Dans un monde décentralisé avec des utilisateurs anonymes, il peut être difficile de faire confiance aux autres pour les transactions, les services et diverses interactions. Openrank propose une solution en offrant un score entre 0 et 1 qui indique la fiabilité d'un utilisateur en fonction de son engagement au sein de la communauté. Disponible sur les protocoles Farcaster et Lens, Openrank attribue des notes aux utilisateurs en fonction de leurs interactions avec les autres.

Openrank utilise un algorithme connu sous le nom d'EigenTrust pour générer ces scores. Explorons comment cet algorithme fonctionne et la valeur d'un protocole de classement et de réputation décentralisé dans les médias sociaux web3.

Applications d'Openrank

Réseaux sociaux

Les protocoles de graphe social web3 génèrent des données d'engagement peer-to-peer (likes, follows, commentaires, etc.). Cela aboutit à un classement ou un score pour les utilisateurs, qui peuvent être personnalisés par les développeurs. Une système de classement décentralisé permet des expériences communautaires personnalisées, réduit les spams et permet aux utilisateurs et aux développeurs de choisir leurs algorithmes.

Marketplace

Les marketplace ont besoin d'un système de réputation vérifiable pour lutter contre la fraude et les escroqueries. Un système de réputation peut fournir des attestations contextuelles peer-to-peer, rendant les transactions plus sûres et plus efficaces. Un système de classement ouverte apporte transparence, réduit les coûts de confiance et de sécurité, et ouvre l'innovation pour la détection de la fraude.

Gouvernance et financement des biens publics

Les systèmes de réputation aident à résoudre les problèmes de confiance, de vote et d'allocation des ressources dans la gouvernance. Une système de classement décentralisé permet aux communautés d'utiliser la réputation pour les décisions de gouvernance et de financement, en capturant les signaux de confiance peer-to-peer.

EigenTrust : l'algorithme derrière Openrank

L'algorithme EigenTrust est un système de gestion de réputation utilisé dans les réseaux peer-to-peer (P2P). Développé par Sep Kamvar, Mario Schlosser et Hector Garcia-Molina, EigenTrust vise à attribuer une valeur de confiance globale unique à chaque pair du réseau en fonction de leur historique d'interactions, réduisant ainsi la prévalence des comportements inauthentiques ou malveillants.

Comment fonctionne EigenTrust:

Imaginez une plateforme de médias sociaux où les utilisateurs partagent du contenu, se suivent et laissent des avis ou des likes sur les publications. La plateforme souhaite mettre en avant les utilisateurs de confiance dont le contenu est précieux et fiable.

• Valeurs de confiance locales :

  • Alice interagit avec Bob et David.

  • Alice trouve les publications de Bob très informatives et lui donne une valeur de confiance élevée de 0,9.

  • Alice trouve occasionnellement les publications de David utiles, lui donnant une valeur de confiance de 0,6.

• Normalisation :

  • Les valeurs de confiance d'Alice sont normalisées pour garantir l'équité.

  • Valeur de confiance normalisée de Bob : 0,9 / 1,5 = 0,6.

  • Valeur de confiance normalisée de David : 0,6 / 1,5 = 0,4.

• Valeurs de confiance globales :

  • La plateforme combine toutes les valeurs de confiance locales à l'aide d'un algorithme similaire au PageRank de Google.

  • Cela implique la création d'une matrice de valeurs de confiance normalisées et l'utilisation de la méthode de l'itération de puissance pour trouver le vecteur propre principal, représentant les valeurs de confiance globales.

• Confiance transitive :

  • L'algorithme suppose que la confiance est transitive.

  • Alice fait directement confiance à Bob, et Bob fait confiance à Charlie avec une valeur de 0,8.

  • Par conséquent, Alice est également susceptible de faire confiance à Charlie indirectement.

  • La confiance transitive d'Alice en Charlie est calculée comme suit :

    • Confiance normalisée d'Alice en Bob (0,6) * Confiance de Bob en Charlie (0,8) = 0,48.

• Convergence :

  • Après plusieurs itérations, les valeurs de confiance se stabilisent, reflétant la réputation de chaque utilisateur.

  • Par exemple, Bob pourrait finir avec une valeur de confiance globale de 0,7, David pourrait avoir une valeur de confiance globale de 0,5, et Charlie pourrait atteindre une valeur de confiance globale reflétant à la fois ses interactions directes et la confiance indirecte d'autres utilisateurs comme Alice et Bob.

Avantages pour une plateforme de médias sociaux

• Confiance communautaire : La confiance est construite collectivement par la communauté plutôt qu'imposée par une autorité centrale, conduisant à un système plus démocratique et robuste.

• Modération de contenu efficace : La plateforme peut mettre en avant efficacement le contenu de qualité et réduire le contenu nuisible, améliorant l'expérience et l'engagement des utilisateurs.

Caractéristiques clés de l'algorithme

• Décentralisé : Conçu pour les réseaux P2P décentralisés, nécessitant aucune autorité centrale pour calculer ou appliquer les valeurs de confiance.

• Résilience aux pairs malveillants : En agrégeant les valeurs de confiance de plusieurs pairs, l'algorithme réduit l'influence des pairs malveillants qui pourraient tenter de gonfler artificiellement leurs scores de confiance.

• Scalabilité : L'algorithme peut gérer de grands réseaux grâce à sa nature itérative et distribuée.

Pour plus de détails techniques sur Openrank et son développement, consultez les articles d'Ilemi.