Há alguns meses, eu estava lendo um artigo chamado Reputação baseada em fluxo com incerteza: lógica subjetiva baseada em evidências. Acho que é uma pesquisa pouco examinada pelo que apresenta, que é um algoritmo de reputação que pode calcular redes de confiança arbitrárias. Eu adoraria saber a opinião de outras pessoas sobre isso à luz do design resistente ao Sybil – para o qual os mecanismos de controle do estilo PoW parecem ser a única abordagem atualmente eficaz.
Para dar uma breve visão geral do EBSL:
- Lógica Subjetiva é uma álgebra para calcular qualidades “subjetivas”. Trata-se de opiniões, que são tuplas da forma (crença + descrença + incerteza) = 1e tem alguns operadores, como desconto (usado para confiança transitiva) e fusão/consenso (para combinar opiniões).
- SL pode ser usado para modelar redes de confiança, onde as relações são definidas como opiniões de confiabilidade. Dado um conjunto de opiniões, um algoritmo de convergência de ponto fixo (semelhante ao PageRank) pode ser usado para chegar a uma matriz de reputação. No entanto, o algoritmo para calcular o fluxo de confiança é falho (veja mais no artigo da EBSL).
- SL Baseado em Evidências (EBSL) resolve esse problema e também introduz uma primitiva de evidência mais natural. Não tenho certeza da terminologia dos domínios, mas os componentes de opinião variam de 0 a 1 e a evidência é apenas um número inteiro (portanto, é uma métrica absoluta e não relativa, se isso faz sentido). Eles definem um mapeamento entre os dois e também introduzem operadores de desconto/consenso que podem convergir o fluxo de confiança em estruturas de rede arbitrárias.
- Você pode fornecer evidências ou uma opinião sobre o algoritmo de convergência, embora eu diria que o primeiro é mais orgânico. A simulação original usou quantidades de evidências entre nós para calcular a reputação, que na modelagem de downloads P2P, por exemplo (como no EigenTrust original), é melhor dimensionada do que ajustar uma opinião de reputação para cada nó.
Eu reimplementei o algoritmo aqui (lógica em ebsl/lib.py), baseado no código que os autores gentilmente me encaminharam (também no repositório). Em simulations/main.pyfiz alguns trabalhos simulando redes Sybil e como elas podem aumentar sua reputação aos olhos de outros usuários. Numa rede altamente conectada de nós honestos e numa rede de relações Sybil, a percepção da rede honesta sobre a reputação de Sybil aumenta apenas linearmente com cada nó honesto você convence.
Eu gostaria de compartilhar e encorajar outros a experimentarem – não sou um matemático treinado de forma alguma, sou mais um hacker – mas é o primeiro modelo que vi que parece ser resistente a Sybil e capaz de lidar reconfigurações de redes de confiança de maneira versátil.
O que é possível é modularizar provedores de reputação, como Uber/Lyft. Vamos modelar o Uber como uma rede de reputação, na qual confiamos neles para administrar/inicializar a reputação inicial dos passageiros/motoristas. Os passageiros obtêm sua reputação inicial vinculando sua identidade a um número de telefone/cartão de crédito, e os motoristas também passam por verificações iniciais de licença, etc. Depois disso, ocorre o sistema usual de classificação mútua, e o sistema pode filtrar maus atores.
Numa versão descentralizada, ainda teríamos um fornecedor de reputação ‘dUber’, mas o seu papel seria reduzido a simples atestados de identidade, verificações de licenças, etc. Os passageiros/motoristas poderiam exigir uma prova de localização para que a sua classificação de uma bolsa fosse contabilizada (uma vez que se trata de uma bolsa física). Modelando a interação, todos os motoristas/passageiros no gráfico de confiança estão conectados por sua borda à organização dUber, a confiança flui e podemos obter a confiança dos usuários com os quais não interagimos.
Como o dUber é apenas mais uma vantagem no gráfico, podemos substituir/aumentar nossa visão de mundo com informações de outros provedores/redes (por exemplo, Lyft). Se se comportarem de forma maliciosa, poderemos adaptar a rede sem a habitual inércia das grandes reconfigurações das relações sociais.
Acho que isso poderia ser um ortogonal interessante para algoritmos de prova de aposta/trabalho e de consenso geral, e só quero iniciar alguma discussão em qualquer caso.
Fontesethresear
