移动群智感知安全与隐私:模型、进展与趋势

移动群智感知作为一种新兴的物联网感知范式,通过激励现代化智能感知设备获得高质量的感知数据,从而高效地完成大规模且复杂的社会感知任务并服务人类社会.移动群智感知系统由感知用户、感知平台和服务提供商组成,在感知任务执行过程中,感知数据经历感知、上传和交易三个阶段,各阶段均面临多种多样的数据安全和隐私泄露风险,危害感知用户隐私和感知数据安全.首先介绍移动群智感知的系统模型、实际应用场景并给出主要安全研究方法,以感知数据参与感知任务的生命周期为轴线,讨论在感知数据生命周期的三个阶段所面临的安全与隐私威胁;在上述威胁基础上,分别从三个阶段系统阐述现有的数据安全与隐私保护解决方案;最后,从隐私度量、隐私框架、隐私保护和隐私计算等方面探讨进一步的发展趋势与研究方向.     

移动群智感知中基于雾节点协作的感知用户身份隐私保护

在移动群智感知中,攻击者可利用感知用户间的社交关联信息以及感知用户身份信息与感知数据的关联性重构感知用户间的社交圈,进一步攻击用户社交团体。针对这一问题,提出一种基于雾节点协作的感知用户身份隐私保护方案。首先,创建任务分配中心（TC）和数据中心（DC）,并由位于终端边缘的2个雾节点承载,分别处理感知任务的合理分配问题和感知数据的聚合计算问题;然后,通过差分隐私加噪干扰防御攻击者获取感知用户间具体的社交关联权重;最后,感知用户使用不同的盲身份分别与TC和DC通信,防止攻击者同时获取感知用户的身份信息和感知数据。安全分析表明,所提方案可以确保感知用户在完成感知任务过程中的身份隐私信息安全。实验结果显示,所提方案可以有效保护感知用户间的社交关联信息,且具有较低的时延。     

移动边缘群智感知动态隐私度量模型与评价机制

移动边缘群智感知中,用户执行感知任务采集数据所包含的隐私量是动态变化且不直观的,数据上传亦缺乏隐私风险预警值,提出一种动态隐私度量(DPM)模型.给出用户参与感知任务所获数据的结构化表示并转化成原始数值矩阵,引入隐私属性偏好与时效性因素实现对该矩阵的权重叠加,以度量数据所含隐私的动态变化,基于权重叠加后的矩阵合理计算用...     

位置隐私的群智感知报价方案

在群智感知中，隐私保护的申请者选择是关系到任务有效分配的重要一环。本文针对隐私保护的任务申请者选择问题，首先分析了一种潜在的攻击模型，然后针对该模型以及一些潜在攻击手段，提出了一种支持位置隐私保护的群智感知报价方案。该方案利用安全多方排序，在群智感知各方不泄漏彼此报价的同时选定最优报价申请者。为进一步说明所提出方案的安全性，通过安全性分析在理论上证明该方案的有效性和安全性。同时，通过实验验证与同类隐私保护算法进行比较，从算法的隐私性和执行效率两个主要方面加以对比和成因分析，进一步明确所提算法的优越性。     

基于深度强化学习和隐私保护的群智感知动态任务分配策略

在移动群智感知（Mobile Crowd Sensing,MCS）中,动态任务分配的结果对提高系统效率和确保数据质量至关重要。然而,现有的大部分研究在处理动态任务分配时,通常将其简化为二分匹配模型,该简化模型未充分考虑任务属性与工人属性对匹配结果的影响,同时忽视了工人位置隐私的保护问题。针对这些不足,文章提出一种基于深度强化学习和隐私保护的群智感知动态任务分配策略。该策略首先通过差分隐私技术为工人位置添加噪声,保护工人隐私;然后利用深度强化学习方法自适应地调整任务批量分配;最后使用基于工人任务执行能力阈值的贪婪算法计算最优策略下的平台总效用。在真实数据集上的实验结果表明,该策略在不同参数设置下均能保持优越的性能,同时有效地保护了工人的位置隐私。     

群智感知网络个性化位置隐私保护算法

群智感知网络中现有隐私保护算法对所有位置采用相同的隐私保护策略,导致位置隐私或保护过度或保护不足,且获得的感知数据精度较低。针对这一问题,提出了一种满足用户个性化隐私安全需求的位置隐私保护算法。首先,根据用户的历史移动轨迹,挖掘用户对不同位置的访问时长、访问频率以及访问的规律性来预测位置对用户的社会属性;然后,结合位置的自然属性,预测用户—位置的敏感等级;最后,结合用户在不同的位置有不同的隐私安全需求的特点,设置动态的隐私判定方案,在每个位置选敏感度低的用户参与感知任务,以确保用户在隐私安全的前提下,贡献时空相关性精确高的感知数据。仿真结果表明,该算法在提高隐私保护水平的同时还提高了感知数据的精度。     

边缘辅助群智感知位置隐私保护多任务分配机制

为了解决群智感知中隐私泄露和多任务分配的问题,提出了一种边缘辅助群智感知位置隐私保护(EALP)多任务分配机制。首先,考虑群感知任务具有地理相近特征,利用改进的模糊聚类(FCM)算法对任务位置进行聚类组合,改进聚类数目指标,提高多任务分配的合理性。接着,为了防止云平台和感知用户之间的共谋,在任务分配阶段,提出一种位置隐私保护协议,在感知用户、云服务器和边缘节点之间部署同态加密,云感知平台能够安全地计算感知用户的移动距离,而不知道感知用户的位置和任务聚类中心位置。最后,提出了一种基于蚁群算法多任务分配优化方案,兼顾平台和感知用户两者利益,优化感知用户执行任务路径。实验结果表明,与同类方法相比,所提机制在保护位置隐私的前提下提高了任务完成率,降低了系统的感知成本和用户移动成本。     

基于区块链的边缘移动群智感知声誉更新方案

移动群智感知利用移动用户的智能终端设备以低成本获取大量感知数据,而恶意用户可能上传虚假数据以获取奖励。声誉管理是一种有效的解决办法,但是基于云服务器的移动群智感知系统存在高延迟、单点故障和隐私泄露问题。针对这些问题,结合区块链和边缘计算构建基于区块链的边缘移动群智感知系统,提出一种感知数据隐私保护的声誉更新方案,采用轻量级的隐私保护方法聚合感知数据,根据数据质量和历史任务表现更新声誉。该方案可有效抵抗恶意用户、降低时延,避免单点故障和保护数据隐私。仿真实验证明了所提方案的可行性和高效性,理论分析证明了系统的安全性。     

基于对称加密和双层真值发现的连续群智感知激励机制

针对连续群智感知中隐私要求提高、收集到的感知数据不可靠和用户参与感知任务积极性低等问题,提出了一种基于对称加密和双层真值发现的连续群智感知激励机制(Symmetric Encryption and Double Truth Discovery Based Incentive Mechanism, SDIM)。首先,使用对称加密算法对感知数据进行隐私保护,在隐私要求较高并且感知数据量较大时,可以降低计算开销,减少数据加密和奖励计算的时间。其次,基于双层真值发现模型提出了一种支持数据可靠性评估的激励机制,实现连续群智感知的实时奖励,并在参与者有恶意行为时提高奖励公平性。最后给出了SDIM的双重隐私性分析。仿真结果表明,SDIM可以根据数据可靠性有效地计算出真值和奖励,在数据加密和奖励分发的时间上明显优于对比模型,并在参与者有恶意行为时能够更加公平地计算奖励。     

基于机会协作传输的群智感知网络激励机制

移动群智感知网络中用户激励机制是研究的重点,而如何有效减少用户在任务中移动设备资源的消耗是激励用户的关键。根据群智感知用户分布密集和相遇频繁的特点,利用其移动设备的短距离无线通信能力(蓝牙、Wi-Fi)进行数据的机会协作传输将极大减少用户消耗,进而激励用户完成任务。通过对机会传输和群智感知激励机制的研究,针对eco Sense机制[9]在补偿方案、预算控制和用户激励方面的不足,提出C-eco Sense机制降低任务总预算,并通过POR和PIM激励机制激励用户上传完成任务。最后采用SWIM仿真数据集进行实验。结果表明与普遍使用的数据收集机制相比,C-eco Sense机制在预算控制和用户激励方面都具有更好的效果。     

移动群智感知中任务分配的研究

随着内置高性能传感器的移动智能终端的广泛应用,新兴的移动群智感知技术逐渐成为实时感知与收集环境信息的有效方式。为协调与鼓励用户参与感知任务,并最大限度地保证感知数据的有效性与可靠性,针对移动群智感知相关研究中的关键问题—任务分配进行了研究。首先,介绍移动群智感知的相关背景;其次,根据感知任务的要求对任务分配的约束条件进行分类;然后,讨论与分析了任务分配的研究现状,包括平台为中心的优化算法设计以及用户为中心的激励机制设计;最后,指出现有研究工作中的不足,展望了未来的研究方向。     

考虑信誉更新的移动群智感知在线激励机制研究

激励更多用户参与感知任务并提供高质量数据是移动群智感知研究的热点问题之一。针对在线到达的激励机制场景中,参与用户提供数据的质量以及其信誉值没有得到足够重视等问题,本文提出用户在线参与感知任务的信誉评价方法并构建其信誉评价模型。综合考虑用户历史和现实的信誉记录,建立信誉更新算法模型,设计基于信誉更新的多阶段在线激励机制(Reputation-updated online mechanism,ROM)。仿真结果表明,该算法能够帮助平台获得更好的效用,提高收集数据的质量从而提高雇佣效率。     

群智感知中移动用户招募的防贪婪激励机制研究

随着群智感知的普及,以合理的成本招募最佳感知信息提供者的问题变得更加重要,但移动用户追求高回报的贪婪特性会使得招募成本偏高.为此,提出一种针对团体的群智感知招募的激励机制.首先,通过移动用户的属性和任务详细信息来迭代所有可能团体;然后,评估生成的随机初始团体,删除其中违反任务约束的团体,并计算其余团体的信息质量QoI (the quality of information, QoI)比率,团体将经过轮盘赌程序从当前团体中选择候选人进行进化程序,选定的团体经过交叉,在团体之间随机交换成员;最后,进行突变,该过程随机替换团体的成员,从解决方案集中选择具有最佳QoI比率的团体,解决了移动用户对数据进行过高定价以提高利润的倾向.提出的激励机制包括选择和支付机制,避免了移动用户选择过程中的贪婪特性.通过与现有的团队招募框架方法的对比,以及实验数据集与原始模型进行的比较,表明了该激励机制的有效性.     

移动群智感知中面向任务需求的用户选择激励机制

现有的移动群智感知激励机制大多以平台为中心或是以用户为中心进行设计，缺乏对感知任务需求的多维考虑，从而无法切实地以任务为中心进行用户选择，导致无法满足任务需求的最大化和多样化。针对上述问题，提出一种面向任务需求的用户选择激励机制TRIM，这是一种以任务为中心的设计方法。首先，感知平台根据任务需求发布感知任务，并从任务类型、时空特性以及感知报酬等多维度构建任务向量以最大化满足任务需求，而感知用户则基于意愿偏好、个人贡献值以及期望报酬等属性构建用户向量，实现个性化选择感知任务参与响应；然后，通过引入高效且隐私保护的余弦相似度计算协议（PCSC），计算任务和用户的相似度并根据相似度高低进行用户匹配筛选得到目标用户集，更好地满足感知任务需求的同时保护用户隐私不泄露；最后，通过仿真实验表明，在感知任务和感知用户的匹配过程中，与采用Paillier加密协议的激励机制相比，TRIM缩短了指数级增量的计算时间开销，提高了计算效率；与采用直接余弦相似度计算协议的激励机制相比，TRIM保证了感知用户的隐私安全，达到了98%的匹配精确度。     

Dynamic pricing incentive for participatory sensing

User participation is one of the most important elements in participatory sensing application for providing adequate level of service quality. However, incentive mechanism and its economic model for user participation have been less addressed so far in this research domain. This paper studies the economic model of user participation incentive in participatory sensing applications. To stimulate user participation, we design and evaluate a novel reverse auction based dynamic pricing incentive mechanism where users can sell their sensing data to a service provider with users’ claimed bid prices. The proposed incentive mechanism focuses on minimizing and stabilizing the incentive cost while maintaining adequate level of participants by preventing users from dropping out of participatory sensing applications. Compared with random selection based fixed pricing incentive mechanism, the proposed mechanism not only reduces the incentive cost for retaining the same number of participants but also improves the fairness of incentive distribution and social welfare. It also helps us to achieve the geographically balanced sensing measurements and, more importantly, can remove the burden of accurate price decision for user data that is the most difficult step in designing incentive mechanism.     

移动群智感知中基于联邦学习的参与者选择机制

移动群智感知的发展使得一些任务收集的数据量过大,需要在不接收参与者原始数据的情况下评估数据质量并进行参与者选择。针对这一问题,提出一种基于联邦学习的移动群智感知参与者选择机制。考虑参与者智能终端资源水平、所处交互状态构建参与者智能终端资源评价机制,提出基于线性回归和长短期记忆网络的智能终端资源预测模型。通过预训练测试模型,评估参与者提供的数据质量,结合历史任务完成情况建立参与者信誉评价模型,实现对参与者的动态评价选择。仿真实验结果表明,所提的参与者选择机制在任务完成质量、能量消耗、通信轮数及任务完成时间等多方面体现出较好的性能。     

移动群智感知中的空间任务分配机制

在移动群智感知的空间任务分配问题中用户与任务的空间距离直接影响完成任务所需的成本,而现有的研究在这方面却考虑不足,因此以最小化感知成本为目标设计了移动群智感知中的空间任务分配机制。首先,以感知成本最小为目标,基于遗传算法和贪心算法设计了一种高效的任务分配方法;其次,针对用户感知质量的随机性,基于用户的历史感知情况和当前任务的执行情况设计了用户感知质量的更新机制。为验证所提机制的效果,通过仿真实验与两种基准的任务分配方法作比较。实验结果表明,所提机制在感知总成本和用户执行任务所移动的总距离等方面均有更好的效果,因此该空间任务分配机制具有很好的应用前景。     

移动群智网中基于人群搜索优化和协作竞争的用户激励机制

针对移动群智网的用户激励和保护问题,基于人群搜索优化和协作竞争研究了一种用户激励机制。在该机制中,根据时域、空域和频域对感知区域内的移动节点给出定位信息定义,并对发送信号和接收信号进行人群搜索优化,同时根据特征值进行协作竞争,最后通过调整特征值、协作竞争和退出来实现用户激励和保护。实验结果证明, 与基于静态路径的信道优先分配和无协作竞争最优功率分配的用户激励机制相比,所提出的用户激励机制在系统能量使用率、传输时延和系统负载上具有明显优势。     

基于GACO的群智感知参与者选择方法研究

参与者选择方法作为群智感知研究的重要内容之一,现有研究还存在不足,只单一考虑任务发布时间或任务区域覆盖等属性,导致选择的参与者执行任务效率较差。因此针对这一问题综合考虑任务时间和任务区域覆盖等约束条件下,为实现任务执行效率最高和群智感知平台激励成本最少的优化目标,提出一种基于贪婪蚁群算法的群智感知参与者选择方法（PS-GACO）。该方法主要通过候选参与者聚集蚂蚁信息素浓度的多少准确选出适合执行发布任务的参与者,大大提高了任务执行效率。最后通过仿真实验将提出的PS-GACO方法与普通参与者选择方法进行比较,实验结果表明PS-GACO在算法运行时间、任务执行效率以及激励成本等方面都优于其他两种方法,对于群智感知参与者选择有很好的应用前景。     

An incentive game based evolutionary model for crowd sensing networks

Crowd sensing networks can be used for large scale sensing of the physical world or other information service by leveraging the available sensors on the phones. The collector hopes to collect as much as sensed data at relatively low cost. However, the sensing participants want to earn much money at low cost. This paper examines the evolutionary process among participants sensing networks and proposes an evolutionary game model to depict collaborative game phenomenon in the crowd sensing networks based on the principles of game theory in economics. A effectively incentive mechanism is established through corrected the penalty function of the game model accordance with the cooperation rates of the participant, and corrected the game times in accordance with it’s payoff. The collector controls the process of game by adjusting the price function. We find that the proposed incentive game based evolutionary model can help decision makers simulate evolutionary process under various scenarios. The crowd sensing networks structure significantly influence cooperation ratio and the total number of participant involved in the game, and the distribution of population with different game strategy. Through evolutionary game model, the manager can select an optimal price to facilitate the system reach equilibrium state quickly, and get the number of participants involved in the game. The incentive game based evolutionary model in crowd sensing networks provides valuable decision-making support to managers.