(Social networks) and Semantic peer-to-peer systems

(Social networks) and Semantic peer-to-peer systems

2

Systèmes pair-à-pair

Coalition de serveurs d’information indépendants (pairs)

Chaque pair peut être soit client soit serveur

Architecture dynamique

De différents systèmes pair à pair

madonna.mp3 ?

Partage de fichiers mots-clés : KaZaA… Gestion de données : Piazza

SELECT * FROM …

WHERE … ?3

http://images.google.fr/imgres?imgurl=http://img.lenta.ru/internet/2004/03/19/kazaa/picture.jpg&imgrefurl=http://lenta.ru/internet/2004/03/19/kazaa/&h=208&w=340&sz=11&hl=fr&start=52&tbnid=ja_lg0oS99fW6M:&tbnh=73&tbnw=119&prev=/images?q=kazaa&start=36&ndsp=18&svnum=10&hl=fr&lr=&sa=N



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 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 : 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 »

Modèle de données

A0

A1 A2

A3 A4 A5

St_A3St_A5

Data Data

Ontology: hierarchy of intentional classes

Schema+Data

Storage description: extensional classes

More complex inclusion statement: St_A1 A1 ¬A2

Modèle de données

Mappings:

Q1 Q2

Q

A1 (A2 A3) B1 ¬B3

A1 A2

A3

A

B

B1 B2

B3

Queries:

Logical combination of class literals: A1 ¬A3

A1 B3 B3 A1

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

P1ontology :ontology : P3

P2:BenStiller P3:Comedy

mappings :

P1:Action P1:Suspense P3:Thriller

P1:Animation P3:Cartoons

P2ontology :

P2:BruceWillis P1:Action

mappings :

P2:BruceWillis P2:BenStiller

P1:Action

P1:Suspense

P1:Animation

ViewJuliaRoberts J uliaRoberts

Actors MyBookmarks ,

BruceWillis Actors ,

BenStiller Actors ,

JuliaRoberts Actors ,

ViewBruceWillis BruceWillis ,

ViewBenStiller BenStiller ,

Illustration sur un exemple

MyBookmarks

DVD

Animation Action Suspense

ViewAnimation ViewAction ViewSuspense

MyBookmarks

Movies

Comedy Thriller Cartoons Adult

ViewAdultViewCartoonsViewThrillerViewComedy

JuliaRoberts

MyBookmarks

Actors

BruceWillis BenStiller

ViewBruceWillis ViewBenStiller ViewJuliaRoberts

P1

P3

P2


P1:Action

P1:Suspense

P1:Animation

ontology :


mappings :

MyBookmarks

DVD

Animation Action Suspense

ViewAnimation ViewAction ViewSuspense

ontology :

mappings :


P2:BenStiller P3:Comedy P1:Animation P3:Cartoons

MyBookmarks

Movies

Comedy Thriller Cartoons Adult

ViewAdultViewCartoonsViewThrillerViewComedy

JuliaRoberts

MyBookmarks

Actors

BruceWillis BenStiller

ViewBruceWillis ViewBenStiller ViewJuliaRoberts

ontology :

Thriller Comedy ?

Requêtes: combinaison logique de classes

Illustration sur un exemple

Calcul des réponses à une requête

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

Qu’est ce qu’une réponse ?

Comment trouver toutes les réponses certaines ?

(réponse certaine)

Soit un PDMS someOWL et l’ensemble de ses données

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]

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

Par encodage propositionnel direct

Propriété de transfertSoit P un PDMS et Prop(P) son encodage propositionnel. Qe est réécriture maximale d’une requête Q ssi Prop(Qe) est un impliqué premier propre de Prop(Q) rel. à Prop(P)

SomeOwl : calcul des réécritures

P1ontology :

mappings :

ontology : P3

mappings :

P2ontology :

mappings :


P1:Action

P1:Suspense

P1:Animation

¬ Action v DVD ,

¬ P2:BruceWillis v P1:Action

¬ DVD v MyBookmarks ,

¬ Animation v DVD , ¬ Suspense v DVD ,

¬ ViewAnimation v Animation , ¬ ViewAction v Action ,

¬ ViewSuspense v Suspense

¬ ViewCartoons v Cartoons ,

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

¬ P2:BenStiller v P3:Comedy ¬ P1:Animation v P3:Cartoons

MyBookmarks ,¬ Movies v

¬ Comedy v Movies , ¬ Thriller v Movies ,

¬ Cartoons v Movies , ¬ Adult v Movies ,

¬ Adult v ¬ Cartoons ,

¬ ViewAdult v Adult

¬ ViewComedy v Comedy ,

¬ ViewThriller v Thriller ,

¬ P2:BenStiller v P3:Comedy

¬ ViewJuliaRoberts v JuliaRoberts

¬ Actors v MyBookmarks ,

¬ BruceWillis v Actors ,

¬ BenStiller v Actors ,

¬ JuliaRoberts v Actors ,

¬ ViewBruceWillis v BruceWillis ,

¬ ViewBenStiller v BenStiller ,

SomeWhere : illustration

P2:BenStiller P3:Comedy

ViewJuliaRoberts JuliaRoberts

Actors MyBookmarks ,

BruceWillis Actors ,

BenStiller Actors ,

JuliaRoberts Actors ,

ViewBruceWillis BruceWillis ,

ViewBenStiller BenStiller ,


Action DVD DVD MyBookmarks ,

Animation DVD , Suspense DVD ,

ViewAnimation Animation , ViewAction Action , ViewSuspense Suspense


P2:BenStiller P3:Comedy P1:Animation P3:Cartoons

MyBookmarks ,Movies

Comedy Movies , Thriller Movies ,

Cartoons Movies , Adult Movies ,

Adult Cartoons ,

ViewCartoons Cartoons ,

ViewAdult Adult

ViewComedy Comedy ,

ViewThriller Thriller ,

P1ontology :

mappings :

ontology :P3

mappings :

P2ontology :

mappings :


P1:Action

P1:Suspense

P1:Animation

¬ Action v DVD ,
























Thriller ?Thriller ?

P1

¬ P1:Suspense

¬ P1:Action ¬ P1:ViewAction

¬ P1:ViewSuspense¬ P1:ViewSuspense

¬ P1:ViewAction

¬ P2:BruceWillis

¬ P2:ViewBruceWillis¬ P2:ViewBruceWillis

¬ P2:ViewBruceWillis

¬ P1:ViewAction

v

P3:ViewThriller

P1:ViewAction v P1:ViewSuspense

P2:ViewBruceWillis v P1:ViewSuspense P2:ViewBruceWillis P1:ViewSuspense

P3:ViewThriller

P1:ViewAction P1:ViewSuspense

P1

P3

P2


P1:Action

P1:Suspense

P1:Animation

P1

ontology :

mappings :

ontology :

mappings :

ontology :

mappings :

¬ Action v DVD ,
























mappings :

ontology :

mappings :

Locales

Distantes

Intégration P2:ViewBruceWillis P1:ViewSuspense

P3:ViewThriller

P1:ViewAction P1:ViewSuspense

L’algorithme DeCa : illustration

I

K

K,C

B,PAL

¬ L v O ¬L v I

¬ L v C v K

P1

¬ K v FJ

¬ B v ¬ K v PAL

P3

¬ K v B

¬ C v H

¬ PAL v AM

P4

¬ I v P P2

I

K

K,C

B,PAL

¬ L v O ¬L v I

¬ L v C v K

P1

¬ K v FJ

¬ B v ¬ K v PAL

P3

¬ K v B

¬ C v H

¬ PAL v AM

P4

L ? L

O C:vK:

I :

Nature du message

(avant, arrière, fin)Historique

• Passage de messages

• Gestion d’historique dans les messages

avant:I , [ (L,P1) ]

O

¬ I v P P2

• Raisonnement local

I, [(L,P1)]: P

I

K

K,C

B,PAL

¬ L v O ¬L v I

¬ L v C v K

P1

¬ K v FJ

¬ B v ¬ K v PAL

P3

¬ K v B

¬ C v H

¬ PAL v AM

P4

L ? L

O C:vK:

I :



O

¬ I v P P2


I, [(L,P1)]: P

P

P

fin:I , [ (L,P1) ]

P

http://fr.wrs.yahoo.com/_ylt=A9iby42JvwZFIkYBkwZlAQx./SIG=1f46k6m69/EXP=1158156553/**http%3A//fr.search.yahoo.com/search/images/view%3Fback=http%253A%252F%252Ffr.search.yahoo.com%252Fsearch%252Fimages%253Fp%253Dvalide%2526ei%253DUTF-8%2526ybs%253D0%2526xargs%253D0%2526fr%253DFP-tab-img-t340%2526b%253D41%26w=13%26h=12%26imgurl=www.euro-petrole.com%252Fimages%252Fvalide.gif%26rurl=http%253A%252F%252Fwww.euro-petrole.com%252Fimages%253FD%253DD%26size=145%26name=valide.gif%26p=valide%26type=gif%26no=43%26tt=18%20339%26oid=e083ee3508b4ddb6%26ei=UTF-8

I

K

K,C

B,PAL

¬ L v O ¬L v I

¬ L v C v K

P1

¬ K v FJ

¬ B v ¬ K v PAL

P3

¬ K v B

¬ C v H

¬ PAL v AM

P4

L

O

C, [(L,P1)]:

K, [(L,P1)]:

C:vK:

I :

avant:C , [ (L,P1) ]



avant:K , [ (L,P1) ]

O

¬ I v P P2


I, [(L,P1)]: PP

L ?

P

P


I

K

K,C

B,PAL

¬ L v O ¬L v I

¬ L v C v K

P1

¬ K v FJ

¬ B v ¬ K v PAL

P3

¬ K v B

¬ C v H

¬ PAL v AM

P4

L ? L

O

C, [(L,P1)]:

K, [(L,P1)]:

C:vK:

I :

O

H

B

H

B

H

BH v B

• Découpage / recombinaison

¬ I v P P2




I, [(L,P1)]: PP

P

P


I

K

K,C

B,PAL

¬ L v O ¬L v I

¬ L v C v K

P1

¬ K v FJ

¬ B v ¬ K v PAL

P3

¬ K v B

¬ C v H

¬ PAL v AM

P4

L ? L

O

C, [(L,P1)]:

K, [(L,P1)]:

C:vK:

I :

O

H

B

H

B

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

B, [(K,P4),(L,P1)]¬ K:

vPAL

¬ K , [ (B,P3) , (K,P4), (L,P1) ]

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

□

□

Génération de la clause vide

Détection de cycles

¬ I v P P2





I, [(L,P1)]: PP

PH v B

P


I

K

K,C

B,PAL

¬ L v O ¬L v I

¬ L v C v K

P1

¬ K v FJ

¬ B v ¬ K v PAL

P3

¬ K v B

¬ C v H

¬ PAL v AM

P4

L ? L

O

C, [(L,P1)]:

K, [(L,P1)]:

C:vK:

I :

O

H

B

H

B

B, [(K,P4),(L,P1)]¬ K:

vPAL

□PAL PAL

H v PAL

…

¬ I v P P2





Génération de la clause vide

Détection de cycles

I, [(L,P1)]: PP

PH v B

P


• 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

L’algorithme DeCa : propriétés

Une clause c

Tous les ppis de c relativement à la théorie globale… inconnue !

L’algorithme DeCa : résumé

Déploiement de SomeWhere

1 machine

N pairs

N machines

K pairs par machine

N machines

1 pair par machine

Zoom sur une machine

100 % JAVA 1.5

somewhere.jar ~ 250 Ko

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

A’

A

B’

B

B’ A’

A B

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

illustration

path m1:

AIPubli is a subclass of Conf.

inconsistencies are caused by mappings.

Article

Theory Expe

P2

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

Conf and Journal are disjoint, therefore AIPUbli is necessarily empty

Publi

Conf Journal

P3

>--<

2005

AIPubli BDPubli

P1

AIPubli Theory

m0

Theory Journal

m2

2005 Conf

m1

P2P detecting of inconsistencies

Propagation of m1: { ¬AIPubli v Conf;

¬AIPubli v Publi;¬AIPubli v ¬Journal;

¬BDPubli v Conf; ¬BDPubli v Publi;

¬BDPubli v ¬Journal }. No production of unit clause

No inconsistency

Propagation of m2: { ¬Theory v Journal;

¬AIPubli v Journal;…..;

¬AIPubli ;…;

¬AIPubli v ¬Conf}. Production of a unit clause

Inconsistency{m1,m2} is a NoGood stored at P3

¬Conf v Publi¬Journal v Publi¬Journal v ¬Conf

¬AIPubli v 2005¬BDPubli v 2005

¬Theory v Article¬Expe v Article

¬AIPubli v Theory

¬2005 v Conf

m1

¬Theory v Journal

m2

Distributed storage of the NoGoods

{ M*2

M*1

M*n

… }{ }

{ }

• 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

P2P well-founded reasoning

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

http://www.louvre.fr "Le Louvre" MuseumName

http://www.paris.fr

Located

" Paris" CityName

Triple notation: <resource, property, value>Relational notation: property(resource, value)

RDFS

ArtistNameLocated

MadeBy

Contains

City CityName

Literal

Museum Work ArtistMuseumNameLiteral

Is-a

ArcheologyMuseum

Is-a

ModernMuseum

Literal

CulturalPlace

Is-a

WorkName

Literal

SomeRDFS: data model

a simple fragment of RDFS

distributed through simple mappings

(using the same constructors)

Q(X,Y): P2.Work(X)P2.refersTo(X,Y)

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 C2

dom C1range C2

range P1rel P2

rel

Prel Cdom Prel Crange

illustration


P2.Workdom P2.Workrange

P2.Paintingdom …

SomeWhere rewriting

SomeWhere rewriting

P1.Paintsrel …

SomeWhere rewriting

P1.belongsTorel …

P2.Painting(X) P1.Paints(Z,X) P1.belongsTo(X,Y)

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

P2.refersTorel

illustration


P2.Workdom P2.Workrange

P2.Paintingdom …

SomeWhere rewriting

SomeWhere rewriting

P1.Paintsrel …

SomeWhere rewriting

P1.belongsTorel …

P2.Painting(X) P1.Paints(Z,X) P1.belongsTo(X,Y)

P2.refersTorel

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

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)

Ressource Label

UnSecret Drama4

IamLegend.avi USA3 Action1 41

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

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

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

Observations Table des observations O1 dans le pair P1

Label L #+1 (L) # -

1 (L)

MyActionFilms2 30 6

MyCartoons2 3 15

Western4 2 8

Italian5 Western4 0 6

45

Cas général: O+i (L) O-

i (L)

Observations pertinentes

# d’observations + sur L faites par P1

# d’observations - sur L faites par P1

O+1 (Western4) = 2

# d’observations + pertinentes sur Western4

# d’observations -pertinentes sur Western4

O-1 (Western4) = 14

Estimation de la confiance

Confiance(Pi , L) ≈ 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))

46

Résultats

on peut calculer le nombre d’observations nécessaire pour que l’écart type soit inférieure à un seuil.

observations locales trop peu nombreuses?

Label L Confiance Ecart type

MyActionFilms2 0.815 0.062

MyCartoons2 0.2 0.087

Western4 0.166 0.085

Italian5 Western4 0.125 0.11

47

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

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

Approche « greedy »

Poser une requête

Collecter les observationsau cours du traitement de la requête

Etendre les messages de réponses

A1

C1B1

Pair P1Pair P1 A2

C2B2

Pair P2Pair P2

A3

C3B3

Pair P3Pair P3A4

C4B4

Pair P4Pair P4

B2 B1

B4 B3

B3 B2

B1

b4.avi : B4

b4.avi : B4

b4.avi : B4

O+3(B4) , O-

3(B4)

O+2(B4) , O-

2(B4)

O+3(B4)

O-3(B4)

50

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

menteurs51

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)

• 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

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

• 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= {p1p2p3, p1 p4 , p3 p5} p4 p5 est un impliqué premier (propre) de T { p2} p4p5 est un implicant premier (propre) de T { p2}

Documents

(Social networks) and Semantic peer-to-peer systems