完全竞争均衡的群智感知定价机制研究

群智感知通过将任务分配给大量普通用户,能够完成大规模、复杂的社会感知任务,受到了国内外学者的广泛关注.其中,如何激励用户参与感知任务是群智感知中的重要问题.现有激励机制相关研究重点关注了如何设置任务的定价,从而激励用户提交高质量感知数据,但忽视了潜在的盲目报价问题;这极易导致参与任务执行的用户数量失衡,进而无法保证平台得到最优收益.为了解决这一问题,提出了完全竞争均衡的群智感知定价机制.该机制首先将平台与用户之间的多人博弈抽象为平台与市场间的双人博弈.再引入市场类型概率,通过海萨尼转换,将双人不完全信息博弈转化为双人完全不完美信息博弈.最后通过平台多轮重复博弈,使平台报价收敛到完全竞争均衡水平.理论分析和实验结果表明所提激励机制能够收敛到完全竞争均衡状态.     

属性感知的MCS任务分配与隐私保护协同机制

针对移动群智感知网络中感知的任务分配以及保护感知用户的隐私信息问题,提出了一种基于用户属性感知的任务分配与隐私保护协同机制。首先,根据感知用户固有属性以及历史任务参与记录,挖掘用户对任务的不同倾向、意愿和访问等来量化出用户的静态属性和社会属性;然后,将用户属性作为输入,使用BP神经网络对用户服务能力进行分析,实现任务与用户的优化分配;最后,感知用户生成假名参与感知任务,结合环签名对用户属性生成随机数进行属性加密,确保感知用户在隐私安全的前提下,提升平台感知数据的准确程度。仿真实验结果表明,文中所提出的策略能够有效地选择出感知用户,验证了用户上传数据的可用性,保护了用户的身份安全。     

群智感知中基于损失厌恶的激励机制

当前,群智感知中的激励机制大多是基于传统经济学的,而行为经济学的研究结果表明,由于损失厌恶的存在,用户不是总追求自身经济效用的最大化,基于传统经济学的机制并不能完全有效地激励用户.为此,文中设计了一种基于用户损失厌恶的激励机制(LA-RAIM).该机制基于用户的损失厌恶心理,设计了用户的奖励因子,通过在激励时间内给予用户额外奖励,让用户感受到不参与任务就会有损失,以此激励更多用户参与感知任务.仿真实验结果表明,与经典的RVA-IM相比,LA-RAIM既能促进更多的用户参与系统感知任务,也同时提升了系统的平台效用和获胜者平均效用.     

基于区块链的车联网群智感知位置隐私保护方法

针对车联网群智感知位置隐私泄露和用户参与任务公平性的问题,提出了一种基于区块链的车联网群智感知位置隐私保护方法(location privacy protection method based on blockchain and crowdsensing, LPPMBC)。将分布式的区块链引入车联网群智感知位置隐私保护方法中,消除第三方服务平台对参与用户数据的控制;通过保序加密和Geohash编码相结合,为参与工人提供多级别的位置隐私保护,确保参与工人位置隐私的保密性;通过Haversine公式进行感知位置验证,防止工人通过非感知区域数据获得非法奖励,保障感知数据的质量。仿真结果表明,LPPMBC能够更好地权衡感知数据质量与工人隐私保护关系,保障用户参与任务的公平性, 提高用户参与任务的积极性。     

云计算和大数据环境下工作流数据感知调度

为了解决具有数据约束的工作流多标优化调度问题,提出了一种在保证业务逻辑前提下并考虑数据约束的数据感知调度算法.首先通过将工作流调度建模为一个多目标优化问题,开发了一种数据感知蚁群算法(DACO)来搜索最优调度方式,其次在该算法中将判断每个任务所需的数据量和任务之间的数据约束,感知每个业务之间的数据流,最后分治策略来搜索最优调度.实验结果表明,该算法在效率和成本效益方面优于现有的求解方法.     

基于Tangle网络的群智感知隐私保护激励方法

针对现有群智感知激励方法难以满足分布式环境下用户的隐私需求,该文提出一种基于Tangle网络的群智感知隐私保护激励方法TNIP(tangle network incentive policy)。首先,基于隐私保护思想,感知网络采用Tangle网络框架,分布式记录方式保障网络安全性;其次,为防止恶意竞争和区块链带来的PoW(proof of work)门槛等问题,设计了PoW控制算法,降低参与门槛和恶意竞争;接着,借助基于ECDSA (elliptic curve digital signature algorithm)的数字签名方法增强了感知数据保护,使数据更安全;然后,利用量化评估模型对隐私泄露风险进行量化评估,再通过可信的里程碑交易控制网络风险,增强感知网络隐私性;最后,利用真实数据集,通过仿真试验对该文提出的TNIP方法的激励效果和隐私保护方法进行对比分析,试验结果表明,TNIP方法在三类任务的平均参与率较CSII(cross-space multi-interaction-based-dynamic incentive scheme)方法和TCS(tangle-net crow...     

移动群智感知激励机制研究综述

移动群智感知(mobile crowd sensing,MSC)应用的数据获取需要借助大量移动用户的终端进行数据收集,然而移动终端在数据收集时会造成电量、流量的消耗,同时也会造成不可避免的安全隐私问题。为了招募到足够的用户,必须设计合理的激励机制,提高用户参与感知活动的积极性。移动群智感知的激励机制是通过将感知活动与娱乐游戏、信誉值或报酬支付等手段结合的方式来提高用户参与感知活动的积极性。结合国内外移动群智感知激励机制的发展现状,对移动群智感知的基本概念、系统架构和应用进行了评述,根据激励的方式将激励机制分为娱乐游戏、信誉值和报酬支付三大类,对其进行了详细介绍,并给出了未来的研究方向。     

基于上下文感知的云计算平台分析研究

基于上下文感知的云计算平台为用户提供了一种新型、可靠、高效的数据服务模式.面向智慧城市大数据的存储管理服务中,复杂、多源、动态大数据的存储出现了效率低和可靠性差的问题.因此提出构建一种基于上下文感知的云计算平台的思路,采用基于上下文感知的云计算平台的四层结构,上下文感知算法实现智慧城市大数据的存储.理论分析和模式测试结果表明基于上下文感知的云计算平台满足了动态大数据的可靠存储的前提下,降低了数据分布式影响,极大提高了智慧城市大数据的存储管理能力.     

基于用户分类可靠性的群智感知任务分配机制研究

群智感知系统利用智能移动终端上的传感器,可以快速、便捷、低成本地收集到大量的数据.任务分配是群智感知中的关键技术,然而现有研究对用户的可靠性问题考虑不足,所设计出的分配机制难以满足实际系统的需求.针对该问题,文章假设用户所提交的数据可能是不可靠的,且同一个用户完成不同类型任务的可靠性也有差异.所设计的机制迭代进行,每次迭代以实现数据消费者的最大最小公平作为优化目标,贪心地选择一个任务与用户完成匹配,直到所有数据消费者的收益均无法提高为止.在每次任务完成后,所设计机制还会根据用户所提交的数据质量不断更新用户的分类可靠性.最后,通过仿真实验验证了所设计机制的有效性.     

移动群智感知网络发展面临安全挑战

 作为一种全新的物联网感知模式,移动群智感知网络通过普适感知设备采集特定范围内的个体、情景、环境感知数据,完成复杂的泛在深度社会感知任务并提供丰富应用。介绍了移动群智感知网络当前的应用发展状况,分析了在智能交通服务、基础设施和市政管理服务、环境监测预警、社会关系与公共安全、公众健康和医疗服务等方面的发展趋势。提出了一些移动群智感知网络在未来所面临的安全挑战,分析了用户隐私保护、感知数据和平台的安全性、感知质效提升和资源优化利用方面面临的挑战。     

基于区域覆盖的群智感知激励机制

针对群智感知中的区域覆盖和用户参与两大问题,提出一种基于反向拍卖的区域覆盖最大化激励机制.首先用户根据参与成本给出标价参与拍卖,服务器平台在预算固定情况下,根据区域覆盖最大化算法选择拍卖中获胜的用户并向其购买感知数据,然后参与用户通过收益率判断是否继续参与,退出用户计算预期收益率并尝试重返拍卖.仿真结果表明,与动态定价反向拍卖机制相比,该机制可以在保证用户参与的同时,增大服务器平台选择用户的感知覆盖面积.     

一种自适应的协作频谱感知方法

在认知无线网络中,协作频谱感知技术可有效提高衰落信道下的检测性能,提高对主用户的保护程度以及认知用户的接入机会。在信道状态良好的情况下,参与协作的认知用户数越多,感知性能越好。而在实际的频谱感知过程中,如果感知信道条件较差的话,认知用户的本地感知结果并不准确,此时该认知用户的本地感知结果对于总的协作感知并不能起到积极的作用;其次,参与协作的认知用户数越多,发送本地决策值占用的系统带宽也越大。为了节约系统资源避免不必要的信令传输,本文提出一种自适应的协作频谱感知方法,只有当认知用户的感知信道条件较好时才将其本地感知结果发送到融合中心,否则不发送,以节约系统资源。最后,通过仿真验证了所提方法的有效性。结果表明,所提方法可有效节约系统开销。     

移动群智感知中基于用户意愿的参与者优选方法

移动群智感知中,在选择参与者时忽视用户意愿,可能会导致用户执行效率低甚至产生中途退出、上传虚假数据等严重损害感知数据质量的行为.针对这一问题,首先提出了一种基于用户意愿的参与者优选方法,综合考虑用户特征、任务属性、实时环境等信息,使用全连接的深度神经网络以及卷积自编码器构建用户意愿回归模型,量化评估在实时过程中用户对感知任务的执行意愿程度.其次设计平衡用户意愿与用户效用的参与者优选机制,在不同场景下同时保障感知效率与用户意愿.通过在真实轨迹数据集上进行仿真实验,验证了用户意愿回归模型的拟合度优于基线方法.通过两个感知任务案例分析验证了平衡用户意愿与用户效用的参与者优选机制的有效性及合理性.     

基于差分隐私的群智频谱感知算法

认知无线电的关键技术是频谱感知,将保护隐私的激励机制与协作频谱感知结合起来,有助于提高频谱检测的准确性.文中引入了差分隐私的概念,将指数机制应用于平台与用户间的反向拍卖,提出了一种具有隐私保护的基于拍卖的频谱感知算法.平台选择获胜用户时将用户的信誉值考虑在内,并且使用了一种基于指数机制的线性得分函数选择最优的用户集.仿...     

基于迭代用户选择的合作频谱感知算法

针对认知无线电中经典频谱感知算法 (能量检测、算术几何平均、信号特征值子空间、最大特征值检测)存在不同程度缺陷的问题,为了进一步提高频谱感知算法的检测性能,提出了基于迭代用户选择(iterative user selection, IUS)的合作频谱感知算法。该算法先对参与合作感知的全部认知用户进行选择,然后在选出的部分用户频谱观测数据的基础上,生成全局检验统计量(global decision statistic, GTS),以此做出授权用户(primary user, PU)信号是否存在的全局判决。仿真结果显示,在虚警概率保持不变的情况下,进行迭代用户选择后,合作频谱感知的检测概率要优于未进行用户选择时的算法。与经典频谱感知算法相比较, IUS的合作频谱感知算法不需要任何先验信息,且以较少的频谱观测数据达到较好的检测性能。     

基于天线选择的多天线频谱感知技术

为了保护主用户系统不受认知用户的影响,提高频谱检测的可靠性,提出了一种新的基于天线选择和能量感知的频谱检测算法.该算法利用认知用户多个接收天线的感知信息,根据认知用户与主用户之间信道的差异,充分利用多天线的空间分集,选择部分使得检测概率最大化的天线进行合作检测.仿真结果表明,基于天线选择和能量感知的多天线频谱检测可有效地提高感知数据可靠性,感知数据的检测概率显著提高.     

基于互信息的分布式贝叶斯压缩感知

压缩感知理论应用于分布式认知网络中时,由于每个认知用户所处的信道环境差别很大,因此频谱感知的精度相差很大.为了提高感知的精度,提出了一种结合了分布式网络中的数据融合方法和压缩感知理论中的高效的数据处理方式的方法.首先,单个认知用户单独地运用压缩采样(CS)进行频谱的粗略感知,然后通过互信息的计算可以得到两两认知用户之间感知信息的差异,而差异大的两个认知用户之间会产生关联.认知用户的感知信息会按照这种关联进行共享.信息共享后,在每个认知用户端,基于贝叶斯推理的压缩感知恢复会重新进行来更新之前的感知结果.仿真结果表明,在感知精度与感知速率方面,算法性能均有改善.     

基于视触融合的机器人抓取滑动检测

提出一种基于视触融合的深度神经网络(VTF-DNN)感知算法,用以检测在机器人抓取和操作过程中发生的抓取物体和夹具之间的滑动现象.首先,通过设定不同的抓取位置和力度来抓取不同的物体,收集视觉和触觉序列数据构建视触融合数据集,并用于训练VTF-DNN;触觉数据由安装在夹具上的阵列触觉传感器采集,视觉数据由腕部相机采集.然后,为了验证所提出视触融合感知框架的性能,在某个未参与训练的物体上进行了滑动测试,共进行了464次抓取,采集了2320个视觉和触觉序列样本,分类准确度达92.6%.最后,实验验证了所提框架在滑动检测任务中的高效性以及视触融合在滑动检测任务中的必要性,为更加稳定和灵巧的机器人抓取和作业系统提供了理论基础和技术支撑.     

基于位置的参与式感知服务

以共享为核心理念,探索一种新型的可扩展的LBS——基于位置的参与式感知服务(LBPSS),用于解决当前LBS系统POI更新缓慢、数据采集困难以及用户黏性小等问题。详细设计了LBPSS系统的架构,并分析LBPSS相比于LBS的优势及特点。针对LBPSS的具体实现问题,提出隐私保护、参与激励机制、数据可信验证、数据挖掘和数据可视化五项关键技术。LBPSS用户能够基于位置提供数据同时获取数据及服务,实现更多类型数据的采集与数据共享利用。最后结合ArcGIS Server和Android平台实现LBPSS在空气质量监控中的应用,验证LBPSS的可行性和有效性。     

参与者信誉度感知的MCS数据收集机制

在群智感知(mobile crowd sensing,MCS)数据收集过程中,任务参与者的恶意行为能够显著降低感知结果的真实性.为解决此问题,提出了一种参与者信誉度感知的数据收集机制,通过意愿程度和数据质量分析信任状态、量化历史信誉度,进而,根据逻辑回归模型动态更新参与者当前信誉度.同时,为准确衡量感知数据可信程度,利用剩余可发送时间和移动设备剩余能量将参与者分为直接发送和间接转发两类,从而在多任务并发场景下,服务器根据结果合理地选择任务参与者,达到准确可靠收集感知数据的目的.结果表明所提出数据收集机制能大幅度提升感知任务实时性,显著提高感知数据质量,有效降低服务器总奖励开销.