[论文解读] Enabling Social Applications via Decentralized Social Data Management

Nicolas Kourtellis, Jeremy Blackburn+2 more|arXiv (Cornell University)|Nov 19, 2012

Peer-to-Peer Network Technologies参考文献 51被引用 5

一句话总结

本文提出 Prometheus，一种去中心化的点对点系统，可将来自多个来源的社会数据（如社交网络、电子邮件和移动应用的互动）聚合为一个分布式的加权有标签多图。通过利用用户定义的访问控制策略和一种具有社交感知能力的数据映射策略，Prometheus 实现了低延迟、强抗共谋攻击能力的实时隐私保护社会推断，其在安全性和效率方面优于随机数据分发方案。

ABSTRACT

An unprecedented information wealth produced by online social networks, further augmented by location/collocation data, is currently fragmented across different proprietary services. Combined, it can accurately represent the social world and enable novel socially-aware applications. We present Prometheus, a socially-aware peer-to-peer service that collects social information from multiple sources into a multigraph managed in a decentralized fashion on user-contributed nodes, and exposes it through an interface implementing non-trivial social inferences while complying with user-defined access policies. Simulations and experiments on PlanetLab with emulated application workloads show the system exhibits good end-to-end response time, low communication overhead and resilience to malicious attacks.

研究动机与目标

• 为解决 Facebook 和 Foursquare 等专有平台导致的社会数据碎片化问题，这些平台限制了数据可移植性和用户控制权。
• 通过聚合来自多个互动来源的更丰富、更细致的社会关系，而非依赖表面化的连接，来减少社交应用中的噪声。
• 设计一个去中心化系统，在保障用户隐私和数据所有权的同时，支持具有社交感知能力的应用并实现低延迟实时性能。
• 评估去中心化社会数据管理在面对恶意节点共谋和基于图的攻击时的韧性。
• 通过实时移动应用集成和大规模系统评估，证明系统的实际可行性。

提出的方法

• Prometheus 从多个平台和设备上的社交互动中构建有向、加权且带标签的多图，以表示用户的社会关系和活动。
• 采用点对点架构，用户贡献的节点负责存储和管理社交图的部分内容，确保去中心化和弹性。
• 一种具有社交感知能力的数据映射策略根据社交接近度将图分区分配给对等节点，以最小化常见查询的跳数。
• 系统强制执行用户定义的访问控制策略（ACPs），以调控数据暴露并防止未授权访问。
• 通过一个 API 计算社会推断（如信任、兴趣和上下文），该 API 在分布式多图上处理查询。
• 系统通过大规模仿真和在 PlanetLab 上的部署（包含模拟工作负载）进行评估，包括一个实时移动应用（CallCensor）。

实验结果

研究问题

• RQ1 一个去中心化、由用户控制的系统能否有效聚合并管理来自多个来源的碎片化社会数据，同时保护隐私？
• RQ2 在 P2P 系统中，具有社交感知能力的数据映射策略相较于随机映射，在系统性能和抗攻击能力方面表现如何？
• RQ3 社会推断请求中的跳数在多大程度上影响恶意节点在系统中的影响力？
• RQ4 去中心化数据管理平台能否高效支持实时社交感知应用？
• RQ5 涉及同一社交邻域内对等节点的共谋攻击在多大程度上影响系统有效性？

主要发现

• Prometheus 中社会推断查询的平均响应时间足够低，可满足实时任务要求，这一点已在 Android 设备上的 CallCensor 移动应用中得到验证。
• 与随机分发相比，使用地理-社交感知数据映射策略可显著降低推断执行的系统开销。
• 与随机映射相比，社交映射在 3 跳请求中将恶意节点的平均影响降低最多达 10%，在 4 跳请求中降低 5%，从而增强了系统的韧性。
• 对等节点的影响力随跳数增加而显著上升（例如 4 跳请求中超过 90%），远超共谋组规模的影响，表明跳数限制是关键的安全参数。
• 共谋节点在随机映射中的影响力高于社交映射，表明社交感知分发本身具有更强的抗攻击能力。
• 即使在大规模共谋攻击下，系统仍保持韧性，社交映射通过限制对等节点对推断结果的影响，降低了协同攻击的有效性。