CN110189174A - 一种基于数据质量感知的移动群智感知激励方法 - Google Patents

Abstract

本发明提出了一种基于数据质量感知的移动群智感知激励方法，步骤如下：S1、感知平台发布感知任务集合；S2、边缘服务器获取感知平台发布的任务，并将感知任务发送给用户；S3、参与者进行感知数据采集，并将采集到的感知数据和竞价上传到边缘服务器；S4、边缘服务器根据参与者上传的感知数据、竞价和信誉值矩阵，通过逆向拍卖算法和临界报酬选取获胜者集合；S5、边缘服务器计算每个参与者的感知偏差，并将感知偏差发送给信誉管理服务器；S6、信誉管理服务器更新参与者的信誉值矩阵。本发明方法能够很好地激励用户诚实地上传感知数据，抑制恶意用户，保证感知数据的质量并最小化平台成本。

Description

一种基于数据质量感知的移动群智感知激励方法

技术领域

本发明主要涉及一种基于数据质量感知的多维数据移动群智感知激励方法，属于群智感知技术领域。

背景技术

移动群智感知需要大量普通用户参与，但是参与感知的过程中，参与者需要投入一定的时间和精力，也需要消耗自身设备的电量、流量、存储、通信等资源，此外，感知数据的采集通常需要使用移动设备内置的传感器，如摄像头、麦克风、GPS等，容易引起用户对隐私泄露的担忧。参与者数量不足严重限制了移动群智感知的发展，如果没有合理的激励机制，用户参与感知任务的积极性不高，将导致感知任务无法被有效完成。

目前的激励机制主要有报酬支付、娱乐游戏、社交关系、虚拟积分等，使得参与者能够积极快速地完成感知任务。Yang等人为移动群智感知引入两个模型：基于Stackelberg博弈设计了以平台为中心的激励机制，用于最大化感知平台效用；基于拍卖算法设计了以用户为中心的激励机制，用于保持用户真实性而不用操纵竞拍价格。为了激励用户长期参与感知任务，Gao等人提出一种基于VCG拍卖的激励机制，将感知时间分为多个时隙在线选择用户，在每个时隙中最大化社会福利。

但是，大量的参与者并不能保证感知任务被高质量地完成，目前存在的激励机制普遍忽略了感知数据质量问题，平台收集的感知数据质量不尽相同且容易存在恶意攻击者，大量低质量数据的存在会影响数据分析结果的准确性，导致任务发布方的效益不能达到实际预期。Zhang等人将用户位置作为激励因素之一，根据用户地理位置利用贪心算法选择能够较好完成任务的用户，从而提高任务完成质量，同时也根据各个区域内执行任务用户数量来对不同区域的用户进行报酬支付。但是有些恶意参与者会伪造位置信息或上传虚假数据来获得非法报酬。

如何综合考虑参与者的隐私、感知参与率、数据质量和感知平台的成本，设计一个合理的激励机制，使感知平台在付出较小成本的前提下，在质和量两方面获得满意的感知数据，对促进移动群智感知***平台的长期稳定发展具有重要意义。

发明内容

针对目前移动群智感知激励方法无法保证感知数据质量的问题，本发明提出了一种基于数据质量感知的移动群智感知激励方法，利用边缘服务器进行时空匿名，发送感知任务，引入数据质量约束和信誉更新机制，利用逆向拍卖模型合理挑选获胜者集合来最小化感知平台总成本，解决参与者隐私保护和恶意参与者攻击问题的同时减轻云服务器的计算压力，降低时延。

为解决上述技术问题，本发明采用了如下技术手段：

一种基于数据质量感知的移动群智感知激励方法，包括以下步骤：

S1、感知平台发布感知任务集合；

S2、边缘服务器获取感知平台发布的任务，并将感知任务发送给边缘节点覆盖范围内的用户；

S3、感知任务的参与者进行感知数据采集，并将采集到的感知数据和竞价上传到边缘服务器；

S4、边缘服务器根据参与者上传的感知数据、竞价和存储在信誉管理器上的信誉值矩阵，通过逆向拍卖算法和临界报酬选取获胜者集合，并将获胜信息和报酬信息发送给获胜者；

S5、边缘服务器根据参与者上传的感知数据计算每个参与者的感知偏差，并将感知偏差发送给信誉管理服务器；

S6、信誉管理服务器更新参与者的信誉值矩阵。

进一步的，所述的步骤S1中的感知任务集合为T＝{τ₁，τ₂，...，τ_m}，集合中包含m个不同的感知任务，其中，τ_j为第j个感知任务，j＝1，2，…，m。

进一步的，所述的感知平台还发布与感知任务集合T对应的数据质量约束集合Q，Q＝{q₁，q₁，...，q_m}，其中，q_j为与感知任务τ_j对应的数据质量约束。

进一步的，步骤S3的具体操作如下：

S31、设有n个参与者，参与者集合为U＝{ω₁，ω₂，...，ω_n}，其中，n≥2。

S32、参与者ω_i选取一个或多个感知任务进行感知数据收集，其中，i＝1，2，…，n，参与者ω_i的感知数据s_i为v维向量，s_i＝{s_i1，s_i2，...，s_iv，}。

S33、参与者将采集到的感知数据s_i和竞价b_i上传到边缘服务器。

进一步的，步骤S4的具体操作如下：

S41、边缘服务器获取信誉管理服务器上存储的历史信誉值矩阵[r_ij]，[r_ij]∈[0，1]^n×m，其中，r_ij表示参与者ω_i参与子任务τ_j的可靠程度，当参与者ω_i第一次参与子任务τ_j时，令r_ij＝0.5。

S42、边缘服务器根据决策变量δ_ij和信誉值矩阵[r_ij]计算数据质量矩阵R，具体公式如下：

R＝[θ_ij]＝[δ_ij·r_ij]∈[0，1]^n×m (1)

其中，θ_ij表示参与者ω_i参与子任务τ_j时参与者ω_i提供的数据质量。

S43、第一轮拍卖中，边缘服务器选择数据质量矩阵R中数据质量最大的参与者作为获胜者，将获胜者加入获胜者集合S中，并将获胜者从参与者集合中移除：

S44、新一轮拍卖中，边缘服务器从已经移除获胜者的参与者集合中选取成本效益贡献最大的参与者作为新的获胜者，成本效益贡献的计算公式如下：

其中，F_i(S)表示给定获胜者集合S时参与者ω_i的成本效益贡献，H_i(S)表示给定获胜者集合S时参与者ω_i完成一组子任务Γ_i的总加权边际贡献，b_i为参与者ω_i的竞价。

S45、将S45选出的获胜者从参与者集合中移除，获得新的参与者集合U′，并从集合U′中选取成本效益贡献最大的参与者ω_l′。

S46、令S45选出的获胜者的成本效益贡献大于参与者ω_l′的成本效益贡献，计算获胜者的临界报酬，公式如下：

其中，p_k为获胜者ω_k的临界报酬，H_k(S)为获胜者ω_k的总加权边际贡献，H_l′(S)为参与者ω_l′的总加权边际贡献，b_l′为参与者ω_l′的竞价。

S47、当获胜者的临界报酬大于该获胜者的竞价时，将该获胜者加入获胜者集合S中。

S48、重复步骤S44至S47，直到获胜者集合S满足感知任务集合T的数据质量要求。

S49、根据获胜者集合S，将获胜信息和报酬信息发送给获胜者，其中，获胜者的报酬为获胜者的临界报酬。

进一步的，步骤S5的具体操作如下：

S51、边缘服务器聚合所有参与者的感知数据，聚合结果S_T如下：

S52、计算参与者ω_i的感知数据s_i与最终聚合结果s_T的偏差：

其中，d_i为参与者ω_i的感知数据偏差。

S53、对多维感知数据s_i进行归一化处理，感知数据偏差d_i修改为：

其中，[L_k，R_k]表示第k维感知数据所在的区间范围。

S54、计算感知数据偏差集合{d_i，i∈U}的中位数并将感知数据偏差集合与中位数发送给信誉管理服务器。

进一步的，步骤S6中信誉管理服务器更新参与者的信誉值矩阵，参与者的信誉值计算公式如下：

其中，表示更新后参与者ω_i参与子任务τ_j的可靠程度，γ和η是用来缩放的正数，λ为调整参数。

采用以上技术手段后可以获得以下优势：

本发明提出了一种基于数据质量感知的移动群智感知激励方法，在移动群智感知***中引入边缘服务器，对参与者提交的数据进行匿名化处理，保护参与者隐私，同时，边缘服务器具有一定的计算和存储能力，可以减轻云服务器的计算压力，降低时延，保证***服务质量。本发明方法引入了数据质量约束和信誉值矩阵，根据历史上参与者在感知平台上参与的同种任务的完成情况，综合考虑参与者选择的子任务集合、竞价和信誉值等因素，在满足数据质量要求的基础上，利用基于递归的贪婪算法选择成本效益贡献较大的参与者作为获胜者，并支付对应的临界报酬。本发明方法的复杂度较低、计算效率更高，能够得到最优的平台成本。此外，本发明方法中设计了一种信誉更新函数，能够鼓励真实参与者提交诚实数据，抑制恶意参与者提交虚假数据。本发明方法可以在保证感知数据的质量、最小化平台成本的前提下激励用户参与感知任务，激励方法更可靠、更高效。

附图说明

图1是本发明一种基于数据质量感知的移动群智感知激励方法的步骤流程图。

图2是本发明一种基于数据质量感知的移动群智感知激励方法的主体交互图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例和说明书附图对本发明的技术方案进行清楚、完整的描述，显然，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

本发明提出一种基于数据质量感知的移动群智感知激励方法，如图1结合图2所示，具体包括以下步骤：

S1、感知平台发布感知任务集合；感知平台发布包含m个不同感知任务的感知任务集合T＝{τ₁，τ₂，...，τ_m}，其中，τ_j为第j个感知任务，j＝1，2，…，m。同时，感知平台还发布了与感知任务对应的数据质量约束集合Q＝{q₁，q₁，...，q_m}，其中，q_j为与感知任务τ_j对应的数据质量约束。数据质量约束是感知平台在任务发布之初根据具体任务设置的阈值，采集到的感知数据的数据质量应该不低于平台设置的数据质量约束。数据质量约束是用来激励参与者提供高质量的数据，比如用于分析全市交通拥堵情况的群智感知***，其数据采集任务需要大量用户周期性地在同一区域拍摄交通实时照片或视频，数据质量约束用于激励参与者上传清晰高质量的图像或视频。

S2、边缘服务器获取感知平台发布的任务，并将感知任务发送给边缘节点覆盖范围内的用户。边缘服务器中包含多个边缘节点，每个边缘节点会在其覆盖范围内广播感知任务。

S3、感知任务的参与者进行感知数据采集，并将采集到的感知数据和竞价上传到边缘服务器；具体操作如下：

S31、设有n个参与者，参与者集合为U＝{ω₁，ω₂，...，ω_n}，其中，n≥2。

S32、感知任务集合中包含多个感知任务、受距离、交通，兴趣等诸多因素的影像，参与者ω_i可以选取一个或多个感知任务进行感知数据收集，Γ_i表示参与者ω_i选择的一组子任务，其中，i＝1，2，…，n。参与者ω_i的感知数据s_i为v维向量，s_i＝{s_i1，s_i2，...，s_iv，}，多维的感知数据可以用来表示复杂的感知结果。

S33、参与者完成子任务Γ_i需要一定的成本c_i，此处的成本包括移动设备的电量消耗、通信费用开销、参与者的计算能力损耗等，参与者会根据自己消耗的成本确定竞价b_i，由于参与者的自私性和策略性，通常情况下参与者向感知平台发送的竞价b_i≥c_i。参与者将采集到的感知数据s_i和竞价b_i上传到边缘服务器。

S4、边缘服务器根据参与者上传的感知数据、竞价和存储在信誉管理器上的信誉值矩阵，通过逆向拍卖算法和临界报酬选取获胜者集合，并将获胜信息和报酬信息发送给获胜者；具体操作如下：

S41、在信誉管理服务器上存储有参与者历史上参与相同或相似感知任务的信誉值，边缘服务器获取信誉管理服务器上存储的历史信誉值矩阵[r_ij]，[r_ij]∈[0，1]^n×m，其中，r_ij表示参与者ω_i参与子任务τ_j的可靠程度，信誉值越高，该参与者的数据的可靠性也就越大。当参与者ω_i第一次参与子任务τ_j时，令r_ij＝0.5。

S42、边缘服务器根据决策变量δ_ij和信誉值矩阵[r_ij]计算数据质量矩阵R，具体公式如下：

R＝[θ_ij]＝[δ_ij·r_ij]∈[0，1]^n×m (9)

其中，θ_ij表示参与者ω_i参与子任务τ_j时参与者ω_i提供的数据质量，δ_ij表示选择决策变量，如果参与者ω_i选择参与完成任务τ_j，那么δ_ij＝0，反之，则为1：

数据质量矩阵还可以表示为：

S43、本发明方法的目标是在满足数据质量约束的条件下，最小化感知平台支出。在第一轮拍卖中，令获胜者集合S为空集，边缘服务器选择数据质量矩阵R中数据质量最大的参与者作为获胜者，将获胜者加入获胜者集合S中，并将获胜者从参与者集合中移除：

在给定当前获胜者集合S的情况下，本发明定义当前获胜者对子任务τ_j的总贡献φ_j(S)为：

给定获胜者集合S时，参与者ω_i对完成子任务τ_j的边际贡献M_ij为：

其中，q_j为子任务τ_j的数据质量约束。

令权重为1/q_j，参与者ω_i完成一组子任务Γ_i的总加权边际贡献为H_i(S)：

定义参与者ω_i的总加权边际贡献片_i(S)与该参与者的竞价b_i之比为成本效益贡献F_i(S)：

S44、在新一轮的拍卖中，边缘服务器从已经移除了获胜者的参与者集合中选取成本效益贡献最大的参与者作为新的获胜者。

S45、为了保证参与者竞价的真实性，本发明方法定义了临界报酬的概念，临界报酬指的是根据参与者ω_i的数据质量，当参与者ω_i获胜时参与者能够获得的最大报酬。为了找到获胜者ω_k的临界报酬，将S45选出的获胜者从参与者集合中移除，获得新的参与者集合U′，基于当前获胜者集合，从集合U′中选取成本效益贡献最大的参与者ω_l′。

S46、如果ω_k在竞拍时能够取代ω_l′成为获胜者，那么ω_k的成本效益贡献必须比ω_l′大，即计算获胜者的临界报酬，公式如下：

其中，p_k为获胜者ω_k的临界报酬，H_k(S)为获胜者ω_k的总加权边际贡献，H_l′(S)为参与者ω_l′的总加权边际贡献，b_l′为参与者ω_l′的竞价。

S47、当获胜者ω_k的临界报酬大于该获胜者的竞价时，将该获胜者加入获胜者集合S中，反之，重新选取获胜者。

S48、重复步骤S44至S47，直到获胜者集合S满足感知任务集合T的数据质量要求，即获胜者集合S中所有获胜者能够为任务τ_j提供的总数据质量不低于该任务的数据质量约束q_j。

S49、根据获胜者集合S，将获胜信息和报酬信息发送给获胜者，其中，获胜者的报酬为获胜者的临界报酬。

S5、边缘服务器根据参与者上传的感知数据计算每个参与者的感知偏差，并将感知偏差发送给信誉管理服务器；具体操作如下：

S51、边缘服务器收到信誉管理服务器发送的信誉值后，边缘服务器聚合所有参与者的感知数据，聚合规则为计算每个任务所有感知数据的加权平均值，其中权重是每位参与者的信誉值。聚合结果S_T如下：

S52、计算参与者ω_i的感知数据s_i与最终聚合结果s_T的偏差：

其中，d_i为参与者ω_i的感知数据偏差。感知数据的可靠性与偏差d_i有关，d_i越小，则表示感知数据越可靠。

S53、参与者上传的感知数据s_i是一个多维向量数据，每个元素极有可能不是在一个数量级内，如果不进行归一化处理，感知数据偏差d_i很难准确地反映数据的可靠性。因此，边缘服务器将感知数据每个维度的值归一化到[0，1]区间内。假设[L_k，R_k]表示第k维数据所在的区间范围，那么归一化后的感知数据偏差为：

S54、计算感知数据偏差集合{d_i，i∈U}的中位数并将感知数据偏差集合与中位数发送给信誉管理服务器。

S6、信誉管理服务器更新参与者的信誉值矩阵。信誉值更新的规则为：参与者在做出一些可靠行为之后，信誉值会逐渐增加，但是在做出一些不诚实或恶意的行为之后，信誉值应该显著降低。另外，为了提高参与者的积极性，参与者在***中可以通过频繁地提供可靠数据来获得较高信誉值，而频繁地提供错误的感知数据应该拥有极低信誉值。假设恶意参与者的比例小于一半，如果参与者的感知数据偏差小于则可以认为此参与者做出了诚实行为，本发明方法还引入调整参数λ，对于参与者ω_i，如果他的感知数据偏差则应该增加信誉值，且d_i越小，信誉值也应增加得越快。相反，如果感知数据偏差则信誉值会降低，且的值越大，信誉值也应减少得越快。参与者的信誉值计算公式如下：

其中，表示更新后参与者ω_i参与子任务τ_j的可靠程度，γ和η是用来缩放的正数。当时，表明参与者提交了一次可靠数据，如果参与者持续提交可靠数据，信誉值会逐渐收敛到1。当则信誉值较上次不变。而当表明参与者提交了一次不可靠的感知数据，信誉值会较上次下降，如果持续提交不可靠数据，信誉值会快速收敛到0。

本发明方法计算量不大、计算效率高，因为采用了边缘服务器，云服务器的计算压力较小，可以有效降低时延。同时本发明方法中引入了数据质量约束和信誉值矩阵，既可以保证感知数据的质量，也可以激励参与者上传优质数据，本发明方法综合考虑了用户隐私、感知数据质量、平台成本等问题，提供了一种更高效、更可靠的移动群智感知激励方法。

上面结合附图对本发明的实施方式作了详细地说明，但是本发明并不局限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (7)

1.一种基于数据质量感知的移动群智感知激励方法，其特征在于，包括以下步骤：

S1、感知平台发布感知任务集合；

S2、边缘服务器获取感知平台发布的任务，并将感知任务发送给边缘节点覆盖范围内的用户；

S3、感知任务的参与者进行感知数据采集，并将采集到的感知数据和竞价上传到边缘服务器；

S4、边缘服务器根据参与者上传的感知数据、竞价和存储在信誉管理器上的信誉值矩阵，通过逆向拍卖算法和临界报酬选取获胜者集合，并将获胜信息和报酬信息发送给获胜者；

S5、边缘服务器根据参与者上传的感知数据计算每个参与者的感知偏差，并将感知偏差发送给信誉管理服务器；

S6、信誉管理服务器更新参与者的信誉值矩阵。

2.根据权利要求1所述的一种基于数据质量感知的移动群智感知激励方法，其特征在于，所述的步骤S1中的感知任务集合为T＝{τ₁，τ₂，...，τ_m}，集合中包含m个不同的感知任务，其中，τ_j为第j个感知任务，j＝1，2，…，m。

3.根据权利要求2所述的一种基于数据质量感知的移动群智感知激励方法，其特征在于，所述的感知平台还发布与感知任务集合T对应的数据质量约束集合Q，Q＝{q₁，q₁，...，q_m}，其中，q_j为与感知任务τ_j对应的数据质量约束。

4.根据权利要求3所述的一种基于数据质量感知的移动群智感知激励方法，其特征在于，步骤S3的具体操作如下：

S31、设有n个参与者，参与者集合为U＝{ω₁，ω₂，…，ω_n}，其中，n≥2；

S32、参与者ω_i选取一个或多个感知任务进行感知数据收集，其中，i＝1，2，…，n，参与者ω_i的感知数据s_i为v维向量，s_i＝{s_i1，s_i2，...，s_iv，}；

S33、参与者将采集到的感知数据s_i和竞价b_i上传到边缘服务器。

5.根据权利要求4所述的一种基于数据质量感知的移动群智感知激励方法，其特征在于，步骤S4的具体操作如下：

S41、边缘服务器获取信誉管理服务器上存储的历史信誉值矩阵[r_ij]，[r_ij]∈[0，1]^n×m，其中，r_ij表示参与者ω_i参与子任务τ_j的可靠程度，当参与者ω_i第一次参与子任务τ_j时，令r_ij＝0.5；

S42、边缘服务器根据决策变量δ_ij和信誉值矩阵[r_ij]计算数据质量矩阵R，具体公式如下：

R＝[θ_ij]＝[δ_ij·r_ij]∈[0，1]^n×m

其中，θ_ij表示参与者ω_i参与子任务τ_j时参与者ω_i提供的数据质量；

S43、第一轮拍卖中，边缘服务器选择数据质量矩阵R中数据质量最大的参与者作为获胜者，将获胜者加入获胜者集合S中，并将获胜者从参与者集合中移除：

S44、新一轮拍卖中，边缘服务器从已经移除获胜者的参与者集合中选取成本效益贡献最大的参与者作为新的获胜者，成本效益贡献的计算公式如下：

其中，F_i(S)表示给定获胜者集合S时参与者ω_i的成本效益贡献，H_i(S)表示给定获胜者集合S时参与者ω_i完成一组子任务Γ_i的总加权边际贡献，b_i为参与者ω_i的竞价；

S45、将S45选出的获胜者从参与者集合中移除，获得新的参与者集合U′，并从集合U′中选取成本效益贡献最大的参与者ω_l′；

S46、令S45选出的获胜者的成本效益贡献大于参与者ω_l′的成本效益贡献，计算获胜者的临界报酬，公式如下：

其中，p_k为获胜者ω_k的临界报酬，H_k(S)为获胜者ω_k的总加权边际贡献，H_l′(S)为参与者ω_l′的总加权边际贡献，b_l′为参与者ω_l′的竞价；

S47、当获胜者的临界报酬大于该获胜者的竞价时，将该获胜者加入获胜者集合S中；

S48、重复步骤S44至S47，直到获胜者集合S满足感知任务集合T的数据质量要求；

S49、根据获胜者集合S，将获胜信息和报酬信息发送给获胜者，其中，获胜者的报酬为获胜者的临界报酬。

6.根据权利要求5所述的一种基于数据质量感知的移动群智感知激励方法，其特征在于，步骤S5的具体操作如下：

S51、边缘服务器聚合所有参与者的感知数据，聚合结果S_T如下：

S52、计算参与者ω_i的感知数据s_i与最终聚合结果s_T的偏差：

其中，d_i为参与者ω_i的感知数据偏差；

S53、对多维感知数据s_i进行归一化处理，感知数据偏差d_i修改为：

其中，[L_k，R_k]表示第k维感知数据所在的区间范围；

S54、计算感知数据偏差集合{d_i，i∈U}的中位数并将感知数据偏差集合与中位数发送给信誉管理服务器。

7.根据权利要求6所述的一种基于数据质量感知的移动群智感知激励方法，其特征在于，步骤S6中信誉管理服务器更新参与者的信誉值矩阵，参与者的信誉值计算公式如下：

其中，表示更新后参与者ω_i参与子任务τ_j的可靠程度，γ和η是用来缩放的正数，λ为调整参数。