構築し、関係性の度合いベクトルを計算するために知識グラフ埋め込み技術を用いる。
• 標準的な指標（F1スコア、MAE、MSE）を用いて、実世界のデータセット（AdvogatoおよびBTC-Alpha）を用いてTrust–SIoTモデルの学習と評価を行う。

実験結果

リサーチクエスチョン

• RQ1 深層学習ベースのフレームワークは、従来の線形モデルと比較して、SIoTにおける信頼できるオブジェクト分類の精度をどのように向上させるか？
• RQ2 信頼性、好意的行動、信頼できる推薦が、動的かつ変化するSIoT環境下で、オブジェクトの信頼性にどのように統合的に影響を与えるか？
• RQ3 関係性の度合いに知識グラフ埋め込みを統合することで、SIoTにおける信頼評価はどの程度向上するか？
• RQ4 訓練データ量やペairワイズ相互作用数の変動に対して、Trust–SIoTフレームワークはどの程度頑健でスケーラブルか？
• RQ5 提案された信頼指標は、データセット固有のチューニングなしに、異なる実世界の社会的ネットワークおよびIoTネットワークに一般化可能か？

主な発見

• Advogatoデータセットでは、80%の訓練データを使用した場合、Trust–SIoTはF1スコア0.860を達成し、同じ条件下でGuardianヒューリスティクスの0.838を上回った。
• BTC-Alphaデータセットでは、80%の訓練データでF1スコア0.785を記録し、Guardianの0.781を上回った。また、全訓練比においてMAEおよびMSEが低く抑えられていた。
• Advogatoデータセットでは、ペアワイズ相互作用の増加に伴っても、Trust–SIoTは安定したF1スコアを維持し、Guardianよりも高い性能を示した。MAEおよびMSEは一貫して低く保たれた。
• BTC-Alphaデータセットでは、相互作用の増加に伴いF1スコアはわずかに低下したが、Trust–SIoTはGuardianよりもMAEおよびMSEが低く抑えられ、高相互作用負荷下でもより頑健であることが示された。
• 信頼できるオブジェクトの信頼性は、中立的または信頼できないオブジェクトよりも常に高く、両データセットにおいて信頼性と好意的行動が信頼性に強く相関していた。
• 依存性分析により、信頼性と好意的行動は、基盤となるデータセットに依存しない、信頼性評価に不可欠で一般化可能な指標であることが確認された。