[论文解读] Trust Estimation and Aggregation in Peer-to-Peer Network Using Differential Gossip Algorithm

Ruchir Gupta, Yatindra Nath Singh|arXiv (Cornell University)|Oct 16, 2012

Peer-to-Peer Network Technologies参考文献 32被引用 6

一句话总结

本文提出了一种用于对等网络的可信度估计与聚合框架，采用BLUE估计器处理声誉计算中的不确定性，并使用差分洪泛算法实现高效、局部化的声誉聚合。该方法计算节点特定的可信度值，在规模达50,000个节点的无标度网络中表现出对合谋攻击的强大抗性。

ABSTRACT

In peer-to-peer network, free riding is a big problem. Reputation management systems are used to overcome free riding. Reputation computation methods generally do not consider the uncertainty caused during reputation computation. This paper proposes a reputation estimation method using BLUE (Best Linear Unbiased estimator) estimator that consider all uncertainties. Reputation aggregation in peer to peer networks is generally very time and resource consuming affair. Moreover these methods consider that reputation of a node is same for every node in the network, while that is not true. This paper also proposes a reputation aggregation algorithm that uses a variant of gossip algorithm, differential gossip. Differential gossip is fast and requires sizable amount of resources. Moreover it computes different reputation value of anode for every node in the network. We have implemented Differential Gossip Trust for power law network formed using PA Model. The reputation computed using differential gossip trust shows good immunity to collusion. We have verified the performance of algorithm on power law networks of different sizes ranging from 100 nodes to 50,000 nodes.

研究动机与目标

• 通过改进的可信度管理，解决对等网络中的免费搭车问题。
• 克服现有声誉系统忽略可信度计算中不确定性的局限性。
• 降低对等网络中全局声誉聚合带来的高资源与时间开销。
• 实现每个节点的个性化声誉值，而非假设全网声誉一致。
• 增强在大规模、真实网络拓扑中对合谋攻击的抗性。

提出的方法

• 使用最佳线性无偏估计器（BLUE）计算声誉值，同时考虑可信度数据中所有来源的不确定性。
• 采用一种称为差分洪泛的洪泛协议变体，高效传播并聚合声誉信息。
• 将声誉计算分布到各个节点，使每个节点能够为其他每个节点维护个性化的可信度值。
• 利用优选连接（PA）模型生成的网络无标度结构，模拟真实的对等网络环境。
• 通过在洪泛消息中使用差分更新，最小化通信开销，相比传统洪泛协议降低资源消耗。
• 通过迭代的、局部化的更新，保持网络中声誉值的一致性与收敛性。

实验结果

研究问题

• RQ1 如何使对等网络中的声誉计算对可信度数据中的不确定性具有鲁棒性？
• RQ2 去中心化的声誉聚合机制是否能在保持准确性的同时降低资源消耗？
• RQ3 计算节点特定的可信度值是否能提升系统对合谋攻击的抵抗能力？
• RQ4 基于差分洪泛的可信度系统在不同网络规模下的性能如何扩展？
• RQ5 在对抗性条件下，该方法在无标度对等网络中在多大程度上维持了可信度的完整性？

主要发现

• BLUE估计器有效捕捉并缓解了声誉数据中的不确定性，提升了估计的可靠性。
• 差分洪泛算法与传统全局聚合方法相比，显著降低了通信与计算开销。
• 每个节点为其他每个节点维护唯一的可信度值，反映个性化且上下文感知的可信度评估。
• 该系统在大规模网络中表现出对合谋攻击的强大免疫能力。
• 该算法扩展高效，在100至50,000个节点的网络中均保持性能与一致性。
• 在PA模型生成的无标度网络中，声誉值能够可靠收敛，证实了在真实拓扑中的鲁棒性。