論文の概要: An Incentive-Compatible Reward Sharing Mechanism for Mitigating Mirroring Attacks in Decentralized Data-Feed Systems

• arxiv url: http://arxiv.org/abs/2509.11294v1
• Date: Sun, 14 Sep 2025 14:33:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:23.01765
• Title: An Incentive-Compatible Reward Sharing Mechanism for Mitigating Mirroring Attacks in Decentralized Data-Feed Systems
• Title（参考訳）: 分散データフィードシステムにおけるミラーリング攻撃の緩和のためのインセンティブ・コンパティブル・リワード共有機構
• Authors: Sina Aeeneh, Nikola Zlatanov, Jiangshan Yu,
• Abstract要約: 投票ベースのデータフィードシステムの信頼性と信頼性に及ぼすミラーリング攻撃の影響について検討する。 本稿では,シビル行動を妨げる新たなインセンティブ機構を提案する。
• 参考スコア（独自算出の注目度）: 9.565675024370941
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Decentralized data-feed systems enable blockchain-based smart contracts to access off-chain information by aggregating values from multiple oracles. To improve accuracy, these systems typically use an aggregation function, such as majority voting, to consolidate the inputs they receive from oracles and make a decision. Depending on the final decision and the values reported by the oracles, the participating oracles are compensated through shared rewards. However, such incentive mechanisms are vulnerable to mirroring attacks, where a single user controls multiple oracles to bias the decision of the aggregation function and maximize rewards. This paper analyzes the impact of mirroring attacks on the reliability and dependability of majority voting-based data-feed systems. We demonstrate how existing incentive mechanisms can unintentionally encourage rational users to implement such attacks. To address this, we propose a new incentive mechanism that discourages Sybil behavior. We prove that the proposed mechanism leads to a Nash Equilibrium in which each user operates only one oracle. Finally, we discuss the practical implementation of the proposed incentive mechanism and provide numerical examples to demonstrate its effectiveness.
• Abstract（参考訳）: 分散データフィードシステムにより、ブロックチェーンベースのスマートコントラクトが、複数のオーラクルから値を集約することで、オフチェーン情報にアクセスできるようになる。 精度を向上させるために、これらのシステムは通常、過半数投票のような集約関数を使用して、オラクルから受け取った入力を統合し、決定する。 最終決定とオラクルが報告した値によって、参加するオラクルは報酬の共有によって補償される。 しかし、そのようなインセンティブメカニズムは、単一のユーザが複数のオーラクルを制御してアグリゲーション関数の決定を偏り、報酬を最大化するミラーリング攻撃に対して脆弱である。 本稿では,多数決に基づくデータフィードシステムの信頼性と信頼性に対するミラーリング攻撃の影響を解析する。 我々は,既存のインセンティブメカニズムが,合理的なユーザに対して,そのような攻撃を意図せず促すことを実証する。 そこで本研究では,Sybilの動作を阻害する新たなインセンティブ機構を提案する。 提案手法がNash Equilibriumに繋がることを示す。 最後に,提案するインセンティブ機構の実践的実装について考察し,その有効性を示す数値的な例を示す。

関連論文リスト

• When Autonomy Goes Rogue: Preparing for Risks of Multi-Agent Collusion in Social Systems [78.04679174291329]
  悪意のあるマルチエージェントシステム(MAS)のリスクをシミュレートするための概念実証手法を提案する。 この枠組みを、誤情報拡散とeコマース詐欺という2つのリスクの高い分野に適用する。 その結果,分散システムの方が,集中型システムよりも悪意ある行動を実行するのに効果的であることが示唆された。
  論文  参考訳（メタデータ） (2025-07-19T15:17:30Z)
• Deceptive Sequential Decision-Making via Regularized Policy Optimization [54.38738815697299]
  我々は,自律的なシステムをマルコフ決定プロセスとしてモデル化し,逆強化学習を用いて報酬関数を復元する。 本稿では,システム報酬に対する敵意を積極的に欺く政策合成問題に対する3つの規則化戦略を示す。 我々は,その最適かつ非知覚的価値の少なくとも97%の累積報酬を達成しつつ,反逆的,標的的,公平な詐欺が虚偽の信念に逆らうことを示している。
  論文  参考訳（メタデータ） (2025-01-30T23:41:40Z)
• Proof-of-Collaborative-Learning: A Multi-winner Federated Learning Consensus Algorithm [2.5203968759841158]
  協調学習(PoCL, Proof-of-Collaborative-Learning)は,多自由度学習による協調学習によるコンセンサス機構である。 PoCLはブロックチェーンのパワーをリダイレクトして、フェデレートされた学習モデルをトレーニングする。 鉱夫の局所訓練モデルの効率性を確保するための新しい評価機構を提案する。
  論文  参考訳（メタデータ） (2024-07-17T21:14:05Z)
• Jailbreaking as a Reward Misspecification Problem [80.52431374743998]
  本稿では,この脆弱性をアライメントプロセス中に不特定性に対処する新たな視点を提案する。 本稿では,報酬の相違の程度を定量化し,その有効性を実証する指標ReGapを紹介する。 ReMissは、報酬ミスの空間で敵のプロンプトを生成する自動レッドチームリングシステムである。
  論文  参考訳（メタデータ） (2024-06-20T15:12:27Z)
• Defending Against Poisoning Attacks in Federated Learning with Blockchain [12.840821573271999]
  ブロックチェーンと分散台帳技術に基づくセキュアで信頼性の高いフェデレーション学習システムを提案する。 本システムでは,オンチェーン型スマートコントラクトを利用したピアツーピア投票機構と報酬アンドスラッシュ機構を組み込んで,悪意ある行動の検出と検出を行う。
  論文  参考訳（メタデータ） (2023-07-02T11:23:33Z)
• Mechanisms that Incentivize Data Sharing in Federated Learning [90.74337749137432]
  我々は、データ共有の利点が完全に損なわれているような、ナイーブなスキームが破滅的なフリーライディングのレベルにどのように結びつくかを示す。 次に,各エージェントが生成するデータ量を最大化する精度形成機構を導入する。
  論文  参考訳（メタデータ） (2022-07-10T22:36:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。