CN110061863B - 一种稀疏网络中基于公平性的分布式多任务群智感知方法 - Google Patents

Abstract

本发明提供了一种稀疏网络中基于公平性的分布式多任务群智感知方法，通过引入报酬率RoR，来描述每个用户所获得的报酬与成本之间的关系，并采用一种可应用于稀疏网络的基于八卦的报酬分配算法GRA，根据每个用户的相应成本分配每个任务的报酬，使得用户的所有报酬率RoR趋于一致，各用户可以利用参与任务的邻居用户信息来更新其自身对任务的成本以及从服务器获得的资源分配，使得每个用户依据其贡献的大小获得相应的报酬，从而确保系统的公平有效。本发明所述方法可确保每个用户所得收益的公平有效及系统的快速收敛，实现了分布式多任务系统中报酬分配的公平性。

Description

一种稀疏网络中基于公平性的分布式多任务群智感知方法

技术领域

本发明涉及无线通信和移动感知领域，尤其涉及一种稀疏网络中基于公平性的分布式多任务群智感知方法。

背景技术

近年来，随着物联网技术的不断发展，尤其是个人移动终端，如智能手机、平板电脑、车载感知设备等的普及，促进了那些仅依靠个体很难实现的大规模、复杂的社会感知任务的发展。群智感知(Crowd Sensing)，是利用将众包与移动感知相结合的思想，将普通用户的移动设备作为基本感知单元，通过网络通信形成群智感知网络，从而实现感知任务分发与感知数据收集，完成大规模、复杂的社会感知任务。移动群智感知也因此具有广阔的应用前景，可被应用在环境监测、交通检测、城市管理、社交网络等诸多领域。

同传统的数据收集与感知方法相比，群智感知的优势在于不需要额外的硬件设备，仅依靠普通用户的移动终端即可进行数据采集，因此具有网络部署成本低、易于维护、系统可扩展性好等优点。然而，在用户发送采集数据的同时，也在消耗自身的资源，如电能、带宽、计算和存储资源等，还要承担如暴露自身位置等隐私信息的风险。因此，需要给用户提供合理的报酬或补偿以弥补其在发送采集数据时的损失。如何设计合理的报酬机制是群智感知系统运行所要面临的首要问题。

目前大部分的激励机制主要分为以下三类：娱乐、服务和金钱。

有些系统将群智感知任务转化为感知游戏，通过设计有趣的游戏，使用户参与并贡献其移动计算或感知能力。如Barkhuus等人设计了一款手机寻宝游戏来绘制某个指定区域的WiFi覆盖地图。玩家通过携带具有GPS或WiFi的移动设备参与游戏。他们需要在游戏中拾取分散在不同区域的虚拟金币，然后将金币上传至服务器以获得相应的游戏点数。由于更好的网络连接将具有更大概率成功上传收集到的金币，从而鼓励玩家去寻找具有更强WiFi覆盖的区域。为解决同样的问题，Bell等人设计了一个名为Feeding Yoshi的基于位置的游戏，要求玩家们去搜索各个开放的和关闭的WiFi热点。其中，虚拟的水果代表开放的热点，被称为Yoshi的虚拟宠物则表示关闭的热点。为了赢取更多的点数，玩家们需要尽可能搜寻到更多的水果并前往Yoshi所在地进行喂食。这种寻找热点的过程则会清晰地绘制出指定区域内的WiFi覆盖情况并将其上传到服务器。

第二类服务激励机制则是基于互利互惠的原则。服务的消费者同时也是服务的提供者。换句话说，如果用户想从系统提供的服务中受益，他也必须为系统做出贡献。交通监管就是一个典型的例子。当用户驾驶车辆行驶在道路时，如果将实时交通数据通过网络上传给云端服务器，则用户此时的角色是一个提供者。服务器将所有提供者提供的信息进行处理，并产生一个实时交通状态，从而可以更好地为各个用户(提供者)服务。

第三类，也是目前最为常见的一类，则是基于金钱的激励机制。系统通过提供给信息上传者金钱报酬，从而刺激用户上传更多更好的信息。Rivest和Shamir尝试通过给予用户一定数量的金钱来鼓励用户访问网站，从而获取该网页内容的使用信息。随着在线音乐和在线应用的流行，报酬机制也被应用到这些领域。亚马逊土耳其机器人公司同样将金钱激励机制应用于任务履行。对人类来说，发布请求是很容易完成的任务，但对计算机来说却很困难，于是承担该任务的工人将得到额外的报酬。

目前来说，主要通过博弈论的方法来处理服务器与用户之间的关系，尤其是采用Stackelberg模型。绝大部分的工作都是建立在集中式策略的基础上。由于服务器必须收集到所有用户的信息，因而很容易产生计算/通讯方面的负荷问题，并且可能导致单点故障。因此，急需一种分布式策略来处理群智感知问题。此外，公平属性，即分配给每个参与者的报酬与其成本相匹配，使其感受到公平的对待，是激励用户加入群集感知任务的另一个关键因素。

发明内容

基于现有技术存在的问题，本发明提供了一种稀疏网络中基于公平性的分布式多任务群智感知方法，旨在实现多任务情况下用户报酬分配的公平性，并利用多智能体一致性的原理，确保每个用户仅基于邻居用户的信息，便能实现报酬与成本成正比的目标。该策略提出了一种基于八卦的报酬分配方案，主要应用于稀疏网络。

为了达到本发明的目的，本发明采取如下技术方案：

本发明提供了一种稀疏网络中基于公平性的分布式多任务群智感知方法，其主要思想是提出了公平性的概念，通过引入报酬率(Return of Rate)，简称为RoR，来描述每个用户所获得的报酬与成本之间的关系，并提出了一种可在分布式多任务系统中工作的激励机制。本发明提出了一种可应用于稀疏网络的基于八卦的报酬分配算法(Gossip basedReward Allocation)，简称为GRA，根据每个用户的相应成本分配每个任务的报酬，使得用户的所有报酬值趋于一致。

所述方法包括如下步骤：

S1：建立移动众包系统模型：

服务器将任务集Γ分配至n个用户，每个用户可同时参与并执行多个任务以获得报酬，且每个用户i具备由于感知而产生的成本C_i，i＝1，...，n；

所述任务集Γ具有m个任务，每个任务l具有总报酬R^l,l＝1,...,m；

定义

表示在k时刻用户i完成任务l所得到的报酬率RoR，

其中

和

分别表示相应的报酬和成本，当

时，第i个用户不能执行第l个任务，不存在相应的RoR值；

S2：服务器与用户之间进行交互：

S21，服务器将任务集Γ发送给所有用户节点，同时得到参与每个任务所对应的用户数N^l；

S22，服务器将报酬R^l/N^l,l＝1,…,m发送给所有用户节点；

S23，每个用户通过局部交流通信进行信息交换；

S24，完成局部交流通信后，所有用户将收集到的数据上传至服务器；

S3：用户之间进行交互：

S31，采用GRA算法从所有用户中随机选取两个具有共同任务l的邻居用户i和用户j进行交互；

S32，选取的两个邻居用户彼此交换任务l下的RoR值和成本值，然后分别根据邻居及其自身的RoR信息，采用一致性策略更新其报酬率值，使该任务下新的RoR值趋于相等；

S33，所选择的用户i和用户j将他们自己的成本重新分配给他们参与的所有任务，使其参与的每个任务的RoR值趋于相等；

S34，重复步骤S31至S33，以使所有用户参与的每个任务的RoR值一致。

优选地，用户i的邻居用户为能够获得用户i的信息并与用户j共享同一任务l的用户；同一个用户i具有与其所参与的任务数目相等的邻居集合，任意两个用户i和用户j之间均存在一条连接路径。

优选地，用户节点之间的连接关系满足以下条件：

1)当两个用户间有一个共同任务时，总是存在这两个用户被选择的机会，被选取时两个用户间的RoR差值变小；

2)当两个用户没有共同任务时，对于任意两个用户i和j，假设存在连接它们的路径。

相比于现有技术，本发明具有如下有益效果：

本发明提出采用报酬率(RoR)的概念，来描述每个用户所获得的报酬和成本之间的关系，实现了分布式多任务系统中报酬分配的公平性；同时，本发明提出的激励机制可以在分布式多任务系统中工作，利用用户的移动设备构建群智感知网络，完成大规模、复杂的社会感知任务；在网络拓扑的基础上，提出的资源分配方案可适用于稀疏网络。

附图说明

图1为本发明中的系统模型结构。

图2为本发明中GRA算法的具体流程图；

图3为本发明实施例中GRA算法执行结果仿真图。

图4为本发明实施例中当用户和任务数目变化时，采用GRA算法得到的平均收敛次数图。

具体实施方式

下面结合附图对本发明实施例作详细说明。

本发明所述密集网络中基于公平性的分布式多任务群智感知方法，首先针对分布式多任务系统的特点，建立了如下的众包系统模型，如图1所示：

移动众包系统由服务器和用户两部分组成。服务器的功能是聚集环境监测数据、网络覆盖数据等需求，并收集来自用户手机的数据。假设任务集Γ共有m个任务，每个任务都具有总报酬R^l，l＝1…m。服务器将该任务集分配给n个用户，每个用户可同时参与并执行多个任务以获得报酬。而每个用户都具有由于感知而产生的成本C_i。为了方便分析，假设存在足够的报酬，使得所有用户都愿意承担数据收集任务。为了描述用户和任务的网络拓扑结构，定义用户i的邻居为能够获得用户i的信息并与用户j共享同一任务l的用户。应该注意的是，对于一个用户i，它具有与它所参与的任务数目相等的邻居集合。两个用户i和j之间的路径代表不同的连接序列，为了简化分析，本发明假设对于任意两个用户i和j，彼此之间均存在一条连接路径。

在TDMAMAC协议中，时间被分成若干等长的时隙，每个时隙的长度足以保证信息能成功发送。每个用户i具有给定的成本C_i，i＝1，…，n，可参与任务集中若干个任务。根据公平性的一般原则，贡献越多，报酬越大。因此，我们提出

表示在k时刻用户i完成任务l所得到的报酬率RoR，即

其中

和

分别表示相应的报酬和成本。在特殊情况下

即第i个用户不能执行第l个任务，不存在相应的RoR值。

其次，服务器和用户之间进行交互，交互过程如下：

S21，服务器将任务集Γ发送给所有用户节点，同时得到参与每个任务l所对应的用户数N^l。

S22，服务器将报酬R^l/N^l,l＝1,…,m发送给所有用户节点。

S23，每个用户通过局部的交流通信进行信息交换。

S24，在完成局部通信后，所有用户将收集的数据上传至服务器。

再次，用户之间进行交互，针对具有拓扑限制的密度网络，本发明提出采用一种基于八卦的报酬分配算法GRA算法，具体步骤如图2所示，包括以下步骤：

S31，采用GRA算法从所有用户中随机选取两个具有共同任务l

的邻居用户i和用户j进行交互；

S32，选取的两个邻居用户彼此交换任务l下的RoR值和成本值，

然后分别根据邻居及其自身的RoR信息，采用一致性策略更新

其报酬率值，使该任务下新的RoR值趋于相等；

S33，所选择的用户i和用户j将他们自己的成本重新分配给他们

参与的所有任务，使其参与的每个任务的RoR值趋于相等；

S34，多次重复S31-S33，以达到所有用户RoR值一致的目标。

为了使所有用户的公平性得到保障，需要保证用户节点间的连接关系满足一定的条件：

1)当两个用户间有一个共同任务时，总是存在这两个用户被选择的机会，被选取时两个用户间的RoR差值变小；

2)当两个用户没有共同任务时，对于任意两个用户i和j，假设存在连接它们的路径。

为了评估所提出的算法，本发明通过仿真实验来验证该理论算法的收敛性和收敛时间。

假设共有n＝10个用户和m＝4个任务。每个任务的总报酬分别为R¹＝1000,R²＝500,R³＝700,R⁴＝400，10个用户的成本分别为12，5，6，15，6，11，4，10，8和4(为了方便分析，我们省略了单位)。在该仿真中，任务和用户之间的关系表1所示，其中符号*表示每个用户所参与的对应的任务。

表1仿真设置(*代表参与)

	任务1	任务2	任务3	任务4
					用户1	*	*
用户2	*	*	*
					用户3		*		*
用户4	*	*	*	*
					用户5	*		*
用户6	*		*	*
					用户7		*		*
用户8	*	*		*
					用户9		*	*	*
用户10	*			*

实验结果的评估如下：

1、收敛性

在稀疏网络的条件下，使用GRA算法的仿真结果如图3所示。由结果可知，每个仿真中的所有RoR值都逐步收敛一致，使得系统中的公平性都得以实现。在应用GRA算法时收敛速度比较慢。这是由于在GRA算法中每次只有两个节点进行参数更新，并且这两个结点的选取是随机的，每个结点被选取到的概率是一定的，要达到整体的一致需要一定的时间和迭代次数。

2、收敛时间

从上述仿真结果可以看出，当应用GRA算法时收敛速度比较慢。这是由于在GRA算法中每次只有两个节点进行参数更新，并且这两个结点的选取是随机的，每个结点被选取到的概率是一定的，要达到整体的一致需要一定的时间和迭代次数。

同时，为探究收敛时间与任务数和用户数之间的关系，本发明讨论任务数目由2到5，参与的用户数目由2到15变化时，采用GRA算法的收敛时间变化情况。假设每个任务的总报酬分别为1～1000的随机值，每个用户的成本值分别为2～12的随机值，且每个用户和所有任务之间均存在一条连接路径。针对用户数目和任务数目的每种情况，分别迭代1000次，得到达到收敛所需的平均时间如图4所示。由结果可知，采用GRA算法收敛较慢，平均约200次才能达到收敛，且用户数目和任务数目越多，RoR值达到收敛的速度越快，能够满足较大型任务分配系统的需求。

以上对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。

Claims (3)

1.一种稀疏网络中基于公平性的分布式多任务群智感知方法,其特征在于：包括如下步骤：

S1：建立移动众包系统模型：

服务器将任务集Γ分配至n个用户，每个用户可同时参与并执行多个任务以获得报酬，且每个用户i具备由于感知而产生的成本C_i，i＝1，…，n；

所述任务集Γ具有m个任务，每个任务l具有总报酬R^l,l＝1,…,m；

定义

表示在k时刻用户i完成任务l所得到的报酬率RoR，

其中

和

分别表示相应的报酬和成本，当

时，第i个用户不能执行第l个任务，不存在相应的RoR值；

S2：服务器与用户之间进行交互：

S21，服务器将任务集Γ发送给所有用户节点，同时得到参与每个任务所对应的用户数N^l；

S22，服务器将报酬R^l/N^l,l＝1,…,m发送给所有用户节点；

S23，每个用户通过局部交流通信进行信息交换；

S24，完成局部交流通信后，所有用户将收集到的数据上传至服务器；

S3：用户之间进行交互，采用GRA算法，GRA为基于八卦的报酬分配算法，具体如下：

S31，从所有用户中随机选取两个具有共同任务l的邻居用户i和用户j进行交互；

S32，选取的两个邻居用户彼此交换任务l下的RoR值和成本值，然后分别根据邻居及其自身的RoR信息，采用一致性策略更新其报酬率值，使该任务下新的RoR值趋于相等；

S33，所选择的用户i和用户j将他们自己的成本重新分配给他们参与的所有任务，使其参与的每个任务的RoR值趋于相等；

S34，重复步骤S31至S33，以使所有用户参与的每个任务的RoR值一致。

2.根据权利要求1所述的方法，其特征在于：

用户i的邻居用户为能够获得用户i的信息并与用户j共享同一任务l的用户；同一个用户i具有与其所参与的任务数目相等的邻居集合，任意两个用户i和用户j之间均存在一条连接路径。

3.根据权利要求2所述的方法，其特征在于：

用户节点之间的连接关系满足以下条件：

1)当两个用户间有一个共同任务时，总是存在这两个用户被选择的机会，被选取时两个用户间的RoR差值变小；

2)当两个用户没有共同任务时，对于任意两个用户i和j，假设存在连接它们的路径。

Images