面向用户协作对的移动群智感知激励机制

在移动群智感知中,对于感知时间跨度较长的时间复杂任务,独立任务场景下的单个用户往往因时间有限性而难以胜任.针对存在时间复杂任务的感知需求,本文提出了一种新颖的激励机制.首先,基于任意两个用户之间的时间状态和主观协作意愿来构建用户协作关系并形成针对指定任务的用户协作对.然后以此为基础计算他们的协作状态,并筛选出协作状态最佳的协作对作为相应任务的执行者.为进一步激励协作用户参与协作感知,设计了一种基于斯塔克尔伯格博弈的激励机制,以充分激励协作用户的客观协作意愿.仿真结果表明,与其他传统激励机制相比,该机制既能促进更多的用户参与感知任务,也同时提升了任务覆盖比例和用户平均效用.     

开放模式下群智感知高质量数据采集方法研究

移动群智感知利用人们携带的智能设备作为感知单元完成大规模的数据采集,是一种分布式和弱协作式的数据采集方式,因此,参与者常常有意或无意的采集并提交了错误或者重复的低质数据.在仅支付高质量数据的约束下,采用传统封闭采集模式时,参与者只能按照任务要求自行调整采集策略,为此,我们采用开放式采集模式,即向参与者提供已收集到的数据信息,帮助参与者调整采集策略,提高数据采集的质量和效率.我们招募到99名志愿者参加了22轮数据采集任务.为了评估开放式采集在按质支付方式下的效果,我们采用了传统支付和逆向拍卖两种激励机制,对比了不同数据采集方式、不同任务难度和不同支付方式下,数据质量和数据收集成本的变化.实验结果显示采用开放式采集可以有效降低数据冗余率,提高困难任务的数据质量,并且参与者采用逆向拍卖时的出价更合理,拍卖成功率也更高.     

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Tangle网络的群智感知用户可信激励方法

随着群智感知技术的广泛应用,用户参与度成为影响群智感知技术发展的关键问题,提出一种基于Tangle网络的群智感知用户可信激励方法.首先,基于Tangle网络构建群智感知网络模型,通过去中心化的Tangle网络来克服群智感知平台面临可信第三方参与的安全隐患,制定Tangle网络的可信度标准.然后,通过可信度来衡量用户权重...     

基于胶囊网络的群智感知数据分类模型

针对群智感知平台中感知数据分类的准确度问题,提出了一种基于胶囊网络的感知数据分类模型。首先,构建了群智感知系统模型,结合感知数据构建了胶囊网络结构和样本数据,通过胶囊网络实现了样本数据和预测值之间的映射。然后,胶囊网络对样本数据的像素点特征矩阵进行拟合学习,使用动态路由算法更新胶囊网络的耦合系数。最后,结合间隔损失函数和重构损失函数,实现了对基于胶囊网络的感知数据分类模型参数的优化。仿真结果表明相对于残差网络的数据分类模型,所提模型有效提高了数据分类的准确度。     

群智感知网络中基于隐私保护的数据融合方法

为解决多源数据的融合问题,保证融合数据的隐私安全,提出一种群智感知网络中基于隐私保护的数据融合方法。用户使用密钥签署其感知数据,通过差分隐私为数据添加噪声,云服务器采用BGN加密系统和Shamir秘密共享相结合的方式,将加密受干扰的数据进行融合发送给感知平台。安全与隐私分析结果表明,该方法能够抵抗来自云服务器和恶意用户的差分攻击,保证用户和云服务器的茫然性安全;性能评估表明,该方法能够高效计算、通信和存储开销。     

基于社交网络群智感知信息的非常规突发事件描述方法研究

群智感知是以近年来兴起的物联网、大数据、云计算等多种技术为基础发展起来的。群智感知就是用城市环境中感知的大数据来解决城市本身所面临的挑战,通过对多源异构数据的整合、分析和挖掘来提取知识和价值,从而提高城市服务的现代化水平。非常规突发事件是一类前兆特征不充分、具有明显的复杂性和潜在次生衍生危害、破坏性严重、采用传统管理方式难以应对处置的罕见重大突发事件。由于构成群智感知网络的基本单元是无所不在的移动智能终端用户,这种新型的体系架构无论是在感知及认知的广度、深度还是在构建的成本与速度上,都是传统技术手段所无法比拟的。对社交网络信息进行语义感知、时空关联等以对非常规突发事件进行描述,并通过实例对该方法进行验证。非常规突发事件的语义信息包括关键词、模式、语句等。时空信息用来描述非常规突发事件的客观时间属性与空间属性。时间属性包括非常规突发事件的发生时间、结束时间,以及重要时间点。空间属性包括非常规突发事件的发生位置、影响位置,位置信息可以是路名建筑物名称,也可以具体到GIS信息。多媒体信息包括图像、视频、音频等。     

数据驱动下交互网络群智感知任务分配仿真

采用当前方法在交互网络中分配群智感知任务时,分配任务所用的时间较长,存在用户完成任务的概率较低,分配效率低的问题,提出一种数据驱动下交互网络群智感知任务分配方法.分析群智感知环境,将能耗最小化和时间最小化作为感知任务分配的约束条件,通过信誉模型计算用户在交互网络中的信誉值,将感知任务优先分配给信誉值高的用户,在交互网络...     

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。     

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。     

移动群智网中基于粒子群寻优和距离协作判别的数据收集研究

针对移动群智网应用对数据收集的实时性和可靠性要求,提出了一种基于粒子群寻优和距离协作判别的数据收集机制。该机制,基于时空二维感知区域定义了具有高精度和适应度的粒子群寻优模型,结合二维正态分布基于时间序列给出了用于判断感知数据源的距离协作判别机制,激励用户移动节点积极加入到协作通信,从而提出了适用于移动群智网应用的数据收集机制。仿真实验结果表明,所提出的数据收集机制在网络生存能力、传输延迟、移动节点存活能力和能耗等方面表现优越。     

群智感知中的参与者信誉评估方案

针对群智感知网络中参与者群体大,且获取和提交任务几乎不受限制,使得群智感知网络存在数据冗余度高和数据质量不能得到保证的问题,提出了针对参与者提交数据质量和可信度的信誉评估方案——参与者信誉评估方案（PRES）。从参与者提交数据的响应时间、距离、历史信誉度、数据相关性和数据质量五个方面对参与者信誉进行评估,将这五个参数数值化,并利用逻辑回归模型建立回归方程,得出参与者本次提交数据后的信誉度。PRES得出的参与者信誉度在[0.0,1.0]范围内,且集中分布于[0.0,0.2]和[0.8,1.0]区间,使得群智感知网络容易选择合适的参与者,且评估结果表明PRES评估的准确率均在90%以上。     

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。     

移动群智感知中支持隐私保护的动态激励机制

针对移动群智感知中高质量感知数据与参与用户隐私之间的矛盾,提出一种支持隐私保护的动态激励机制。首先,采用轻量级隐私保护方法,利用安全加密哈希函数为竞标用户生成不少于256位的可变地址序列,并结合随机数对候选用户节点的效用报价进行隐匿和约束;其次,通过定义区域热度、时间热度、数据完整率和数据质量等多维参数,实现任务价值与用户效用报价的动态平衡;最后,依据用户提交的效用报价和任务预算,并利用逆向拍卖思想,完成对任务参与节点的最优选择和动态激励。在群智感知系统模拟平台上进行仿真实验,结果表明所提机制不仅增强了隐私保护度和数据精确度,同时提升了时间效率和激励效果。     

异构群智感知PPO多目标任务指派方法

现有移动群智感知系统的任务指派主要面向单一类型移动用户展开,对于存在多种类型移动用户的异构群智感知任务指派研究相对缺乏.为此,针对异质移动用户,定义其区域可达性,并给出感知子区域类型划分.进而,兼顾感知任务数量和移动用户规模的时变性,构建了动态异构群智感知系统任务指派的多目标约束优化模型.模型以最大化感知质量和最小化感知成本为目标,综合考虑用户的最大任务执行数量、无人机的受限工作时间等约束.为解决该优化问题,提出一种基于近端策略优化的多目标进化优化算法.采用近端策略优化,根据种群的当前进化状态,选取具有最高奖励值的进化算子,生成子代种群.面向不同异构群智感知实例,与多种算法的对比实验结果表明,所提算法获得的Pareto最优解集具有最佳的收敛性和分布性,进化算子选择策略可以有效提升对时变因素的适应能力,改善算法性能.     

群智感知中基于云辅助的隐私信息保护机制

为实现对移动群智感知中隐私信息的保护,解决请求者在云端监听,请求者与诚实且好奇的云相互串通导致用户隐私信息泄露的问题,提出一种基于云辅助的隐私信息保护机制。通过对用户贡献的数据进行拆分重组,使敏感数据脱敏,利用同态加密对拆分后数据进行处理,防止隐私信息的泄露,使移动用户可以安全地参与感知过程,保护请求者的权益。模拟实验结果表明了所提方案是可行有效的。     

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。     

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。     

群智感知中基于社交属性及有效用户计算的任务分发机制

随着无线传感器网络的高速发展和多种移动智能设备的普及,移动群智感知(mobile crowd sensing,MCS)成为移动计算的核心。利用群智感知可完成大规模、复杂环境及社会感知任务,其中任务分发是这种应用中的一个重要环节。针对任务分发过程中存在感知环境复杂、用户数量达不到要求、收集数据质量低等问题,提出一种基于社交属性及有效用户计算的任务分发机制(effective user calculation,EUC),该机制具有根据任务来筛选用户的特点,从用户角度看,EUC考虑了用户的社会性,由用户的社交网络传递相关信息来增加平台的有效用户数;从平台的角度看,EUC可根据任务的接收和提交情况,动态调整有效用户的积分,从而保障整个系统的有效用户数。理论分析和实验结果表明,所提出的机制可提高系统的任务分发效率,并改善了收集数据的质量。