【正文】 and(c) 顯示越來越多的社區(qū)防護林，所有非 sybil 地區(qū)有相同數(shù)量的節(jié)點和鏈接和度分布。 圖 10 圖 10：（實際網(wǎng)絡是很多第 節(jié)中使用的合成網(wǎng)絡的插圖更大 )。此外，攻擊者可以輕松地偽裝西寶節(jié)點作為只 是另一個社會網(wǎng)絡中通過建立仔細目標鏈接到包含該受信任的節(jié)點，社會的小數(shù)目。小、 緊密型的社區(qū)相互關聯(lián)的稀稀落落地要更多易受西比爾的攻擊。更具體地說，我們探討社會網(wǎng)絡的結(jié)構如何影響 sybil 防御方案的執(zhí)行情況和如何使用知識結(jié)構的社會網(wǎng)絡的攻擊者可以利用它發(fā)動攻擊 sybil 效率更高。 【 5. sybil 防御的局限性】 在前一節(jié)中，我們展示 sybil 防御計劃工作通過有效地確定圍繞給定的受信任的節(jié)點作為比那些遠更值得信賴的細密社區(qū)內(nèi)的節(jié)點。在消極方面 ,依靠社區(qū)檢測執(zhí)行 ， sybil 防御 從根本上限制了這些計劃，在許多人中找到 Sybils 的能力真實世界圖。 積極的一面，我們的研究結(jié)果證明是有一個機會，利用大量的現(xiàn)有工作的 sybil國防社區(qū)檢測算法。有趣地注意到的是 — 即使不改變現(xiàn)有實驗設置下，對方案進行了的評價 — 我們的簡單社區(qū)檢測算法給現(xiàn)有的計劃比較的結(jié)果。社區(qū)檢測算法的結(jié)果是更大大穩(wěn)定，一旦非 sybil 選民人數(shù)上升 1%以上就會產(chǎn)生有用的結(jié)果。 圖 9 最明顯的結(jié)果就是總和起來的準確度差別在三個網(wǎng)絡 ；這是使用的信封技術的直接結(jié)果。我們定義的度量 ,投票的準確性 ,表示為 nonSybil 選票清點的數(shù)量除以 nonSybil選票的數(shù)量的總和和西比爾選票的數(shù)量。自 nonSybil 和Sybil的子集節(jié)點發(fā)放選票 ,理想情況下 ,該計劃只會計算 nonSybil選票。 為了評估這些計劃的準確性 ,我們必須定義一個新指標。在最初的評估中 ,我們隨機選擇一個投票收藏家和隨機選擇的一個子集nonSybils選民。我們遵循相同的方法用于最初的總結(jié)評估：對于每個網(wǎng)絡 ,我們注入 100 攻擊邊緣插入 10Sybil 節(jié)點與其 他 10 均勻隨機選擇 nonSybil 節(jié)點。這種差異是必要的 ,因為我們不分配權重的鏈接在信封內(nèi) ,作為總結(jié)。 為了應用社區(qū)檢測 ,我們替換的過程決定了投票信封社區(qū)檢測算法 ,選擇社區(qū)的電導值最低的信封 ,并無條件接受所有節(jié)點在這個信封的選票。為此 ,綜述定義了一個信封在投票的鏈接分配能力 ,以便可以收集信封內(nèi)所有的選票。我們更詳細地探索這個限制在第五節(jié)。一個認真的讀者可能會注意到 ,絕對精度的方案 (包括社區(qū)檢測 )明顯低于上觀測到在圖 7 中。這個實驗的結(jié)果呈現(xiàn)在圖。具體來說 ,我們重復這個實驗之前的 Facebook 研究生網(wǎng)絡。自1000 年我們只添加一個最大 Sybil 節(jié)點 ,都不是這些計劃是許多 Sybils 節(jié)點。更詳細地 ,西比爾區(qū)域連接到 nonSybil地區(qū)到 789年平均攻擊邊緣 。第二 ,SybilGuard 和SybilLimit 比其他兩個方案中表現(xiàn)的不是那么好。我們兩個重要的觀察結(jié)果 :第一 ,SybilInfer 和社區(qū)檢測表現(xiàn)良好 ,與提高精度 Sybils 添加。我們改變了節(jié)點的數(shù)量從 30 到 1000 年 ,平均實驗運行結(jié)果超過 100。這 100 個惡意節(jié)點隨機選擇一致。具體來說 ,我們使用 1000 節(jié)點無標度拓撲nonSybil 網(wǎng)絡的一部分。這個指標是它的一個非常有用的屬性定義獨立的女預言家和 nonSybil 節(jié)點的數(shù)量 ,以及截斷值 ,因此在不同的實驗設置和方案相當。因此 ,一個 ′ 度量值在 0 和 1 之間 :值為 時表示一個隨機排序 ,值越高表明一個更好的排名 ,1 代表一個完美的 nonSybil /Sybil 排名。為此 ,我們使用公制接受者操作特征曲線下面積或。除了前一節(jié)的數(shù)據(jù)集 ,我們檢查 YouTube,組成的社交網(wǎng)絡的用戶在 YouTube,和 Advogato組成的自由軟件開發(fā)者之間的信任網(wǎng)絡。因此 ,評估總結(jié)的實驗設置非常不同于其他的計劃 ,需要一個獨立的評估。一個 SybilGuard、 SybilLimit 、 SybilInfer,另一個用于總結(jié)。當比較對每個 Sybil防御計劃 ,我們使用實驗設置類似的論文中描述的方案提出了。這導致一個節(jié)點排名 ,我們可以使用它來比較其他方案。注意 ,我們不修改算法停止一旦發(fā)現(xiàn)當?shù)夭?。 為了使用社區(qū)檢測發(fā)現(xiàn) Sybils,我們需要生成一個節(jié)點排名以同樣的方式作為其他方案。然而 ,我們的決定沒有基礎 ,可能還有其他的算法表現(xiàn)得更好。評價提出了在這一節(jié)中 ,我們選擇梅絲洛夫的算法，但隨著從第 電導度量。對于一個詳細調(diào)查當?shù)厣鐓^(qū)檢測算法 ,最近我們參考讀 者調(diào)查論文，討論了許多社區(qū)檢測算法。大多數(shù)當?shù)氐姆椒ㄩ_始工作 一個 (或多個 )種子節(jié)點和貪婪地增加相鄰節(jié)點 ,直到找到一個足夠強大的社區(qū)。下面 ,我們給社區(qū)檢測方案的簡要概述工作。 【 社區(qū)檢測 】 在網(wǎng)絡社區(qū)檢測研究和成熟的領域。為此 ,我們首先選擇一個現(xiàn)成的社區(qū)檢測算法和生成一個節(jié)點排名算法。可用于 Sybil防御一樣方式的現(xiàn)有的方案。 【 4． 應用社區(qū)檢測 】 在前面的小節(jié)中 ,我們觀察到所有 Sybil 防御計劃通過識別節(jié)點工作在當?shù)氐摹?美軍陸軍 思路 ” 在給定的可信節(jié)點，和排名是比外面更值得信任。 當有多個節(jié)點 ,也同樣好連接到受信任的節(jié)點他們常常命令在不同的算法。 表 2 【 總結(jié)觀察 】 現(xiàn)在我們總結(jié)比較在各種算法節(jié)點的結(jié)果 : 節(jié)點的排名是偏向那些降低電導。 在圖 5 和 6 中 ,我們可以看出，共同的信息揭示了一個地方截止所有排名都強相關性 ,這截更低的特征電導值。 為了表明這一點 ,我們重復上述實驗兩個真實世界網(wǎng)絡 :Facebook,組成的社會網(wǎng)絡在賴斯大學的研究生從 Facebook 和天體物理學 ,組成的聯(lián)合作者網(wǎng)絡之間的天體物理學家。 互信息 電導 圖 6 【 排名在實際網(wǎng)絡排名 】 在本節(jié)中 ,我們確認我們發(fā)現(xiàn)合成網(wǎng)絡也包含現(xiàn)實世界的網(wǎng)絡結(jié)構哦。添加節(jié)點從另一個區(qū)域急劇增加了電導 ,因此從內(nèi)部節(jié)點信任的節(jié)點計劃分配更高的排名比節(jié)點周圍的社區(qū)更好。電導組節(jié)點范圍在 0 和 1 之間 , 在我們策劃的電導的子集圖 4 的底部 ,注意到有一個鋒利的助跑起跳點電導，包含的所有計劃 256 個節(jié)點。電導是一種基本的節(jié)點，是在大型網(wǎng)絡廣泛使用的度量評價。 但是， 在節(jié)點的內(nèi)外鏈接處有一個鮮明的區(qū)別，前者排在后者的前面。 圖 4:在排名和電導的排名繪制各種分區(qū)合成網(wǎng)絡之間的互信息 ,使用方案SybilGuard (SG), SybilLimit (SL), SumUp (SU)和 SybilInfer (SI)。因為當?shù)厣鐓^(qū)內(nèi)可信任的節(jié)點里的幾個節(jié)點 以同樣的方式連接 ,在這些節(jié)點中的排名不可信 ,也就是說 ,不同的方案排列這些節(jié)點結(jié)果不同。然而 ,在社區(qū)內(nèi)的節(jié)點排序之間幾乎沒有相關性 ,或它的外節(jié)點 ,正如之前和之后的這一點的排名之間的互信息是低的。為了更好 地了解這個情節(jié) ,我們調(diào)查了不同的節(jié)點之間有強相關性排名為 256 的分區(qū)大小 ,發(fā)現(xiàn)分配給 nonSybil 分區(qū)的 256 個成員與包含信任節(jié)點的圖 4 的一半網(wǎng)絡強烈一致。圖 4 顯示了互信息度量最大化的分區(qū)大小是 256。 X 軸表示包含 nonSybils分區(qū)的大小。 這個實驗的結(jié)果如圖 4 的前圖所示 。 然后 ,通過選擇兩個鏈接 A?B 和 C? D 重新布線工作 ,其中 A 和 C 在同一個社區(qū) ,B 和 D 在同一個社區(qū) 。 簡而言之 ,互信息范圍在 0 和 1 之間 ,其中 0 表示個分區(qū)之間沒有相關性 ,1 表示一個完美的匹配 。 然后 ,我們研究了如何密切匹配各種排名 。asiAlbert 模型 [4],然后通過少量的邊緣連接重新緊密連接每個有 256 個節(jié)點的社區(qū)。 總之 ,這個網(wǎng)絡構造使用 B180。 圖 3 剩下的部分我們的目標是更好地了解現(xiàn)有 Sybil 排名算法基礎防御計劃 ,并通過這種理解 ,提供一個依據(jù)回答下列問題 : ?不同的 Sybil 防御計劃執(zhí)行排名的核心任務節(jié)點以同樣的方式 ,還是每個排名獨特 ?(第 3 節(jié) ) ?還有 其他 (可能更好的 )方法來獲得這些節(jié)點排名嗎 ?(第 4 節(jié) ) ?社會網(wǎng)絡的結(jié)構屬性所決定的計劃工作 ?( 節(jié) ) ?計劃是否健壯與不同的可能的 Sybil 攻擊策略 ?( 節(jié) ) 【 Sybil 防御】 在這一節(jié)中 ,我們通過比較不同的方案開發(fā)一個更好的理解 Sybil 國防計劃計算節(jié)點排名的排名 過程 。 【 論文余下的部分】 在這一部分，我們已經(jīng)展示了已存在的 Sybil 防御方案都通過包含一個潛在的節(jié)點排名來運作。這個協(xié)議依賴于隨機步的方式和 SybilGuard， SybilLinit 具有相同的方式， 因而我們相信我們的分析也將使用于這個方案。 盡管我們僅僅展現(xiàn)了我們的模型如何在四種熟知的方案中的應用，但我們相信著同樣也能應用到其他方案中。我們也對這些方案對它們的輸入環(huán)境的設想做出了描述（即 Sybil 式和非 Sybil 式的拓撲結(jié)構），并且簡明表現(xiàn)了基于這些方案評估的網(wǎng)絡。然后，取決于不同參數(shù)值得設置，方案創(chuàng)建一個分界線 (1)應用到排名并產(chǎn)生一個 Sybil 式或非 Sybil 式分區(qū)。因而，我們可以通過簡單的比較他們相關的節(jié)點排名從而比較了不同方案的參數(shù)。 我們的大仙表明一個人可以看到 sybil防御方案在網(wǎng)絡中潛在的序列或節(jié)點排名，而參數(shù)的設置決定了分區(qū)之間的分界線的位置，我們叫做分割點線。同樣的，當 Sybil 式分區(qū)減少，一些節(jié)點從分區(qū)被移除，同時也不增加任何先前被劃分為非 Sybil 式的節(jié)點。我們觀察到Sybil 式分區(qū)通過增大或者減少以應對參數(shù)的改變，指令增加或者減少節(jié)點。例如 SybilGuard 和 SybilLimit 有許多促進分散式系統(tǒng)實用的功能設計。然 而，算法的質(zhì)量和表現(xiàn)力取決于輸入、命名、網(wǎng)絡拓撲結(jié)構和可信任節(jié)點。在可信任節(jié)點的區(qū)分下，十分有效的將節(jié)點在社交網(wǎng)絡中進行了分區(qū)，劃分為兩個獨特的分區(qū)（ Sybil 式和非 Sybil 式）?？傊?，所有存在的方案趨于隔離嵌入式社交網(wǎng)絡拓撲結(jié)構的 Sybil 攻擊方式。然而，我們并不能通過把所有的方案當一個黑匣子處理得到像這樣一個洞察信息點，因為每個方案都有本身的算法、優(yōu)化、配置方面的設置。另一個可供選擇的辦法就是找到所有方案的核心共同點，一個在任何配置都能解釋的共同點。然而，這并不能得出絕對性的關于一個特定的方案將如何表現(xiàn)在無論是給定的社交網(wǎng)絡環(huán)境還是攻擊者的行徑發(fā)生改變的結(jié)論。 【 Sybil 防御方案的核心】 關于 Sybil 防御方案的競爭比較問題，一種途徑就是將這些方案完整連貫的提議呈現(xiàn)出來（也就是把它們當做黑匣子，并且把它們放入到現(xiàn)實社會進行配置比較）。 【 2. Sybil 防御的理解】 正如前面 所提及的，許多 Sybil 防御方案已經(jīng)被提議，但每一個都通過了 Sybil 研究者在不同社交網(wǎng)絡和不同攻擊策略中進行使用并得到評估。更進一步說，我們驗證了 Sybil 攻擊如何可以通過在這樣的的網(wǎng)絡環(huán)境中建立起一個小群精心挑選的目標節(jié)點之間建立聯(lián)系從而實現(xiàn)十分有效的攻擊。然而實際上各行各業(yè)的使用者形成了多個相互關聯(lián)而不是獨立個體的社群。 其次，我們的發(fā)現(xiàn)也表明了依靠于社群發(fā)現(xiàn) Sybil 攻擊的局限性。我們發(fā)現(xiàn)使用現(xiàn)成的社群調(diào)節(jié)緩解算法來探尋 Sybil 攻擊。 上面的發(fā)現(xiàn)非常好的 預示著基于社交網(wǎng)絡的 Sybil 防御方案設計的當下和未來。在我們看來，盡管他們有許多的不同，但所有的 Sybil 防御方案的節(jié)點排名都很相近（也就是群集的節(jié)點比網(wǎng)絡中的其他節(jié)點結(jié)合更緊密），社群中在可信任節(jié)點周圍的節(jié)點比那些在網(wǎng)絡環(huán)境中的其余節(jié)點排名更高。我們分析了已有的 Sybil 防御方案并且論證了核心要點，多樣化的算法是通過那些基于一個節(jié)點與可信任節(jié)點的聯(lián)結(jié)程度的節(jié)點排名來運作的。最后，是否存在其他的（潛在的更好的）方式來緩解 Sybil 攻擊或者是否存在像使用某一種結(jié)構的社交網(wǎng)絡中的防御 Sybil 攻擊的一些基本限制。大部分的論文只描述了新的算法設計，并沒有給予一個直觀 的解釋，解釋所有這些方案是如何探測 Sybil 的每一個算法并展示了其在理想狀態(tài)下社交網(wǎng)絡架構和非