[论文解读] 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 10

一句话总结

本文提出 Trust–SIoT，一种基于深度学习的可信对象分类信任框架，用于社交物联网（SIoT），利用人工神经网络建模直接信任、可靠性、利他性、可信推荐和关系程度等信任度量之间的复杂非线性关系，通过知识图谱嵌入实现。在真实世界数据集上的评估表明，Trust–SIoT 的 F1 分数更高，且 MAE 和 MSE 更低，优于最先进启发式方法，展现出更优的性能与可扩展性。

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.

研究动机与目标

• 解决现有 SIoT 信任管理系统依赖线性模型且忽略动态社交信任度量的局限性。
• 将直接信任、可靠性、利他性、可信推荐和关系程度等多种信任维度整合到统一框架中。
• 通过深度学习建模输入信任度量与输出分类之间的非线性关系，提升 SIoT 中可信度评估能力。
• 构建并利用知识图谱嵌入社会关系，量化关系强度，以提升信任推理效果。
• 评估框架在不同训练数据量和交互水平下的鲁棒性、可扩展性与泛化能力。

提出的方法

• 采用人工神经网络建模输入信任度量与对象可信度分类之间的非线性关系。
• 通过整合当前与历史交互记录，将直接信任动态化为信任评分。
• 将可靠性和利他性作为对象可信度的核心组成部分，基于行为模式推导。
• 引入邻近对象的可信推荐以增强信任评估，其中推荐可信度根据来源可靠性加权。
• 构建 SIoT 知识图谱以表示对象间关系，并利用知识图谱嵌入技术计算关系程度向量。
• 使用真实世界数据集（Advogato 和 BTC-Alpha）训练并评估 Trust–SIoT 模型，采用标准指标：F1 分数、MAE 和 MSE。

实验结果

研究问题

• RQ1 与传统线性模型相比，基于深度学习的框架在 SIoT 中可信对象分类的准确性方面有何提升？
• RQ2 在动态 SIoT 环境中，可靠性、利他性和可信推荐三者共同对对象可信度的影响程度如何？
• RQ3 将知识图谱嵌入用于关系程度的整合，如何增强 SIoT 中的信任评估？
• RQ4 在不同训练数据规模和成对交互数量下，Trust–SIoT 框架的鲁棒性与可扩展性如何？
• RQ5 所提出的信任度量能否在无需数据集特定调优的情况下，泛化至不同真实世界的社交与物联网网络？

主要发现

• 在 Advogato 数据集上，Trust–SIoT 在 80% 训练集下取得 0.860 的 F1 分数，优于相同条件下 Guardian 启发式方法的 0.838。
• 在 BTC-Alpha 数据集上，Trust–SIoT 在 80% 训练数据下取得 0.785 的 F1 分数，超过 Guardian 的 0.781，且在所有训练比例下均保持更低的 MAE 和 MSE。
• 在 Advogato 数据集上，随着成对交互数量增加，Trust–SIoT 的 F1 分数保持稳定，性能始终优于 Guardian，且 MAE 和 MSE 始终更低。
• 在 BTC-Alpha 数据集上，尽管 F1 分数随交互量增加略有下降，但 Trust–SIoT 的 MAE 和 MSE 均低于 Guardian，表明在高交互负载下具备更强鲁棒性。
• 可信对象的可信度始终高于中立或不可信对象，且在两个数据集中，可靠性与利他性均与可信度表现出强相关性。
• 依赖性分析确认，可靠性与利他性是可信度评估中不可或缺且具备泛化能力的指标，其有效性独立于底层数据集。