Computer Security: Chapter 8 - Trust in P2P Systems

8. Trust in P2P Systems
Prof. Bharat Bhargava
Center for Education and Research in Information Assurance and Security (CERIAS)
and
Department of Computer Sciences
Purdue University
/>
Collaborators in the RAID Lab ():
Mr. Ahmet Burak Can (Ph.D. Student)
1


Trust in P2P Systems
Outline

1) Introduction
1.1) Mitigating Attacks in P2P Systems
1.2) Assumptions for Peer Interactions
2) Contexts of Trust in P2P Systems
3) Definitions for the Proposed Solution
4) Trust Metrics
5) Trust­based Decisions 
6) Interaction Evaluation by Peers
7) Recommendation Evaluation by Peers
8) Simulation Experiments
8.1) Attacker Models for Simulation:
Individual attackers/ Collaborators / Pseudospoofers
8.2) Experimental Results

2

1) Introduction
1.1) Mitigating Attacks in P2P Systems


Mitigating attacks in a malicious P2P environment


Use trust relationships among peers to mitigate attacks in 
a malicious P2P environment



Algorithms are needed to establish trust among peers



Research tasks:





Propose trust metrics that reflect all aspects of trust.
Develop distributed algorithms to manage trust relationships 
among peers and help them to make decisions using trust 
metrics
Define methods to evaluate interactions and trust information 
exchanged among peers (recommendations)

3


1.2) Assumptions for Peer Interactions


Peers use no a priori information to establish trust
 No pre­existing trust relationships among peers



A peer must contribute and behave well to gain and 
preserve trust of another peer
 Malicious behavior of Peer 1 against Peer 2 can easily 
destroy trust of Peer 2 in Peer 1



Trust metrics should have sufficient precision

Required to rank peers accurately (according their 
trustworthiness)

4


2) Contexts of Trust in P2P Systems




Two contexts of trust — w.r.t. performing 2 different 
tasks:
1) Providing services to other peers 
2) Giving recommendations to other peers
.
These contexts considered separately

A peer might simultaneously be a good service 
provider and a bad recommender (or vice versa)

5


3) Definitions for the Proposed Solution


A peer becomes an acquaintance of another peer after 
providing it a service (e.g., uploading a file)



Using a service from a peer is called a service interaction



All peers are strangers to each other at the start




A recommendation represents the acquaintance’s trust 
information about a stranger




A peer expands its set of acquaintances by using services from 
strangers

A peer requests recommendations about a stranger only from its 
acquaintances

Receiving a recommendation from an acquaintance is a 
recommendation interaction

6


4) Trust Metrics (1)


Reputation is the primary metric when deciding about 
strangers in the service context
 Recommendations from acquaintances used to 
calculate reputation metric



Service trust is a metric to measure trustworthiness of 

a peer in the service context
 A service provider is selected according to service 
trust and reputation metric
 Service trust metric of a peer calculated based on 
its past service interactions and its reputation

7


4) Trust Metrics


 (2)

Recommendation trust is the primary metric to 
measure trustworthiness of a peer in the 
recommendation context
 I.e., when selecting recommenders and evaluating 
recommendations
 Recommendation trust metric of a peer calculated 
based on past recommendation interactions and its 
reputation
 Analogously to service trust metric

8


5) Trust­based Decisions (1)


When making trust decisions, interactions and reputation 
are considered separately
This helps when making a distinction between two trustworthy peers



Trust decisions about a stranger are based on reputation
Trust decisions about an acquaintance are based on its 
past interactions and reputation
 As more interactions happen with an acquaintance, 
the experience derived through interactions becomes 
more important than its reputation

9


5) Trust­based Decisions



 

(2)

Using available acquaintances by a peer
 If no acquaintances ­ simply trust any stranger 
providing the requested service




If some acquaintances ­ calculate reputation of 
strangers based on recommendations of acquaintances

May select one of the strangers

May choose not to entrust strangers if 
acquaintances can deliver the needed service
As more acquaintances become available – can  
become more selective

10


6) Interaction Evaluation by Peers


Using all available information about interactions is helpful 
to calculate trust metrics more precisely


A peer should be able to express its level of satisfaction 
about an interaction


Considering several parameters




Service interactions might have varying importance




E.g., online/offline periods, bandwidth, delay of the uploader in a 
file download operation

E.g., downloading a large file more important than downloading 
a small file

The effect of an interaction on trust calculation fades as 
new interactions occur

11


7) Recommendation Evaluation by Peers


A recommendation makes a clear distinction between the 
recommender’s own experience and second­hand 
information collected from its acquaintances




A recommendation contains the recommender’s level of 
confidence in the information provided








This distinction enables more precise calculation of reputation

If the recommender has a low confidence, the recommendation is 
weak
A weak recommendation’s effect on the calculated reputation 
value is less than a strong one
A recommending peer is no more liable than its confidence in its 
recommendation

A recommendation from Peer 2 (the recommender) is 
evaluated by Peer 1 based on the value of 
recommendation trust metric that Peer 1 has for Peer 2
12


8) Simulation Experiments


A file sharing application was simulated




The results of several empirical studies are used to simulate 
peer, resource, and network parameters
Some of the simulation parameters:






To understand the proposed algorithms for mitigating attacks related 
to services and recommendations

Peer capabilities: bandwidth, number of shared files
Peer behavior: online/offline periods, waiting time for sessions
Resource distribution: file sizes, popularity of files

Considered attack scenarios:
Individual, collaborative and pseudonym changing attacks 
scenarios


Simulated nine different malicious behaviors
13


8.1) Attacker Models for Simulation


2 types of attacks:
1) Service­based attack — uploading a virus infected or 

inauthentic file 
2) Recommendation­based attack — giving misleading 
recommendations


Two subtypes of misleading recommendations: 






Unfairly high recommendation: Giving a positively­biased trust 
value about the recommended peer
Unfairly low recommendation: Giving a negatively­biased trust 
value about the recommended peer

Three types of attackers:
a) Individual attackers
b) Collaborators
c) Pseudospoofers
14


a) Model of Individual Attackers


Individual attackers — perform attacks independently (does 
not cooperate with other attackers)



Three individual attacker behaviors:
 Naïve attacker — always uploads infected/inauthentic 
files and gives unfairly low recommendations to others


Discriminatory attacker — attacks a selected group of 
victims






Always uploads infected/inauthentic files to them and gives 
unfairly low recommendations for them
It treats all other peers fairly

Hypocritical attacker — uploads infected/inauthentic files 
and gives unfairly low recommendations with x% 
probability
15


b) Model of Collaborators


Collaborators — malicious peers that coordinate attacks 
with other peers



Collaborators never attack each other
 Always upload authentic files to each other
 Always give fair recommendations to other collaborators



Collaborators always give unfairly high recommendations 
about each other to non­collaborating peers
 Try to convince good peers to download files from any 
one of the collaborators 



Three collaborator behaviors (analogous as for individual 
attackers)
 Naïve, Hypocritical, Discriminatory
16


c) Model of Pseudospoofers


Pseudospoofer — a  malicious peer which changes its 
pseudonym periodically to escape from being identified



A pseudospoofer behaviors: 
 Naïve / discriminatory / hypocritical


Analogous to individual attacker behaviors

17


8.2) Experimental Results


In a non­malicious network, reputation of a peer is 
proportional to its capabilities such as network bandwidth, 
average online period on the network and number of 
shared resources



In a malicious network, service and recommendation­
based attacks affect reputation of a peer

18


a) Results for Individual Attackers 


All attacks of individual attackers are mitigated easily


Hypocritical attacks take more time to detect than other individual 
attackers

19


b) Results for Collaborators (1)


Detection of collaborators usually takes longer than 
detection of an individual attacker
 Unfairly high recommendations provides an advantage 
except naïve collaborators



Naïve collaborators do not benefit from collaboration
 They have zero reputation since they can not complete 
any service interaction




Hence they are not requested for any recommendations

Collaboration is partially successful in hypocritical and 
discriminatory behaviors

20

b) Results for Collaborators (2)


Hypocritical collaborators succeeded to launch more 
service­based attacks at the start of experiments






At the start, good peers do not have many acquaintances ­ 
collaborators deceive them easily by distributing unfairly high 
recommendations for each other
Then collaborators able to take advantage of unfairly heightened 
reputations to attract good peers for their “services” (= attacks)

As good peers gain more good acquaintances, hypocritical 
collaborators are identified (and their attacks mitigated)

21


b) Results for Collaborators


Service­based attacks of discriminatory collaborators are 
mitigated easier than those of hypocritical ones





 (3)

Victims of discriminatory collaborators quickly identify them

But discriminatory collaborators gained a high 
recommendation trust value & were able to continue 
distributing misleading recommendations


Collaborators do not attack most good peers




Thus, good peers believe their recommendations

Victims give low recommendations for discriminatory 
collaborators


However, good peers think that victims are giving misleading 
recommendations for discriminatory collaborators


Thus, discriminatory collaborators are able to continue distributing 
misleading recommendations

22


c) Results for Pseudospoofers


Attacks of pseudospoofers are as easily mitigated as 
those of individual attackers
 Peers gain more acquaintances and have less 
tendency to select strangers with time
 Thus, pseudospoofers are more isolated from good 
peers after each pseudonym change


Experimental results for Pseudospoofers 

23


d) Experim. Results – General Remarks


Defining a context of trust increases a peer's ability to 
identify and mitigate attacks on the context­related 
tasks



Context of trust can be used to increase a peer’s 

reasoning ability for different tasks


Such as routing, integrity checking and protecting privacy

24


THE END

25