CN103870990A - 移动群智感知系统中覆盖问题的激励机制实现方法 - Google Patents

Abstract

一种无线通信技术领域的移动群智感知系统中覆盖问题的激励机制实现方法，本发明将群智感知中的覆盖问题建模成带报酬总和限制的逆向拍卖问题，并且提出了BEACON数据收集方法。BEACON主要包括两个部分，首先BEACON运用了创新和单调方法，在有限的时间内对感知任务进行分配。然后BEACON采用了基于比例共享的补偿确定机制来保证机激励机制的防市场操控性和报酬总和均衡性。

Description

移动群智感知系统中覆盖问题的激励机制实现方法

技术领域

本发明涉及的是无线通信技术领域的方法，具体涉及一种移动群智感知系统（MobileCrowdsensing）中覆盖问题的激励机制（Incentive Mechanism）的设计方法，激励更多的移动用户参与到感知活动中，提高感知数据的覆盖范围，进而提高感知服务的质量。

背景技术

近年来，智能移动设备经历了一个快速和爆炸式的增长，大部分的人都认为智能移动设备将在很短的时间内超越其他的计算和通信平台。现今的智能设备都配备了大量廉价和强大的传感器。利用这些传感器，在各个不同的工业领域内，涌现出了个中不同的群智感知的应用。

群智感知是一种创新的无线感知模式，基于普通用户的移动设备（手机、平板电脑等）作为基本感知单元，通过移动互联网进行有意识或无意识的协作，实现感知任务分发与感知数据收集，完成大规模的、复杂的社会感知任务。现有的群智感知应用都是基于移动用户的志愿参与，然而完成感知任务会消耗用户的手机资源和产生其他的通信花费。另外一方面，在群智感知的应用中，移动用户是有自己的利益考虑的，它们是理性而自私的。所以必须设计有效的激励机制来补偿移动用户的感知开销，并让它们合作性的参与到群智感知活动中。

设计一个实用而有效的激励机制存在着很多挑战，着重考虑了以下三个方面。第一，防市场操控性。在具备防市场操控性的激励机制中，用户不能通过操纵竞标方案来提高自己的利益。在群智系统中，移动用户是理性而且自私的，他们企图操纵机制来提高他们利益，这样就会损害到其他真实用户的利益。第二，报酬总和均衡。在群智感知系统中，一个比较合理的假设是考虑感知服务提供商有一个报酬开支的限制。然而，报酬开支限制因素的考虑会给激励机制的设计带来新的挑战，因为报酬开支的限制是作用于对用户的报酬，而不是用户感知的开销。第三，感知数据价值的最大化。感知服务的提供商的目标是最大化感知数据的价值。在群智感知中，服务提供商的价值可以形式化的表达成它们对于感知覆盖区域的价值总和。然而，在报酬开支的条件下寻找最大化覆盖是一个NP难的问题，是不能够在多项式时间内求解出来的。

在现有的激励机制中，并没有哪一个机制完整地考虑了以上提到的几个挑战。具体地说，一些激励机制并没有保证防策略性，另外一些机制则没有考虑报酬总和开支的限制。

经过对现有技术的检索发现，群智感知技术已经引起了国内外学者的关注。群智感知的概念是由美国加州大学洛杉矶分校的嵌入式网络感知中心（Center for Embedded NetworkedSensing）于2006年首先提出来的，最近IBM托马斯·Ｊ·沃森研究中心的研究人员和美国达特茅斯学院计算机系的研究人员分别在IEEE通讯杂志上也撰文描述了群智感知的现状和面临的挑战，清华大学的刘云浩教授在2012年10月份的中国计算机协会通讯上发表了群智感知计算专栏文章。但是这些工作只是对群智感知技术进行了介绍。

中国专利文献号CN103310349，公开日2013‐09‐18，公开了一种基于在线激励机制的感知数据获取方法，包括如下步骤，S1：感知系统将感知任务发送给目标感知区域的手机用户；S2：如果所述手机用户对接收到所述感知任务感兴趣，根据所述手机用户的效能函数，向所述感知系统提交一个竞标方案；S3：所述感知系统根据接收到的所述竞标方案，利用基于所述感知系统的效能函数的在线激励机制，决定是否采纳所述竞标方案，如果是，则给所述手机用户分配报酬；否则，则拒绝给所述智手机用户分配报酬；S4：所述手机用户收到所述感知系统采纳的决定，则执行所述感知任务，将感知数据发送给所述感知系统。但该技术的效能函数没有考虑用户的地理位置信息，只是单纯的搜集感知数据，并且感知系想·统的总报酬是没有限制的，这些都不符合实际的系统情况。

发明内容

本发明针对现有技术存在的上述不足，提出一种移动群智感知系统中覆盖问题的激励机制实现方法，以激励手机用户参与到群智感知活动中，从而获得足够数量的感知数据来覆盖感兴趣的区域。该方法能够达到报酬支出的均衡，市场的防操纵性，和最大化感知系统的价值。

本发明是通过以下技术方案实现的，本发明包括以下步骤：

步骤1、首先将移动群智感知系统，即移动终端群智感知架构中的移动用户召集的问题转化成有报酬支出限制的逆向拍卖系统；将感知任务的分配问题归约为带报酬支出限制的覆盖问题。

所述的报酬支出限制的逆向拍卖系统包括：服务提供商和感知数据贡献者即移动用户，其中：服务提供商发布感知任务：

并为每个感知任务发布兴趣数据采样点

对于兴趣数据采样点

服务提供商有估价u_i；移动用户向服务提供商提供的竞价信息为b_i＝(S_i，c_i)，其中：

是移动用户愿意完成的感知任务，c_i是用户的感知所产生的消耗。服务提供商的效能为

其中：

是被选择的移动用户的集合，每个移动用户的感知范围是以其本身为中心的半径为r的圆；每个移动用户的效能为

其中：p_i是服务商支付的报酬。

所述的报酬支出限制是指：服务提供商根据报酬支出限制B限制支付给移动用户的报酬总和。

所述的带报酬支出限制的覆盖问题为：

优化目标：最大化

限制条件

其中：变量z_i＝1表示感兴趣的数据采样点h_j被覆盖，反之没有被覆盖；变量x_i＝1表示选择了移动用户m_i被选择了；C是对所有感知开销总和的限制。

步骤2、根据步骤1中的移动用户被选择与否，设计带报酬支出均衡的激励机制方法，即用于候选选中的移动用户的感知任务的分配和用于未选中的移动用户的用户补偿金额的计算，实现激励机制，具体包括以下步骤：

2.1)感知任务的分配：先计算出两个候选选中，即获胜的移动用户集合，其中：

第一个候选解集是给服务提供商带来最大的效能的移动用户，即

第二个候选集合通过以下步骤来获得：

2.1.1)对所有移动用户按照边际效应密度来进行排序，得到：

其中：f_i为边际贡献，

其中：M表示当前已经选择的集合，每次都从可选移动用户集合里选择边际贡献密度最大的移动用户，即

并且该用户还必须满足报酬支出的约束条件，表示为

这样就得到了另外一个候选集合，记为M_k。

2.1.2)将感知任务的分配放缩成线性规划，具体为：

优化目标，最大化

限制条件：

计算出线性规划的最优解，记为

并和

比较，当

则最后获胜移动用户的集合是M_k，反之，取m^*为第二个候选集合。

2.2)用户补偿金额计算：

2.2.1)对于没有选中，即未获胜的移动用户的补偿为零；首先去除选中的用户m^*，并对剩下的用户进行排序，得到序列

2.2.2)遍历上述序列，并对于用户m_i，当满足

时，计算两个中间值

和将这两个值中较小的记为p′_i(j)，即

然后取满足条件的最大的p′_i(j)为对用户m_i的补偿，即用户补偿金额。

技术效果

本发明与现有技术相比，其优点表现为：从博弈论的角度来考虑移动感知中的覆盖问题，提出一种报酬支出均衡的激励机制的感知数据搜集方法，以激励手机用户参与到群智感知活动中，从而获得足够数量的感知数据来覆盖感兴趣的区域。该方法能够达到报酬支出的均衡，市场的防操纵性，和最大化感知系统的价值。

附图说明

图1为移动群智感知系统。

图2在覆盖中地带和合法地带的示意图。

图3为移动用户m₂₂₀的效能示意图。

图4为服务提供商的效能示意图。

图5为面覆盖和多次覆盖的覆盖效果示意图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例1

本实施例包括以下步骤：

第一步、首先将群智感知中的移动用户召集的问题转化成有报酬支出限制的逆向拍卖系统。感知任务的分配问题可以归约为带报酬支出限制的覆盖问题，可将其形式化地表述成0‐1规划。

无线网络中的覆盖问题通常都假设网络中的节点是无条件合作的，但是在移动感知中，移动用户是自私的和理性的，它们并不愿意服从覆盖算法，而是根据自己的利益来做决策。另外一个方面，感知任务是会消耗用户的能量，通信开销，和通信花费的，所以将感知网络中的覆盖问题建模成带限制的逆向拍卖模型。

从图1中可以看到移动感知系统包括3个主要的部分，服务提供商，数据贡献者（移动用户），和服务订购者。服务提供商不断的接受服务订购者的基于定位的感知请求。通过整合这些请求，服务提供商发布感知任务。移动用户能够参与到感知任务中，提交相应的感知任务集合和感知开销。服务提供商根据提交的信息来分配感知任务和对移动用户进行补偿。

服务提供商发布感知任务：

服务提供商为每个感知任务都发布了一些感兴趣的采样点。所有感兴趣的采样点记为

对于感兴趣的采样点

服务提供商有估价u_i。服务提供商有一个报酬支出限制B，限制了服务提供商支付给移动用户的报酬总和不能超过报酬支出限制B。

感知数据贡献者，即移动用户，能够感知的范围是以他为中心的半径为r的圆。移动用户向拍卖商（服务提供商）提供的竞价信息为b_i＝(S_i，c_i)，其中：是移动用户愿意完成的感知任务，c_i是用户的感知所产生的消耗。

服务提供商的效能为

其中：

是被选择的移动用户的集合。对于移动用户，他的效能被定义为其中：p_i是服务商支付的补偿。

以下从算法设计和机制设计的两个角度来看移动感知网络中的覆盖问题。

在算法设计中，不考虑网络节点的自私性，所以移动感知网络中的覆盖问题可以归约为带权覆盖问题，形式化的表述成如下的0‐1规划

优化目标：最大化

限制条件

，其中：变量z_i＝1表示感兴趣的采样点h_j被覆盖，反之没有被覆盖。变量x_i＝1表示选择了移动用户m_i被选择了。C是对所有感知开销总和的限制。

在机制设计中，考虑网络节点的自私行为，并将覆盖问题建模成带报酬支出限制的逆向拍卖系统。

第二步、提出了带报酬支出限制的激励机制，具体包括两部分：感知任务的分配，用户报酬的计算。

感知任务的分配，根据现有的定理，要设计的分配算法必须满足单调性，即当当获胜的用户降低他的竞标价格时，他仍然是获胜用户。先定义移动用户的边际效应，

其中：M是已经选择的移动用户。贪心地选择获胜移动用户，每次都选择边际贡献密度最大的移动用户，即选择之后可以得到如下的有序序列：

在选择移动用户的时候，还要验证改移动用户是否满足报酬支出限制条件，即：

这样就可以选择出一个候选的获胜移动用户集合，记为M_k，其中：有K个移动用户。另外一个候选集合是{m^*}，移动用户m^*满足为了得到比较好的近似比，要将u₀(M_k)和u₀(m^*)进行比较，然后取值较大的那个做为最终的结果，但是这样会破坏算法的单调性，所以将u₀(m^*)和另外一个线性规划所得到的解进行比较。这个线性规划可以表述成：

优化目标，最大化

限制条件：

可以在多项式时间内得到以上线性规划的最优解，记为比较u₀(m^*)和

来确定最后的解集。当

是，将获胜的移动用户定为

反之这样就完成了感知任务的分配算法。

用户补偿金额计算，根据单调的感知任务分配，可以计算出支付获胜的移动用户的报酬。要保证支付的总报酬满足报酬支出的限制，并且能够使用户真实地反映出自己的隐私信息，即保证机制的防市场操控性。

对于获胜的移动用户

先将移动用户

按它们的边际贡献密度进行排序，可以得到如下的有序序列：

支付给用户m_i的报酬可以用以下步骤来得到，对于第j阶段(1≤j≤(k′+1))，计算出移动用户m_i所可以报的最高价格c′_i(j)，使得在序列

的第j个位置获胜的是移动用户m_i，而不是用户m_j。根据的分配算法，m_i要获胜必须满足以下两个条件：

1）

2）

一这样就有

α_i(j)在序列

中是无单调性的，所以取最大的

作为最后的补偿，即

最后将的方法拓展到了面覆盖和多次覆盖的模型。

在面覆盖中，首先定义了合法地带。地带指的是一个区域，该区域中的任意两点都是被相同的感知区域集合覆盖。一个地带是合法的，当该地带和感兴趣的区域（即要覆盖的区域）有交集。在每一个合法地带放置一个点，服务商对该点的估值是该合法地带的距离，这样就把面覆盖问题转化为点覆盖问题。

在多次覆盖中，将服务提供商对感兴趣数据采集点的估值修改为

其中：u_i是对感兴趣的采样点hi，每覆盖一次就所能得到的价值。可以验证此时服务提供商的效能函数仍然满足单调子模的特性。所以点覆盖的方法在这里仍然适用。

模拟实验结果

本实施实例的模拟实验主要是有以下三部分。第一用实验验证了BEACON确实能够防止移动用户通过虚假竞标来提高自己的利益，并且说明了移动用户确实能够从参加感知活动中获益。第二部分主要是衡量不同的因素对服务提供商的价值的影响。第三部分主要是在面覆盖中，衡量不同因素对覆盖率的影响，和多次覆盖的模型下，对覆盖次数的影响。

实验参数的设置主要是将用户和感知任务随机的分布在1000m*1000m的区域，y移动用户的数量从100增加到1000，步长是100。感知任务的数量可以取值30，60，90。对于每个任务，随机的撒50个点。报酬支出的取值是从2000到7000，步长为500。服务提供商对每个感兴趣数据采样点的价值是从[1,10]里随机取值的。对于移动用户，他感知任务的集合是在他30米范围内的感兴趣数据采样点。移动用户的感知开销是其中：

是在[1,10]之间的随机数，而?是用户感知任务集合的大小。

图3为移动用户在随机的60次运行中真实竞标和不真实竞标的效能。该实验移动用户的数量取为300，任务的数量取为90。报酬总和是6000。从图中，可以看到，移动用户m₂₂₀的是效能在她真实竞标的时候都是非负的，而且移动用户不真实竞标的效益永远不大于他真实竞标的效能。

如图4所示，为不同因素对服务提供商价值的影响。图4.a为改变报酬支出对服务提供商价值的影响。移动用户的数量是被固定在500，报酬支出是从2000变化到7000，感知任务的数量分别是30，60，90。从图4.a中可以看到随着报酬总和的提高，服务提供商的价值也会提高。另一方面，当更多的感知任务被覆盖被分布的时候，服务提供商的效能也会提高。这是由于在更加密集的区域，感知开销较低的移动用户能够覆盖更多的点。图4.b展示了服务提供商的价值，此时报酬总和设为6000，而移动用户的数量是从100变化到1000。可以看到，随着移动用户数量的增加，服务提供商的价值也增加了。这是由于更多的移动用户会使它们之间的竞争更激烈，所以服务提供商能够在有限的报酬总和内召集更多的移动用户，覆盖更多的点。

如图5所示，为衡量不同因素对面覆盖中点覆盖率和多次覆盖中覆盖次数的影响。在图5.a中任务的个数是90个，而移动用户的个数分别取了300，600，900。报酬总和从2000变化到7000。从图中可以看出，面覆盖率随着报酬总和和移动用户的人数的增加而增加。图5.b展示了BEACON的覆盖率，感知任务的数量是90，报酬总和取4000和7000，移动用户的数量取500和1000。从图中可以看到，当报酬总和或者移动用户的数量增加之后，会有更多的点被覆盖。

通过以上模拟实验的结果，可以看到BEACON机制确实能够保证防策略性，并且在不同的覆盖模型下都能够获得比较好的覆盖性能。

Claims (5)

1.一种移动群智感知系统中覆盖问题的激励机制实现方法，其特征在于，包括以下步骤：

步骤1、首先将移动群智感知系统，即移动终端群智感知架构中的移动用户召集的问题转化成有报酬支出限制的逆向拍卖系统；将感知任务的分配问题归约为带报酬支出限制的覆盖问题；

所述的报酬支出限制的逆向拍卖系统包括：服务提供商和感知数据贡献者即移动用户，其中：服务提供商发布感知任务：并为每个感知任务发布兴趣数据采样点

对于兴趣数据采样点服务提供商有估价u_i；移动用户向服务提供商提供的竞价信息为b_i＝(S_i，c_i)，其中：是移动用户愿意完成的感知任务，c_i是用户的感知所产生的消耗，服务提供商的效能为

其中：

是被选择的移动用户的集合，每个移动用户的感知范围是以其本身为中心的半径为r的圆；每个移动用户的效能为

其中：p_i是服务商支付的报酬；

步骤2、根据步骤1中的移动用户被选择与否，设计带报酬支出均衡的激励机制方法，即用于候选选中的移动用户的感知任务的分配和用于未选中的移动用户的用户补偿金额的计算，实现激励机制。

2.根据权利要求1所述的方法，其特征是，所述的报酬支出限制是指：服务提供商根据报酬支出限制B限制支付给移动用户的报酬总和。

3.根据权利要求1所述的方法，其特征是，所述的带报酬支出限制的覆盖问题为：

优化目标：最大化

限制条件

其中：变量z_j＝1表示感兴趣的数据采样点h_j被覆盖，反之没有被覆盖；变量x_i＝1表示选择了移动用户m_i被选择了；C是对所有感知开销总和的限制。

4.根据权利要求1所述的方法，其特征是，所述的感知任务的分配是指：先计算出两个候选选中，即获胜的移动用户集合，其中：

第一个候选解集是给服务提供商带来最大的效能的移动用户，即

第二个候选集合通过以下步骤来获得：

2.1.1)对所有移动用户按照边际效应密度来进行排序，得到：

其中：f_i为边际贡献，

其中：M表示当前已经选择的集合，每次都从可选移动用户集合里选择边际贡献密度最大的移动用户，即

并且该用户还必须满足报酬支出的约束条件，表示为

这样就得到了另外一个候选集合，记为M_k；

2.1.2)将感知任务的分配放缩成线性规划，具体为：

优化目标，最大化

限制条件：

计算出线性规划的最优解，记为

并和

比较，当

则最后获胜移动用户的集合是M_k，反之，取m^*为第二个候选集合。

5.根据权利要求1所述的方法，其特征是，所述的用户补偿金额计算具体包括：

2.2.1)对于没有选中，即未获胜的移动用户的补偿为零；首先去除选中的用户m^*，并对剩下的用户进行排序，得到序列

2.2.2)遍历上述序列，并对于用户m_i，当满足

时，计算两个中间值

和

将这两个值中较小的记为p′_i(j)，即

然后取满足条件的最大的p′_i(j)为对用户m_i的补偿，即用户补偿金额。

Images