计算机科学技术新进展

计算机科学技术新进展报告院系专业学生姓名学号讲座名称BigData,InternetofThingsandMobileCloudComputing讲座老师KaiHwang简要评语总评成绩（含平时成绩）备注教师签名：日期：TrustManagementinClouds-reportofarticle:PowerTrust:ARobustandScalableReputationSystemforTrustedPeer-to-PeerComputingP2P系统的信用评价方法对这个分布式系统而言有重要的意义，在这个系统里我们需要为每一个用户设置一个信誉值来评价这个用户。因为用户在相互索取资源的时候需要使用这样的一个值来进行参考。另外，有一些用户会自发的、非恶意的采取一些自私的行为，比如更多的索取而并不积极地贡献；比如他们不会主动的维护资源的质量。当然，恶意用户也是很难避免的。由于P2P系统的分布式特性，我们不能避免这样的用户的加入，所以需要一个评分系统来对其进行监管，另一方面也进行行为引导。这篇文章在其他文献的基础上，设计并实现了一个PowerTrust的信用系统，与其他系统的突出不同在于这个系统充分考虑了节点用户反馈的分布式特性从而在准确度有效性等等方面有了比较大的提高。该系统首先设计了一个信任覆盖网络，并在eBay数据集上证明了用户反馈的幂律分布特性，然后系统选出一小部分powernode，以此为基础为每个节点维护一个本地信誉（localreputation）和全局信誉（globalreputation）。整个过程注重分布式的方法，考虑了节点的动态增减过程，考虑了本地和全局信誉的动态生成方法，并采用一些算法来减少开销。最后文章对其性能进行了评价和比较。相关工作包括一个PeerTrust和一个EigenTrust系统。前者对反馈者对节点的评分取平均来给节点打分，其缺点在于收敛较慢开销比较大；后者使用一个信用矩阵来对节点进行评分，但是这种方法基于系统中已有的可以充分信任的节点给出的评分，这就要求这些重要节点必须稳定、静态，但是实际上这是不符合P2P的分布式环境的，用户可能增减，信用可能随每一次交易迭代改变。本文就很好的解决了这些问题。PowerTrust系统结构如下图：底层是一个信用覆盖网TON，每个节点维护本地信用评分LocalTrustScores，这些评分将被当做输入进入系统。系统由regularrandomwalk模块支持的信用初始化系统，一个look-headrandomwalk支持的信用周期更新系统，LWA也和distributedrankingmodule一起进行选取m个powernodes影响力节点的工作。分点简要介绍系统模块。Trustoverlaynetwork：TON是一个信用覆盖网，将每一个节点抽象成图中的一个点，并在点之间建立有向边，有向边的建立基于最新一次交易，并由获取方指向服务提供方，并定义权值为信用值。权值的定义有很多种方法，本文采用贝叶斯学习的方法来产生信用值。这样对于一个节点就有多个节点对它的评价值，当然我们对这些值进行归一化。在获取了这些信用值之后将这些信用值用其各自来源节点的全局信用值加权平均来求得该节点的实际信用值。在TON的基础上证明这样的分布式系统遵循幂律分布：文章绘制了如下分布图其中d是TON图的入度，fd是对应入度为d的节点数，d是对入度为d的节点数的排序次序，得到如图所示的分布。证明了Pr.[deg()]obInreeNdcd这就证明了powernode是比较少的，寻找他们的计算量是可以接受的。Look-AheadRandomWald:LPW是用来是用来更新节点信誉的。前面已经说过每个节点都会保存一些对其他节点评价，我们将这些信用值记录在一个矩阵里面，记rij为i对j的评价归一化以后的结果。然后我们使用公式：进行计算实际上就是一个加权平均的计算过程。其中V是一个向量里面记录了每一个元素的全局信用。更新所有节点的全局信用是一个收敛过程，文章使用Markovwalk来选取各个参与计算的节点。Markovwalk的过程受到localreputation的影响，为了使其快速收敛，文章采用了一个speedupfactor即简单的令2SRDistributedRankingMechanism：主要思想在于维护一个distributedHashTable（DHT）使用chord来实现。每一个节点都有它的scoremanager用来总结该节点的信用值。在选取节点的时候，我们使用一个localitypreservinghashing（LPH）的方法来对节点进行hash这种hash方法性质有1）()(),.ijijHvHviffvv。2）对于划分[vi,vj]到[vi,vk][vk,vj]依旧会保持[(),()][(),()]ikkjHvHvandHvHv依然被分割到一起，利用这样的性质对hashlist进行排序后对较大的hash值所对应的节点进行记录直到取到m个点为止就选出了m个powernodes。GlobalReputationUpdatingProcedure：方法前文已述，是一个迭代收敛的过程，其中特别的地方在于使用了一个greedyfactora来定义步长，即搜索精度。这会影响算法速度和精度。系统分析：性能评价：在这里把前文描述的一些指标拿过来讨论：Highaccuracy：为了准确的识别恶意节点，系统需要对节点的信用判断足够的准确；Fastconvergencespeed：节点的信用值需要随时间及时的变化这样才能够满足系统对于节点行为实时变化检测的要求；Lowoverhead：由于系统需要实时处理信用评价这就需要算法和通信上的开销尽可能的小一点这样才能够满足需求，否则系统无法很好的工作。Adaptivetopeerdynamics：在P2P环境下节点的加入和离开经常发生，这就需要系统对这种动态情况有很好的处理能力。Robusttomaliciouspeer：系统需要有很好的抵御攻击的能力，攻击方式大概有两种，一种是给予其他节点不实的信用分来造成系统的破坏，另外一个就是一部分节点共谋攻击，在内部相互给予比较高的信用来进行攻击。Scalability：系统需要能够处理较大规模节点的P2P网络。系统使用ebay的数据进行性能评估，首先对不同的下实验的性能进行比较。用收敛之前迭代的次数来衡量开销，用信用值准确度来计算精确度，得到在性能和精度相对平衡的情况下的值为0.15。接下来本文对不同的下收敛所需的开销在是否有动态节点的前提下进行分析如图：上两张图是拓扑固定没有节点连接或离开的时候EigenTrust和PowerTrust的比较，可以看到后者优于前者且两者差别不大。后两张图是在有动态节点的时候进行的计算可以明显看到PowerTrust优于EigenTrust，这也说明本文的方法确实在分布式情形下收敛得更快。对于精确度的衡量如下所示：第一张图是没有共谋情形下两种系统的比较，第二张图是在有共谋的情形下错误率随着共谋集团大小的变化。可以看到本文系统的精确度比较高，特别是在有恶意节点的鲁棒性上有比较突出的改善，而且性能相对而言比较稳定。最后文章将系统部署到实际分布式环境中进行检验。一个是文件资源获取分布式系统，另外一个是任务计算系统，相对其他的信用评估系统而言都取得了比较好的效果。总结：文章实现了一个基于用户信用反馈的依赖PowerNodes的一个分布式的信用评价系统，这个系统能够快速收敛、评价用户和周期性更新节点，这个系统在计算能力和适应性上有比较大的突破并且在存在恶意节点的情形下有比较好的鲁棒性。通过阅读这篇文章并对延伸内容进行了相关资料的搜索和查阅，对该领域内的专业术语基本概念等等有了初步的了解和认识，对分布式系统用户的信用评价方法有所了解。第一次涉及该领域的文章，阅读起来较艰涩，但不乏收获。