查询激励网络中的防女巫攻击机制

本文研究了从网络化智能体中检索信息的激励机制。遵循 Kleinberg 和 Raghavan (2005) 的模型，智能体被表示为无限树中的节点，该树由随机分支过程生成。查询由根节点发出，每个节点以独立概率 $p=1/n$ 拥有答案。此外，树中的每个节点都策略性地行动以最大化其自身收益。为了鼓励智能体参与信息获取过程，需要一种激励机制来奖励提供信息的智能体以及协助促进此类获取的智能体。我们专注于设计高效的防女巫攻击（sybil-proof）激励机制，即能够抵御虚假身份攻击的机制。我们提出了一类称为直接推荐（direct referral, DR）的机制家族，该机制将大部分奖励分配给信息持有者及其直接父节点（或直接推荐人）。我们表明，当设计得当时，直接推荐机制是防女巫攻击且高效的。具体而言，我们证明了对于任何分支因子 $b>1$，将查询向下传播 $h$ 层的期望成本可达到 $O(h^2)$。当要求以高概率找到答案时，这一结果相较于以往工作有了指数级提升。当底层网络为确定性链时，在某些温和假设下，我们的机制是最优的。此外，由于其简单的奖励结构，DR 机制在实际应用中具有良好的采纳前景。