social networks and semantic peer to peer systems
Download
Skip this Video
Download Presentation
(Social networks) and Semantic peer-to-peer systems

Loading in 2 Seconds...

play fullscreen
1 / 55

(Social networks) and Semantic peer-to-peer systems - PowerPoint PPT Presentation


  • 213 Views
  • Uploaded on

(Social networks) and Semantic peer-to-peer systems . Systèmes pair-à-pair . Coalition de serveurs d’information indépendants (pairs) Chaque pair peut être soit client soit serveur Architecture dynamique. 2. Gestion de données : Piazza. Partage de fichiers mots-clés : KaZaA…. T 5.

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about '(Social networks) and Semantic peer-to-peer systems' - DoraAna


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
slide2
Systèmes pair-à-pair
  • Coalition de serveurs d’information indépendants (pairs)
  • Chaque pair peut être soit client soit serveur
  • Architecture dynamique

2

slide3
Gestion de données : Piazza

Partage de fichiers mots-clés : KaZaA…

T5

T4

T1

T3

T2

madonna.mp3 ?

SELECT * FROM …

WHERE … ?

De différents systèmes pair à pair

Systèmes d’inférence : SomeWhere

Systèmes sémantiques : SomeOWL, SomeRDFS

Conséquents d’une clause par rapport à la théorie globale

Ressources sur la musique de Rock ?

3

les syst mes p2p de gestion de donn es
Les systèmes P2P de gestion de données
  • Réseau logique de pairs (connectés via le réseau physique)
    • Chaque pair est caractérisé par
      • Son addresse physique (IP)
      • La description de ses données
      • Ses voisins dans le réseau
        • Les pairs à qui il peut transmettre des messages (requêtes, réponses)
  • Topologies variées
    • on structurées (Kazaa, Gnutella)
    • fixées (Chord, Hypercube)
    • Guidées par la sémantique
      • SON, Edutella, Piazza, DRAGO, coDB, Somewhere
un r seau p2p somewhere
Un réseau P2P SomeWhere
  • Topologie non fixée
  • Guidée par les mappings
    • Un pair
      • Se joint au réseau en déclarant des mappings entre son schéma et ceux de certains pairs qu’il connait
      • Part en supprimant ses mappings
someowl r seau s mantique p2p au dessus de somewhere
SomeOwl : réseau sémantique P2P au dessus de SomeWhere
  • Modèle de données très simple fondé sur un langage propositionnel de classes
    • pour définir les schémas, les mappings, et les requêtes
  • Passe à l’échelle du millier de pairs
    • topologie « petit monde »
mod le de donn es
A0

A1 A2

A3 A4 A5

St_A5

St_A3

Ontology: hierarchy of intentional classes

Storage description: extensional classes

More complex inclusion statement: St_A1 A1¬A2

Modèle de données

Schema+Data

Data

Data

mod le de donn es8
Queries:

Logical combination of class literals: A1 ¬A3

Mappings:

Q1 Q2

A1 B3 B3 A1

A

A1 A2

A3

A1 (A2 A3) B1 ¬B3

B

B1 B2

Q

B3

Modèle de données
s mantique
Sémantique
  • Standard FOL
    • Domaine d’interprétation unique
    • Un ensemble distribué de formules interprétées comme dans le cas centralisé
    • À la différence d’autres approches
      • coDB: logique épistémique
      • DRAGO: sémantique distribuée DDL ou DFOL basée sur une collection de domaines d’interprétations
  • Hypothèse forte :
    • Les instances ont un identifiant unique (URI)
    • Les ressources stockées dans différents pairs ayant le même URI sont interprétées comme étant identiques
slide10
Illustration sur un exemple

MyBookmarks

MyBookmarks

P1:Action

Movies

P2

P1

P3

DVD

P1:Suspense

P1:Animation

Comedy

Thriller

Cartoons

Adult

Animation

Action

Suspense

P2:BruceWillis P1:Action

ViewAdult

ViewThriller

ViewCartoons

ViewComedy

P1:Action P1:Suspense P3:Thriller

ViewAnimation

ViewAction

ViewSuspense

mappings :

mappings :

P1:Animation P3:Cartoons

P2:BenStiller P3:Comedy

P2:BenStiller

P2:BruceWillis

MyBookmarks

Actors MyBookmarks ,

Actors

BruceWillis Actors ,

BenStiller Actors ,

BruceWillis

BenStiller

JuliaRoberts

ViewBruceWillis BruceWillis ,

JuliaRoberts Actors ,

ViewBenStiller BenStiller ,

ViewBruceWillis

ViewBenStiller

ViewJuliaRoberts

ViewJuliaRoberts J uliaRoberts

ontology :

ontology :

ontology :

slide11
Illustration sur un exemple

Requêtes: combinaison logique de classes

Thriller Comedy ?

ontology :

MyBookmarks

ontology :

MyBookmarks

P1:Action

Movies

P2

P3

P1

DVD

P1:Suspense

P1:Animation

Comedy

Thriller

Cartoons

Adult

Animation

Action

Suspense

P2:BruceWillis P1:Action

ViewAdult

ViewThriller

ViewCartoons

ViewComedy

P1:Action P1:Suspense P3:Thriller

ViewAnimation

ViewAction

ViewSuspense

mappings :

mappings :

P1:Animation P3:Cartoons

P2:BenStiller P3:Comedy

MyBookmarks

Actors

BruceWillis

BenStiller

JuliaRoberts

ViewBruceWillis

ViewBenStiller

ViewJuliaRoberts

P2:BenStiller

P2:BruceWillis

ontology :

slide12
Calcul des réponses à une requête

Soit un PDMS someOWL et l’ensemble de ses données

(réponse certaine)

  • Qu’est ce qu’une réponse ?

Comment trouver toutes les réponses certaines ?

  • Par réécriture de la requête :
    • Étape 1: calcul de réécritures = reformulation plus précise de la requête contenant uniquement des classes extensionnelles
    • Étape 2: Évaluation des réécritures (calcul des extensions) donnant des réponses
slide13
Calcul des réponses par réécriture
  • Intérêt de cette méthode:
    • Permet de raisonner en pair-à-pair uniquement au niveau du schéma (pas de transport de données)
    • Les réécritures indiquent directement les pairs à interroger
  • Propriété :
    • S’il existe un nombre fini de réécritures conjonctives maximales de la requête initiale relativement au PDMS, l’évaluation de ces réécritures donne toutes les réponses certaines en temps polynomial dans la taille des données [Goasdoué & Rousset 2004]
r criture de requ tes dans someowl
Récriture de requêtes dans SomeOwl
  • Se réduit au problème du calcul de conséquences logiques dans un ensemble distribué de formules en logique des propositions
    • schémas et mappings encodés par des clauses
    • Les récritures maximales conjonctives d’une requête Q correspondent à la négation des clauses qui sont impliqués premiers propres de la négation de Q et de l’union des théories locales et des mappings
slide15
SomeOwl : calcul des réécritures

Par encodage propositionnel direct

Propriété de transfert

Soit P un PDMS et Prop(P) son encodage propositionnel. Qe est réécrituremaximale d’une requête Q ssi  Prop(Qe) est un impliqué premier propre de  Prop(Q) rel. à Prop(P)

slide16
SomeWhere : illustration

¬ Movies v

MyBookmarks ,

¬ DVD v MyBookmarks,

DVD MyBookmarks,

Movies

MyBookmarks ,

¬ Comedy v Movies ,

¬ Thriller v Movies ,

¬ Animation v DVD ,

P1:Action

Comedy Movies ,

Thriller Movies ,

Animation DVD ,

P1

P3

P2

¬ Action v DVD ,

¬ Cartoons v Movies ,

¬ Adult v Movies ,

Adult Movies ,

P1:Suspense

Action DVD

¬ Suspense v DVD ,

¬ Adult v¬ Cartoons ,

P1:Animation

Adult Cartoons ,

¬ ViewAnimationv Animation ,

Cartoons Movies ,

ViewAnimation Animation ,

¬ ViewComedy v Comedy ,

¬ ViewCartoons v Cartoons ,

P2:BruceWillis P1:Action

ViewComedy Comedy ,

ViewCartoons Cartoons ,

ViewAction Action ,

¬ ViewAdult v Adult

¬ ViewThriller v Thriller ,

¬ ViewActionv Action ,

ViewThriller Thriller ,

ViewAdult Adult

Suspense DVD,

P1:Action P1:Suspense P3:Thriller

¬ ViewSuspensev Suspense

ViewSuspense Suspense

¬ P1:Action v P1:Suspense v P3:Thriller

¬P1:Animation v P3:Cartoons

P1:Animation P3:Cartoons

P2:BenStiller P3:Comedy

¬ P2:BruceWillis v P1:Action

¬P2:BenStiller v P3:Comedy

¬ Actors v MyBookmarks ,

Actors MyBookmarks ,

¬ BruceWillis v Actors ,

BruceWillis Actors ,

¬ BenStiller v Actors ,

BenStiller Actors ,

¬ JuliaRoberts v Actors ,

ViewBruceWillis BruceWillis ,

¬ ViewBruceWillisv BruceWillis ,

JuliaRoberts Actors ,

ViewBenStiller BenStiller ,

¬ ViewBenStillerv BenStiller ,

P2:BenStiller P3:Comedy

ViewJuliaRoberts JuliaRoberts

¬ ViewJuliaRobertsv JuliaRoberts

¬ P2:BenStiller v P3:Comedy

ontology :

ontology :

mappings :

mappings :

P2:BenStiller

P2:BruceWillis

ontology :

mappings :

slide17
Thriller ?

Thriller ?

P3:ViewThriller

P1:ViewAction P1:ViewSuspense

P2:ViewBruceWillis P1:ViewSuspense

¬ P1:Suspense

¬ Movies v

MyBookmarks ,

¬ DVD v MyBookmarks,

¬ Comedy v Movies ,

¬ Thriller v Movies ,

¬ Animation v DVD ,

P1:Action

P2

P3

P1

P1

¬ Action v DVD ,

¬ Cartoons v Movies ,

¬ Adult v Movies ,

P1:Suspense

¬ P1:Action

¬ Suspense v DVD ,

¬ Adult v¬ Cartoons ,

P1:Animation

¬ ViewAnimationv Animation ,

¬ ViewComedy v Comedy ,

¬ ViewCartoons v Cartoons ,

¬ ViewAdult v Adult

¬ ViewThriller v Thriller ,

¬ ViewActionv Action ,

¬ ViewSuspensev Suspense

¬ P1:Action v P1:Suspense v P3:Thriller

¬P1:Animation v P3:Cartoons

¬ P2:BruceWillis v P1:Action

¬P2:BenStiller v P3:Comedy

¬ Actors v MyBookmarks ,

¬ BruceWillis v Actors ,

¬ BenStiller v Actors ,

¬ P2:BruceWillis

¬ JuliaRoberts v Actors ,

¬ ViewBruceWillisv BruceWillis ,

¬ ViewBenStillerv BenStiller ,

¬ ViewJuliaRobertsv JuliaRoberts

¬ P2:BenStiller v P3:Comedy

 P3:ViewThriller

 P1:ViewAction v  P1:ViewSuspense

 P2:ViewBruceWillis v  P1:ViewSuspense

v

ontology :

¬ P1:ViewSuspense

¬ P1:ViewSuspense

ontology :

¬ P2:ViewBruceWillis

¬ P1:ViewAction

¬ P1:ViewAction

¬ P1:ViewAction

mappings :

mappings :

P2:BenStiller

P2:BruceWillis

ontology :

¬ P2:ViewBruceWillis

¬ P2:ViewBruceWillis

mappings :

slide18
P3:ViewThriller

P1:ViewAction P1:ViewSuspense

ontology :

ontology :

¬ Movies v

MyBookmarks ,

¬ DVD v MyBookmarks,

¬ Comedy v Movies ,

¬ Thriller v Movies ,

¬ Animation v DVD ,

P1:Action

P1

P3

P2

P1

¬ Action v DVD ,

¬ Cartoons v Movies ,

¬ Adult v Movies ,

P1:Suspense

¬ Suspense v DVD ,

¬ Adult v¬ Cartoons ,

P1:Animation

¬ ViewAnimationv Animation ,

¬ ViewComedy v Comedy ,

¬ ViewCartoons v Cartoons ,

¬ ViewAdult v Adult

¬ ViewThriller v Thriller ,

¬ ViewActionv Action ,

mappings :

¬ ViewSuspensev Suspense

¬ P1:Action v P1:Suspense v P3:Thriller

mappings :

mappings :

¬P1:Animation v P3:Cartoons

¬ P2:BruceWillis v P1:Action

¬P2:BenStiller v P3:Comedy

ontology :

ontology :

¬ Actors v MyBookmarks ,

¬ BruceWillis v Actors ,

¬ BenStiller v Actors ,

¬ JuliaRoberts v Actors ,

¬ ViewBruceWillisv BruceWillis ,

¬ ViewBenStillerv BenStiller ,

¬ ViewJuliaRobertsv JuliaRoberts

mappings :

mappings :

¬ P2:BenStiller v P3:Comedy

Locales

Distantes

Intégration

P2:ViewBruceWillis P1:ViewSuspense

P2:BenStiller

P2:BruceWillis

slide19
L’algorithme DeCa : illustration

P2

¬ I v P

P4

¬ K v B

¬ C v H

¬ PAL v AM

P3

¬ K v FJ

¬ B v ¬ K v PAL

B,PAL

I

K

K,C

P1

¬ L v O ¬L v I

¬ L v C v K

slide20
avant:I , [ (L,P1) ]

L ?

P2

¬ I v P

Nature du message

(avant, arrière, fin)

Historique

C:

v

K:

  • Raisonnement local
  • Passage de messages
  • Gestion d’historique dans les messages

P4

¬ K v B

¬ C v H

¬ PAL v AM

P3

¬ K v FJ

¬ B v ¬ K v PAL

B,PAL

I, [(L,P1)]:

P

I

K

K,C

P1

¬ L v O ¬L v I

¬ L v C v K

O

L

O

I :

slide21
fin:I , [ (L,P1) ]

L ?

P2

¬ I v P

C:

v

K:

  • Raisonnement local
  • Passage de messages
  • Gestion d’historique dans les messages

P4

¬ K v B

¬ C v H

¬ PAL v AM

P3

¬ K v FJ

¬ B v ¬ K v PAL

B,PAL

I, [(L,P1)]:

P

P

I

K

K,C

P1

¬ L v O ¬L v I

¬ L v C v K

O

L

O

P

I :

P

slide22
avant:C , [ (L,P1) ]

avant:K , [ (L,P1) ]

L ?

P2

¬ I v P

I, [(L,P1)]:

P

P

C:

v

K:

  • Raisonnement local
  • Passage de messages
  • Gestion d’historique dans les messages

P4

¬ K v B

¬ C v H

¬ PAL v AM

P3

¬ K v FJ

¬ B v ¬ K v PAL

B,PAL

C, [(L,P1)]:

K, [(L,P1)]:

I

K

K,C

P1

¬ L v O ¬L v I

¬ L v C v K

O

L

O

P

I :

P

slide23
L ?

P2

¬ I v P

I, [(L,P1)]:

P

P

C:

v

K:

  • Raisonnement local
  • Passage de messages
  • Gestion d’historique dans les messages
  • Découpage / recombinaison

P4

¬ K v B

¬ C v H

¬ PAL v AM

P3

¬ K v FJ

¬ B v ¬ K v PAL

B,PAL

C, [(L,P1)]:

H

H

K, [(L,P1)]:

B

B

I

K

K,C

P1

¬ L v O ¬L v I

¬ L v C v K

O

L

H

O

P

B

H v B

I :

P

slide24
Génération de la clause vide

Détection de cycles

L ?

P2

¬ I v P

I, [(L,P1)]:

P

P

avant:B , [ (K,P4), (L,P1) ]

¬ K:

v

¬ K , [ (B,P3) , (K,P4), (L,P1) ]

PAL

C:

v

K:

Négation de la requête dans l’historique  génération de la clause vide

  • Raisonnement local
  • Passage de messages
  • Gestion d’historique dans les messages
  • Découpage / recombinaison

P4

¬ K v B

¬ C v H

¬ PAL v AM

P3

¬ K v FJ

¬ B v ¬ K v PAL

B,PAL

B, [(K,P4),(L,P1)]

C, [(L,P1)]:

H

K, [(L,P1)]:

B

I

K

K,C

P1

¬ L v O ¬L v I

¬ L v C v K

O

L

H

O

P

B

H v B

I :

P

slide25
Génération de la clause vide

Détection de cycles

L ?

P2

¬ I v P

I, [(L,P1)]:

P

P

¬ K:

v

PAL

C:

v

K:

  • Raisonnement local
  • Passage de messages
  • Gestion d’historique dans les messages
  • Découpage / recombinaison

P4

¬ K v B

¬ C v H

¬ PAL v AM

P3

¬ K v FJ

¬ B v ¬ K v PAL

B,PAL

B, [(K,P4),(L,P1)]

C, [(L,P1)]:

H

PAL

K, [(L,P1)]:

B

PAL

I

K

K,C

P1

¬ L v O ¬L v I

¬ L v C v K

O

L

H

O

P

B

H v B

I :

P

H v PAL

slide26
L’algorithme DeCa : propriétés
  • Anytime
  • Termine et notifie sa terminaison
  • Correct
  • Condition suffisante de complétude:
    • tout couple de pairs ayant une variable A en commun est relié par un chemin dont toutes les arêtes sont étiquetées par A
slide27
L’algorithme DeCa : résumé

Une clause c

Tous les ppis de c relativement à la théorie globale…

inconnue!

d ploiement de somewhere
1 machine

N pairs

N machines

K pairs par machine

N machines

1 pair par machine

Déploiement de SomeWhere
slide29
Zoom sur une machine

100 % JAVA 1.5

somewhere.jar ~ 250 Ko

handling inconsistencies
B’ A’

A B

A’

A

B’

B

Handling inconsistencies
  • How to define them ?
    • unsatisfiability => derivation of the empty clause
    • empty classes => derivation of unit negative clauses
  • How to detect inconsistencies?
    • at each join of a new peer
  • How to deal with inconsistencies?
    • avoid them when reasoning

there exists A such that A is empty in every model: S |= A

illustration
2005

m0

AIPubliTheory

AIPubli

BDPubli

2005Conf

TheoryJournal

m1

m2

Publi

P3

>--<

Conf

Journal

illustration

path m1:

AIPubli is a subclass of Conf.

Article

P1

P2

Theory

path m0 -> m2: AIPublic is a subclass of Journal.

Expe

Conf and Journal are disjoint, therefore AIPUbli is necessarily empty

inconsistencies are caused by mappings.

p2p detecting of inconsistencies
¬2005v Conf

¬Theoryv Journal

m2

m1

P2P detecting of inconsistencies

¬AIPubli v 2005

¬BDPubli v 2005

¬Theory v Article

¬Expe v Article

¬AIPubliv Theory

¬Conf v Publi

¬Journal v Publi

¬Journal v ¬Conf

  • Propagation of m2: { ¬TheoryvJournal;¬AIPublivJournal;…..;¬AIPubli ;…;¬AIPubliv¬Conf}. Production of a unit clause Inconsistency{m1,m2} is a NoGood stored at P3
  • Propagation of m1: { ¬AIPublivConf;¬AIPublivPubli;¬AIPubliv¬Journal; ¬BDPublivConf; ¬BDPublivPubli;¬BDPubliv¬Journal}. No production of unit clause No inconsistency
slide34
P2P well-founded reasoning
  • Principle:
    • avoid the inconsistencies when constructing answers
  • Semantics of « well-founded » answer:
    • obtained from a consistent subset of formulas
  • Algorithm:
    • for each answer,
      • build its set of mapping supports and return the set of NoGoods encountered during the reasoning,
      • discard the mapping supports including a NoGood
    • return the answers having a not empty set of mapping supports
somerdfs
MuseumName

http://www.louvre.fr

"Le Louvre"

Located

CityName

" Paris"

http://www.paris.fr

SomeRDFS
  • Extending the data model to RDF(S)
    • W3C recommendation for describing web resources
    • Classes and (binary) relations between objects
    • each object is identified by a URI

Triple notation:

Relational notation: property(resource, value)

rdf s
CulturalPlace

Is-a

Contains

MadeBy

MuseumName

Literal

Work

Artist

Museum

WorkName

Located

ArtistName

Is-a

Is-a

Literal

Literal

CityName

Literal

City

ModernMuseum

ArcheologyMuseum

RDFS
somerdfs data model
SomeRDFS: data model

a simple fragment of RDFS

distributed throughsimplemappings

(using the same constructors)

Q(X,Y): P2.Work(X)P2.refersTo(X,Y)

query rewriting in somerdfs
Query rewriting in SomeRDFS
  • Propositionalisation of the RDFS statements and the query: removing the variables
  • Propositional query rewriting using SomeWhere
  • Building the relational rewritings by adding the variables at the right place.

C1dom  C2dom C1range C2range P1rel P2rel

Prel  Cdom Prel  Crange

illustration39
P2.refersTorel

P2.Workdom P2.Workrange

SomeWhere rewriting

SomeWhere rewriting

SomeWhere rewriting

P2.Paintingdom …

P1.Paintsrel …

P1.belongsTorel …

P1.belongsTo(X,Y)

P2.Painting(X)

P1.Paints(Z,X)

R1(X,Y): P2.Painting(X)P1.belongsTo(X,Y)

illustration

Q(X,Y): P2.Work(X)P2.refersTo(X,Y)

illustration40
P2.refersTorel

P2.Workdom P2.Workrange

SomeWhere rewriting

SomeWhere rewriting

SomeWhere rewriting

P2.Paintingdom …

P1.Paintsrel …

P1.belongsTorel …

P1.belongsTo(X,Y)

P2.Painting(X)

P1.Paints(Z,X)

R2(X,Y): P1.Paints(Z,X)P1.belongsTo(X,Y)

illustration

Q(X,Y): P2.Work(X)P2.refersTo(X,Y)

slide41
Recherche sémantique d’informations
  • requêtes :
    • posées à un pair, utilisant le vocabulaire du pair : Action1, non-Drama1, …
    • peuvent être traitées par SomeWhere et Deca via un encodage propositionnel : concept -> variable, relation de concepts -> disjonction/conjonction/disjointness de variables
  • résultats : un ensemble de ressources
    • chacune accompagnée d’une justification logique : son label (une combinaison de classes « feuilles » des pairs)

41

slide42
Modélisation et calcul de la confiance
  • La satisfaction des utilisateurs n’est pas garantie :
    • une ressource mal-annotée : Shrek.avi : Drama !
    • différents points de vue : IamLegend.avi : Scientifique ou Thriller ?
  • Un modèle de confiance
    • la confiance est considérée au niveau de label

42

slide43
Modélisation probabiliste
  • Hypothèse : évaluation binaire de ressources
  • Soit XiL une variable aléatoire
    • définie sur l’ensemble des ressources annotées par L
    • XiL (r) = 1 si r satisfait Pi , XiL (r) = 0 sinon

=> elle suit une loi de Bernoulli de paramètre p

      • p : probabilité qu’une ressource annotée par L soit satisfaisante pour Pi
      • p:inconnu
  • Confiance de Pi dans un label L = p.

A estimer !

43

slide44
Approche Bayésienne
  • Principe :
    • observer un échantillon des valeurs de XiL
    • modéliser Confiance(Pi , L) comme une variable aléatoire suivant une loi qui tient compte des observations
    • estimer Confiance(Pi , L) par l’espérance de cette loi
    • affiner l’estimation en fonction de nouvelles observations

44

slide45
Observations

# d’observations + sur L faites par P1

# d’observations - sur L faites par P1

Observations pertinentes

O-1 (Western4) = 14

O+1 (Western4) = 2

# d’observations + pertinentes sur Western4

# d’observations -pertinentes sur Western4

Cas général: O+i (L) O-i (L)

  • Table des observations O1 dans le pair P1

45

slide46
Estimation de la confiance

1+ O+i (L)

2+ O+i (L) + O-i (L)

Ecart type =

(1+ O+i (L)) * (1+ O-i (L))

(2+ O+i (L) + O-i (L))2 * (3+ O+i (L) + O-i (L))

Confiance(Pi , L) ≈

46

slide47
Résultats
  • on peut calculer le nombre d’observations nécessaire pour que l’écart type soit inférieure à un seuil.
  • observations locales trop peu nombreuses?

47

slide48
Observations locales non suffisantes
  • Collection d’observations d’autres pairs
    • avantage : homogénéité du modèle
  • 2 stratégies de propagation d’observations
    • stratégie « lazy »
    • stratégie « greedy »

48

slide49
Approche « lazy »
  • Poser une requête, attendre les réponses
  • Pour un label L, demander à certains pairs leurs observations sur L
  • Pas d’adaptation du mécanisme de raisonnement
  • Des messages supplémentaires après le traitement de la requête

49

slide50
Approche « greedy »

b4.avi : B4

O+3(B4) , O-3(B4)

O+2(B4) , O-2(B4)

B1

  • Poser une requête
  • Collecter les observationsau cours du traitement de la requête
  • Etendre les messages de réponses

B2 B1

Pair P4

Pair P2

Pair P3

Pair P1

b4.avi : B4

A1

A2

A4

A3

B3 B2

B4 B3

O+3(B4)

O-3(B4)

B2

B3

B1

B4

C4

C1

C3

C2

b4.avi : B4

50

slide51
Discussion sur le modèle proposé
  • La confiance évolue
  • La valeur de confiance : moyen numérique pour ordonner des réponses
  • Contre des pairs malicieux :
    • peut identifier les pairs diffusant des virus
    • peut utiliser un vote majoritaire pour ignorer les menteurs

51

r f rences
Références
  • Distributed Reasoning in a Peer-to-Peer Setting: Application to the Semantic Web. Philippe Adjiman, Philippe Chatalic, Francois Goasdoué, Marie-Christine Rousset, Laurent Simon, Journal of Artificial Intelligence Research, Volume 25, pages 269-314.
  • SomeRDFS in the Semantic Web. Philippe Adjiman, Francois Goasdoué, Marie-Christine Rousset. Journal of Data Semantics (JoDS), Volume 8.
  • Reasoning with Inconsistencies in Propositional Peer-to-Peer Inference Systems. Philippe Chatalic, Gia-Hien Nguyen, Marie-Christine Rousset. Proceedings of ECAI 2006 (European Conference on Artificial Intelligence, pages 352-357.
  • A Probabilistic Trust Model for Semantic Peer to Peer Systems Gia-Hien Nguyen, Philippe Chatalic, Marie-Christine Rousset. Proceedings of EDBT'08 Workshop on Data Management in Peer-to-peer systems.
logique des propositions rappel
Logique des propositions (rappel)
  • Vocabulaire : variables propositionnelles (propositions vraies ou fausses)
  • Formules:
    • Atomiques : p
    • Composées:  , , , 
  • Interprétation
    • une fonction I de l’ensemble des propositions vers {V,F}n
    • I() = V ssi I() = V et I() = V
    • I () = V ssi I() = V ou I() = V
    • I() = V ssi I() = F
propri t s
Propriétés
  • Nombre fini d’interprétations pour une formule
    • Raisonnement décidable
    • Complexité exponentielle dans le cas le pire
      • 2n interprétations pour une formule avec n variables propositionnelles
  • Toute formule est équivalente à une conjonction de clauses
    • Complexité pôlynomiale de la transformation
    • Une clause: une disjonction de littéraux
    • Un littéral: p , q
  • Exemple : (p1  (p2  (p3  p4)))
algorithmes de raisonnement sur des ensembles de clauses
Algorithmes de raisonnement sur des ensembles de clauses
  • Principe de résolution
    • Différentes stratégies
  • En profondeur d’abord
    • Complète pour tester la satisfiabilité (dérivation de la claude vide)
    • p3, p1 p3 p2 p3 p2  p1
  • Saturation en largeur d’abord
    • Complète pour calculer tous les impliqués premiers
    • Une clause c est un impliqué premier de T si :
      • T |= c
      • si T |= c’ et c’ |= c alors c’ c
  • Exemple:

T= {p1p2p3, p1 p4 , p3 p5}

    • p4  p5 est un impliqué premier (propre) de T  { p2}

p4p5 est un implicant premier (propre) de T  { p2}

ad