CN108055119B - 一种群智感知应用中基于区块链的安全激励方法和系统 - Google Patents

一种群智感知应用中基于区块链的安全激励方法和系统 Download PDF

Info

Publication number
CN108055119B
CN108055119B CN201711307609.3A CN201711307609A CN108055119B CN 108055119 B CN108055119 B CN 108055119B CN 201711307609 A CN201711307609 A CN 201711307609A CN 108055119 B CN108055119 B CN 108055119B
Authority
CN
China
Prior art keywords
server
quality
user
data
sensing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201711307609.3A
Other languages
English (en)
Other versions
CN108055119A (zh
Inventor
李梦茹
何云华
肖珂
王超
王景中
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China University of Technology
Original Assignee
North China University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by North China University of Technology filed Critical North China University of Technology
Priority to CN201711307609.3A priority Critical patent/CN108055119B/zh
Publication of CN108055119A publication Critical patent/CN108055119A/zh
Application granted granted Critical
Publication of CN108055119B publication Critical patent/CN108055119B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/002—Countermeasures against attacks on cryptographic mechanisms
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/12—Applying verification of the received information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种群智感知应用中基于区块链的安全激励方法和系统。该方法中用户端和服务器作为区块链的交易双方进行交易，包括以下步骤：1)服务器向用户端发布感知任务；2)用户端执行并完成感知任务后，将感知数据上传至服务器；3)区块链中的矿工验证感知数据的质量，并将其发送至服务器；4)服务器根据感知数据的质量向用户端支付报酬。进一步地，矿工得到感知数据的质量后利用互信息的原理量化感知数据的质量的有效贡献，并发送至服务器，然后服务器根据有效贡献给予用户端相应的报酬。本发明采用区块链安全的分布式架构实现了群智感知应用中的安全激励，能够有效防止感知平台发起的共谋攻击，克服了可信第三方面临的安全隐患。

Description

一种群智感知应用中基于区块链的安全激励方法和系统
技术领域
本发明属于群智感知隐私保护技术领域，具体为针对群智感知用户隐私信息保护和感知数据验证，提出了一种基于群智感知的区块链隐私保护激励方法和系统。
背景技术
群智感知是指大规模的用户通过其携带具备感知、计算能力的移动终端采集并共享感知数据，对数据进行测量、分析、估计等处理后提取与公共利益相关现象或信息的技术，群智感知的网络模型如图1所示。群智感知是物联网与众包思想的结合，随着“互联网+”的发展，智能手机、Pad、手环等智能终端的普及，群智感知在环境污染质量监测、环境噪音地图、实时交通状况、城市网络覆盖地图、路边停车位实时监测、室内定位等方面已经得到了广泛的应用。
群智感知任务的执行依赖于大量用户的参与，需要消耗用户的精力以及其智能终端设备的电量、存储与计算资源，并且存在泄露用户隐私的风险。用户应被给予相应的报酬以激励其参与感知任务，但用户都是自私的，可能会发起欺骗或合谋攻击来获取更多的奖励。因此，设计一种安全可信的激励机制就显得尤为重要。
群智感知应用中的激励机制主要有信誉机制、互惠机制和基于电子货币的机制。信誉机制评价用户的信誉值，高信誉用户可获得更好的服务。Xie等人(Xie H,Lui J C S,Towsley D. Incentive and reputation mechanisms for online crowdsourcingsystems[C]//Quality of Service (IWQoS),2015IEEE 23rd International Symposiumon.IEEE,2015:207-212.)采用信誉机制隔离感知系统中低水平工作者以激励高水平工作者参与感知任务，从而获得高质量的任务解决方案。Alswailim等人(MohannadA.Alswailim,Hossam S.Hassanein,Mohammad Zulkernine.A Reputation System toEvaluate Participants for Participatory Sensing[C]//Global CommunicationsConference(Globcom),2016IEEE 59rd International Symposium on.IEEE,2016.)提出一种参与者信誉值估计方法，使用RSEP算法估算出最高信誉值的参与者并给予激励，以此来提高感知应用的质量，解决了不同参与者上传的感知数据参差不平的问题。但信誉机制的激励方式并不具体而易受Sybil攻击和洗白(Whitewashing)攻击。
互惠机制根据用户贡献度匹配等价的服务。Gong等人(Gong X,Chen X,Zhang J,et al. Exploiting social trust assisted reciprocity(STAR)toward utility-optimal socially-aware crowdsensing[J].IEEE Transactions on Signal andInformation Processing over Networks,2015, 1(3):195-208.)研究了在给定了社会信任结构的基础上，构建基于社会信任的互惠(STAR)激励机制，并对该激励机制用户的响应效率进行了深入的研究。研究表明此机制能够在构筑的社会图和用户请求图的循环流中达到效用最大化。但互惠机制需要建立长期的通信或互惠关系，对于个性化的需求适用性较差。
基于电子货币的激励机制使用电子货币激励用户参与群智感知任务。Zhang等人(Zhang Y,Chen X,Zhou D,et al.Spectral methods meet EM:A provably optimalalgorithm for crowdsourcing[C]//Advances in neural information processingsystems.2014:1260-1268.)提出一种将波普法和EM算法有效结合的两阶算法以实现对多类人群的标识。Wang等人(
Wang J,Ipeirotis P G,Provost F.Quality-based pricing for crowdsourcedworkers[J].2013.)提出一种群智感知中基于质量的综合定价机制，可以根据感知质量水平得到工作者的客观排名。 Peng等人(Peng D,Wu F,Chen G.Pay as how well you do:Aquality based incentive mechanism for crowdsensing[C]//Proceedings of the16th ACM International Symposium on Mobile Ad Hoc Networking andComputing.ACM,2015:177-186.)提出的激励机制，解决了用户上传的感知数据质量参差不齐而影响感知网络的服务质量的问题。他们提出以贡献程度为支付标准来设计激励机制，有效地提高了理性参与者上传高质量感知数据的积极性。以扩展的经典的期望最大化算法(EM算法)估算感知数据质量，并通过消除信号传输中的噪音降低数据信息的不确定性来量化用户的贡献，以此为标准给予用户相应的最合适报酬。但这些激励机制都依赖可信中心，可信中心通常在现实生活中是难以实现的，可能会为了利益私自出售用户隐私数据或与其中某些参与用户共谋，而且也容易遭受攻击，一旦被俘获，将导致激励机制的混乱。
发明内容
针对以上问题，本发明提出一种群智感知应用中基于区块链的安全激励方法和系统。在该方法中，服务器发布感知任务、用户上传感知数据、服务器给予用户报酬等过程都在区块链中被相应记录，有效解决了可信第三方介入带来的安全问题。区块链中的矿工担任数据验证工作，作为利益无关者，比由服务器验证的方式更可信。由于矿工可能发起假冒攻击，本发明提出数字水印的方式对用户上传的感知数据进行保护。
本发明解决其技术问题所采用的技术方案是：
一种群智感知应用中基于区块链的安全激励方法，采用基于区块链的激励框架，如图2 所示，其中用户端(User，下文简称为用户)和服务器(Server)作为区块链的交易双方进行交易，该方法包括以下步骤：
1)Server发布感知任务，所述感知任务包括质量公告；
2)感知用户ui执行完感知任务并将感知数据
Figure BDA0001502306600000031
上传至Server；
3)区块链中的矿工Miner验证(或称为“估计”)感知数据
Figure BDA0001502306600000032
的质量
Figure BDA0001502306600000033
4)Miner在对用户ui上传的感知数据进行质量估计之后，利用互信息的原理量化感知数据的质量
Figure BDA0001502306600000034
的有效贡献；
5)Server根据有效贡献给予用户相应的报酬Payment。
本发明也可以不必实施步骤4)，即可以直接根据步骤3)得到的感知数据的质量付给用户报酬。
该方法的各个步骤进一步说明如下：
1)发布感知任务
感知任务由感知平台的服务器Server发布。Server发布感知任务，给出任务名称、任务功能、任务要求和质量公告等信息。在质量公告里Server给予具体的报酬标准(激励公告) 以及具体的质量评定指标(感知质量要求)，对于不同质量等级gradei的数据给予相应的报酬 xicoins，质量等级越高报酬越高，等级越低报酬越低。另外Server根据预计的报酬总数给予押金。Server创造交易任务承诺，通过用户的感知数据验证感知数据的质量，验证用户身份信息并依据两者给予用户报酬。
2)上传感知数据
这一阶段用户评估感知代价，决定是否执行感知任务并上传感知数据。用户读取Server 发布的感知任务，并评估感知代价。用户需将购置安装智能设备和声音收录装置的代价、花费的时间、精力代价、执行感知任务花费的设备计算和存储代价，流量费用等相加的总代价与感知报酬比较。假定参与者的感知代价服从概率分布，有一个概率分布函数f(ci)，以及一个累积分布函数F(c)。只有当理性的用户预计上传感知数据后获得的感知报酬大于或等于感知代价c时才会执行感知任务。一般情况下，用户的智能设备和声音收录装置都是已有资本，无需为执行感知任务重新购置安装，这部分代价为0。
用户最大化自己的利益，即花最小的代价得到最大的利益。用户实际所得利益为：
Figure BDA0001502306600000035
其中，ri表示感知报酬，ci表示感知代价，
Figure BDA0001502306600000036
表示用户ui付出的最小成本代价。当用户期望的感知报酬大于或等于ci时用户执行感知任务，比如在城市噪音感知任务中采集噪音，上传感知数据给矿工。矿工验证用户上传的感知数据的质量，将验证结果告知感知平台 Server。
3)感知数据质量验证
用户将感知数据上传，由矿工对感知数据的质量进行验证。矿工是指区块链中的工作者；矿工通过竞争计算生成在每个节点达成共识的区块链，区块链是一个分布式的公共权威账簿，包含了比特币网络发生的所有的交易。矿工用他们的电脑算力来验证和记录交易，并负责将交易放进账簿。矿工Miner首先估计感知数据的质量以作为Server给予用户报酬的标准，数据质量划分的等级越多，质量估计越精细，其激励机制越精确。Server会通过权衡精度和复杂性来最大化自己的利益，给出不同的质量标准等级，根据不同的质量进行报酬分配，鼓励用户上传高质量的数据。
本发明把感知数据的质量视为用户感知水平的结果，为每个用户估计一个工作量矩阵
Figure BDA0001502306600000041
比如在城市噪音感知任务中，为了方便，将声音的大小(单位为分贝)分为D＝{d1,d2,...,dn} 个区间，以落在不同的区间来估算用户的感知质量标准。假定用户上传数据落在n个区间的概率呈正态分布。用户ui在区间dk提交感知数据的概率矩阵为
Figure BDA0001502306600000042
其中
Figure BDA0001502306600000043
dk为误差最小的噪音区间，在坐标轴上离dk越远误差越大。工作量矩阵中元素
Figure BDA0001502306600000044
表示用户ui在区间dm提交感知数据(此数据的真实区间实际是dl)的概率。假定在一定时间内用户ui的感知水平是不变的，因此可以根据
Figure BDA0001502306600000045
次的任务执行估算其感知数据质量
Figure BDA0001502306600000046
其中g表示函数
Figure BDA0001502306600000047
这里用期望值最大化算法(EM)来估计用户ui的概率矩阵
Figure BDA0001502306600000048
及每个任务精确度最高、误差最小的真正的噪音区间dk的概率pt∈P。
给定感知数据S，未知的精准噪音区间P，概率矩阵E，概率密度函数f，则E的概率为L(E；P,S)＝f(P,S|E)。为了找到E的最大似然估计，EM算法迭代地运行下述两个步骤直至收敛(假定
Figure BDA0001502306600000049
是迭代了t次后当前的E值)。
E-step计算似然函数的期望值，相对于P的条件分布给定了E的当前估计下的观测值S，
Figure BDA00015023066000000410
M-step寻找期望函数最大化的估计
Figure BDA0001502306600000051
Figure BDA0001502306600000052
迭代步骤E-step和M-step直到估计值收敛。
根据对工作量矩阵
Figure BDA00015023066000000522
的估计，通过映射函数可以得到ui的感知数据质量。设置
Figure BDA0001502306600000053
其中l表示矩阵维度，
Figure BDA0001502306600000054
表示用户ui的l×l维的工作量方阵。根据任 务的噪音区间
Figure BDA0001502306600000055
传递的区间
Figure BDA0001502306600000056
是有最大概率的那个，也就是，
Figure BDA0001502306600000057
4)贡献量化
Miner在对用户ui的感知数据的质量进行估计之后，利用互信息的原理量化感知数据的质量
Figure BDA0001502306600000058
的有效贡献
Figure BDA0001502306600000059
其中cti表示用户ui的贡献。
在互信息中，输出信号受信道噪音的干扰，有
Figure BDA00015023066000000510
的概率与输入信号相等，
Figure BDA00015023066000000511
的概率不等。与传输信道受噪音干扰类似，用户上传的感知数据有
Figure BDA00015023066000000512
的概率为高质量数据，即噪声读数落在精确区间dk，有
Figure BDA00015023066000000513
的概率为低质量数据。
给定了感知数据时，信息不确定性为：
Figure BDA00015023066000000514
其中
Figure BDA00015023066000000515
是指在分布
Figure BDA00015023066000000516
下随机二进制噪音的二元信息熵(binaryentropy)，也即信息不确定性。
通常情况下剩下的n-1个区间都以概率
Figure BDA00015023066000000517
在正确区间dk中以
Figure BDA00015023066000000518
分布，那么信息不确定性计算如下：
Figure BDA00015023066000000519
因此,感知数据的质量
Figure BDA00015023066000000520
的有效贡献可以表示为：
Figure BDA00015023066000000521
Miner将量化后的贡献量发给Server，然后Server依之将对应的感知报酬发给用户ui，如下面第5)步详述。
5)报酬分配
对于Server来讲，任务的价值量为V，用户获得报酬为r。由感知代价概率密度函数f(ci) 以及累积分布函数F(c)得到Server获得的利益为：
Figure BDA0001502306600000061
感知代价ci的分布独立于感知价值V和报酬r，期望收益可以如下计算：
Figure BDA0001502306600000062
因此求函数ProfitS(r)的一阶导数并求解，Server得到最合适的报酬r*来最大化收益。
Figure BDA0001502306600000063
由步骤3)的质量估计和步骤4)的贡献量化得到用户uk对应的报酬为
Figure BDA0001502306600000064
这里r是基准报酬。
因此Server获得利润ProfitS为：
Figure BDA0001502306600000065
基于奖励的最佳质量(感知数据的最佳质量)由r*决定。
Figure BDA0001502306600000066
一种群智感知应用中基于区块链的安全激励系统，包括用户端和服务器，其作为区块链的交易双方进行交易；服务器向用户端发布感知任务；用户端执行并完成感知任务后，将感知数据上传至服务器；区块链中的矿工验证感知数据的质量，并将其发送至服务器；服务器根据感知数据的质量向用户端支付报酬。
进一步地，在得到感知数据的质量后，矿工利用互信息的原理量化感知数据的质量的有效贡献，并将有效贡献发送至服务器，服务器根据有效贡献给予用户端相应的报酬。
本发明针对群智感知中的激励问题，提出了无第三方交易控制中心的基于区块链的激励方法。该方法采用区块链安全的分布式架构，平台和感知用户作为区块链中的节点进行感知任务执行，其交易关系被记录在区块链中，由区块链中的矿工进行验证，有效防止感知平台发起的共谋攻击，克服了可信第三方面临的安全隐患。
附图说明
图1是群智感知网络模型图。
图2是本发明的基于区块链的激励框架示意图。
图3是EM算法不同迭代次数下运行时间随集群数(5-45)变化的曲线图。
图4是EM算法不同迭代次数下运行时间随集群数(4-20)变化的曲线图。
图5是EM算法不同迭代次数下运行时间随感知矩阵大小变化的曲线图。
图6是EM算法不同感知矩阵下运行时间随迭代次数变化的曲线图。
具体实施方式
下面通过实施例和附图，对本发明做详细说明。
实施例：城市噪音感知
1、发布感知任务
任务公告的结构如表1所示，交易任务语法格式表示如下，其中In-script表示输入， Out-script表示输出：
Task_Claim：Server发布的感知任务。“in Ty”表示链入的上一个任务块Ty。
In-script：
Figure BDA0001502306600000071
为Server对所发布的任务签名；
Figure BDA0001502306600000072
为执行感知任务的用户uunknown的数据质量；n为参与感知任务的用户数量；r为基本报酬；
Figure BDA0001502306600000073
为加密签名过的用户数据
Figure BDA0001502306600000074
Out-script：验证用户uunknown的感知数据；验证用户身份。
Value：Server给予的押金数M coins。
Time-lock：任务截止日期。
感知任务由感知平台Server发布，这里以城市噪音地图感知NoiseTube为例说明。Server 根据预计的报酬总数给予押金M coins。Server创造交易任务承诺Task_Claim，通过用户的感知数据
Figure BDA0001502306600000075
以算法
Figure BDA0001502306600000076
(He Y,Li H,ChengX,et al.A Bitcoin Based Incentive Mechanism for Distributed P2P Applications[C]//International Conference on Wireless Algorithms,Systems,andApplications.Springer,Cham,2017:457-468.)验证感知数据质量
Figure BDA0001502306600000077
Figure BDA0001502306600000078
表示
Figure BDA0001502306600000079
的验证结果
Figure BDA00015023066000000710
验证用户身份信息
Figure BDA00015023066000000711
并依据两者给予用户报酬
Figure BDA0001502306600000081
。Server预付押金值(Value)为M coins，Time-clock为任务截止日期Deadline。
表1.任务公告的结构
Figure BDA0001502306600000082
表1中，De-sign(Datasign)表示对Datasign解签名，sign表示签名，De-sign表示解签。
2、上传感知数据
用户读取Server发布的感知任务Task_Claim，并评估感知代价。用户ui将总代价ci与感知报酬比较。当用户预计上传感知数据后获得的感知报酬rexpect大于或等于ci时会执行感知任务。
用户在某市区5个区中任选A＝{a|a＝1,2,3,4,5}个区域执行感知任务，共上传噪音数据为
Figure BDA0001502306600000083
(其中x表示任意大于等于i小于等于5的整数，yi表示某区域i的噪音数据)，获得报酬ri。
用户最大化自己的利益，即花最小的代价得到最大的利益。用户实际所得利益为：
Figure BDA0001502306600000084
当用户期望的感知报酬rexpect大于或等于ci时用户执行感知任务，采集噪音，上传感知数据给矿工Miner。矿工验证用户上传的感知数据质量，将验证结果告知感知平台Server。
3、感知数据质量验证
每个用户都有一个工作量矩阵
Figure BDA0001502306600000091
为了方便，将声音分为D＝{d1,d2,...,dn}个区间，以落在不同的区间来估算用户的感知质量标准。假定用户上传的数据落在n个区间的概率呈正态分布。用户ui在区间dk提交感知数据的概率矩阵为
Figure BDA0001502306600000092
其中
Figure BDA0001502306600000093
dk为误差最小的噪音区间，在坐标轴上离dk越远误差越大。假定在一定时间内用户ui的感知水平是不变的，因此可以根据
Figure BDA0001502306600000094
次的任务执行估算其感知数据质量
Figure BDA0001502306600000095
其中g表示函数
Figure BDA0001502306600000096
采用期望值最大化算法(EM)来估计用户ui的概率矩阵
Figure BDA0001502306600000097
及每个任务精确度最高、误差最小的真正的噪音区间dk的概率pt∈P(Dawid A P,Skene A M.Maximum likelihoodestimation of observer error-rates using the EM algorithm[J].Appliedstatistics,1979:20-28.)。迭代步骤 E-step和M-step直到估计值收敛。
具体步骤为：
第一步，对于任务t∈T将真实的噪音区间概率分布Pt初始化，感知数据
Figure BDA0001502306600000098
落在真实区间 di时
Figure BDA0001502306600000099
Figure BDA00015023066000000910
其中Ut表示完成t∈T的参与用户ui的集合。
第二步估计感知概率矩阵
Figure BDA00015023066000000911
的似然估计：
Figure BDA00015023066000000912
真实的噪音区间分布为：
Figure BDA00015023066000000913
第三步估计噪音区间分布。给定的感知数据S，感知矩阵E，以及噪音区间分布∏，应用贝叶斯推理来估计真实的噪音区间P。并根据以下公式计算真实噪音区间
Figure BDA0001502306600000101
的分布：
Figure BDA0001502306600000102
最后，迭代第二步和第三步，直到2个估计值收敛，即
Figure BDA0001502306600000103
ε＞0,η＞0. 最后得到节点用户ui的感知数据质量。
根据对工作量矩阵
Figure BDA0001502306600000104
的估计，通过映射函数可以得到ui的感知数据质量。设置
Figure BDA0001502306600000105
根据任务Task_Claim的噪音区间
Figure BDA0001502306600000106
传递的区间
Figure BDA0001502306600000107
是有最大概率的那个，也就是，
Figure BDA0001502306600000108
4、贡献量化
Miner在对用户ui质量估计之后，利用互信息的原理量化感知质量
Figure BDA0001502306600000109
的有效贡献
Figure BDA00015023066000001010
感知质量qk的数据的有效贡献可以表示为：
Figure BDA00015023066000001011
约定0log0＝0，质量qk＝1的感知数据会有最小的不确定性，hn(1)＝0，最大的贡献cn(1)＝log(n)。虽然从不出错和一个总是出错的二进制信道对于通信同样有效，但这里只考虑和奖励感知数据质量在范围[0.5,1]之间的。
Miner将量化后的贡献量发给Server，然后Server依之将对应的感知报酬发给用户ui。
5、分配报酬
对于Server来讲，任务Task_Claim的价值量为V，用户获得报酬为r。
Server获得利润ProfitS为：
Figure BDA00015023066000001012
基于奖励的最佳质量由r*决定。
Figure BDA00015023066000001013
表2是感知报酬语法结构，对其说明如下：
Figure BDA0001502306600000111
：Server付给用户ui的报酬，都是从Server预先支付的押金DepositS所出。
In-script：
Figure BDA0001502306600000112
为Server付给用户ui的报酬的签名；n为参与感知任务的用户数量；r为基本报酬；
Figure BDA0001502306600000113
为加密签名过的用户数据
Figure BDA0001502306600000114
为用户 ui的工作量矩阵。
Out-script：
Figure BDA0001502306600000115
表示验证输入的
Figure BDA0001502306600000116
为执行感知任务的用户ui的数据质量；
Figure BDA0001502306600000117
为Miner对数据质量
Figure BDA0001502306600000118
验证之后的签名。
Value：所计算的最佳报酬r*
Time-lock：任务截止日期。
表2.感知报酬语法结构
Figure BDA0001502306600000119
本发明模拟EM算法中集群大小(S)、感知矩阵大小(n)、迭代次数(I)3个参数对于运行时间的影响。为方便计算，针对某两个参数对运行时间的影响进行实验评估的情况，取第三个参数不变，如评估感知矩阵大小的影响，改变感知矩阵和迭代次数但是集群数不变，为11。由表3和图3、图4的实验数据可知，随着集群大小S增大，EM算法时间复杂度增大，运行时间增大。由图4可以看出，集群数为11时EM算法代价最低。由表4和图5的实验数据可知感知矩阵在阶数n不断变化时随着迭代次数的增大，算法代价不断增大。由表5和图6的实验数据可知当迭代次数不断增大时，运行代价线性递增。
表3：评估EM算法在不同集群下的运行时间实验数据(感知矩阵n×n＝10×10)
Figure BDA00015023066000001110
Figure BDA0001502306600000121
表4：评估EM算法在不同感知矩阵下的运行时间实验数据(集群数S＝11)
Figure BDA0001502306600000122
表5：评估EM算法在不同迭代次数下的运行时间实验数据(集群S＝5)
Figure BDA0001502306600000123
本发明中，上述5个实施步骤中第1步中的交易语法结构除了本文的扩展的比特币交易语法结构还可以使用智能合约等方法；第3步对声音的质量估计里使用期望最大化(EM)算法，在实际使用过程中如对图像质量的评估可以使用受限玻尔兹曼机算法、决策树算法等代替EM算法；第4步贡献量化除了可以用文中的信息熵法，还可以用现有的数据源最相似法和完整性度量法。
本发明可以不必实施步骤4，即可以直接对应步骤3得到的感知数据的质量付给用户报酬。
本发明另一实施例提供一种群智感知应用中基于区块链的安全激励系统，包括用户端和服务器，其作为区块链的交易双方进行交易；服务器向用户端发布感知任务；用户端执行并完成感知任务后，将感知数据上传至服务器；区块链中的矿工验证感知数据的质量，并将其发送至服务器；服务器根据感知数据的质量向用户端支付报酬。进一步地，在得到感知数据的质量后，矿工利用互信息的原理量化感知数据的质量的有效贡献，并将有效贡献发送至服务器，服务器根据有效贡献给予用户端相应的报酬。
以上实施例仅用以说明本发明的技术方案而非对其进行限制，本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明的精神和范围，本发明的保护范围应以权利要求书所述为准。

Claims (8)

1.一种群智感知应用中基于区块链的安全激励方法，其特征在于，由用户端和服务器作为区块链的交易双方进行交易，该方法包括以下步骤：
1)服务器向用户端发布感知任务；服务器创造交易任务承诺，其中规定验证感知数据的质量，并验证用户身份信息；
2)用户端执行并完成感知任务后，将感知数据上传至服务器；采用数字水印的方式对用户上传的感知数据进行保护；
3)区块链中的矿工验证感知数据的质量，利用互信息的原理量化感知数据的质量的有效贡献，并将有效贡献发送至服务器；
4)服务器根据感知数据的质量的有效贡献向用户端支付报酬；服务器利用感知报酬语法结构向用户端支付报酬，所述感知报酬语法结构包括：
Figure FDA0002942420740000011
Server付给用户ui的报酬，都是从Server预先支付的押金DepositS所出；
In-script：
Figure FDA0002942420740000012
为Server付给用户ui的报酬的签名；n为参与感知任务的用户数量；r为基本报酬；
Figure FDA0002942420740000013
为加密签名过的用户数据
Figure FDA0002942420740000014
Figure FDA0002942420740000015
为用户ui的工作量矩阵；
Out-script：
Figure FDA0002942420740000016
表示验证输入的
Figure FDA0002942420740000017
Figure FDA0002942420740000018
为执行感知任务的用户ui的数据质量；
Figure FDA0002942420740000019
为Miner对数据质量
Figure FDA00029424207400000110
验证之后的签名。
2.如权利要求1所述的方法，其特征在于，所述感知任务包括任务名称、任务功能、任务要求和质量公告，所述质量公告包括具体的报酬标准以及具体的质量评定指标。
3.如权利要求1所述的方法，其特征在于，步骤2)中用户端首先评估感知代价，当预计上传感知数据后获得的感知报酬大于或等于感知代价时，执行感知任务并向服务器上传感知数据。
4.如权利要求1所述的方法，其特征在于，步骤3)使用期望值最大化算法、受限玻尔兹曼机算法、或决策树算法验证感知数据的质量。
5.如权利要求1所述的方法，其特征在于，采用信息熵法、数据源最相似法或完整性度量法量化感知数据的质量的有效贡献。
6.如权利要求5所述的方法，其特征在于，采用信息熵法得到的有效贡献表示为：
Figure FDA00029424207400000111
其中，
Figure FDA00029424207400000112
表示用户ui的感知数据的质量，cti表示用户ui的贡献，n表示参与感知任务的用户数量。
7.如权利要求6所述的方法，其特征在于，步骤4)中服务器获得的利润ProfitS为：
Figure FDA0002942420740000021
其中，V为任务的价值量，r为用户获得的报酬，ci为感知代价，
Figure FDA0002942420740000022
为工作量矩阵；
Figure FDA0002942420740000023
其中
Figure FDA0002942420740000024
表示用户ui的l×l维的工作量方阵；
感知数据的最佳质量由r*决定：
Figure FDA0002942420740000025
8.一种采用权利要求1～7中任一权利要求所述方法的群智感知应用中基于区块链的安全激励系统，其特征在于，包括用户端和服务器，其作为区块链的交易双方进行交易；服务器向用户端发布感知任务；用户端执行并完成感知任务后，将感知数据上传至服务器；区块链中的矿工验证感知数据的质量，并将其发送至服务器；服务器根据感知数据的质量向用户端支付报酬。
CN201711307609.3A 2017-12-11 2017-12-11 一种群智感知应用中基于区块链的安全激励方法和系统 Active CN108055119B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711307609.3A CN108055119B (zh) 2017-12-11 2017-12-11 一种群智感知应用中基于区块链的安全激励方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711307609.3A CN108055119B (zh) 2017-12-11 2017-12-11 一种群智感知应用中基于区块链的安全激励方法和系统

Publications (2)

Publication Number Publication Date
CN108055119A CN108055119A (zh) 2018-05-18
CN108055119B true CN108055119B (zh) 2021-07-20

Family

ID=62123473

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711307609.3A Active CN108055119B (zh) 2017-12-11 2017-12-11 一种群智感知应用中基于区块链的安全激励方法和系统

Country Status (1)

Country Link
CN (1) CN108055119B (zh)

Families Citing this family (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108776863B (zh) * 2018-05-25 2021-08-06 华南理工大学 一种基于用户基数最大化的群智感知激励方法
CN108681678A (zh) * 2018-05-30 2018-10-19 青岛大学 基于区块链的实验数据处理方法、装置、计算机可读存储介质及服务器
CN108768787B (zh) * 2018-06-25 2020-10-02 中国联合网络通信集团有限公司 一种区块链节点激励方法及装置
CN108769256A (zh) * 2018-06-26 2018-11-06 深圳市亿道数码技术有限公司 一种基于区块链的任务分配方法及系统
CN109034891B (zh) * 2018-07-18 2021-07-20 创新先进技术有限公司 一种基于区块链向作品演绎者发放奖励的方法及装置
CN109101838A (zh) * 2018-08-13 2018-12-28 百度在线网络技术（北京）有限公司 基于区块链的内容激励方法和装置
CN109598507A (zh) * 2018-11-02 2019-04-09 北京维泽瑞科技有限公司 一种基于数字资产的互联网任务发布方法及系统
CN109451015B (zh) * 2018-11-02 2021-10-08 华东交通大学 群智感知数据的处理方法、装置、电子设备及存储介质
CN109445948A (zh) * 2018-11-15 2019-03-08 济南浪潮高新科技投资发展有限公司 一种基于智能合约的数据标注众包平台系统及众包数据标注方法
CN109960573B (zh) * 2018-12-29 2021-01-08 天津南大通用数据技术股份有限公司 一种基于智能感知的跨域计算任务调度方法及系统
CN109919748A (zh) * 2019-03-06 2019-06-21 中汇信息技术（上海）有限公司 一种基于区块链的数据处理方法及系统
CN110287048B (zh) * 2019-05-09 2020-06-02 清华大学 数据异常检测方法和装置
CN110493182B (zh) * 2019-07-05 2020-05-19 北京邮电大学 基于区块链位置隐私保护的群智感知工人选择机制及系统
CN110365671B (zh) * 2019-07-08 2021-08-10 西安交通大学深圳研究院 一种支持隐私保护的群智感知激励机制方法
CN110443065B (zh) * 2019-07-22 2023-07-04 西北工业大学 一种基于许可链的群智感知位置隐私保护支付方法
CN110543757B (zh) * 2019-08-01 2023-06-06 立旃（上海）科技有限公司 基于区块链的认证激励方法及系统
CN110599337A (zh) * 2019-08-12 2019-12-20 杭州云象网络技术有限公司 一种基于群智感知技术的联盟链安全激励方法
CN110602694B (zh) * 2019-09-16 2021-03-23 广州大学 一种基于区块链的用户隐私保护群智感知系统
CN110689430B (zh) * 2019-09-17 2022-05-17 中国人民大学 一种基于贡献激励的区块链协作方法及系统
CN110825810B (zh) * 2019-10-28 2023-05-19 天津理工大学 一种基于区块链的群智感知双重隐私保护方法
CN111177778B (zh) * 2019-12-24 2022-08-05 北京邮电大学 一种移动群智感知方法、系统和服务器、存储介质
CN111209335A (zh) * 2019-12-27 2020-05-29 成都商通数治科技有限公司 基于区块链的数据共享激励方法及系统
CN111262708A (zh) * 2020-01-16 2020-06-09 安徽大学 一种基于区块链的群智感知方法
CN111613061B (zh) * 2020-06-03 2021-11-02 徐州工程学院 一种基于众包和区块链的交通流采集系统及方法
CN111899023B (zh) * 2020-08-10 2024-01-26 成都理工大学 一种基于区块链的群智感知机器学习安全众包方法及系统
CN112053043B (zh) * 2020-08-21 2022-10-11 北京邮电大学 一种基于区块链的群智感知方法及系统
CN112016971B (zh) * 2020-08-31 2021-06-01 广东技术师范大学 基于以太坊gas原理的移动群智感知数据可靠性保障方法
CN112116319A (zh) * 2020-09-08 2020-12-22 中国联合网络通信集团有限公司 基于区块链的噪音感知方法、用户终端、设备及介质
CN112511619B (zh) * 2020-11-26 2022-11-18 北京工业大学 无线边缘区块链场景中的资源节点间交易匹配方法
CN112765656B (zh) * 2021-01-11 2023-04-14 北方工业大学 基于区块链的电车共享充电可信系统和方法
CN113159743A (zh) * 2021-02-02 2021-07-23 上海大学 一种基于区块链和边缘计算的车辆群智感知激励系统及方法
CN114742583A (zh) * 2022-03-30 2022-07-12 西安电子科技大学 一种质量保障型的车联网群智感知激励方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184062A (zh) * 2015-08-25 2015-12-23 中国人民解放军后勤工程学院 在群智感知网络中基于置信区间的用户感知质量评估方法
CN105245345A (zh) * 2015-09-28 2016-01-13 浙江工商大学 一种群智感知中基于移动感知用户匿名信誉的高可靠感知数据收集算法
CN106843774A (zh) * 2017-02-24 2017-06-13 合肥工业大学 一种基于区块链的智能合约的众包构建方法
CN107103405A (zh) * 2017-03-22 2017-08-29 暨南大学 一种基于区块链技术的众包系统及其建设方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104486304B (zh) * 2014-12-04 2017-08-04 湖南科技大学 一种基于数字水印的无线传感器网络数据安全保护方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184062A (zh) * 2015-08-25 2015-12-23 中国人民解放军后勤工程学院 在群智感知网络中基于置信区间的用户感知质量评估方法
CN105245345A (zh) * 2015-09-28 2016-01-13 浙江工商大学 一种群智感知中基于移动感知用户匿名信誉的高可靠感知数据收集算法
CN106843774A (zh) * 2017-02-24 2017-06-13 合肥工业大学 一种基于区块链的智能合约的众包构建方法
CN107103405A (zh) * 2017-03-22 2017-08-29 暨南大学 一种基于区块链技术的众包系统及其建设方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Pay as How Well You Do: A Quality Based Incentive Mechanism for Crowdsensing;Dan Peng et al.;《2015 ACM》;20151231;正文第1-10页 *

Also Published As

Publication number Publication date
CN108055119A (zh) 2018-05-18

Similar Documents

Publication Publication Date Title
CN108055119B (zh) 一种群智感知应用中基于区块链的安全激励方法和系统
CN112348204B (zh) 一种基于联邦学习和区块链技术的边缘计算框架下海洋物联网数据安全共享方法
CN112053043B (zh) 一种基于区块链的群智感知方法及系统
Huang et al. Securing parked vehicle assisted fog computing with blockchain and optimal smart contract design
Chai et al. A hierarchical blockchain-enabled federated learning algorithm for knowledge sharing in internet of vehicles
CN113794675B (zh) 基于区块链和联邦学习的分布式物联网入侵检测方法及系统
Huang et al. Blockchain-based mobile crowd sensing in industrial systems
Kang et al. Communication-efficient and cross-chain empowered federated learning for artificial intelligence of things
Yang et al. On designing data quality-aware truth estimation and surplus sharing method for mobile crowdsensing
Zheng et al. Trading data in the crowd: Profit-driven data acquisition for mobile crowdsensing
Luo et al. Incentive mechanism design for crowdsourcing: An all-pay auction approach
Wang et al. Mobile crowdsourcing task allocation with differential-and-distortion geo-obfuscation
Han et al. How can incentive mechanisms and blockchain benefit with each other? a survey
Witt et al. Decentral and incentivized federated learning frameworks: A systematic literature review
Chen et al. On blockchain integration into mobile crowdsensing via smart embedded devices: A comprehensive survey
Ma et al. A time and location correlation incentive scheme for deep data gathering in crowdsourcing networks
Pouryazdan et al. Game-theoretic recruitment of sensing service providers for trustworthy cloud-centric Internet-of-Things (IoT) applications
CN110825810A (zh) 一种基于区块链的群智感知双重隐私保护方法
An et al. PPQC: A blockchain-based privacy-preserving quality control mechanism in crowdsensing applications
Alswailim et al. A reputation system to evaluate participants for participatory sensing
Zhang et al. TDTA: A truth detection based task assignment scheme for mobile crowdsourced Industrial Internet of Things
CN114418109A (zh) 微服务架构下联邦学习的节点选择与聚合优化系统及方法
Wu et al. Reputation revision method for selecting cloud services based on prior knowledge and a market mechanism
Noshad et al. Analyzing and securing data using data science and blockchain in smart networks
Yu et al. Towards a privacy-preserving smart contract-based data aggregation and quality-driven incentive mechanism for mobile crowdsensing

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant