移动群智感知平台设计与实现

为了利用移动智能设备上闲置的传感器资源,对移动群智感知平台应用进行设计,在Android系统下完成应用开发工作. 应用程序可以适配移动智能设备具备的传感器类型,获取多源传感数据完成感知任务;使用任务模版引导用户发布任务的方式,简化任务发布过程,能够面向多领域、多类型的感知任务完成传感数据收集. 框架设计模型－视图－控制器（MVC）模式,设计了2个用户界面层次和5个功能模块. 核心功能为感知任务的发布与接收,能够让使用者作为任务发布者,将当前待解决的问题作为感知任务在移动群智感知平台上发布;能够让使用者作为任务接受者领取并完成感知任务. 应用程序在1 000个感知任务显示的仿真实验下,保持良好的响应速度和性能.     

群智感知中用户细粒度可靠性与真值预估模型

为了提高群智感知中感知数据的质量问题,提出了一种基于用户细粒度可靠性预估任务真值的方法,通过用户建模筛选出高质量数据。首先根据影响用户执行任务的瞬时因素评估用户的实时可靠性;其次,在刻画历史信誉度方面,引入信息熵衡量用户的信誉分布,包括用户总体信誉分布和在不同类别任务下的信誉分布;基于用户可靠性设计了有效的真值预估方法预估任务真值。实验结果表明,所提模型能够有效地评估用户在多类别任务下的可靠性,提高任务真值预估的准确率。     

基于属性隐藏的高效去中心化的移动群智数据共享方案

移动群智技术是一种能够突破时间与地点的限制，实现随时随地大规模的实时群智数据感知、传输和共享的技术。然而，现有的移动群智场景在数据共享过程中面临诸多安全、隐私和效率问题，如非授权数据访问、访问控制隐私泄漏、单权威密钥托管、访问开销过高等。为了同时解决以上问题，提出了一个面向移动群智场景的高效去中心化属性隐藏的数据共享方案。该方案不仅允许群智用户指定基于属性的访问控制用于加密群智数据，使得只有满足访问控制的用户才能访问该群智数据，还允许多个权威机构为群智用户共同生成私钥，使得单独的权威机构无法伪装成合法的用户来非法访问目标群智数据。此外，该方案在不泄漏访问控制的属性隐私的情况下，群智用户能够以最低的能耗快速解密和访问目标群智数据。通过安全性和性能分析，证明该方案能够实现安全高效的移动群智数据共享。     

基于消错决策理论的数据质量评估方法

针对移动群智感知中数据质量难以保障和评估的问题,从规避错误的角度出发,提出了一种基于消错决策理论的移动群智感知数据质量评估方法。通过引入消错决策理论来评估移动用户所提供的感知数据质量,对低质量及异常数据进行识别;考虑到不同感知任务具有不同的数据质量需求,引入权值因子实现数据质量的排序与优化评估。实验结果表明:所提出的方法不仅达到了对低质量和异常数据的准确识别的目标,还实现了对不同任务下的数据质量按需排序。在对低质量和异常数据识别方面,相对于拉依达准则,具有更高的识别准确性;在对数据质量排序上,相对于理想点法、TOPSIS法,具有准确性高和简单高效的优点。     

基于用户心智模型的手持移动设备界面设计

以用户模型内部表征的视觉化为基础，对用户的心智模型与操作绩效进行了认知人机实验研究.16个典型被试参与了实验，实验材料为2套基于“格式-格式”和“格式-栏式”心智模型设计的手机界面.实验结果表明，空间一致性良好的“格式-格式”心智模型比空间一致性不良的“格式-栏式”心智模型所对应的交互绩效高；虽然任务属性的强弱导致了心智模型的强弱，但空间一致性强的系统在交互绩效方面仍然比空间一致性弱的系统表现优秀，这表明心智模型的逻辑一致性是影响界面可用性的一个重要因素.在此基础上，提出了以心智模型为基础的界面交互设计思路，并以手机界面设计为案例得到了验证.     

强隐私保护的移动群智感知方案

为了实现移动群智感知系统中身份隐私、证书撤销和积分激励功能,同时解决恶意用户身份追踪与诚实用户隐私保护之间的矛盾,提出了强隐私保护的移动群智感知方案.基于门限密码思想将身份追踪能力分散到多个实体上,使得多个追踪者合作才能追踪用户身份;将Pointcheval-Sanders签名和基于RSA假设的Camenisch-Lysyanskaya累加器结合起来实现了证书的安全快速撤销;利用Pointcheval-Sanders签名构造了保护隐私的积分激励机制.对该方案进行了安全性分析和实验分析.研究结果表明,该方案不仅满足安全要求,而且在实际应用中具有可行性.     

基于遗传算法的社会网络移动模型

与传统的随机移动模型相比,社会网络移动模型旨在生成更符合实际数据统计规律的移动场景. 为了从进化的角度研究复杂行为产生的原因,提出了基于遗传算法的移动模型（GAMM）,使用“社会收益”与“移动开销”之比作为衡量节点运动轨迹环境适应性的准则,使复杂的移动特性在简单的进化过程中涌现出来. 为证明GAMM具有较高的扩展性,提出探索者模型和交通工具模型来满足不同场景的需要,并通过一个网络仿真的实例来研究社会网络移动模型对移动自组织网络路由协议性能的影响.     

OTAP:基于预测的机会群智感知多任务在线分配算法

机会群智感知网络中,不同节点间的相遇间隔各异,任务由不同节点执行时的时间成本有较大差异性。为最小化任务平均完成时间,设计并实现了一种基于预测的多任务在线分配算法(online multi-task assignment based on prediction,OTAP)。基于真实移动轨迹数据集,分析了节点间相遇间隔分布,设计了节点相遇规律发现子算法;利用对节点间的相遇间隔的预测,每次给执行节点分配在与任务分发者下次相遇间隔内能完成的最大任务量。针对4个不同的真实移动轨迹数据集,利用ONE模拟器,对OTAP算法性能进行了验证与分析。结果显示,相比于已有的NTA算法,OTAP在4个不同数据集中平均任务完成时间分别缩短了50.49%、45.34%、32.71%、32.23%,任务完成率在其中两个移动轨迹数据集中也有所提高。     

移动群智感知系统边云协同工人招募算法

针对移动群智感知系统中基于云平台的工人招募算法无法满足大规模网络实时任务需求的问题,提出边云协同工人招募算法,旨在减少数据传输时延,降低智能设备的能耗。在云服务层完成任务的接收、划分、发布和结果收集;在边缘层获取工人的实时信息,构建招募工人模型;在感知层完成任务传播和数据采集。实验结果表明,考虑到传感器类型、工人报价、最大分配任务数等多种因素的影响,所提算法既满足了任务成本和时间的约束,又在空间覆盖率和运行时间方面获得了较好的性能。     

使用立体视觉信息的视线追踪系统设计

为提高视线方向计算精度,研制了一种基于立体视觉的视线追踪系统. 首先设计了一种可产生相邻2帧“亮暗瞳”图像的双摄像机红外光源,使用图像做差和椭圆拟合的方式计算瞳孔中心,结合在“暗瞳”图像中得到普洱钦斑中心,确定局部视线的盯视方向. 然后根据人类视线移动特点,提出使用神经网络结合卡尔曼滤波的方法进行瞳孔跟踪,用支持向量回归对人眼立体参数、局部视线盯视方向和盯视点之间的关系进行训练,得到视线映射模型. 实验结果表明,该系统能基本消除用户大范围头动的干扰.     

云计算中多层次公平性QoS约束任务调度算法

针对传统云任务调度算法只注重执行效率忽略分配公平性的问题,提出了一种满足多重公平性约束的任务调度QoS算法CTS_QFC.该算法利用社会资源分配的公平性理论模型,从用户任务与云资源提供方两个角度,将云任务调度问题建模为一种多重公平性QoS约束模型.第一层QoS按用户QoS偏好对任务分类,并按照任务分类建立一般期望效用函数.第二层QoS定义资源公平性评估函数,评估资源分配的公平性.结果表明,CTS_QFC算法不仅可以确保用户任务的高效执行,还可以提高资源分配与任务调度方案的公平性.     

移动边缘计算中的时延和能耗均衡优化算法

为了提升移动边缘计算（MEC）网络中的任务卸载效用,提出了一种基于任务卸载增益最大化的时延和能耗均衡优化算法.通过分析通信资源和计算资源对时延和能耗这2种性能指标的制约关系,将原问题分解为联合发射功率子信道分配子问题和MEC计算频率分配子问题.通过Karush-Kuhn-Tucker条件,导出了最优的MEC计算频率闭式解.此外,提出了一种基于二分法的发射功率分配算法和基于匈牙利二部图匹配的子信道分配算法.仿真结果表明,提出的算法相比传统算法可以显著提升用户的任务卸载效用.     

无线传感器网络节能动态任务分配

为了延长网络生存期,减少网络能量消耗,在分析现有无线传感器网络任务分配机制的基础上,提出一种面向分层结构、多跳传感器网络的节能任务分配方法.该算法根据节点工作状态、剩余能量以及能耗,基于熵理论,建立代价函数,结合粒子群优化算法,实现优化任务分配策略.同时,针对无线传感网络动态变化使当前的任务分配策略可能不再是最优的情况,对任务进行动态调整.仿真实验结果表明该分配机制能有效减少无线传感网络计算时间和网络能耗,提高网络寿命.     

基于链路预测的手机节能方法

移动云计算为部署大量移动服务提供了技术支持,但用户在不稳定的通信条件下访问云资源往往需要大量的能耗,制约了移动云计算的广泛应用.对此,提出了基于用户交互行为最大化的链路预测方法.首先在数据预测模型的基础上利用基于互动关系改进的交互度方法对已知用户访问的数据进行预测;再结合基于用户行为的社交网络Friendlink方法对预测数据进行数据分析筛选,利用数据预存储机制来预存上述预测数据.实验结果表明,在保证不涉及用户隐私信息,并提高用户下次访问命中率的情况下,达到了预期的手机节能目的.     

基于适应度的多机器人任务分配策略

为提高多机器人任务分配方法的通用性和实用性，提出了一种分布式多机器人协作任务分配策略.根据多机器人任务特点，提出了多机器人任务分配必须满足的4个基本目标，并由目标制定相应的4条任务选择策略.按形式化思想为子任务建立了一个通用模型，模型包含了与任务选择相关的子任务基本属性和运行状态.结合子任务模型和任务选择策略，建立了一个子任务适应度模型，包含静态适应度、进度适应度、资源适应度和外部适应度4个分量，机器人根据适应度大小来选择子任务.仿真实验表明，应用该任务分配策略的协作异构多机器人系统对一类搬运任务具有很好的通用性，当任务发生变化和机器人发生故障时，机器人能够正确、及时地调整子任务，系统具有很好的实时性、灵活性和鲁棒性.系统能够实现机器人到子任务的最优映射，与其他任务分配方法相比明显缩短了任务执行时间.     

智慧医疗场景下考虑终端移动性的任务卸载策略

针对工作流任务、边缘服务器无线信号覆盖范围、智慧医疗场景以及终端移动路径,分别构建模型进行描述,根据移动终端的实时位置和移动速率构建基于移动路径的工作流任务执行时间及能耗模型. 根据边缘服务器的无线通信模型,引入任务执行延迟和任务迁移2种情况以保障服务的连续性和执行时间限制. 从全局角度综合考虑任务在云端、边缘服务器和本地的执行效益,设计工作流任务优先级划分算法和边缘服务器卸载优化算法,并使用遗传算法设计基于最佳移动路径的工作流任务卸载决策及调度算法,在可选路径中搜索满足用户响应时间约束,且移动端能耗最低的最佳路径和相应的任务卸载、调度方案. 仿真结果说明：该算法能够合理地分配计算资源,在用户响应时间约束下充分降低移动终端能耗,相较未考虑终端移动性的卸载算法,移动端能耗降低了19.8%.     

应用情景检测的安全任务内电压调度算法

针对移动嵌入式实时系统的低功耗设计,提出一种改进的应用情景检测的安全任务内电压调度算法.该算法利用任务程序少数参数的值域定义情景并在任务处理过程中进行检测,因而在处理在线的情况下,可较为精确地预测后续处理的部分路径,优化地调度处理电压.通过所提出的情景检测点设置算法,在任务程序中找到检测参数情景最合适的点,给出算法的实...     

基于手机数据的城市人口分布感知

提出了一种基于手机数据、考虑手机市场占有率的城市人口分布感知方法,并将该方法应用于美国旧金山湾区;介绍了使用手机数据动态感知城市人口分布的潜在可能,并计算了湾区各个小区白天与夜间的人口数量差。研究结果表明,基于手机数据的城市人口分布感知,对城市突发事件预警、城市交通管控、城市公共资源配置等方面都有着重大意义。     

坐标转换在移动用户行为识别中的应用

为了降低手机放置位置对移动用户行为识别的影响,提出了一种坐标转换的方法,将手机加速度传感器所获取的加速度信号通过方向传感器从手机坐标系转换到方位坐标系,使用蚁群算法对转换前后各坐标系的加速度信号进行特征优选,利用神经网络分类器对移动用户行为进行识别.实验结果证明,该坐标转化方法减少了重力加速度和手机放置位置对加速度信号的影响,有效提高了移动用户行为识别的准确率.