CN109960583B - 一种面向任务需求的选择激励的方法及终端 - Google Patents
一种面向任务需求的选择激励的方法及终端 Download PDFInfo
- Publication number
- CN109960583B CN109960583B CN201910078860.XA CN201910078860A CN109960583B CN 109960583 B CN109960583 B CN 109960583B CN 201910078860 A CN201910078860 A CN 201910078860A CN 109960583 B CN109960583 B CN 109960583B
- Authority
- CN
- China
- Prior art keywords
- terminal
- task
- value
- attribute information
- user
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- 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
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Bioethics (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种面向任务需求的选择激励的方法及终端,其包括:获取平台上预设的任务的属性信息,得到第一属性信息;获取多个用户对应的终端分别对所述任务进行反馈的属性信息,得到多个的第二属性信息;将第一属性信息和第二属性信息进行匹配分析;根据匹配分析结果,通过模糊贴近度的方法,将多个的第二属性信息对应的多个终端进行排序,得到排序结果,以供平台选择执行所述任务对应的终端。本发明提供的一种面向任务需求的选择激励的方法及终端,既能够实现以任务为中心的目标终端的选择,即实现了目标终端对应目标用户选择,又能够保证任务完成的质量。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种面向任务需求的选择激励的方法及终端。
背景技术
物联网感知、移动群智感知网络将普通用户的移动终端(手机、平板电脑、智能可穿戴设备等)作为基本感知单元,通过移动互联网有意识或无意识的协作,实现感知任务的分配与感知数据的收集,然后经由云端对感知数据的提取和分析,最终广泛应用于各大应用服务领域。随着大量应用服务的普遍使用,移动群智感知网络得到快速发展。然而,移动群智感知应用的实现依赖于广大普通用户的积极参与,而用户在参与任务过程中会消耗大量移动设备的电池电量、数据流量等资源,因此用户往往不愿意无偿参与感知任务。为了激励用户积极参与任务并长期提供高质量的感知数据,需要设计合理的激励机制对用户的消耗代价进行补偿。
在移动群智感知系统中,感知任务具有类型多、范围广、数量大等基本特性。针对不同的任务类型,不同的用户利用不同的感知设备进行感知,其提交的感知数据质量也不尽相同。面向不同的任务需求,任务发布者主要选择能够满足任务要求的移动终端作为执行者完成感知任务。因此,移动群智感知系统的工作核心在于用户激励机制的设计。目前,针对不同的研究内容和关注重点,用户激励机制大多以用户为中心或以平台为中心进行设计。以用户为中心的激励机制主要研究如何确定赢标集以及考虑用户特征和数据质量等问题,而以平台为中心的激励机制则侧重于研究平台预算成本最小化以及平台效用最大化等问题。虽然在一定的使用场景下这些激励机制均能产生相应的激励效果,但是缺乏以任务为中心的方式多维地考虑任务需求,导致用户与任务的匹配度较低,从而影响任务的完成效果好坏和感知数据的质量高低。
综上所述,针对移动群智感知中如何构建有效激励机制的问题,已有解决方案均从某一方面考虑,简单解决某一问题,严重忽视了其他挑战,不能综合解决移动群智感知中的用户与任务的匹配、用户隐私保护和数据质量问题。因此,需要发明一种能够同时解决上述激励问题的方法及终端。
发明内容
本发明所要解决的技术问题是:本发明提供了一种面向任务需求的选择激励的方法及终端,既能够实现以任务为中心的目标终端的选择,又能够保证任务完成的质量。
为了解决上述技术问题,本发明提供了一种面向任务需求的选择激励的方法,包括以下步骤:
S1:获取平台上预设的任务的属性信息,得到第一属性信息;获取多个用户对应的终端分别对所述任务进行反馈的属性信息,得到多个的第二属性信息;
S2:将第一属性信息和第二属性信息进行匹配分析;
S3:根据匹配分析结果,通过模糊贴近度的方法,将多个的第二属性信息对应的多个终端进行排序,得到排序结果,以供平台选择执行所述任务对应的终端;
所述S1具体为:
获取平台上对预设的任务的属性信息,得到第一属性信息,所述第一属性信息包括第一五元组<typej,tj.bt,tj.et,prewj,rj>,其中,所述typej表示第j个任务的类型,tj.bt表示第j个任务的开始时间,tj.et表示第j个任务的结束时间,prewj为平台为第j个任务提供的报酬金额,rj表示第j任务的需求值;
根据第j个任务的要求,将typej表示为树的形式;根据树的每一个父类节点属性值N,确定所述父类节点的每一个子类节点属性对应的格雷码编码的位数m,所述N为父类节点上预先设置的子类节点的个数;
依次从树的最顶端的父类节点遍历到树的最底端的每一子类节点,得到多组格雷码编码值,每一组格雷码编码值包括多个格雷码编码值;根据多组格雷码编码值,得到第一矩阵E;
获取多个用户对应的终端分别对所述任务进行反馈的属性信息,得到多个的第二属性信息,所述第二属性信息包括第二五元组<prei,ui.bt,ui.et,rrewi,ci>,其中prei表示第i个终端对应的用户从第一矩阵E中选择的一组格雷码编码值,ui.bt表示第i个终端对应的用户可以接受所述第j个任务的开始时间,ui.et表示第i个终端对应的用户可以接受所述第j个任务的结束时间,rrewi为第i个终端对应的用户完成第j个任务所期望获得的报酬金额,ci表示计算得到的第i个终端对应的用户的质量贡献值;所述i=1,2,3,4,…,a,所述a为终端的总数量。
本发明还提供了一种面向任务需求的选择激励的终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
S1:获取平台上预设的任务的属性信息,得到第一属性信息;获取多个用户对应的终端分别对所述任务进行反馈的属性信息,得到多个的第二属性信息;
S2:将第一属性信息和第二属性信息进行匹配分析;
S3:根据匹配分析结果,通过模糊贴近度的方法,将多个的第二属性信息对应的多个终端进行排序,得到排序结果,以供平台选择执行所述任务对应的终端;
所述S1具体为:
获取平台上对预设的任务的属性信息,得到第一属性信息,所述第一属性信息包括第一五元组<typej,tj.bt,tj.et,prewj,rj>,其中,所述typej表示第j个任务的类型,tj.bt表示第j个任务的开始时间,tj.et表示第j个任务的结束时间,prewj为平台为第j个任务提供的报酬金额,rj表示第j任务的需求值;
根据第j个任务的要求,将typej表示为树的形式;根据树的每一个父类节点属性值N,确定所述父类节点的每一个子类节点属性对应的格雷码编码的位数m,所述N为父类节点上预先设置的子类节点的个数;
依次从树的最顶端的父类节点遍历到树的最底端的每一子类节点,得到多组格雷码编码值,每一组格雷码编码值包括多个格雷码编码值;根据多组格雷码编码值,得到第一矩阵E;
获取多个用户对应的终端分别对所述任务进行反馈的属性信息,得到多个的第二属性信息,所述第二属性信息包括第二五元组<prei,ui.bt,ui.et,rrewi,ci>,其中prei表示第i个终端对应的用户从第一矩阵E中选择的一组格雷码编码值,ui.bt表示第i个终端对应的用户可以接受所述第j个任务的开始时间,ui.et表示第i个终端对应的用户可以接受所述第j个任务的结束时间,rrewi为第i个终端对应的用户完成第j个任务所期望获得的报酬金额,ci表示计算得到的第i个终端对应的用户的质量贡献值;所述i=1,2,3,4,…,a,所述a为终端的总数量。
本发明的有益效果为:
本发明提供了一种面向任务需求的选择激励的方法及终端,获取平台上预设的任务的属性信息,得到第一属性信息;获取多个用户对应的终端分别对所述任务进行反馈的属性信息,得到多个的第二属性信息,并将第一属性信息和第二属性信息进行匹配分析后,通过模糊贴近度的方法,将多个的第二属性信息对应的多个终端进行排序,得到排序结果,以供平台选择执行所述任务对应的终端,得到排序结果,以作为平台选择执行所述任务的参与人员的凭证;本发明可应用于移动群智感知中用户选择方面,不仅考虑任务的动态需求以提高任务和用户之间的匹配度,而且通过模糊贴近度的方法,能够保证用户的隐私安全性和选择公平性,从而激励更多的用户积极参与感知任务。一定程度上提高用户参与度和任务执行的质量水平,降低发布任务的平台的花费开销,适用于大规模推广使用,能应用到物联网、边缘计算、云计算、互联网+等实际生产生活过程中。
附图说明
图1为根据本发明实施例的一种面向任务需求的选择激励的方法的主要步骤示意图;
图2为根据本发明实施例的一种面向任务需求的选择激励的终端的结构示意图;
图3为根据本发明实施例的树形图的示意图;
标号说明:
1、存储器;2、处理器。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果,以下结合实施方式并配合附图详予说明。
本发明最关键的构思为:获取平台上预设的任务的属性信息,得到第一属性信息;获取多个用户对应的终端分别对所述任务进行反馈的属性信息,得到多个的第二属性信息,并将第一属性信息和第二属性信息进行匹配分析后,通过模糊贴近度的方法,将多个的第二属性信息对应的多个终端进行排序,得到排序结果,以供平台选择执行所述任务对应的终端。
请参照图1,本发明提供了一种面向任务需求的选择激励的方法,包括以下步骤:
S1:获取平台上预设的任务的属性信息,得到第一属性信息;获取多个用户对应的终端分别对所述任务进行反馈的属性信息,得到多个的第二属性信息;
S2:将第一属性信息和第二属性信息进行匹配分析;
S3:根据匹配分析结果,通过模糊贴近度的方法,将多个的第二属性信息对应的多个终端进行排序,得到排序结果,以供平台选择执行所述任务对应的终端;
所述S1具体为:
获取平台上对预设的任务的属性信息,得到第一属性信息,所述第一属性信息包括第一五元组<typej,tj.bt,tj.et,prewj,rj>,其中,所述typej表示第j个任务的类型,tj.bt表示第j个任务的开始时间,tj.et表示第j个任务的结束时间,prewj为平台为第j个任务提供的报酬金额,rj表示第j任务的需求值;
根据第j个任务的要求,将typej表示为树的形式;根据树的每一个父类节点属性值N,确定所述父类节点的每一个子类节点属性对应的格雷码编码的位数m,所述N为父类节点上预先设置的子类节点的个数;
依次从树的最顶端的父类节点遍历到树的最底端的每一子类节点,得到多组格雷码编码值,每一组格雷码编码值包括多个格雷码编码值;根据多组格雷码编码值,得到第一矩阵E;
获取多个用户对应的终端分别对所述任务进行反馈的属性信息,得到多个的第二属性信息,所述第二属性信息包括第二五元组<prei,ui.bt,ui.et,rrewi,ci>,其中prei表示第i个终端对应的用户从第一矩阵E中选择的一组格雷码编码值,ui.bt表示第i个终端对应的用户可以接受所述第j个任务的开始时间,ui.et表示第i个终端对应的用户可以接受所述第j个任务的结束时间,rrewi为第i个终端对应的用户完成第j个任务所期望获得的报酬金额,ci表示计算得到的第i个终端对应的用户的质量贡献值;所述i=1,2,3,4,…,a,所述a为终端的总数量。
从上述描述可知,本发明提供了一种面向任务需求的选择激励的方法,获取平台上预设的任务的属性信息,得到第一属性信息;获取多个用户对应的终端分别对所述任务进行反馈的属性信息,得到多个的第二属性信息,并将第一属性信息和第二属性信息进行匹配分析后,通过模糊贴近度的方法,将多个的第二属性信息对应的多个终端进行排序,得到排序结果,以供平台选择执行所述任务对应的终端,得到排序结果,以作为平台选择执行所述任务的参与人员的凭证;本发明可应用于移动群智感知中用户选择方面,不仅考虑任务的动态需求以提高任务和用户之间的匹配度,而且通过模糊贴近度的方法,能够保证用户的隐私安全性和选择公平性,从而激励更多的用户积极参与感知任务。一定程度上提高用户参与度和任务执行的质量水平,降低发布任务的平台的花费开销,适用于大规模推广使用,能应用到物联网、边缘计算、云计算、互联网+等实际生产生活过程中。通过上述方法,能够使得用户对应的终端精确获取得到平台关于发布的任务进行描述的属性信息,以及便平台能够得到每一个用户对应的终端关于所述任务进行反馈的属性信息,以便平台与用户对应终端双向进行相互筛选,从而能够提高任务执行的质量。
进一步的,所述S2具体为:
根据第一五元组<typej,tj.bt,tj.et,prewj,rj>,设定所述任务类型typej的基准值为1,并将tj.bt和tj.et的格式转换为时间戳格式,并设置tj.bt和tj.et的基准值均为2,将所述prewj除以待参加所述第j个任务的用户对应的终端数NUM,得到第j个任务tj的平均报酬prewave;
计算所述typej与prei之间的汉明距离dHM,并以dHM+1作为prei的属性值;
根据时间差异程度计算公式,计算得到ui.bt与tj.bt之间的差异程度值f(ui.bt,tj.bt),以及计算得到ui.et与tj.et之间的差异程度值f(ui.et,tj.et);
并以f(ui.bt,tj.bt)+2作为ui.bt的属性值,以f(ui.et,tj.et)+2作为ui.et的属性值;
筛选出相似度集合中所有相似度大于预设相似度阈值δ对应的终端,得到目标用户对应终端的候选集合CW,所述CW={uc1,uc2,uc3,…,,ucn},其中n表示候选集合CW中所有终端的个数。
从上述描述可知,通过上述方法,能够精确地获取关于任务执行方面的核心属性信息(从平台和用户对应的终端上获取得到),以便提高后续数据处理的效果,以及提高第一属性信息和第二属性信息进行匹配的可靠性与稳定性;同时所述余弦相似度计算协议PCSC不仅保证任务向量和用户向量之间有效的余弦相似度计算,而且实现用户属性信息的隐私保护,从而激励更多的用户积极参与感知任务。
进一步的,根据匹配分析结果,通过模糊贴近度的方法,将多个的第二属性信息对应的多个终端进行排序,得到排序结果,以供平台选择执行所述任务对应的终端具体为:
根据候选集合CW中每一个终端对应的相似度和该终端对应的rrewi,计算得到多个筛选指标值I,多个筛选指标值I与候选集合CW中的所有终端一一对应;
按照筛选指标值I从小到大的顺序排列所述候选集合CW中的每一个终端,得到第一排序集;
获取候选集合CW中每一个终端在所述第一排序集中的排序位置,并将该终端对应的筛选指标值I与所述uc1对应的筛选指标值I进行比较,得到比较结果;
分别相应的发送排序位置及相应的比较结果至候选集合CW中的每一个终端中;
终端uc1根据符号位sym1i,计算并通过相应的公钥加密得到加密数据生成一个大于预设第一数的随机数k;根据符号位sym1i和sym2i分别计算和的k次方得到第三值和第四值,并将第三值和第四值相乘的结果发送至终端uci;
根据每一终端对应的二进制编码串与终端uc1对应的二进制编码串之间的贴近度由大到小的顺序,将所述第一排序集进行排序,得到第二排序集。
从上述描述可知,通过根据用户对应的终端对应的二进制编码串与终端uc1对应的二进制编码串之间贴近度大小排序过程,以分类的方式进行用户对应的终端间的排序,不仅区分用户间贴近度大于与小于的关系,而且能够考虑用户贴近度相等的情况。
进一步的,所述的一种面向任务需求的选择激励的方法,还包括:
通过模糊综合评价法,对第二排序集中的贴近度相同的终端进行评价,按照评价从高到低的顺序将贴近度相同的终端进行排序。
从上述描述可知,针对具有相同贴近度的用户,通过采用模糊综合评价法多属性地评估用户,保证各用户被选中的公平性。
请参照图2,本发明提供了一种面向任务需求的选择激励的终端,包括存储器1、处理器2及存储在存储器1上并可在处理器2上运行的计算机程序,所述处理器2执行所述计算机程序时实现以下步骤:
S1:获取平台上预设的任务的属性信息,得到第一属性信息;获取多个用户对应的终端分别对所述任务进行反馈的属性信息,得到多个的第二属性信息;
S2:将第一属性信息和第二属性信息进行匹配分析;
S3:根据匹配分析结果,通过模糊贴近度的方法,将多个的第二属性信息对应的多个终端进行排序,得到排序结果,以供平台选择执行所述任务对应的终端;
所述S1具体为:
获取平台上对预设的任务的属性信息,得到第一属性信息,所述第一属性信息包括第一五元组<typej,tj.bt,tj.et,prewj,rj>,其中,所述typej表示第j个任务的类型,tj.bt表示第j个任务的开始时间,tj.et表示第j个任务的结束时间,prewj为平台为第j个任务提供的报酬金额,rj表示第j任务的需求值;
根据第j个任务的要求,将typej表示为树的形式;根据树的每一个父类节点属性值N,确定所述父类节点的每一个子类节点属性对应的格雷码编码的位数m,所述N为父类节点上预先设置的子类节点的个数;
依次从树的最顶端的父类节点遍历到树的最底端的每一子类节点,得到多组格雷码编码值,每一组格雷码编码值包括多个格雷码编码值;根据多组格雷码编码值,得到第一矩阵E;
获取多个用户对应的终端分别对所述任务进行反馈的属性信息,得到多个的第二属性信息,所述第二属性信息包括第二五元组<prei,ui.bt,ui.et,rrewi,ci>,其中prei表示第i个终端对应的用户从第一矩阵E中选择的一组格雷码编码值,ui.bt表示第i个终端对应的用户可以接受所述第j个任务的开始时间,ui.et表示第i个终端对应的用户可以接受所述第j个任务的结束时间,rrewi为第i个终端对应的用户完成第j个任务所期望获得的报酬金额,ci表示计算得到的第i个终端对应的用户的质量贡献值;所述i=1,2,3,4,…,a,所述a为终端的总数量。
从上述描述可知,本发明提供了一种面向任务需求的选择激励的终端,获取平台上预设的任务的属性信息,得到第一属性信息;获取多个用户对应的终端分别对所述任务进行反馈的属性信息,得到多个的第二属性信息,并将第一属性信息和第二属性信息进行匹配分析后,通过模糊贴近度的方法,将多个的第二属性信息对应的多个终端进行排序,得到排序结果,以供平台选择执行所述任务对应的终端,得到排序结果,以作为平台选择执行所述任务的参与人员的凭证;本发明可应用于移动群智感知中用户选择方面,不仅考虑任务的动态需求以提高任务和用户之间的匹配度,而且通过模糊贴近度的方法,能够保证用户的隐私安全性和选择公平性,从而激励更多的用户积极参与感知任务。一定程度上提高用户参与度和任务执行的质量水平,降低发布任务的平台的花费开销,适用于大规模推广使用,能应用到物联网、边缘计算、云计算、互联网+等实际生产生活过程中。通过上述终端,能够使得用户对应的终端精确获取得到平台关于发布的任务进行描述的属性信息,以及便平台能够得到每一个用户对应的终端关于所述任务进行反馈的属性信息,以便平台与用户对应终端双向进行相互筛选,从而能够提高任务执行的质量。
进一步的,所述的一种面向任务需求的选择激励的终端,所述S2具体为:
根据第一五元组<typej,tj.bt,tj.et,prewj,rj>,设定所述任务类型typej的基准值为1,并将tj.bt和tj.et的格式转换为时间戳格式,并设置tj.bt和tj.et的基准值均为2,将所述prewj除以待参加所述第j个任务的用户对应的终端数NUM,得到第j个任务tj的平均报酬prewave;
计算所述typej与prei之间的汉明距离dHM,并以dHM+1作为prei的属性值;
根据时间差异程度计算公式,计算得到ui.bt与tj.bt之间的差异程度值f(ui.bt,tj.bt),以及计算得到ui.et与tj.et之间的差异程度值f(ui.et,tj.et);
并以f(ui.bt,tj.bt)+2作为ui.bt的属性值,以f(ui.et,tj.et)+2作为ui.et的属性值;
筛选出相似度集合中所有相似度大于预设相似度阈值δ对应的终端,得到目标用户对应终端的候选集合CW,所述CW={uc1,uc2,uc3,…,,ucn},其中n表示候选集合CW中所有终端的个数。
从上述描述可知,通过上述终端,能够精确地获取关于任务执行方面的核心属性信息(从平台和用户对应的终端上获取得到),以便提高后续数据处理的效果,以及提高第一属性信息和第二属性信息进行匹配的可靠性与稳定性;同时所述余弦相似度计算协议PCSC不仅保证任务向量和用户向量之间有效的余弦相似度计算,而且实现用户属性信息的隐私保护,从而激励更多的用户积极参与感知任务。
进一步的,所述的一种面向任务需求的选择激励的终端,根据匹配分析结果,通过模糊贴近度的方法,将多个的第二属性信息对应的多个终端进行排序,得到排序结果,以供平台选择执行所述任务对应的终端具体为:
根据候选集合CW中每一个终端对应的相似度和该终端对应的rrewi,计算得到多个筛选指标值I,多个筛选指标值I与候选集合CW中的所有终端一一对应;
按照筛选指标值I从小到大的顺序排列所述候选集合CW中的每一个终端,得到第一排序集;
获取候选集合CW中每一个终端在所述第一排序集中的排序位置,并将该终端对应的筛选指标值I与所述uc1对应的筛选指标值I进行比较,得到比较结果;
分别相应的发送排序位置及相应的比较结果至候选集合CW中的每一个终端中;
终端uc1根据符号位sym1i,计算并通过相应的公钥加密得到加密数据生成一个大于预设第一数的随机数k;根据符号位sym1i和sym2i分别计算和的k次方得到第三值和第四值,并将第三值和第四值相乘的结果发送至终端uci;
根据每一终端对应的二进制编码串与终端uc1对应的二进制编码串之间的贴近度由大到小的顺序,将所述第一排序集进行排序,得到第二排序集。
从上述描述可知,通过根据用户对应的终端对应的二进制编码串与终端uc1对应的二进制编码串之间贴近度大小排序过程,以分类的方式进行用户对应的终端间的排序,不仅区分用户间贴近度大于与小于的关系,而且能够考虑用户贴近度相等的情况。
进一步的,所述的一种面向任务需求的选择激励的终端,所述处理器执行所述计算机程序时实现的步骤还包括:
通过模糊综合评价法,对第二排序集中的贴近度相同的终端进行评价,按照评价从高到低的顺序将贴近度相同的终端进行排序。
从上述描述可知,针对具有相同贴近度的用户,通过采用模糊综合评价法多属性地评估用户,保证各用户被选中的公平性。
请参照图1和图3,本发明的实施例一为:
本发明提供了一种面向任务需求的选择激励的方法,包括以下步骤:
S1:获取平台上预设的任务的属性信息,得到第一属性信息;获取多个用户对应的终端分别对所述任务进行反馈的属性信息,得到多个的第二属性信息;
其中,所述S1具体为:
获取平台上对预设的任务的属性信息,得到第一属性信息,所述第一属性信息包括第一五元组<typej,tj.bt,tj.et,prewj,rj>,其中,所述typej表示第j个任务的类型,tj.bt表示第j个任务的开始时间,tj.et表示第j个任务的结束时间,prewj为平台为第j个任务提供的报酬金额,rj表示第j任务的需求值,即需求的用户数,等同于需求的终端数;
根据第j个任务的要求,将typej表示为树的形式;根据树的每一个父类节点属性值N,确定所述父类节点的每一个子类节点属性对应的格雷码编码的位数m,所述N为父类节点上预先设置的子类节点的个数;
其中,要求2^m不小于N;
具体的任务类型表示为树的形式过程如下:假设所有的任务可根据任务类型{环境E,交通T,医疗H,社交S,公共P}进行划分,进一步地,根据任务对感知数据精度的要求进行条件约束。以环境类型的任务为例(请参照图3所示),根据任务类型的语义要求得到任务类型树;一个环境类型的任务,可以具体划分为{空气00,水质01,土壤11,噪声10}四个子类型。根据任务对数据精度的要求,可将采集数据的感知设备具体划分为{低端设备00、中端设备10、高端设备11}三个子类型,相应的设备等级与其采集的感知数据精度等级几近匹配,如低端设备采集的数据主要为低精度数据,高端设备采集的数据主要为高精度数据。一个环境类型的所有任务可以用矩阵E进行表示,如下:
依次从树的最顶端的父类节点遍历到树的最底端的每一子类节点,得到多组格雷码编码值,每一组格雷码编码值包括多个格雷码编码值;根据多组格雷码编码值,得到第一矩阵E;
发送第一五元组<typej,tj.bt,tj.et,prewj,rj>至每一介用户对应的终端;
获取多个用户对应的终端分别对所述任务进行反馈的属性信息,得到多个的第二属性信息,所述第二属性信息包括第二五元组<prei,ui.bt,ui.et,rrewi,ci>,其中prei表示第i个终端对应的用户从第一矩阵E中选择的一组格雷码编码值,ui.bt表示第i个终端对应的用户可以接受所述第j个任务的开始时间,ui.et表示第i个终端对应的用户可以接受所述第j个任务的结束时间,rrewi为第i个终端对应的用户完成第j个任务所期望获得的报酬金额,ci表示计算得到的第i个终端对应的用户的质量贡献值;所述i=1,2,3,4,…,a,所述a为终端的总数量。
其中,第i个终端对应的用户ui的质量贡献值ci取决于以下三个因素:
(1)用户ui的信誉度rep,信誉度rep可以衡量把一个感知任务分配给一个用户以后,用户ui执行该任务并成功提交结果的可能性。一个信誉度高的用户提供满足任务要求的数据结果的概率通常会高于信誉度低的用户。用户完成任务并成功提交结果后,感知平台根据用户提交的数据进行满意度评分,评分取值范围为[1,5],信誉度rep的具体数值可以根据用户ui的历史评分s进行计算。通过采用极差标准化的方式进而根据用户的历史评分计算用户的信誉度,计算公式如式(1)所示。
其中,J表示用户ui历史完成感知任务的总数量,s(j)为用户完成感知任务tj所获得的评分,min(j)和max(j)分别表示感知平台对完成任务tj的所有用户所给评分的最小值和最大值。假设用户ui有两个已完成的感知任务t1和t2,对于感知任务t1和t2,感知平台给出的最大评分和最小评分分别为max(1)=5,min(1)=2和max(2)=4,min(2)=2。用户ui获得的任务评分分别为s(1)=4,s(2)=3,则根据公式(1)计算可得到感知用户ui的信誉度
(2)用户ui的距离匹配值ω(lui,ltj),用户的距离匹配值可以衡量用户与感知任务之间距离的远近程度。用户距离感知任务位置越近,用户花费在交通行程上的消耗则越少。感知平台希望选择距离感知任务位置较近的用户参与任务从而减少任务的预算开销,同样对于用户而言,用户通常会更倾向于选择距离自身位置较近的感知任务。感知用户的距离匹配值可根据公式(2)计算得出。
ω(lu,lt)=1-min[logD dis(lui,ltj),1] (2)
其中,dis(lui,ltj)表示用户当前位置lui到感知任务位置ltj的欧氏距离,D为感知平台设定的任务区域半径,感知平台希望在任务区域范围内的用户积极参与任务。w(lui,ltj)∈[0,1],若用户距离感知任务位置越近,w(lui,ltj)越接近于1;相反,距离感知任务位置越远或超出了任务区域半径,则w(lui,ltj)越接近于0。
(3)用户ui的时间差值θ,用户时间差值可以衡量用户和感知任务之间的时间差异程度。θ=f(ui.bt,ui.et,tj.bt,tj.et)表示时间差值计算函数,计算公式如式(3)所示。
其中,f(ui.bt,tj.bt)表示用户ui的开始时间ui.bt和任务的开始时间tj.bt的时间差异程度,f(ui.et,tj.et)表示用户ui的最晚结束时间ui.et和任务的截止时间tj.et的时间差异程度。开始时间的差异程度f(ui.bt,tj.bt)的计算步骤如下:首先,将感知任务的开始时间tj.bt和各个用户的开始时间ui.bt转换为时间戳;然后计算感知任务和不同用户之间开始时间的绝对差值||d||=|tj.bt-ui.bt|,感知任务和不同用户之间开始时间的绝对差值的最小和最大差距为[λ1,λz],将这个区间平均划分为z-1个等距的小区间:{[λ1,λ2],[λ2,λ3],...,[λz-1,λz];λ∈[0,+∞]},当用户和感知任务之间开始时间的绝对差值落在其中的某个小区间,对每个小区间依次给定差异程度值{0,1,2,...,z-1,z};最后,针对不同区间,可得到用户和感知任务开始时间的差异程度值。同理,采取相同的计算方式,可以得到截止时间的差异程度f(ui.et,tj.et),从而根据公式(3)计算得到用户的时间差值θ。c=f(rep,ω(lui,ltj),θ)表示质量贡献值计算函数,计算公式如式(4)所示:
其中,α(0<α<1)和β(0<β<1)是两个随机因子,且α+β=1。
将信誉度rep、距离匹配值和时间差值θ三者相加,可得到质量贡献值ci。
S2:将第一属性信息和第二属性信息进行匹配分析;
其中,所述S2具体为:
根据第一五元组<typej,tj.bt,tj.et,prewj,rj>,设定所述任务类型typej的基准值为1,并将tj.bt和tj.et的格式转换为时间戳格式,并设置tj.bt和tj.et的基准值均为2,将所述prewj除以待参加所述第j个任务的用户对应的终端数NUM,得到第j个任务tj的平均报酬prewave;
计算所述typej与prei之间的汉明距离dHM,并以dHM+1作为prei的属性值;
根据时间差异程度计算公式,计算得到ui.bt与tj.bt之间的差异程度值f(ui.bt,tj.bt),以及计算得到ui.et与tj.et之间的差异程度值f(ui.et,tj.et);
并以f(ui.bt,tj.bt)+2作为ui.bt的属性值,以f(ui.et,tj.et)+2作为ui.et的属性值;
随机生成素数α和素数p,并生成随机数v和随机数gl,计算和Gjl,其中并将α、p和Gjl发送给对应的终端,该终端生成随机数yl,然后基于接收到的计算结果,计算和Hi,其中,并将Ui和Hi发送给平台;最后平台通过计算Ei=(v-1·Hi)mod p,得到和得到余弦相似度计算值即任务和相应终端间的相似度。
筛选出相似度集合中所有相似度大于预设相似度阈值δ(根据多次实验结果分析,确定相似度阈值)对应的终端,得到目标用户对应终端的候选集合CW,所述CW={uc1,uc2,uc3,…,,ucn},其中n表示候选集合CW中所有终端的个数。
S3:根据匹配分析结果,通过模糊贴近度的方法,将多个的第二属性信息对应的多个终端进行排序,得到排序结果,以供平台选择执行所述任务对应的终端;
其中,所述S3具体为:
按照筛选指标值I从小到大的顺序排列所述候选集合CW中的每一个终端,得到第一排序集;
终端uc1与用户uc2,...,ucn间在不泄露自身秘密输入的情况下各执行一次两方排序协议,获取候选集合CW中每一个终端在所述第一排序集中的排序位置,并将该终端对应的筛选指标值I与所述uc1对应的筛选指标值I进行比较,得到比较结果(若则表示用户对应的终端uci排列在终端u1的后面;若则表示用户对应的终端uci与终端u1并列;若则表示用户对应的终端uci排列与终端u1的前面);
分别相应的发送排序位置及相应的比较结果至候选集合CW中的每一个终端中;
终端uc1根据符号位sym1i,计算并通过相应的公钥加密得到加密数据生成一个大于预设第一数的随机数k;所述第一数大于3;根据符号位sym1i和sym2i分别计算和的k次方 得到第三值和第四值,并将第三值和第四值相乘的结果发送至终端uci;
根据每一终端对应的二进制编码串与终端uc1对应的二进制编码串之间的贴近度由大到小的顺序,将所述第一排序集进行排序,得到第二排序集;
其中,“根据每一终端对应的二进制编码串与终端uc1对应的二进制编码串之间的贴近度由大到小的顺序,将所述第一排序集进行排序,得到第二排序集”,具体为:
各终端uci根据贴近度大小再次进行排序。位于终端uc1之前的终端按照他们各自与用户uc1贴近度的大小从小到大排列,形成队列L1。若出现相同的贴近度,则具有相同贴近度的终端构成无序队列L1eq,并将L1eq看做整体加入队列L1。与终端uc1并列的终端以及终端uc1构成无序队列L2。位于终端uc1之后的终端按照他们各自与终端u1贴近度的大小从大到小排列,形成队列L2。若出现相同的贴近度,则具有相同贴近度的终端构成无序队列L3eq,并将L3eq看做整体加入队列L3。候选用户队列L={L1,L2,L3}即为用户u1,u2,...,ucn按照I值从小到大排成的队列。
通过模糊综合评价法,对第二排序集中的贴近度相同的终端进行评价,按照评价从高到低的顺序将贴近度相同的终端进行排序。
其中,“通过模糊综合评价法,对第二排序集中的贴近度相同的终端进行评价,按照评价从高到低的顺序将贴近度相同的终端进行排序”,具体为:
具有相同贴近度的终端队列L1eq、L2和L3eq进行终端优劣区分。首先,确定终端各属性的隶属函数;然后,根据各隶属函数计算各个终端所对应属性的不同隶属度。终端uci各自秘密保存属性隶属度向量最后,各终端根据感知平台确定的终端属性权重向量AW=(aw1,aw2,...,aw5)计算各用户将Lwi值按照从大到小进行排序,形成有序的候选用户队列L={L'1,L'2,L'3}并将队列L上传给感知平台。
感知平台基于任务完成人数rj的条件约束,选择第二排序集再次排序完成后的前rj个用户对应的终端,得到目标终端排序集,以供平台选择执行所述任务对应的终端。
请参照图2和图3,本发明的实施例二为:
本发明提供了一种面向任务需求的选择激励的终端,包括存储器1、处理器2及存储在存储器1上并可在处理器2上运行的计算机程序,所述处理器2执行所述计算机程序时实现以下步骤:
本发明提供了一种面向任务需求的选择激励的方法,包括以下步骤:
S1:获取平台上预设的任务的属性信息,得到第一属性信息;获取多个用户对应的终端分别对所述任务进行反馈的属性信息,得到多个的第二属性信息;
其中,所述S1具体为:
获取平台上对预设的任务的属性信息,得到第一属性信息,所述第一属性信息包括第一五元组<typej,tj.bt,tj.et,prewj,rj>,其中,所述typej表示第j个任务的类型,tj.bt表示第j个任务的开始时间,tj.et表示第j个任务的结束时间,prewj为平台为第j个任务提供的报酬金额,rj表示第j任务的需求值,即需求的用户数,等同于需求的终端数;
根据第j个任务的要求,将typej表示为树的形式;根据树的每一个父类节点属性值N,确定所述父类节点的每一个子类节点属性对应的格雷码编码的位数m,所述N为父类节点上预先设置的子类节点的个数;
其中,要求2^m不小于N;
依次从树的最顶端的父类节点遍历到树的最底端的每一子类节点,得到多组格雷码编码值,每一组格雷码编码值包括多个格雷码编码值;根据多组格雷码编码值,得到第一矩阵E;
具体的任务类型表示为树的形式过程如下:假设所有的任务可根据任务类型{环境E,交通T,医疗H,社交S,公共P}进行划分,进一步地,根据任务对感知数据精度的要求进行条件约束。以环境类型的任务为例(请参照图3所示),根据任务类型的语义要求得到任务类型树;一个环境类型的任务,可以具体划分为{空气00,水质01,土壤11,噪声10}四个子类型。根据任务对数据精度的要求,可将采集数据的感知设备具体划分为{低端设备00、中端设备10、高端设备11}三个子类型,相应的设备等级与其采集的感知数据精度等级几近匹配,如低端设备采集的数据主要为低精度数据,高端设备采集的数据主要为高精度数据。一个环境类型的所有任务可以用矩阵E进行表示,如下:
发送第一五元组<typej,tj.bt,tj.et,prewj,rj>至每一介用户对应的终端;
获取多个用户对应的终端分别对所述任务进行反馈的属性信息,得到多个的第二属性信息,所述第二属性信息包括第二五元组<prei,ui.bt,ui.et,rrewi,ci>,其中prei表示第i个终端对应的用户从第一矩阵E中选择的一组格雷码编码值,ui.bt表示第i个终端对应的用户可以接受所述第j个任务的开始时间,ui.et表示第i个终端对应的用户可以接受所述第j个任务的结束时间,rrewi为第i个终端对应的用户完成第j个任务所期望获得的报酬金额,ci表示计算得到的第i个终端对应的用户的质量贡献值;所述i=1,2,3,4,…,a,所述a为终端的总数量。
其中,第i个终端对应的用户ui的质量贡献值ci取决于以下三个因素:
(1)用户ui的信誉度rep,信誉度rep可以衡量把一个感知任务分配给一个用户以后,用户ui执行该任务并成功提交结果的可能性。一个信誉度高的用户提供满足任务要求的数据结果的概率通常会高于信誉度低的用户。用户完成任务并成功提交结果后,感知平台根据用户提交的数据进行满意度评分,评分取值范围为[1,5],信誉度rep的具体数值可以根据用户ui的历史评分s进行计算。通过采用极差标准化的方式进而根据用户的历史评分计算用户的信誉度,计算公式如式(1)所示。
其中,J表示用户ui历史完成感知任务的总数量,s(j)为用户完成感知任务tj所获得的评分,min(j)和max(j)分别表示感知平台对完成任务tj的所有用户所给评分的最小值和最大值。假设用户ui有两个已完成的感知任务t1和t2,对于感知任务t1和t2,感知平台给出的最大评分和最小评分分别为max(1)=5,min(1)=2和max(2)=4,min(2)=2。用户ui获得的任务评分分别为s(1)=4,s(2)=3,则根据公式(1)计算可得到感知用户ui的信誉度
(2)用户ui的距离匹配值ω(lui,ltj),用户的距离匹配值可以衡量用户与感知任务之间距离的远近程度。用户距离感知任务位置越近,用户花费在交通行程上的消耗则越少。感知平台希望选择距离感知任务位置较近的用户参与任务从而减少任务的预算开销,同样对于用户而言,用户通常会更倾向于选择距离自身位置较近的感知任务。感知用户的距离匹配值可根据公式(2)计算得出。
ω(lu,lt)=1-min[logD dis(lui,ltj),1] (2)
其中,dis(lui,ltj)表示用户当前位置lui到感知任务位置ltj的欧氏距离,D为感知平台设定的任务区域半径,感知平台希望在任务区域范围内的用户积极参与任务。w(lui,ltj)∈[0,1],若用户距离感知任务位置越近,w(lui,ltj)越接近于1;相反,距离感知任务位置越远或超出了任务区域半径,则w(lui,ltj)越接近于0。
(3)用户ui的时间差值θ,用户时间差值可以衡量用户和感知任务之间的时间差异程度。θ=f(ui.bt,ui.et,tj.bt,tj.et)表示时间差值计算函数,计算公式如式(3)所示。
其中,f(ui.bt,tj.bt)表示用户ui的开始时间ui.bt和任务的开始时间tj.bt的时间差异程度,f(ui.et,tj.et)表示用户ui的最晚结束时间ui.et和任务的截止时间tj.et的时间差异程度。开始时间的差异程度f(ui.bt,tj.bt)的计算步骤如下:首先,将感知任务的开始时间tj.bt和各个用户的开始时间ui.bt转换为时间戳;然后计算感知任务和不同用户之间开始时间的绝对差值||d||=|tj.bt-ui.bt|,感知任务和不同用户之间开始时间的绝对差值的最小和最大差距为[λ1,λz],将这个区间平均划分为z-1个等距的小区间:{[λ1,λ2],[λ2,λ3],...,[λz-1,λz];λ∈[0,+∞]},当用户和感知任务之间开始时间的绝对差值落在其中的某个小区间,对每个小区间依次给定差异程度值{0,1,2,...,z-1,z};最后,针对不同区间,可得到用户和感知任务开始时间的差异程度值。同理,采取相同的计算方式,可以得到截止时间的差异程度f(ui.et,tj.et),从而根据公式(3)计算得到用户的时间差值θ。c=f(rep,ω(lui,ltj),θ)表示质量贡献值计算函数,计算公式如式(4)所示:
其中,α(0<α<1)和β(0<β<1)是两个随机因子,且α+β=1。
将信誉度rep、距离匹配值和时间差值θ三者相加,可得到质量贡献值ci。
S2:将第一属性信息和第二属性信息进行匹配分析;
其中,所述S2具体为:
根据第一五元组<typej,tj.bt,tj.et,prewj,rj>,设定所述任务类型typej的基准值为1,并将tj.bt和tj.et的格式转换为时间戳格式,并设置tj.bt和tj.et的基准值均为2,将所述prewj除以待参加所述第j个任务的用户对应的终端数NUM,得到第j个任务tj的平均报酬prewave;
计算所述typej与prei之间的汉明距离dHM,并以dHM+1作为prei的属性值;
根据时间差异程度计算公式,计算得到ui.bt与tj.bt之间的差异程度值f(ui.bt,tj.bt),以及计算得到ui.et与tj.et之间的差异程度值f(ui.et,tj.et);
并以f(ui.bt,tj.bt)+2作为ui.bt的属性值,以f(ui.et,tj.et)+2作为ui.et的属性值;
随机生成素数α和素数p,并生成随机数v和随机数gl,计算和Gjl,其中并将α、p和Gjl发送给对应的终端,该终端生成随机数yl,然后基于接收到的计算结果,计算和Hi,其中,并将Ui和Hi发送给平台;最后平台通过计算Ei=(v-1·Hi)mod p,得到和得到余弦相似度计算值即任务和相应终端间的相似度。
筛选出相似度集合中所有相似度大于预设相似度阈值δ(根据多次实验结果分析,确定相似度阈值)对应的终端,得到目标用户对应终端的候选集合CW,所述CW={uc1,uc2,uc3,…,,ucn},其中n表示候选集合CW中所有终端的个数。
S3:根据匹配分析结果,通过模糊贴近度的方法,将多个的第二属性信息对应的多个终端进行排序,得到排序结果,以供平台选择执行所述任务对应的终端;
其中,所述S3具体为:
按照筛选指标值I从小到大的顺序排列所述候选集合CW中的每一个终端,得到第一排序集;
终端uc1与用户uc2,...,ucn间在不泄露自身秘密输入的情况下各执行一次两方排序协议,获取候选集合CW中每一个终端在所述第一排序集中的排序位置,并将该终端对应的筛选指标值I与所述uc1对应的筛选指标值I进行比较,得到比较结果(若则表示用户对应的终端uci排列在终端u1的后面;若则表示用户对应的终端uci与终端u1并列;若则表示用户对应的终端uci排列与终端u1的前面);
分别相应的发送排序位置及相应的比较结果至候选集合CW中的每一个终端中;
终端uc1根据符号位sym1i,计算并通过相应的公钥加密得到加密数据生成一个大于预设第一数的随机数k;所述第一数大于3;根据符号位sym1i和sym2i分别计算和的k次方 得到第三值和第四值,并将第三值和第四值相乘的结果发送至终端uci;
根据每一终端对应的二进制编码串与终端uc1对应的二进制编码串之间的贴近度由大到小的顺序,将所述第一排序集进行排序,得到第二排序集;
其中,“根据每一终端对应的二进制编码串与终端uc1对应的二进制编码串之间的贴近度由大到小的顺序,将所述第一排序集进行排序,得到第二排序集”,具体为:
各终端uci根据贴近度大小再次进行排序。位于终端uc1之前的终端按照他们各自与用户uc1贴近度的大小从小到大排列,形成队列L1。若出现相同的贴近度,则具有相同贴近度的终端构成无序队列L1eq,并将L1eq看做整体加入队列L1。与终端uc1并列的终端以及终端uc1构成无序队列L2。位于终端uc1之后的终端按照他们各自与终端u1贴近度的大小从大到小排列,形成队列L2。若出现相同的贴近度,则具有相同贴近度的终端构成无序队列L3eq,并将L3eq看做整体加入队列L3。候选用户队列L={L1,L2,L3}即为用户u1,u2,...,ucn按照I值从小到大排成的队列。
通过模糊综合评价法,对第二排序集中的贴近度相同的终端进行评价,按照评价从高到低的顺序将贴近度相同的终端进行排序。
其中,“通过模糊综合评价法,对第二排序集中的贴近度相同的终端进行评价,按照评价从高到低的顺序将贴近度相同的终端进行排序”,具体为:
具有相同贴近度的终端队列L1eq、L2和L3eq进行终端优劣区分。首先,确定终端各属性的隶属函数;然后,根据各隶属函数计算各个终端所对应属性的不同隶属度。终端uci各自秘密保存属性隶属度向量最后,各终端根据感知平台确定的终端属性权重向量AW=(aw1,aw2,...,aw5)计算各用户将Lwi值按照从大到小进行排序,形成有序的候选用户队列L={L'1,L'2,L'3}并将队列L上传给感知平台。
感知平台基于任务完成人数rj的条件约束,选择第二排序集再次排序完成后的前rj个用户对应的终端,得到目标终端排序集,以供平台选择执行所述任务对应的终端。
综上所述,本发明结合余弦相似度计算协议PCSC、模糊贴近度的安全多方排序和模糊综合评价法提供一种面向任务需求的用户选择激励机制的方法及系统,首先根据感知平台发布的任务需求,第三方平台TP进行任务属性形式化描述进而构建任务向量;TP向用户发布任务,用户根据个人意愿和自身能力条件参与任务响应并形式化描述终端属性,进而构建终端向量;TP采用余弦相似度计算协议PCSC,计算任务和各个响应终端的相似度基于各个终端与任务的相似度Sim和感知平台设置的相似度阈值δ,TP进行终端一次筛选得到目标终端候选集CW,并将目标终端候选集CW上传给感知平台和终端;目标终端候选集CW中的用户根据期望报酬rrew和相似度simu计算筛选指标I值;各目标候选终端通过执行结合模糊贴近度的安全多方排序协议以及模糊综合评价法实现筛选指标I值的从小到大排序,确定目标终端候选队列L并将排序结果上传给感知平台;感知平台基于任务完成人数的条件约束下进行用户二次筛选,确定目标终端集,并将用户二次筛选结果反馈给用户,通知用户完成感知任务。这样既实现用户和任务的双向匹配从而最大化满足任务需求,又保证了平台报酬支付的最小化和用户的隐私安全。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等同变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种面向任务需求的选择激励的方法,其特征在于,包括以下步骤:
S1:获取平台上预设的任务的属性信息,得到第一属性信息;获取多个用户对应的终端分别对所述任务进行反馈的属性信息,得到多个的第二属性信息;
S2:将第一属性信息和第二属性信息进行匹配分析;
S3:根据匹配分析结果,通过模糊贴近度的方法,将多个的第二属性信息对应的多个终端进行排序,得到排序结果,以供平台选择执行所述任务对应的终端;
所述S1具体为:
获取平台上对预设的任务的属性信息,得到第一属性信息,所述第一属性信息包括第一五元组<typej,tj.bt,tj.et,prewj,rj>,其中,所述typej表示第j个任务的类型,tj.bt表示第j个任务的开始时间,tj.et表示第j个任务的结束时间,prewj为平台为第j个任务提供的报酬金额,rj表示第j任务的需求值;
根据第j个任务的要求,将typej表示为树的形式;根据树的每一个父类节点属性值N,确定所述父类节点的每一个子类节点属性对应的格雷码编码的位数m,所述N为父类节点上预先设置的子类节点的个数;
依次从树的最顶端的父类节点遍历到树的最底端的每一子类节点,得到多组格雷码编码值,每一组格雷码编码值包括多个格雷码编码值;根据多组格雷码编码值,得到第一矩阵E;
获取多个用户对应的终端分别对所述任务进行反馈的属性信息,得到多个的第二属性信息,所述第二属性信息包括第二五元组<prei,ui.bt,ui.et,rrewi,ci>,其中prei表示第i个终端对应的用户从第一矩阵E中选择的一组格雷码编码值,ui.bt表示第i个终端对应的用户可以接受所述第j个任务的开始时间,ui.et表示第i个终端对应的用户可以接受所述第j个任务的结束时间,rrewi为第i个终端对应的用户完成第j个任务所期望获得的报酬金额,ci表示计算得到的第i个终端对应的用户的质量贡献值;所述i=1,2,3,4,…,a,所述a为终端的总数量。
2.根据权利要求1所述的一种面向任务需求的选择激励的方法,其特征在于,所述S2具体为:
根据第一五元组<typej,tj.bt,tj.et,prewj,rj>,设定所述任务类型typej的基准值为1,并将tj.bt和tj.et的格式转换为时间戳格式,并设置tj.bt和tj.et的基准值均为2,将所述prewj除以待参加所述第j个任务的用户对应的终端数NUM,得到第j个任务tj的平均报酬prewave;
计算所述typej与prei之间的汉明距离dHM,并以dHM+1作为prei的属性值;
根据时间差异程度计算公式,计算得到ui.bt与tj.bt之间的差异程度值f(ui.bt,tj.bt),以及计算得到ui.et与tj.et之间的差异程度值f(ui.et,tj.et);
并以f(ui.bt,tj.bt)+2作为ui.bt的属性值,以f(ui.et,tj.et)+2作为ui.et的属性值;
筛选出相似度集合中所有相似度大于预设相似度阈值δ对应的终端,得到目标用户对应终端的候选集合CW,所述CW={uc1,uc2,uc3,…,ucn},其中n表示候选集合CW中所有终端的个数。
3.根据权利要求2所述的一种面向任务需求的选择激励的方法,其特征在于,根据匹配分析结果,通过模糊贴近度的方法,将多个的第二属性信息对应的多个终端进行排序,得到排序结果,以供平台选择执行所述任务对应的终端具体为:
根据候选集合CW中每一个终端对应的相似度和该终端对应的rrewi,计算得到多个筛选指标值I,多个筛选指标值I与候选集合CW中的所有终端一一对应;
按照筛选指标值I从小到大的顺序排列所述候选集合CW中的每一个终端,得到第一排序集;
获取候选集合CW中每一个终端在所述第一排序集中的排序位置,并将该终端对应的筛选指标值I与所述uc1对应的筛选指标值I进行比较,得到比较结果;
分别相应的发送排序位置及相应的比较结果至候选集合CW中的每一个终端中;
将候选集合CW中每一个终端对应的筛选指标值I转换成二进制格式,得到与每一个终端对应的二进制编码串将二进制编码串的所有奇数位分别与uc1对应的二进制编码串的所有奇数位相减后,并乘以2l-i,得到第一值s1i,并保存所述第一值的符号位sym1i;
终端uc1根据符号位sym1i,计算并通过相应的公钥加密得到加密数据生成一个大于预设第一数的随机数k;根据符号位sym1i和sym2i分别计算和的k次方得到第三值和第四值,并将第三值和第四值相乘的结果发送至终端uci;
根据每一终端对应的二进制编码串与终端uc1对应的二进制编码串之间的贴近度由大到小的顺序,将所述第一排序集进行排序,得到第二排序集。
4.根据权利要求2所述的一种面向任务需求的选择激励的方法,其特征在于,还包括:
通过模糊综合评价法,对第二排序集中的贴近度相同的终端进行评价,按照评价从高到低的顺序将贴近度相同的终端进行排序。
5.一种面向任务需求的选择激励的终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现以下步骤:
S1:获取平台上预设的任务的属性信息,得到第一属性信息;获取多个用户对应的终端分别对所述任务进行反馈的属性信息,得到多个的第二属性信息;
S2:将第一属性信息和第二属性信息进行匹配分析;
S3:根据匹配分析结果,通过模糊贴近度的方法,将多个的第二属性信息对应的多个终端进行排序,得到排序结果,以供平台选择执行所述任务对应的终端;
所述S1具体为:
获取平台上对预设的任务的属性信息,得到第一属性信息,所述第一属性信息包括第一五元组<typej,tj.bt,tj.et,prewj,rj>,其中,所述typej表示第j个任务的类型,tj.bt表示第j个任务的开始时间,tj.et表示第j个任务的结束时间,prewj为平台为第j个任务提供的报酬金额,rj表示第j任务的需求值;
根据第j个任务的要求,将typej表示为树的形式;根据树的每一个父类节点属性值N,确定所述父类节点的每一个子类节点属性对应的格雷码编码的位数m,所述N为父类节点上预先设置的子类节点的个数;
依次从树的最顶端的父类节点遍历到树的最底端的每一子类节点,得到多组格雷码编码值,每一组格雷码编码值包括多个格雷码编码值;根据多组格雷码编码值,得到第一矩阵E;
获取多个用户对应的终端分别对所述任务进行反馈的属性信息,得到多个的第二属性信息,所述第二属性信息包括第二五元组<prei,ui.bt,ui.et,rrewi,ci>,其中prei表示第i个终端对应的用户从第一矩阵E中选择的一组格雷码编码值,ui.bt表示第i个终端对应的用户可以接受所述第j个任务的开始时间,ui.et表示第i个终端对应的用户可以接受所述第j个任务的结束时间,rrewi为第i个终端对应的用户完成第j个任务所期望获得的报酬金额,ci表示计算得到的第i个终端对应的用户的质量贡献值;所述i=1,2,3,4,…,a,所述a为终端的总数量。
6.根据权利要求5所述的一种面向任务需求的选择激励的终端,其特征在于,所述S2具体为:
根据第一五元组<typej,tj.bt,tj.et,prewj,rj>,设定所述任务类型typej的基准值为1,并将tj.bt和tj.et的格式转换为时间戳格式,并设置tj.bt和tj.et的基准值均为2,将所述prewj除以待参加所述第j个任务的用户对应的终端数NUM,得到第j个任务tj的平均报酬prewave;
计算所述typej与prei之间的汉明距离dHM,并以dHM+1作为prei的属性值;
根据时间差异程度计算公式,计算得到ui.bt与tj.bt之间的差异程度值f(ui.bt,tj.bt),以及计算得到ui.et与tj.et之间的差异程度值f(ui.et,tj.et);
并以f(ui.bt,tj.bt)+2作为ui.bt的属性值,以f(ui.et,tj.et)+2作为ui.et的属性值;
筛选出相似度集合中所有相似度大于预设相似度阈值δ对应的终端,得到目标用户对应终端的候选集合CW,所述CW={uc1,uc2,uc3,…,ucn},其中n表示候选集合CW中所有终端的个数。
7.根据权利要求6所述的一种面向任务需求的选择激励的终端,其特征在于,根据匹配分析结果,通过模糊贴近度的方法,将多个的第二属性信息对应的多个终端进行排序,得到排序结果,以供平台选择执行所述任务对应的终端具体为:
根据候选集合CW中每一个终端对应的相似度和该终端对应的rrewi,计算得到多个筛选指标值I,多个筛选指标值I与候选集合CW中的所有终端一一对应;
按照筛选指标值I从小到大的顺序排列所述候选集合CW中的每一个终端,得到第一排序集;
获取候选集合CW中每一个终端在所述第一排序集中的排序位置,并将该终端对应的筛选指标值I与所述uc1对应的筛选指标值I进行比较,得到比较结果;
分别相应的发送排序位置及相应的比较结果至候选集合CW中的每一个终端中;
终端uc1根据符号位sym1i,计算并通过相应的公钥加密得到加密数据生成一个大于预设第一数的随机数k;根据符号位sym1i和sym2i分别计算和的k次方得到第三值和第四值,并将第三值和第四值相乘的结果发送至终端uci;
根据每一终端对应的二进制编码串与终端uc1对应的二进制编码串之间的贴近度由大到小的顺序,将所述第一排序集进行排序,得到第二排序集。
8.根据权利要求6所述的一种面向任务需求的选择激励的终端,其特征在于,还包括:
通过模糊综合评价法,对第二排序集中的贴近度相同的终端进行评价,按照评价从高到低的顺序将贴近度相同的终端进行排序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910078860.XA CN109960583B (zh) | 2019-01-28 | 2019-01-28 | 一种面向任务需求的选择激励的方法及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910078860.XA CN109960583B (zh) | 2019-01-28 | 2019-01-28 | 一种面向任务需求的选择激励的方法及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109960583A CN109960583A (zh) | 2019-07-02 |
CN109960583B true CN109960583B (zh) | 2022-10-28 |
Family
ID=67023495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910078860.XA Active CN109960583B (zh) | 2019-01-28 | 2019-01-28 | 一种面向任务需求的选择激励的方法及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109960583B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017075755A1 (en) * | 2015-11-03 | 2017-05-11 | Nokia Technologies Oy | Apparatus, method and computer program product for privacy protection |
CN108364190A (zh) * | 2018-01-08 | 2018-08-03 | 东南大学 | 结合信誉更新的移动群智感知在线激励方法 |
CN109068288A (zh) * | 2018-09-06 | 2018-12-21 | 福建师范大学 | 一种基于多属性用户选择移动群智感知激励机制的方法及系统 |
-
2019
- 2019-01-28 CN CN201910078860.XA patent/CN109960583B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017075755A1 (en) * | 2015-11-03 | 2017-05-11 | Nokia Technologies Oy | Apparatus, method and computer program product for privacy protection |
CN108364190A (zh) * | 2018-01-08 | 2018-08-03 | 东南大学 | 结合信誉更新的移动群智感知在线激励方法 |
CN109068288A (zh) * | 2018-09-06 | 2018-12-21 | 福建师范大学 | 一种基于多属性用户选择移动群智感知激励机制的方法及系统 |
Non-Patent Citations (1)
Title |
---|
移动群智感知中基于用户联盟匹配的隐私保护激励机制;熊金波等;《计算机研究与发展》;20180715(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109960583A (zh) | 2019-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiong et al. | A task-oriented user selection incentive mechanism in edge-aided mobile crowdsensing | |
Jin et al. | CENTURION: Incentivizing multi-requester mobile crowd sensing | |
Zhang et al. | Incentivize crowd labeling under budget constraint | |
Xu et al. | Incentive mechanisms for time window dependent tasks in mobile crowdsensing | |
CN112084422B (zh) | 一种账号数据智能处理方法和装置 | |
Chen et al. | Spatial Crowdsourcing: Challenges and Opportunities. | |
Han et al. | Quality-aware pricing for mobile crowdsensing | |
Ding et al. | Video popularity prediction by sentiment propagation via implicit network | |
Zhang et al. | Keep your promise: Mechanism design against free-riding and false-reporting in crowdsourcing | |
Wang et al. | Exploiting social influence for context-aware event recommendation in event-based social networks | |
Gan et al. | Incentivize multi-class crowd labeling under budget constraint | |
Lin et al. | BidGuard: A framework for privacy-preserving crowdsensing incentive mechanisms | |
Zhang et al. | TDTA: A truth detection based task assignment scheme for mobile crowdsourced Industrial Internet of Things | |
Jiang et al. | Incentive mechanism design for truth discovery in crowdsourcing with copiers | |
Luo et al. | Towards high quality mobile crowdsensing: Incentive mechanism design based on fine-grained ability reputation | |
Xu et al. | Incentive mechanisms for large-scale crowdsourcing task diffusion based on social influence | |
CN109960583B (zh) | 一种面向任务需求的选择激励的方法及终端 | |
Zhao et al. | Multiple cooperative task assignment on reliability-oriented social crowdsourcing | |
Li et al. | Multi-objective optimization for multi-task allocation in mobile crowd sensing | |
CN105162695A (zh) | 一种新型的近邻移动社交网络交友隐私保护方法 | |
Xie et al. | Design and analysis of incentive and reputation mechanisms for online crowdsourcing systems | |
Xu et al. | Improving both quantity and quality: Incentive mechanism for social mobile crowdsensing architecture | |
Zhang et al. | CAPR: context‐aware participant recruitment mechanism in mobile crowdsourcing | |
Pramanik et al. | Can i foresee the success of my meetup group? | |
Hafiene et al. | A new structural and semantic approach for identifying influential nodes in social networks |
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 |