21737

21737

مدل سازي شكست هاي آبشاري اعتماد در شبكه هاي اعتماد پيچيده

كارشناسي ارشد

نرم‌ افزار

1398

1398/06/14

دكتر محمد عبداللهي ازگمي

دكتر مهرداد آشتياني

كامپيوتر

حذف پيوندها و گره‌ها در شبكه‌هاي اجتماعي دنياي واقعي، ممكن است منجر به فروپاشي كل شبكه شود. علت اين امر، انتشار اثر شكست پيوند يا گره اوليه است. اين پديده، «شكست‌هاي آبشاري» ناميده مي‌شود. در مقوله مدل‌سازي اعتماد، شكست‌هاي آبشاري زماني اتفاق مي‌افتد كه گره‌اي نسبت به گره ديگر بي‌اعتماد شود. اين امر، باعث مي‌شود كه اثر اين شكست به ساير گره‌هاي موجود در شبكه اعتماد منتقل شده و به تبع آن، اعتماد سايرين نسبت به گره مذكور دستخوش تغيير شود. با افزايش شكست‌هاي آبشاري اعتماد و به دليل كاهش اعتماد در شبكه، كاربران تمايل كمتري پيدا مي‌كنند كه اطلاعات علائق و نظرات خود را با ديگر اعضا به اشتراك بگذارند. در پژوهش‌هاي انجام شده در حوزه شكست‌هاي آبشاري اعتماد، تا به امروز مدل اعتماد، بسيار ساده در نظر گرفته شده است. همچنين، اثر زمينه‌هاي مختلف اعتماد بر روي يكديگر فرمول‌بندي نشده است. شكست در يك زمينه خاص مي‌تواند بر روي زمينه‌هاي مشابه نيز اثرگذار باشد. مدل‌سازي كامل اعتماد با نگاهي حساس‌تر نسبت به مسأله وابستگي اعتماد به زمينه، از مواردي است كه در پژوهش‌هاي پيشين از قلم افتاده است. در اين پايان¬نامه مدلي ارائه ‌شده است كه با استفاده از آن، اعتماد با توجه ويژه به وابستگي آن به زمينه و اثر زمينه‌هاي مشابه بر روي يكديگر، فرمول‌بندي مي¬شود. همچنين، با نگاشت زمينه‌هاي اعتماد به لايه‌هاي يك شبكه چندتايي، روش جديدي براي محاسبه شباهت ميان زمينه‌ها با كمك مفاهيم علم شبكه ارائه شده است. مدل اعتماد ارائه‌شده از مقادير اعتماد در تمامي زمينه‌ها استفاده مي‌كند تا مقدار اعتماد را در گام زماني بعدي محاسبه كند. به علاوه، مدل ارائه‌شده از اطلاعات دنياي واقعي استفاده مي‌كند تا مقدار محاسبه شده را به واقعيت نزديكتر كند. همچنين، مدلي براي شكست‌هاي آبشاري اعتماد به همراه روشي براي جلوگيري از حملات اعتماد ارائه شده است. حساسيت مدل ارائه‌شده از طريق تحليل حساسيت ارزيابي شده است. همچنين مدل ارائه‌شده از منظر دو معيار نسبت شكست و دقت مورد آزمايش قرار گرفته است. علاوه بر اين توانايي مدل در استنتاج روابط اعتماد در گام زماني بعدي نيز بررسي شده است و نشان داده شده است كه اگر زمينه‌ها به يكديگر شبيه باشند نزديك به 70 درصد از پيوندها با كمك اين مدل قابل پيش‌بيني خواهند بود. براي انجام آزمايش¬ها، از اطلاعات شبكه‌هاي دنياي واقعي، مانند داده¬هاي شبكه اجتماعي فيس‌بوك و نيز داده¬هاي شبيه‌سازي شده بهره گرفته شده است. شبكه‌هاي چندتايي از تركيب شبكه‌هاي تكي ساخته شده‌اند. آزمايش‌ها نشان داده‌اند كه مقادير بالاي اهميت، باعث مي‌شوند پيوندهاي اعتماد بيشتري شكسته شوند. سه حمله معروف HT، LT و RT نيز بر روي مدل شكست‌هاي آبشاري مورد مطالعه قرار گرفته است. فرآيند شكست‌هاي آبشاري در زمينه‌هاي مشابه، مانند هم بوده است. همچنين مؤلفه جلوگيري از حمله توانسته دقت را به مقدار 0.9 بسيار نزديك كند.

1398/11/27

Modeling Cascading Trust Failures in Complex Trust Networks

9/4/2020 12:00:00 AM

Removing nodes or links from a real-world social network may lead to a collapse in the entire network itself. This is because of the propagation effect of the initial removal. In the literature, this phenomenon is called cascading failure. In the context of trust modeling, a cascading failure phenomenon occurs when a node’s trust toward another one changes to distrust. This change in the trust network may impact the other nodes’ trust toward the target node and changes their trust opinion as well. As the number of failures in a network increases and the trust in the entire network decreases, the users become more reluctant to share their interests and opinions with other members. Currently, simple computational trust models are used in the literature for modeling cascading trust failures. The effect of relevant contexts in modeling trust and cascading trust failures is missed in the proposed models so far. Failure in a specific trust context may impact the relevant and dependent contexts as well. It seems to be necessary to have a more complete and comprehensive trust modeling approach besides modeling just the cascading trust failures. In this thesis, the computational trust is formulated by considering the context dependencies in addition to the impact of trust contexts on one another. Also, by mapping trust contexts to multiplex networks' layers and using the advantages of complex network analysis concepts, a new method for computing the similarity between the trust contexts is introduced. The introduced trust model uses the trust information of all layers (i.e. contexts) to compute trust values of the next step. In addition, the trust model uses the newly provided information to adjust the computed trust value with the help of real-world data. The trust cascading failure model and the attack prevention method are introduced as well. Through a series of evaluation scenarios, the proposed model's ability in detecting missing trust links is evaluated. It is shown that the model is able to predict almost 70 percent of missing links when the contexts are similar. The real-world networks' data, such as Facebook's Egonets and simulated data are used for the analysis. The multiplex networks are made up of multiple single networks. It is shown that the higher values for the context importance parameter make the trust links more vulnerable and easier to fail. The three well-known trust attack scenarios including HT, LT and RT are performed and it is demonstrated that the layers with high similarity values tend to have more similar cascading failures process. By adding the attack prevention component, the model's accuracy gets close to 0.9, which is a notable improvement.