CN111246369A - 一种移动群体感知中保护位置隐私的在线任务分配方法 - Google Patents

Abstract

本发明公开了一种移动群体感知中保护位置隐私的在线任务分配方法，该方法基于地理不可区分性实现工人位置隐私的保护，支持在线的策略为实时到达感知平台的任务和工人进行相应的匹配。在本发明中，工人首先采用平面拉普拉斯机制生成扰乱位置并在后面的过程中用扰乱位置代替实际位置；考虑到扰乱位置的误差性，本发明设计了一种基于概率的量化可达性的方法；之后设计了两种距离比较机制，一种基于工人，另一种基于任务；经过上述过程，感知平台为实时的工人匹配最大概率离该工人最近的任务和为实时的任务分配最大概率离该任务最近的工人。本发明在保护了工人位置隐私的情况下实现了半可信感知平台中实时的在线任务分配。

Description

一种移动群体感知中保护位置隐私的在线任务分配方法

技术领域

本发明涉及隐私保护的技术领域，尤其是指一种移动群体感知中保护位置隐私的在线任务分配方法。

背景技术

移动群体感知是一种新的感知模式，在这个过程中，感知平台雇佣大量带有各种传感器设备的工人完成任务请求者发布的任务。近年来，移动群体感知凭借其高效性，低能耗和收集数据方便等特点受到了学术界和工业界的广泛关注。一个典型的移动群体感知框架主要包括任务请求者，工人和感知平台，感知平台将发布的任务分配给工人，匹配的工人用他们的移动设备去完成任务并把感知结果上传至感知平台，其中，感知平台为任务选择合适的工人的过程称为任务分配。

在许多移动群体感知任务分配方案中，都是直接是将工人的实际位置上传至感知平台，这可能会带来一些问题。一方面，由于只有一部分工人会被选中，那些未被选中的工人在暴露实际位置情况下未收到任何补偿，这会降低工人参与的积极性；另一方面，那些执行任务的工人也可能会处于危险之中，是因为攻击者可能会利用他们的实际位置信息来危害他们。所以，在移动群体感知任务分配过程中，工人的位置隐私也是一个很重要的关注点。

为了保护工人位置隐私，一些研究提出了空间隐身，虚假位置，位置信息加密和差分隐私等方法。然而，在这些方法中会存在下面一些缺陷：1、对具有先验知识的攻击者敏感。如果攻击者知晓一些工人的先验知识，则攻击者可能会进行一些推理攻击即使工人已经采用了一些隐私保护方法。2、依赖于可信第三方。一些方法会假定第三方是完全可信的，这在实际中是不太现实的，感知平台在一些方案中假设是可信的，而在实际中，感知平台是被认为是好奇的甚至是恶意的。3、离线策略的任务分配。许多任务分配的方案都是基于离线策略的，这对现实场景中许多实时动态的场景是不合适的。

为了应对上面的一些限制，本发明设计了一种不依赖可信的第三方保护工人位置隐私的在线任务分配方法。为了保护工人的地理位置隐私，工人首先采用地理不可区分性方法生成关于实际位置的扰乱位置，并在以后的过程中用扰乱位置代替实际位置。由于工人将扰乱位置上传至感知平台，感知平台无法直接使用工人的扰乱位置进行任务分配，本发明设计了一种基于概率的工人与任务的可达性的量化方法。感知平台开始没有任何任务和工人信息，任务和工人按照一定时间顺序出现在感知平台。当任务到达平台，感知平台根据任务与平台内各个工人之间的可达性以及基于任务的距离比较机制为任务匹配一个具有最大概率离该任务最近的工人；当工人到达平台，感知平台根据工人与平台内各个任务之间的可达性以及基于工人的距离比较机制为工人分配一个具有最大概率该工人最近的任务。

发明内容

本发明的目的旨在解决任务分配过程中工人位置隐私泄露和不支持实时性的问题，提出了一种移动群体感知中保护位置隐私的在线任务分配方法，在半可信感知平台中基于地理不可区分性保护工人位置隐私，同时支持动态出现的工人和任务，支持工人扰乱位置高可用性，支持在保护隐私情况下优化全局任务和工人之间的距离，在保护了工人位置隐私的情况下实现了半可信感知平台中实时的在线任务分配。

为实现上述目的，本发明所提供的技术方案为：一种移动群体感知中保护位置隐私的在线任务分配方法，包括以下步骤：

1)工人生成扰乱位置：利用地理不可区分性，工人根据隐私水平参数ε，使用平面拉普拉斯机制生成与实际位置对应的扰乱位置，并在后面过程用扰乱位置替代实际位置；

2)位置信息上传：任务请求者将任务的位置信息上传到感知平台，工人将扰乱位置和工人的可达范围半径上传至感知平台；

3)感知平台计算可达性：当任务到达感知平台后，感知平台会依次计算该任务和平台内各个工人之间的可达性概率，并把概率大于阈值ψ的工人加入该任务的工人候选集中，如果工人候选集为空，则到来的任务会留在感知平台等待分配直至任务信息过期，如果工人候选集不为空，则进行步骤4)；当一个工人到达感知平台后，感知平台会计算该工人和平台内的各个任务之间的可达性概率，并把概率大于阈值ψ的任务加入该工人的任务候选集中，如果任务候选集为空，则到来的工人会留在感知平台等待匹配直至工人信息过期，如果工人候选集不为空，则进行步骤5)；

4)感知平台为任务匹配工人：结合步骤3)得到的任务的工人候选集，并根据基于任务的距离比较机制，感知平台从工人候选集中选出一个有最大概率离到达任务最近的工人，得到匹配的任务-工人对；

5)感知平台为工人分配任务：根据步骤3)得到的工人的任务候选集，并根据基于工人的距离比较机制，感知平台从任务候选集中选出一个有最大概率离到达工人最近的任务，并将该任务分配给工人。

在步骤1)中，感知平台首先会发布隐私水平参数ε，采用基于极坐标的平面拉普拉斯机制作为地理不可区分性的实现方法，其中有两个重要参数θ和γ；参数θ服从[0,2π)范围内的均匀分布，从[0,2π)范围内随机选取一个值作为θ；参数γ由公式

计算得到，式中P是服从[0,1)的均匀分布，从[0,1)随机选取一个值作为P，ε是隐私水平参数，W_-1是朗伯W函数的-1阶形式，e是自然常数；然后根据工人的实际位置l_w＝(x_w,y_w)计算得到扰乱位置

x_w和y_w是实际位置在平面坐标系中的两个分量。

在步骤2)中，当任务到达感知平台时，会将任务的位置l_t、任务到达感知平台的时间a_t和任务过期时间d_t作为任务信息上传到感知平台；当工人到达感知平台时，会将工人的扰乱位置

工人到达感知平台的时间a_w、工人的过期时间d_w和工人的可达范围半径R_w作为工人信息上传至感知平台。

在步骤3)中，感知平台分配任务会判断任务是否在工人的可达性范围内，由于在整个过程中使用的是工人的扰乱位置，如果直接使用工人的扰乱位置产生的误差将会超过规定范围，因此，设计了基于概率的量化可达性的方法：

式中：l_t是任务t的位置，l_w是工人w的实际位置，R_w是工人w的可达性范围半径，变量R是工人实际位置与任务位置的距离，r是变量R对应的自变量，Ω是工人实际位置与任务位置形成的直线与坐标系x轴形成的角度，ω是Ω对应的自变量，ε是隐私水平参数，常量η是工人扰乱位置与任务位置的距离，距离d(l_t,l_w)是工人实际位置与任务位置的实际距离，P(d(l_t,l_w)≤R_w)表示实际距离d(l_t,l_w)不大于工人可达性范围半径R_w的概率，F_ε,R(R_w)是关于变量r和δ的累积概率函数；如果概率P(d(l_t,l_w)≤R_w)不小于感知平台设定的阈值ψ，则认为任务t在工人w的可达性范围内；

当一个任务t_i到达感知平台时，有三种情形：a、如果感知平台内没有工人，该任务留在感知平台等待被分配；b、如果感知平台内有工人存在，则感知平台依次计算平台内的工人w_k与任务t_i的可达性概率，如果这个概率不小于平台设定的阈值ψ，将工人w_k加入任务t_i的工人候选集T_i中，如果候选集T_i为空，则将任务t_i留在感知平台等待被分配；c、如果候选集T_i不为空，则进行步骤4)；

当一个工人w_j到达感知平台，会存在三种情形：a、如果感知平台内没有任务，该工人会留在平台内等待被匹配；b、如果感知平台内有任务存在，在感知平台依次计算平台内的任务t_k与工人之间的可达性概率，如果概率不小于阈值ψ，则将任务t_k加入工人w_j的任务候选集W_j中，如果候选集W_j为空，则将工人w_j留在感知平台等待被匹配；c、如果候选集W_j不为空，则进行步骤5)。

在步骤4)中，当任务t_i到达感知平台后，感知平台经计算得到该任务的工人候选集T_i，感知平台依次比较工人候选集T_i中工人的可达范围半径，选择最小值记作R_min；然后感知平台采用基于任务的距离比较机制，用R_min替换计算任务t_i与工人之间可达性概率公式中的工人的可达性距离R_w，并重新计算每个工人与任务t_i之间的可达性概率，选择概率最大的工人，记作

作为任务t_i最佳的匹配。

在步骤5)中，当工人w_j到达感知平台后，感知平台经计算得到该工人的任务候选集W_j，感知平台从任务候选集W_j中选出两个任务t_a和t_b，采用基于工人的距离比较机制得到具有更大概率离工人w_j更近的任务：

式中：以两个任务t_a和t_b之间距离的中点作为坐标系的原点，变量Δ表示工人w_j实际位置与x轴形成的夹角，δ是Δ对应的自变量，变量U表示工人w_j实际位置与原点的距离，u是U对应的自变量，ε是隐私水平参数，常量λ是工人扰乱位置与原点的距离，常量β是工人扰乱位置与x轴形成的夹角，

表示变量在Δ范围

内的概率，f_ε,Δ,U(δ)是关于变量Δ的概率密度函数，根据概率

与

的关系来判断两个任务t_a和t_b中具有更大概率离工人w_j更近的任务；

感知平台迭代地从任务候选集中选择任务，根据基于工人的距离比较机制和概率上不等式的传递性，最后得到一个具有最大概率离工人w_j最近的任务

并将这个任务分配给工人w_j。

本发明与现有技术相比，具有如下优点与有益效果：

1、本发明采用地理不可区分性方法保护工人地理位置隐私。在半可信感知平台下保护了工人的位置隐私，并且由于地理不可区分性能抵御背景知识攻击，即使攻击者具有工人一些先验知识，也很难对工人进行推理攻击。

2、本发明实现了在线的任务分配。方案是基于在线的策略，感知平台能为实时出现的工人和任务进行相应的匹配。

3、本发明实现了工人与任务之间可达性的量化。工人上传的是扰乱位置，感知平台无法直接使用扰乱位置，本发明设计了一种基于概率的量化已知扰乱位置的工人与任务之间的可达性。

4、本发明设计了基于工人的距离比较机制。对一个到达平台的工人，利用这个机制，可以从两个都满足可达性要求的任务中选出具有更大概率离该工人更近的任务。迭代进行比较可以得到一个具有最大概率离该工人最近的任务，感知平台将这个任务分配给该工人。

5、本发明设计了基于任务的距离比较机制。对一个到达平台的任务，利用这个机制，先比较满足可达性要求的工人的可达性范围，得到一个最小的范围半径，再把这个半径作为参数重新计算每个工人与这个任务的可达性，将计算得到最大值的工人作为具有最大概率离该任务最近的工人，感知平台为这个工人分配该任务。

6、本发明方法在移动群体感知过程中对工人位置的隐私保护上具有广泛的使用空间，隐私保护强度可以进行自适应调节，在移动群体感知在线任务分配上有广阔的前景。

附图说明

图1是本发明方法的流程图。

图2是本发明方法的应用结构示意图。

图3是本发明方法中计算工人与任务可达性概率的示意图。

图4是本发明方法中基于工人的距离比较机制示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本实施例公开了一种移动群体感知中保护位置隐私的在线任务分配方法，提出在半可信感知平台中基于地理不可区分性保护工人位置隐私，同时支持动态出现的工人和任务，支持工人扰乱位置高可用性，支持在保护隐私情况下优化全局任务和工人之间的距离。

首先，感知平台进行初始化。感知平台开始没有任何工人信息和任务信息，如果上一次使用过，需要将留存信息清空进行初始化；感知平台发布工人保护位置隐私的隐私水平参数；

其次是工人和任务请求者上传信息。工人利用平面拉普拉斯机制结合隐私水平参数生成扰乱位置，当工人出现在平台会将扰乱位置，可达范围半径，开始和结束等信息上传至平台进行任务匹配；任务请求者需要发布任务时，将任务位置，开始和结束时间等信息上传至感知平台进行匹配工人；

最后感知平台为到达平台的任务匹配最大概率离此任务最近的工人和为到达平台的工人分配最大概率离此工人最近的任务。

如图1和图2所示，上述的移动群体感知中保护位置隐私的在线任务分配方法，包括以下步骤：

1)工人生成扰乱位置：利用地理不可区分性，工人根据隐私水平参数ε，使用平面拉普拉斯机制生成与实际位置对应的扰乱位置，并在后面过程用扰乱位置替代实际位置，具体如下：

平台首先会发布隐私水平参数ε，本发明采用基于极坐标的平面拉普拉斯机制作为地理不可区分性的实现方法，其中有两个重要参数θ和γ；

参数θ服从[0,2π)范围内的均匀分布，从[0,2π)范围内随机选取一个值作为θ；

参数γ由公式

计算得到，式中P是服从[0,1)的均匀分布，从[0,1)随机选取一个值作为P，ε是隐私水平参数，W_-1是朗伯W函数的-1阶形式，e是自然常数；

根据工人的实际位置l_w＝(x_w,y_w)计算得到扰乱位置

x_w和y_w是实际位置在平面坐标系中的两个分量。

2)位置信息上传：任务请求者将任务的位置信息上传到感知平台；工人将扰乱位置信息和工人的可达范围半径上传至感知平台，具体如下：

当任务到达感知平台时，会将任务的位置l_t，任务到达感知平台的时间a_t和任务过期时间d_t作为任务信息上传到感知平台；

当工人到达感知平台时，会将工人的扰乱位置

工人到达感知平台的时间a_w，工人的过期时间d_w和工人的可达范围半径R_w作为工人信息上传至感知平台。

3)感知平台计算可达性：当任务到达感知平台后，感知平台会依次计算该任务和平台内各个工人之间的可达性概率，并把概率大于阈值ψ的工人加入该任务的工人候选集中，如果工人候选集为空，则到来的任务会留在感知平台等待分配直至任务信息过期，如果工人候选集不为空，则进行步骤4)；当一个工人到达感知平台后，感知平台会计算该工人和平台内的各个任务之间的可达性概率，并把概率大于阈值ψ的任务加入该工人的任务候选集中，如果任务候选集为空，到来的工人会留在感知平台等待匹配直至工人信息过期，如果工人候选集不为空，则进行步骤5)；其具体如下：

感知平台分配任务会判断任务是否在工人的可达性范围内，由于在整个过程中使用的是工人的扰乱位置，如果直接使用工人的扰乱位置会产生很大的误差，本发明设计了基于概率的量化可达性的方法：

式中，l_t是任务t的位置，l_w是工人w的实际位置，R_w是工人的w的可达性范围半径，变量R是工人实际位置与任务位置的距离，r是变量R对应的自变量，Ω是工人实际位置与任务位置形成的直线与坐标系x轴形成的角度，ω是Ω对应的自变量，ε是隐私水平参数，常量η是工人扰乱位置与任务位置的距离，距离d(l_t,l_w)是工人实际位置与任务位置的实际距离，P(d(l_t,l_w)≤R_w)表示实际距离d(l_t,l_w)不大于工人可达性范围半径R_w的概率，F_ε,R(R_w)是关于变量r和δ的累积概率函数；如果概率P(d(l_t,l_w)≤R_w)不小于感知平台设定的阈值ψ，则认为任务t在工人w的可达性范围内；

当一个任务t_i到达感知平台时，有三种情形：a、如果感知平台内没有工人，该任务留在感知平台等待被分配；b、如果感知平台内有工人存在，则感知平台依次计算平台内的工人w_k与任务t_i的可达性概率，如果这个概率不小于平台设定的阈值ψ，将工人w_k加入任务t_i的工人候选集T_i中，如果候选集T_i为空，则将任务t_i留在感知平台等待被分配；c、如果候选集T_i不为空，则进行步骤4)；

当一个工人w_j到达感知平台，会存在三种情形：a、如果感知平台内没有任务，该工人会留在平台内等待被匹配；b、如果感知平台内有任务存在，在感知平台依次计算平台内的任务t_k与工人之间的可达性概率，如果概率不小于阈值ψ，则将任务t_k加入工人w_j的任务候选集W_j中，如果候选集W_j为空，则将工人w_j留在感知平台等待被匹配；c、如果候选集W_j不为空则继续进行步骤5)。

在这一步骤中涉及感知平台计算工人与任务之间的可达性概率，结合图3，下面是可达性公式的推导过程。

图3中，任务t的位置为l_t＝(0,0)，工人w的实际位置l_w＝(x,y)，扰乱位置

扰乱位置与任务位置距离为

与x轴形成夹角为

实际位置与任务位置距离为r＝d(l_t,l_w)，l_wl_t与x轴形成夹角为ω，计算可达性概率就是计算概率P(d(l_t,l_w)≤R_w)，其中R_w是工人可达范围半径。

根据拉普拉斯平面机制，如果以扰乱位置

在中心，则实际位置l_w的概率密度函数(pdf)是：

式中，ε是隐私水平参数。由于在附图3中是以l_t为中心，则实际位置l_w的pdf转变为：

将此公式转化为极坐标形式：

工人与任务的实际距离的pdf是关于实际位置l_w的边缘概率，即：

工人与任务的实际距离的累积分布函数(cdf)为：

式中，a是累积分布函数的积分上限；工人与任务之间的可达性概率为：

如果此概率大于阈值ψ，则认为该任务在工人可达性范围内。

4)感知平台为任务匹配工人：结合步骤3)得到的任务的工人候选集，并根据基于任务的距离比较机制，感知平台从工人候选集中选出一个有最大概率离到达任务最近的工人，得到匹配的任务-工人对，具体如下：

任务t_i到达感知平台后，感知平台经计算得到该任务的工人候选集T_i，感知平台依次比较工人候选集T_i中工人的可达范围半径，选择最小值记作R_min；然后感知平台采用基于任务的距离比较机制，用R_min替换计算任务t_i与工人之间可达性概率公式中的工人的可达性距离R_w，并重新计算每个工人与任务t_i之间的可达性概率，选择概率最大的工人，记作

作为任务t_i最佳的匹配。

5)感知平台为工人分配任务：根据步骤3)得到的工人的任务候选集，并根据基于工人的距离比较机制，感知平台从任务候选集中选出一个有最大概率离到达工人最近的任务，并将该任务分配给工人，具体如下：

工人w_j到达感知平台后，感知平台经计算得到该工人的任务候选集W_j，感知平台从任务候选集W_j中选出两个任务t_a和t_b，采用基于工人的距离比较机制得到具有更大概率离工人w_j更近的任务：

式中，以两个任务t_a和t_b之间距离的中点作为坐标系的原点，变量Δ表示工人w_j实际位置与x轴形成的夹角，δ是Δ对应的自变量，变量U表示工人w_j实际位置与原点的距离，u是U对应的自变量，ε是隐私水平参数，常量λ是工人扰乱位置与原点的距离，常量β是工人扰乱位置与x轴形成的夹角，

表示变量在Δ范围

内的概率，f_ε,Δ,U(δ)是关于变量Δ的概率密度函数，可以根据概率

与

的关系来判断两个任务t_a和t_b中具有更大概率离工人w_j更近的任务；

感知平台迭代地从任务候选集中选择任务，根据基于工人的距离比较机制和概率上不等式的传递性，最后得到一个具有最大概率离工人w_j最近的任务

并将这个任务分配给工人w_j。

上面涉及基于工人的距离比较机制，结合图4，下面是该机制的推导过程。

图4中，到达平台的工人w_j的扰乱位置是

实际位置是

有两个满足工人可达性条件的任务t_a和t_b，位置分别为

和

用两个任务位置之间的中点l_o作为原点，工人实际位置与任务t_a的距离为

工人实际位置与任务t_b的距离为

工人实际位置与l_o的距离为r，工人扰乱位置与l_o的距离为

δ和β是工人实际位置和扰乱位置与x轴分别形成的夹角。如果概率

则任务t_b比t_a有更大概率离工人更近，根据三角形的性质可以转化为计算概率

是否不小于

其中f_Δ(δ)是变量Δ的pdf。已知工人实际位置

以l_o为原点的pdf是：

则变量Δ的pdf是

在Δ上的边缘概率密度函数f_ε,Δ,U(δ)，意味着f_Δ(δ)与f_ε,Δ,U(δ)是等价的，即：

根据

得到：

式子中的符号在前文中都有描述。如果

则概率

那么任务t_b比t_a具有更大概率离工人w_j更近。

任务请求者，用于在向移动群体感知平台发送任务，具体来讲，将任务位置，开始和结束时间等信息上传至感知平台；将任务发布在感知平台，感知平台为这些任务匹配带有传感器的移动设备的工人，并由这些工人来完成任务；由于动态性的特点，任务请求者可能会随时随地的发布任务；

工人，用于完成经移动群体感知平台分配的任务，并将任务的感知结果上传至感知平台；由于工人对自身实际地理位置的敏感性，会采用地理不可区分性对实际位置进行扰乱生成相对应的扰乱位置；将扰乱位置，可达性范围半径，开始和结束时间等信息上传至感知平台；由于动态性的特点，工人可能会随时随地的出现在感知平台；

感知平台，用于接收任务发布者发布的任务和工人上传的信息，一开始平台没有任何任务和工人信息；用于发布关于工人进行保护地理位置隐私过程中的隐私水平参数；用于为动态到来的任务匹配最佳的工人；在工人扰乱位置前提下为到来的工人分配最佳的任务。

综上所述，本发明主要包括生成工人生成扰乱位置、任务请求者和工人上传信息、计算工人与任务之间的可达性概率、为到来的任务匹配最佳的工人以及为到来的工人分配最佳的任务。平台初始化过程中会清空上一次任务匹配的信息，并向工人发布保护地理位置隐私的隐私水平参数；任务请求者和工人会按照一定的时间顺序到达感知平台，并向平台上传相应的信息；感知平台会根据一种基于概率的方法计算工人与任务之间的可达性；感知平台会采用基于任务的距离比较机制为到来的任务匹配最大概率离此任务最近的工人；感知平台会采用基于工人的距离比较机制为到来的工人分配最大概率离此工人最近的任务；最后匹配得到一组工人-任务对。

以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (6)

1.一种移动群体感知中保护位置隐私的在线任务分配方法，其特征在于，包括以下步骤：

1)工人生成扰乱位置：利用地理不可区分性，工人根据隐私水平参数ε，使用平面拉普拉斯机制生成与实际位置对应的扰乱位置，并在后面过程用扰乱位置替代实际位置；

2)位置信息上传：任务请求者将任务的位置信息上传到感知平台，工人将扰乱位置和工人的可达范围半径上传至感知平台；

3)感知平台计算可达性：当任务到达感知平台后，感知平台会依次计算该任务和平台内各个工人之间的可达性概率，并把概率大于阈值ψ的工人加入该任务的工人候选集中，如果工人候选集为空，则到来的任务会留在感知平台等待分配直至任务信息过期，如果工人候选集不为空，则进行步骤4)；当一个工人到达感知平台后，感知平台会计算该工人和平台内的各个任务之间的可达性概率，并把概率大于阈值ψ的任务加入该工人的任务候选集中，如果任务候选集为空，则到来的工人会留在感知平台等待匹配直至工人信息过期，如果任务候选集不为空，则进行步骤5)；

4)感知平台为任务匹配工人：结合步骤3)得到的任务的工人候选集，并根据基于任务的距离比较机制，感知平台从工人候选集中选出一个有最大概率离到达任务最近的工人，得到匹配的任务-工人对；

5)感知平台为工人分配任务：根据步骤3)得到的工人的任务候选集，并根据基于工人的距离比较机制，感知平台从任务候选集中选出一个有最大概率离到达工人最近的任务，并将该任务分配给工人。

2.根据权利要求1所述的一种移动群体感知中保护位置隐私的在线任务分配方法，其特征在于：在步骤1)中，感知平台首先会发布隐私水平参数ε，采用基于极坐标的平面拉普拉斯机制作为地理不可区分性的实现方法，其中有两个重要参数θ和γ；参数θ服从[0,2π)范围内的均匀分布，从[0,2π)范围内随机选取一个值作为θ；参数γ由公式

计算得到，式中P是服从[0,1)的均匀分布，从[0,1)随机选取一个值作为P，ε是隐私水平参数，W_-1是朗伯W函数的-1阶形式，e是自然常数；然后根据工人的实际位置l_w＝(x_w,y_w)计算得到扰乱位置

x_w和y_w是实际位置在平面坐标系中的两个分量。

3.根据权利要求1所述的一种移动群体感知中保护位置隐私的在线任务分配方法，其特征在于：在步骤2)中，当任务到达感知平台时，会将任务的位置l_t、任务到达感知平台的时间a_t和任务过期时间d_t作为任务信息上传到感知平台；当工人到达感知平台时，会将工人的扰乱位置

工人到达感知平台的时间a_w、工人的过期时间d_w和工人的可达范围半径R_w作为工人信息上传至感知平台。

4.根据权利要求1所述的一种移动群体感知中保护位置隐私的在线任务分配方法，其特征在于：在步骤3)中，感知平台分配任务会判断任务是否在工人的可达性范围内，由于在整个过程中使用的是工人的扰乱位置，如果直接使用工人的扰乱位置产生的误差将会超过规定范围，因此，设计了基于概率的量化可达性的方法：

式中：l_t是任务t的位置，l_w是工人w的实际位置，R_w是工人w的可达性范围半径，变量R是工人实际位置与任务位置的距离，r是变量R对应的自变量，Ω是工人实际位置与任务位置形成的直线与坐标系x轴形成的角度，ω是Ω对应的自变量，ε是隐私水平参数，常量η是工人扰乱位置与任务位置的距离，距离d(l_t,l_w)是工人实际位置与任务位置的实际距离，P(d(l_t,l_w)≤R_w)表示实际距离d(l_t,l_w)不大于工人可达性范围半径R_w的概率，F_ε,R(R_w)是关于变量r和δ的累积概率函数；如果概率P(d(l_t,l_w)≤R_w)不小于感知平台设定的阈值ψ，则认为任务t在工人w的可达性范围内；

当一个任务t_i到达感知平台时，有三种情形：a、如果感知平台内没有工人，该任务留在感知平台等待被分配；b、如果感知平台内有工人存在，则感知平台依次计算平台内的工人w_k与任务t_i的可达性概率，如果这个概率不小于平台设定的阈值ψ，将工人w_k加入任务t_i的工人候选集T_i中，如果候选集T_i为空，则将任务t_i留在感知平台等待被分配；c、如果候选集T_i不为空，则进行步骤4)；

当一个工人w_j到达感知平台，会存在三种情形：a、如果感知平台内没有任务，该工人会留在平台内等待被匹配；b、如果感知平台内有任务存在，在感知平台依次计算平台内的任务t_k与工人之间的可达性概率，如果概率不小于阈值ψ，则将任务t_k加入工人w_j的任务候选集W_j中，如果候选集W_j为空，则将工人w_j留在感知平台等待被匹配；c、如果候选集W_j不为空，则进行步骤5)。

5.根据权利要求1所述的一种移动群体感知中保护位置隐私的在线任务分配方法，其特征在于：在步骤4)中，当任务t_i到达感知平台后，感知平台经计算得到该任务的工人候选集T_i，感知平台依次比较工人候选集T_i中工人的可达范围半径，选择最小值记作R_min；然后感知平台采用基于任务的距离比较机制，用R_min替换计算任务t_i与工人之间可达性概率公式中的工人的可达性距离R_w，并重新计算每个工人与任务t_i之间的可达性概率，选择概率最大的工人，记作

作为任务t_i最佳的匹配。

6.根据权利要求1所述的一种移动群体感知中保护位置隐私的在线任务分配方法，其特征在于：在步骤5)中，当工人w_j到达感知平台后，感知平台经计算得到该工人的任务候选集W_j，感知平台从任务候选集W_j中选出两个任务t_a和t_b，采用基于工人的距离比较机制得到具有更大概率离工人w_j更近的任务：

式中：以两个任务t_a和t_b之间距离的中点作为坐标系的原点，变量Δ表示工人w_j实际位置与x轴形成的夹角，δ是Δ对应的自变量，变量U表示工人w_j实际位置与原点的距离，u是U对应的自变量，ε是隐私水平参数，常量λ是工人扰乱位置与原点的距离，常量β是工人扰乱位置与x轴形成的夹角，

表示变量在Δ范围

内的概率，f_ε,Δ,U(δ)是关于变量Δ的概率密度函数，根据概率

与

的关系来判断两个任务t_a和t_b中具有更大概率离工人w_j更近的任务；

感知平台迭代地从任务候选集中选择任务，根据基于工人的距离比较机制和概率上不等式的传递性，最后得到一个具有最大概率离工人w_j最近的任务

并将这个任务分配给工人w_j。

Images