面向移动群智感知的多任务分发算法

针对在移动群智感知中基于机会通信完成数据传输会消耗大量时间成本的问题,提出了一种基于中枢节点的多任务分发（HTA）算法。该算法利用节点在移动网络中社交关系属性不同的特点,通过中枢节点选择算法将部分节点作为中枢节点,并将其用于协助任务请求节点分发任务。在任务请求节点与中枢节点相遇时,同时给中枢节点本身和它的从属节点分配任务,并由中枢节点负责向从属节点分发任务与回收任务结果。基于The ONE模拟器进行实验,与在线任务分配（NTA）算法相比,HTA算法时间成本平均降低了24.9%,同时任务完成率平均提高150%。实验结果表明,HTA算法能够提高任务的完成速度,降低时间成本消耗。     

基于数据驱动的群智感知任务分配算法

摘要：群智感知技术的应用实现了人群感测作用的最大化,作为社会网络研究的核心技术之一,然而对于感知参与者的位置和轨迹不确定性的问题造成群智感知数据实时性较差。为此,本文提出了一种基于空间任务分配的移动群智任务分配算法,该算法采用动态和自适应的数据驱动方案获取最优的模式来解决感知动态化问题;算法基于公开历史轨迹的移动模型（基于马尔科夫模型）,根据初始任务按照贝叶斯推理来估算下一位置,基于该算法的数据采集策略可以实现有本地服务引导未来数据的收集,从而完成整个感知的回路反馈。本文所提出的任务分配被证明基于不确定轨迹的移动群智感知任务分配是有效的。     

移动无线传感网的移动感知路径选择算法

为解决稀疏网络环境下移动传感节点的区域全覆盖和数据传输问题,提出一种移动无线传感网的移动感知路径选择算法(MSPS)。在MSPS算法中,用数学公式表示邻居网格集合、区域覆盖率、数据传输时延、节点平均能耗等参数。采用机会路由算法进行数据传输,并建立能保证全覆盖监测区域且权衡数据传输时延、数据传输率和节点平均能耗的移动路径选择优化模型。提出到目标网格的路径寻找方法、初始染色体的确定方法和染色体适应度值计算方法。最终提出修正的多种群遗传算法求解优化模型,获得移动传感节点的最优移动方案。仿真结果表明:不管监测区域内是否存在障碍物,MSPS算法都能提高数据传输率,降低数据传输时延和节点丢弃的总数据量。在一定的条件下,MSPS算法比SGA、TCM_M、RAND_D和RAND算法更优。     

栅矢混合的移动群智感知系统任务分发方法

针对Zoom中基于栅格任务地图的分发方法中冗余数据量大、不支持任务信息渐进传输等缺点,提出了一种栅矢混合的移动群智感知系统任务分发方法。该方法通过结合栅格数据和矢量数据的优势,有效降低了冗余数据量。此外还提出了使用道格拉斯普克算法或任务优先级条件对任务信息进行渐进传输的方法。实验结果表明,与原来Zoom中使用基于GIF格式的STIF格式作为任务信息载体的方式相比,该方法能有效降低任务分发过程中所使用的数据量。     

混合群智感知中服务节点优化选择机制

移动群智感知应用依赖于以人为主导的移动用户参与,用户的移动规律和用户所携带感知设备的剩余资源等都会制约其参与感知服务的能力,从而影响系统的感知质量。现有研究工作对服务节点的选取操作比较单一,因此有必要设计合理的节点优化选择机制,选择到达并覆盖目标区域的最优服务节点集,从而保证对目标区域的感知质量。针对服务节点的优化选取展开研究,基于人的移动特性,定义节点服务度量标准,并结合遗传算法设计服务节点优化选取算法,从而提出一种新的服务节点优化选择机制。仿真实验表明,该机制可以有效选取最优服务节点集,达到提高混合群智网络感知服务质量的目的。     

基于数据冗余控制的移动群智感知任务分配方法

移动群智感知系统中任务之间存在时空覆盖重叠性,这可能导致重复数据收集从而引发数据冗余问题,为此,提出了一种可同时控制任务内以及任务间数据冗余的任务分配方法。该方法首先提出基于长短期记忆（LSTM）神经网络的轨迹序列预测模型,对任务参与者进行细分时空单元的轨迹序列预测,然后根据轨迹预测结果提出最小化数据冗余的优化模型。通过最小化时空单元的数据冗余度来控制单个任务内的数据冗余问题,并通过让单个任务参与者在时空单元中的感知数据被最大化重复利用来控制多个任务之间时空覆盖重叠性带来的数据冗余。实验结果表明,提出的任务分配方法可以有效地减少任务内及任务间的数据冗余。     

采用离散烟花算法的移动群智感知异构任务分配

建立移动群智感知异构任务分配问题的数学模型，该模型考虑参与者的心理与行为过程，并引入环境信息和参与者健康状况、信誉度和测量时间等因素，通过寻找最优任务分配方案，最小化任务完成的总成本，该总成本包括补偿成本、数据损失成本和距离成本3方面。为求解该模型，提出一种引入了预测信息的离散烟花算法。该算法采用整数编码方式，利用模型中的距离和匹配度2种启发信息设计烟花爆炸算子，提出了爆炸振幅的分组线性预测策略和变异算子的自适应竞争机制。实验结果表明，与已有算法相比，所提算法在移动群智感知异构任务分配问题上能够搜索到更优的分配方案。     

基于李雅普诺夫优化的移动群智感知在线任务分配策略

移动群智感知技术基于众包思想，募集移动感知设备对周围环境进行感知，能够使得环境感知和信息收集更加灵活、方便、高效。任务分配方案的合理性直接影响到感知任务能否成功，因此制定合理的任务分配方案是移动群智感知相关研究中的热点和重点。目前，移动群智感知系统中的任务分配方法多是离线的，针对的是单一类型的任务，但是在实际中，在线的、多类型的任务分配更贴近实际。因此，文中针对多类型任务，将移动群智感知技术应用于军事末端感知中，结合移动群智感知技术在军事领域的应用特点，对移动群智感知中的任务分配方法进行了研究，提出了面向系统效益的在线任务分配策略。文中建立了长期的、动态的在线任务分配系统模型，并以系统效益为优化目标，基于李雅普诺夫优化理论对问题进行了求解，实现了任务准入策略和任务分配方案的长期在线动态控制。实验结果表明，所提出的在线任务分配算法是有效可行的，能够在线、合理地分配到达移动群智感知系统的任务，保证任务队列的稳定性，且可以通过调整参数值增加系统效益。     

移动群智感知中原始数据隐私保护算法

随着移动智能设备的普及，移动群智感知（MCS）得到广泛应用的同时面临着严重的隐私泄露问题。针对现有的移动群智感知中的原始数据隐私保护方案不能抵御共谋攻击，降低了感知数据可用性的情况，提出一种基于移动节点的数据隐私保护算法（DPPMN）。首先，使用DPPMN中的节点管理器建立在线节点列表并将其发送给源节点，源节点通过列表构建数据传输的匿名路径；然后，使用paillier加密方案加密数据；接着，将密文沿路径上传至应用服务器；最后，服务器解密密文得到所需的感知数据。在数据传输时使用加解密操作，确保了攻击者不能窃听感知数据的内容，且无法沿路径追溯数据的来源。DPPMN能保证应用服务器在不侵犯节点隐私的情况下访问原始数据。理论分析和实验结果表明，DPPMN在增加适当通信量的情况下，具有较高的数据安全性，可以在抵御共谋攻击的同时不影响数据的可用性。     

移动群智感知中原始数据隐私保护算法

随着移动智能设备的普及,移动群智感知（MCS）得到广泛应用的同时面临着严重的隐私泄露问题。针对现有的移动群智感知中的原始数据隐私保护方案不能抵御共谋攻击,降低了感知数据可用性的情况,提出一种基于移动节点的数据隐私保护算法（DPPMN）。首先,使用DPPMN中的节点管理器建立在线节点列表并将其发送给源节点,源节点通过列表构建数据传输的匿名路径;然后,使用paillier加密方案加密数据;接着,将密文沿路径上传至应用服务器;最后,服务器解密密文得到所需的感知数据。在数据传输时使用加解密操作,确保了攻击者不能窃听感知数据的内容,且无法沿路径追溯数据的来源。DPPMN能保证应用服务器在不侵犯节点隐私的情况下访问原始数据。理论分析和实验结果表明,DPPMN在增加适当通信量的情况下,具有较高的数据安全性,可以在抵御共谋攻击的同时不影响数据的可用性。     

移动群智感知网络中信息量最大化的用户选择方法研究

移动群智感知网络已经成为一种新型的感知模式,被广泛应用在环境数据收集等多种不同场景.限制群智感知系统效能的一个关键问题在于:如何在一定预算范围内选取最合适的用户来进行感知任务,从而最大化收集到数据的信息量.这其中的关键挑战包括:(1)如何定义量化评价指标衡量数据的信息量,(2)如何在无先验知识的情况下有效地学习选择每个用户的成本,(3)如何设计有效的用户选择算法,最大程度地降低算法的累计遗憾.在本文中,我们采用高斯过程建模空间环境,并且提出一个基于互信息的信息量衡量指标.为了解决第二、第三个挑战,我们提出有预算限制的多臂老虎机用户选择问题模型,并为静态和动态场景分别设计了理论可证的低累计遗憾的多轮用户选择算法.我们的理论分析和仿真实验均证实我们提出的算法能够在预算限制情况下有效地选择最有信息量的用户,与基准方法相比提升约20%.     

群智感知中面向移动群体的参与者选择优化模型

随着短视频时代的来临,移动群智感知任务的视频化程度越来越高,在传统研究中常利用机会网络和移动网络激励任务的分发和数据的收集,但机会网络中节点移动的不可控性,以及视频任务内容传输的高代价性都使得这些方法的实用性大大降低.针对此问题,利用社会移动群体规律性的自主聚集、活动范围大等特点,提出一种面向社会移动群体的群智感知参与...     

A QoS-sensitive task assignment algorithm for mobile crowdsensing

Recently, mobile crowdsensing has attracted many researchers’ attention due to the pervasiveness of smart phones. In this paper, we study the QoS-sensitive Task Assignment (QSTA) problem for mobile crowdsensing, which involves variable tasks and flexible rewards. Each user can conduct one or more tasks, and the number of tasks assigned to each user is flexible. The reward paid to the user is related to the assigned tasks. To ensure the sensing QoS of tasks, each task might be assigned to multiple users. We prove the QSTA problem to be NP-hard, and propose a greedy algorithm to solve this problem. Moreover, we also analyze the approximation ratio of the proposed algorithm. Additionally, we demonstrate the significant performance of the algorithm through simulations     

感知受限的移动传感器节点扫描覆盖优化算法

移动无线传感器网络（WSN）的应用中,因为传感器节点的感知范围受限,其覆盖分析就是一个针对目标区域的扫描覆盖问题。提出了一种基于多目标优化的扫描覆盖算法。在目标区域中,采用双目标优化策略对单个移动传感器节点进行路径规划,一方面使节点的覆盖面最大化,另一方面使扫描覆盖的路径最短。仿真实验在含有障碍物和不含障碍物的情况下进行,与多节点的编队覆盖算法相比,所提算法在适度降低覆盖率的情况下,可大幅降低移动能耗。     

基于数据融合的有向传感器网络全覆盖部署

针对有向传感器网络全覆盖问题,基于有向传感器节点概率感知模型提出一种新的有向传感器节点部署结构,通过理论推导,证明了该结构的最优性,引入标准工作方向的概念,使用奈曼－皮尔森准则数据融合方式,以最少的传感器节点实现目标区域全覆盖。仿真结果表明,在随机部署情况下,使用这种新型有向传感器节点调度方式,可以有效提高网络覆盖率,减少网络冗余度,减少网络工作节点个数,延长网络生存期。     

多Sink群智感知网络数据收集方法

随着Android和iPhones等移动设备的广泛普及,群智感知网络成为研究热点.人们携带这些移动设备在日常生活中收集环境感知数据.人们的移动具有社会性,其移动轨迹难以预测,如何设计一种有效的数据收集算法是一个值得研究的问题.针对多Sink群智感知网络,提出一种基于地点的感知数据收集方法.首先采用多目标决策的层次分析法,以移动设备与Sink节点之间的距离、连接时间和相遇概率为性能指标,提出最优Sink的选择机制,确定感知数据的目标传输节点;受PeopleRank启发,提出基于地点的数据转发方法,以优化下一跳选择策略.最后,通过一系列实验对该方法的可行性和有效性进行验证,实验结果表明,该方法不仅大大提高了感知数据的传输成功率,而且转发开销和延迟有了明显的降低.     

基于单个移动信标节点的路径规划方法

针对现有路径规划方法没有充分考虑到网络内未知节点的分布情况,存在定位覆盖率低且网络成本高的问题,设计了一种基于单个移动信标节点的路径规划方法。首先通过网络内未知节点的分布情况确定虚拟信标节点的位置以及数目;然后提出了一种基于高斯递减策略的非线性动态变化收敛因子改进灰狼优化算法,用于TSP求解路径规划问题,获得移动信标节点最短移动路径。仿真结果表明,该方法有效地提高了网络内未知节点的定位覆盖率,并且有效节省了网络成本。     

A blockchain-based framework for data quality in edge-computing-enabled crowdsensing

With the rapid development of mobile technology and smart devices, crowdsensing has shown its large potential to collect massive data. Considering the limitation of calculation power, edge computing is introduced to release unnecessary data transmission. In edge-computing-enabled crowdsensing, massive data is required to be preliminary processed by edge computing devices (ECDs). Compared with the traditional central platform, these ECDs are limited by their own capability so they may only obtain part of relative factors and they can’t process data synthetically. ECDs involved in one task are required to cooperate to process the task data. The privacy of participants is important in crowdsensing, so blockchain is used due to its decentralization and tamper-resistance. In crowdsensing tasks, it is usually difficult to obtain the assessment criteria in advance so reinforcement learning is introduced. As mentioned before, ECDs can’t process task data comprehensively and they are required to cooperate quality assessment. Therefore, a blockchain-based framework for data quality in edge-computing-enabled crowdsensing (BFEC) is proposed in this paper. DPoR (Delegated Proof of Reputation), which is proposed in our previous work, is improved to be suitable in BFEC. Iteratively, the final result is calculated without revealing the privacy of participants. Experiments on the open datasets Adult, Blog, and Wine Quality show that our new framework outperforms existing methods in executing sensing tasks.