CN109960583B - 一种面向任务需求的选择激励的方法及终端 - Google Patents

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

一种面向任务需求的选择激励的方法及终端

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<type_j,t_j.bt,t_j.et,prew_j,r_j>，其中，所述type_j表示第j个任务的类型，t_j.bt表示第j个任务的开始时间，t_j.et表示第j个任务的结束时间，prew_j为平台为第j个任务提供的报酬金额，r_j表示第j任务的需求值；

根据第j个任务的要求，将type_j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<pre_i,u_i.bt,u_i.et,rrew_i,c_i>，其中pre_i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，u_i.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，u_i.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，rrew_i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，c_i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<type_j,t_j.bt,t_j.et,prew_j,r_j>，其中，所述type_j表示第j个任务的类型，t_j.bt表示第j个任务的开始时间，t_j.et表示第j个任务的结束时间，prew_j为平台为第j个任务提供的报酬金额，r_j表示第j任务的需求值；

根据第j个任务的要求，将type_j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<pre_i,u_i.bt,u_i.et,rrew_i,c_i>，其中pre_i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，u_i.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，u_i.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，rrew_i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，c_i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<type_j,t_j.bt,t_j.et,prew_j,r_j>，其中，所述type_j表示第j个任务的类型，t_j.bt表示第j个任务的开始时间，t_j.et表示第j个任务的结束时间，prew_j为平台为第j个任务提供的报酬金额，r_j表示第j任务的需求值；

根据第j个任务的要求，将type_j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<pre_i,u_i.bt,u_i.et,rrew_i,c_i>，其中pre_i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，u_i.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，u_i.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，rrew_i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，c_i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<type_j,t_j.bt,t_j.et,prew_j,r_j>，设定所述任务类型type_j的基准值为1，并将t_j.bt和t_j.et的格式转换为时间戳格式，并设置t_j.bt和t_j.et的基准值均为2，将所述prew_j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t_j的平均报酬prew_ave；

根据任务类型type_j的基准值、t_j.bt的基准值、t_j.et的基准值、prew_ave和r_j，构建t_j对应的任务向量

所述

计算所述type_j与pre_i之间的汉明距离d_HM，并以d_HM+1作为pre_i的属性值；

根据时间差异程度计算公式，计算得到u_i.bt与t_j.bt之间的差异程度值f(u_i.bt,t_j.bt)，以及计算得到u_i.et与t_j.et之间的差异程度值f(u_i.et,t_j.et)；

并以f(u_i.bt,t_j.bt)+2作为u_i.bt的属性值，以f(u_i.et,t_j.et)+2作为u_i.et的属性值；

根据pre_i的属性值、u_i.bt的属性值、u_i.et的属性值和rrew_i和c_i，计算得到第二五元组对应的第i个用户向量

所述

通过余弦相似度计算协议PCSC，分别计算

和

之间的相似度，得到相似度集合

所述

为

和

之间的相似度；

筛选出相似度集合中所有相似度大于预设相似度阈值δ对应的终端，得到目标用户对应终端的候选集合CW，所述CW＝{u_c1,u_c2,u_c3,…,,u_cn},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rrew_i，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u_c1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u_c1对应的二进制编码串的所有奇数位相减后，并乘以2^l-i，得到第一值s_1i，并保存所述第一值的符号位sym_1i；

将二进制编码串

的所有偶数位分别与u_c1对应的二进制编码串的所有偶数位相减后，并乘以2^l-i，得到第二值s_2i，并保存所述第二值的符号位sym_2i；

根据符号位sym_2i，计算

候选集合CW中每一个终端通过私钥将相应的

通过预设的加密算法进行加密，并将

加密结果

以及对应差值的符号位sym_2i发送至终端u_c1；

终端u_c1根据符号位sym_1i，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sym_1i和sym_2i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u_ci；

终端u_ci通过私钥对所述

进行解密，得到±k×s_2i±k×s_1i；并根据

计算得到终端u_ci对应的二进制编码串和终端u_c1对应的二进制编码串之间的贴近度θ(I_uc1,I_uci)；

根据每一终端对应的二进制编码串与终端u_c1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u_c1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<type_j,t_j.bt,t_j.et,prew_j,r_j>，其中，所述type_j表示第j个任务的类型，t_j.bt表示第j个任务的开始时间，t_j.et表示第j个任务的结束时间，prew_j为平台为第j个任务提供的报酬金额，r_j表示第j任务的需求值；

根据第j个任务的要求，将type_j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<pre_i,u_i.bt,u_i.et,rrew_i,c_i>，其中pre_i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，u_i.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，u_i.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，rrew_i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，c_i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<type_j,t_j.bt,t_j.et,prew_j,r_j>，设定所述任务类型type_j的基准值为1，并将t_j.bt和t_j.et的格式转换为时间戳格式，并设置t_j.bt和t_j.et的基准值均为2，将所述prew_j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t_j的平均报酬prew_ave；

根据任务类型type_j的基准值、t_j.bt的基准值、t_j.et的基准值、prew_ave和r_j，构建t_j对应的任务向量

所述

计算所述type_j与pre_i之间的汉明距离d_HM，并以d_HM+1作为pre_i的属性值；

根据时间差异程度计算公式，计算得到u_i.bt与t_j.bt之间的差异程度值f(u_i.bt,t_j.bt)，以及计算得到u_i.et与t_j.et之间的差异程度值f(u_i.et,t_j.et)；

并以f(u_i.bt,t_j.bt)+2作为u_i.bt的属性值，以f(u_i.et,t_j.et)+2作为u_i.et的属性值；

根据pre_i的属性值、u_i.bt的属性值、u_i.et的属性值和rrew_i和c_i，计算得到第二五元组对应的第i个用户向量

所述

通过余弦相似度计算协议PCSC，分别计算

和

之间的相似度，得到相似度集合

所述

为

和

之间的相似度；

筛选出相似度集合中所有相似度大于预设相似度阈值δ对应的终端，得到目标用户对应终端的候选集合CW，所述CW＝{u_c1,u_c2,u_c3,…,,u_cn},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rrew_i，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u_c1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u_c1对应的二进制编码串的所有奇数位相减后，并乘以2^l-i，得到第一值s_1i，并保存所述第一值的符号位sym_1i；

将二进制编码串

的所有偶数位分别与u_c1对应的二进制编码串的所有偶数位相减后，并乘以2^l-i，得到第二值s_2i，并保存所述第二值的符号位sym_2i；

根据符号位sym_2i，计算

候选集合CW中每一个终端通过私钥将相应的

通过预设的加密算法进行加密，并将

加密结果

以及对应差值的符号位sym_2i发送至终端u_c1；

终端u_c1根据符号位sym_1i，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sym_1i和sym_2i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u_ci；

终端u_ci通过私钥对所述

进行解密，得到±k×s_2i±k×s_1i；并根据

计算得到终端u_ci对应的二进制编码串和终端u_c1对应的二进制编码串之间的贴近度θ(I_uc1,I_uci)；

根据每一终端对应的二进制编码串与终端u_c1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u_c1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<type_j,t_j.bt,t_j.et,prew_j,r_j>，其中，所述type_j表示第j个任务的类型，t_j.bt表示第j个任务的开始时间，t_j.et表示第j个任务的结束时间，prew_j为平台为第j个任务提供的报酬金额，r_j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type_j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<type_j,t_j.bt,t_j.et,prew_j,r_j>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<pre_i,u_i.bt,u_i.et,rrew_i,c_i>，其中pre_i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，u_i.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，u_i.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，rrew_i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，c_i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u_i的质量贡献值c_i取决于以下三个因素：

(1)用户u_i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u_i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u_i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u_i历史完成感知任务的总数量，s(j)为用户完成感知任务t_j所获得的评分，min(j)和max(j)分别表示感知平台对完成任务t_j的所有用户所给评分的最小值和最大值。假设用户u_i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u_i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u_i的信誉度

(2)用户u_i的距离匹配值ω(lu_i,lt_j)，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[log_D dis(lu_i,lt_j),1] (2)

其中，dis(lu_i,lt_j)表示用户当前位置lu_i到感知任务位置lt_j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(lu_i,lt_j)∈[0,1],若用户距离感知任务位置越近，w(lu_i,lt_j)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(lu_i,lt_j)越接近于0。

(3)用户u_i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(u_i.bt,u_i.et,t_j.bt,t_j.et)表示时间差值计算函数，计算公式如式(3)所示。

其中，f(u_i.bt,t_j.bt)表示用户u_i的开始时间u_i.bt和任务的开始时间t_j.bt的时间差异程度，f(u_i.et,t_j.et)表示用户u_i的最晚结束时间u_i.et和任务的截止时间t_j.et的时间差异程度。开始时间的差异程度f(u_i.bt,t_j.bt)的计算步骤如下：首先,将感知任务的开始时间t_j.bt和各个用户的开始时间u_i.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||＝|t_j.bt-u_i.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,λ_z]，将这个区间平均划分为z-1个等距的小区间：{[λ₁,λ₂],[λ₂,λ₃],...,[λ_z-1,λ_z]；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(u_i.et,t_j.et)，从而根据公式(3)计算得到用户的时间差值θ。c＝f(rep,ω(lu_i,lt_j),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c_i。

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<type_j,t_j.bt,t_j.et,prew_j,r_j>，设定所述任务类型type_j的基准值为1，并将t_j.bt和t_j.et的格式转换为时间戳格式，并设置t_j.bt和t_j.et的基准值均为2，将所述prew_j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t_j的平均报酬prew_ave；

根据任务类型type_j的基准值、t_j.bt的基准值、t_j.et的基准值、prew_ave和r_j，构建t_j对应的任务向量

所述

计算所述type_j与pre_i之间的汉明距离d_HM，并以d_HM+1作为pre_i的属性值；

根据时间差异程度计算公式，计算得到u_i.bt与t_j.bt之间的差异程度值f(u_i.bt,t_j.bt)，以及计算得到u_i.et与t_j.et之间的差异程度值f(u_i.et,t_j.et)；

并以f(u_i.bt,t_j.bt)+2作为u_i.bt的属性值，以f(u_i.et,t_j.et)+2作为u_i.et的属性值；

根据pre_i的属性值、u_i.bt的属性值、u_i.et的属性值和rrew_i和c_i，计算得到第二五元组对应的第i个用户向量

所述

通过具有隐私保护的余弦相似度计算协议PCSC，分别计算

和

之间的相似度，得到相似度集合

所述

为

和

之间的相似度；

计算计算

和

之间的相似度具体过程如下：

随机生成素数α和素数p，并生成随机数v和随机数g_l，计算

和G_jl，其中

并将α、p和G_jl发送给对应的终端，该终端生成随机数y_l，然后基于接收到的计算结果，计算

和H_i，其中，

并将U_i和H_i发送给平台；最后平台通过计算E_i＝(v^-1·H_i)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。

其中，所述α和p为随机确定，并同时满足以下约束条件：

和

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＝{u_c1,u_c2,u_c3,…,,u_cn},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：

根据候选集合CW中每一个终端对应的相似度(

和

的相似度)和该终端对应的rrew_i，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；其中，

其中，

和

的相似度越大，rrew_i值越小，筛选指标值I越小；

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u_c1与用户u_c2,...,u_cn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u_c1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u_ci排列在终端u₁的后面；若

则表示用户对应的终端u_ci与终端u₁并列；若

则表示用户对应的终端u_ci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；

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

其中

(l是终端u_c1,u_c2...,u_cn事先商定的一个足够大的数，若转换成的二进制长度小于l，则相应地在其左边补足0。)

将二进制编码串

的所有奇数位分别与u_c1对应的二进制编码串的所有奇数位相减后，并乘以2^l-i，得到第一值s_1i，并保存所述第一值的符号位sym_1i；

将二进制编码串

的所有偶数位分别与u_c1对应的二进制编码串的所有偶数位相减后，并乘以2^l-i，得到第二值s_2i，并保存所述第二值的符号位sym_2i；

根据符号位sym_2i，计算

候选集合CW中每一个终端通过私钥将相应的

通过预设的加密算法进行加密，并将

加密结果

以及对应差值的符号位sym_2i发送至终端u_c1；

终端u_c1根据符号位sym_1i，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sym_1i和sym_2i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u_ci；

终端u_ci通过私钥对所述

进行解密，得到±k×s_2i±k×s_1i；并根据

计算得到终端u_ci对应的二进制编码串和终端u_c1对应的二进制编码串之间的贴近度θ(I_uc1,I_uci)；

根据每一终端对应的二进制编码串与终端u_c1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u_c1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u_ci根据贴近度大小再次进行排序。位于终端u_c1之前的终端按照他们各自与用户u_c1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L_1eq，并将L_1eq看做整体加入队列L₁。与终端u_c1并列的终端以及终端u_c1构成无序队列L₂。位于终端u_c1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L_3eq，并将L_3eq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,...,u_cn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L_1eq、L₂和L_3eq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u_ci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L_wi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r_j的条件约束，选择第二排序集再次排序完成后的前r_j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<type_j,t_j.bt,t_j.et,prew_j,r_j>，其中，所述type_j表示第j个任务的类型，t_j.bt表示第j个任务的开始时间，t_j.et表示第j个任务的结束时间，prew_j为平台为第j个任务提供的报酬金额，r_j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type_j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<type_j,t_j.bt,t_j.et,prew_j,r_j>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<pre_i,u_i.bt,u_i.et,rrew_i,c_i>，其中pre_i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，u_i.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，u_i.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，rrew_i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，c_i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u_i的质量贡献值c_i取决于以下三个因素：

(1)用户u_i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u_i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u_i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u_i历史完成感知任务的总数量，s(j)为用户完成感知任务t_j所获得的评分，min(j)和max(j)分别表示感知平台对完成任务t_j的所有用户所给评分的最小值和最大值。假设用户u_i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u_i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u_i的信誉度

(2)用户u_i的距离匹配值ω(lu_i,lt_j)，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[log_D dis(lu_i,lt_j),1] (2)

其中，dis(lu_i,lt_j)表示用户当前位置lu_i到感知任务位置lt_j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(lu_i,lt_j)∈[0,1],若用户距离感知任务位置越近，w(lu_i,lt_j)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(lu_i,lt_j)越接近于0。

(3)用户u_i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(u_i.bt,u_i.et,t_j.bt,t_j.et)表示时间差值计算函数，计算公式如式(3)所示。

其中，f(u_i.bt,t_j.bt)表示用户u_i的开始时间u_i.bt和任务的开始时间t_j.bt的时间差异程度，f(u_i.et,t_j.et)表示用户u_i的最晚结束时间u_i.et和任务的截止时间t_j.et的时间差异程度。开始时间的差异程度f(u_i.bt,t_j.bt)的计算步骤如下：首先,将感知任务的开始时间t_j.bt和各个用户的开始时间u_i.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||＝|t_j.bt-u_i.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,λ_z]，将这个区间平均划分为z-1个等距的小区间：{[λ₁,λ₂],[λ₂,λ₃],...,[λ_z-1,λ_z]；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(u_i.et,t_j.et)，从而根据公式(3)计算得到用户的时间差值θ。c＝f(rep,ω(lu_i,lt_j),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c_i。

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<type_j,t_j.bt,t_j.et,prew_j,r_j>，设定所述任务类型type_j的基准值为1，并将t_j.bt和t_j.et的格式转换为时间戳格式，并设置t_j.bt和t_j.et的基准值均为2，将所述prew_j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t_j的平均报酬prew_ave；

根据任务类型type_j的基准值、t_j.bt的基准值、t_j.et的基准值、prew_ave和r_j，构建t_j对应的任务向量

所述

计算所述type_j与pre_i之间的汉明距离d_HM，并以d_HM+1作为pre_i的属性值；

根据时间差异程度计算公式，计算得到u_i.bt与t_j.bt之间的差异程度值f(u_i.bt,t_j.bt)，以及计算得到u_i.et与t_j.et之间的差异程度值f(u_i.et,t_j.et)；

并以f(u_i.bt,t_j.bt)+2作为u_i.bt的属性值，以f(u_i.et,t_j.et)+2作为u_i.et的属性值；

根据pre_i的属性值、u_i.bt的属性值、u_i.et的属性值和rrew_i和c_i，计算得到第二五元组对应的第i个用户向量

所述

通过具有隐私保护的余弦相似度计算协议PCSC，分别计算

和

之间的相似度，得到相似度集合

所述

为

和

之间的相似度；

计算计算

和

之间的相似度具体过程如下：

随机生成素数α和素数p，并生成随机数v和随机数g_l，计算

和G_jl，其中

并将α、p和G_jl发送给对应的终端，该终端生成随机数y_l，然后基于接收到的计算结果，计算

和H_i，其中，

并将U_i和H_i发送给平台；最后平台通过计算E_i＝(v^-1·H_i)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。

其中，所述α和p为随机确定，并同时满足以下约束条件：

和

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＝{u_c1,u_c2,u_c3,…,,u_cn},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：

根据候选集合CW中每一个终端对应的相似度(

和

的相似度)和该终端对应的rrew_i，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；其中，

其中，

和

的相似度越大，rrew_i值越小，筛选指标值I越小；

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u_c1与用户u_c2,...,u_cn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u_c1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u_ci排列在终端u₁的后面；若

则表示用户对应的终端u_ci与终端u₁并列；若

则表示用户对应的终端u_ci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；

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

其中

(l是终端u_c1,u_c2...,u_cn事先商定的一个足够大的数，若转换成的二进制长度小于l，则相应地在其左边补足0。)

将二进制编码串

的所有奇数位分别与u_c1对应的二进制编码串的所有奇数位相减后，并乘以2^l-i，得到第一值s_1i，并保存所述第一值的符号位sym_1i；

将二进制编码串

的所有偶数位分别与u_c1对应的二进制编码串的所有偶数位相减后，并乘以2^l-i，得到第二值s_2i，并保存所述第二值的符号位sym_2i；

根据符号位sym_2i，计算

候选集合CW中每一个终端通过私钥将相应的

通过预设的加密算法进行加密，并将

加密结果

以及对应差值的符号位sym_2i发送至终端u_c1；

终端u_c1根据符号位sym_1i，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sym_1i和sym_2i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u_ci；

终端u_ci通过私钥对所述

进行解密，得到±k×s_2i±k×s_1i；并根据

计算得到终端u_ci对应的二进制编码串和终端u_c1对应的二进制编码串之间的贴近度θ(I_uc1,I_uci)；

根据每一终端对应的二进制编码串与终端u_c1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u_c1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u_ci根据贴近度大小再次进行排序。位于终端u_c1之前的终端按照他们各自与用户u_c1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L_1eq，并将L_1eq看做整体加入队列L₁。与终端u_c1并列的终端以及终端u_c1构成无序队列L₂。位于终端u_c1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L_3eq，并将L_3eq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,...,u_cn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L_1eq、L₂和L_3eq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u_ci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L_wi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r_j的条件约束，选择第二排序集再次排序完成后的前r_j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sim_u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＜type_j,t_j.bt,t_j.et,prew_j,r_j＞，其中，所述type_j表示第j个任务的类型，t_j.bt表示第j个任务的开始时间，t_j.et表示第j个任务的结束时间，prew_j为平台为第j个任务提供的报酬金额，r_j表示第j任务的需求值；

根据第j个任务的要求，将type_j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＜pre_i,u_i.bt,u_i.et,rrew_i,c_i＞，其中pre_i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，u_i.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，u_i.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，rrew_i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，c_i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＜type_j,t_j.bt,t_j.et,prew_j,r_j＞，设定所述任务类型type_j的基准值为1，并将t_j.bt和t_j.et的格式转换为时间戳格式，并设置t_j.bt和t_j.et的基准值均为2，将所述prew_j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t_j的平均报酬prew_ave；

根据任务类型type_j的基准值、t_j.bt的基准值、t_j.et的基准值、prew_ave和r_j，构建t_j对应的任务向量

所述

计算所述type_j与pre_i之间的汉明距离d_HM，并以d_HM+1作为pre_i的属性值；

根据时间差异程度计算公式，计算得到u_i.bt与t_j.bt之间的差异程度值f(u_i.bt,t_j.bt)，以及计算得到u_i.et与t_j.et之间的差异程度值f(u_i.e_t,t_j.et)；

并以f(u_i.bt,t_j.bt)+2作为u_i.bt的属性值，以f(u_i.et,t_j.et)+2作为u_i.et的属性值；

根据pre_i的属性值、u_i.bt的属性值、u_i.et的属性值和rrew_i和c_i，计算得到第二五元组对应的第i个用户向量

所述

通过余弦相似度计算协议PCSC，分别计算

和

之间的相似度，得到相似度集合

所述

为

和

之间的相似度；

筛选出相似度集合中所有相似度大于预设相似度阈值δ对应的终端，得到目标用户对应终端的候选集合CW，所述CW＝{u_c1,u_c2,u_c3,…,u_cn},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rrew_i，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u_c1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u_c1对应的二进制编码串的所有奇数位相减后，并乘以2^l-i，得到第一值s_1i，并保存所述第一值的符号位sym_1i；

将二进制编码串

的所有偶数位分别与u_c1对应的二进制编码串的所有偶数位相减后，并乘以2^l-i，得到第二值s_2i，并保存所述第二值的符号位sym_2i；

根据符号位sym_2i，计算

候选集合CW中每一个终端通过私钥将相应的

通过预设的加密算法进行加密，并将

加密结果

以及对应差值的符号位sym_2i发送至终端u_c1；

终端u_c1根据符号位sym_1i，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sym_1i和sym_2i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u_ci；

终端u_ci通过私钥对所述

进行解密，得到±k×s_2i±k×s_1i；并根据

计算得到终端u_ci对应的二进制编码串和终端u_c1对应的二进制编码串之间的贴近度θ(I_uc1,I_uci)；

根据每一终端对应的二进制编码串与终端u_c1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＜type_j,t_j.bt,t_j.et,prew_j,r_j＞，其中，所述type_j表示第j个任务的类型，t_j.bt表示第j个任务的开始时间，t_j.et表示第j个任务的结束时间，prew_j为平台为第j个任务提供的报酬金额，r_j表示第j任务的需求值；

根据第j个任务的要求，将type_j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＜pre_i,u_i.bt,u_i.et,rrew_i,c_i＞，其中pre_i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，u_i.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，u_i.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，rrew_i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，c_i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＜type_j,t_j.bt,t_j.et,prew_j,r_j＞，设定所述任务类型type_j的基准值为1，并将t_j.bt和t_j.et的格式转换为时间戳格式，并设置t_j.bt和t_j.et的基准值均为2，将所述prew_j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t_j的平均报酬prew_ave；

根据任务类型type_j的基准值、t_j.bt的基准值、t_j.et的基准值、prew_ave和r_j，构建t_j对应的任务向量

所述

计算所述type_j与pre_i之间的汉明距离d_HM，并以d_HM+1作为pre_i的属性值；

根据时间差异程度计算公式，计算得到u_i.bt与t_j.bt之间的差异程度值f(u_i.bt,t_j.bt)，以及计算得到u_i.et与t_j.et之间的差异程度值f(u_i.et,t_j.et)；

并以f(u_i.bt,t_j.bt)+2作为u_i.bt的属性值，以f(u_i.et,t_j.et)+2作为u_i.et的属性值；

根据pre_i的属性值、u_i.bt的属性值、u_i.et的属性值和rrew_i和c_i，计算得到第二五元组对应的第i个用户向量

所述

通过余弦相似度计算协议PCSC，分别计算

和

之间的相似度，得到相似度集合

所述

为

和

之间的相似度；

筛选出相似度集合中所有相似度大于预设相似度阈值δ对应的终端，得到目标用户对应终端的候选集合CW，所述CW＝{u_c1,u_c2,u_c3,…,u_cn},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rrew_i，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u_c1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u_c1对应的二进制编码串的所有奇数位相减后，并乘以2^l-i，得到第一值s_1i，并保存所述第一值的符号位sym_1i；

将二进制编码串

的所有偶数位分别与u_c1对应的二进制编码串的所有偶数位相减后，并乘以2^l-i，得到第二值s_2i，并保存所述第二值的符号位sym_2i；

根据符号位sym_2i，计算

候选集合CW中每一个终端通过私钥将相应的

通过预设的加密算法进行加密，并将

加密结果

以及对应差值的符号位sym_2i发送至终端u_c1；

终端u_c1根据符号位sym_1i，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sym_1i和sym_2i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u_ci；

终端u_ci通过私钥对所述

进行解密，得到±k×s_2i±k×s_1i；并根据

计算得到终端u_ci对应的二进制编码串和终端u_c1对应的二进制编码串之间的贴近度θ(I_uc1,I_uci)；

根据每一终端对应的二进制编码串与终端u_c1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。

Images