CN112016971B - 基于以太坊gas原理的移动群智感知数据可靠性保障方法 - Google Patents

基于以太坊gas原理的移动群智感知数据可靠性保障方法 Download PDF

Info

Publication number
CN112016971B
CN112016971B CN202010897902.5A CN202010897902A CN112016971B CN 112016971 B CN112016971 B CN 112016971B CN 202010897902 A CN202010897902 A CN 202010897902A CN 112016971 B CN112016971 B CN 112016971B
Authority
CN
China
Prior art keywords
sensing
data
perception
node
nodes
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
Application number
CN202010897902.5A
Other languages
English (en)
Other versions
CN112016971A (zh
Inventor
刘溪
岑健
熊建斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Polytechnic Normal University
Original Assignee
Guangdong Polytechnic Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Polytechnic Normal University filed Critical Guangdong Polytechnic Normal University
Priority to CN202010897902.5A priority Critical patent/CN112016971B/zh
Publication of CN112016971A publication Critical patent/CN112016971A/zh
Application granted granted Critical
Publication of CN112016971B publication Critical patent/CN112016971B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G06Q30/0226—Incentive systems for frequent usage, e.g. frequent flyer miles programs or point systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G06Q30/0225—Avoiding frauds

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了移动群智感知领域的基于以太坊GAS原理的移动群智感知数据可靠性保障方法，步骤包括：A，感知任务参与者向感知平台上传感知子任务的感知数据和成本费用，感知子任务是由感知任务分解而成；B，感知平台基于金字塔树算法对接收到的感知数据进行聚类，得到多个聚类数据；C，根据聚类数据的数量是否满足k覆盖要求，对上传感知数据的感知节点的数据可靠性进行划分，得出感知节点的可靠性分类；D、根据感知节点的可靠性分类，去掉来自不可靠感知节点的数据。本发明的方法使得恶意行为参与者无法获得返回的报酬或成本费用，用于排除恶意行为参与者，保障了移动群智感知数据的可靠性。

Description

基于以太坊GAS原理的移动群智感知数据可靠性保障方法
技术领域
本发明涉及移动群智感知网络领域，特别是一种基于以太坊GAS原理的移动群智感知数据可靠性保障方法。
背景技术
移动群智感知依托于大量普通用户携带的各类智能设备，这些具有一定感知、计算能力和通信能力的智能设备使得每个普通用户都能成为感知源，无需拥有专业技能就可以完成大规模、复杂的城市与社会感知任务。典型的移动群智感知网络结构为“移动感知节点+汇聚节点”的模式，其中的移动感知节点是携带有智能设备的移动用户。
现有技术中，专利《一种群智感知应用中基于区块链的安全激励方法和系统》(公开号CN108055119A)和《一种基于群智感知技术的联盟链安全激励方法》(CN110599337A)侧重于解决基于区块链的群智感知应用中的激励机制问题。专利《基于区块链位置隐私保护的群智感知工人选择机制及系统》(公开号CN110493182A)、《一种基于区块链的用户隐私保护群智感知系统》(公开号CN110602694A)和《一种基于区块链的群智感知双重隐私保护方法》(公开号CN110825810A)侧重于解决基于区块链的群智感知应用中的隐私保护问题。
而在实际应用中，移动群智感知任务参与者的恶意行为会显著降低感知结果的真实性。因此如何保证感知数据的可靠性和准确性，并在发生恶意攻击时，提供必要的措施来检测和撤销恶意的感知参与者也是移动群智感知的关键问题之一。
发明内容
本发明为了克服移动群智感知任务参与者的恶意行为会显著降低感知结果的真实性这一问题，提出了一种基于以太坊GAS原理的移动群智感知数据可靠性保障方法，用以检测和撤销恶意的感知参与者。
为了实现上述发明目的，本发明提供了以下技术方案：
一种基于以太坊GAS原理的移动群智感知数据可靠性保障方法，步骤包括：
A，感知任务参与者向感知平台上传感知子任务的感知数据和成本费用，所述感知子任务是由感知任务分解而成；
B，所述感知平台基于金字塔树算法对接收到的所述感知数据进行聚类，得到多个聚类数据；
C，根据所述聚类数据的数量是否满足k覆盖要求，对上传感知数据的感知节点的数据可靠性进行划分，得出感知节点的可靠性分类；
D、根据所述感知节点的可靠性分类，基于所述成本费用去掉来自不可靠感知节点的数据；
所述k覆盖要求是所述聚类数据的感知数据数量大于或等于数量阈值k。
作为本发明的优选方案，步骤C具体包括以下步骤：
如果所述聚类数据的数量满足k覆盖要求，则所述聚类数据中前k个感知数据相应的感知节点确定为第一级数据可靠感知节点；
所述聚类数据中除去前k个感知数据以外的其他感知数据相应的感知节点确定为第二级数据可靠感知节点；
未满足k覆盖要求的感知数据相应的感知节点为不可靠感知节点；所述感知数据相应的感知节点是指感知数据通过相应的感知节点上传。
作为本发明的优选方案，所述步骤D的具体步骤包括：根据所述对所述第一级数据可靠感知节点的感知任务参与者提供报酬；对所述第二级数据可靠感知节点的感知任务参与者退回所述成本费用；对所述不可靠感知节点不提供报酬，并且不退回所述成本费用。
作为本发明的优选方案，所述第一级数据可靠感知节点和所述第二级数据可靠感知节点感知任务参与者的报酬的计算公式为
Figure BDA0002659054120000031
其中，PM(gj)/k＞c，并且，ui为感知节点，gj是感知子任务，PM(Hotspotsj,ui,t)是聚类数据中感知数据对应的感知任务参与者获得的报酬，PM(gj,ui,t)是感知节点ui从感知子任务gj中获得的报酬，k是数量阈值，
Figure BDA0002659054120000032
是聚类数据的数量，c是所述成本费用，PM(gj)是满足所述k覆盖要求的聚类相应需要支付费用的总和。
作为本发明的优选方案，步骤还包括信誉值的评定，所述信誉值的评定步骤包括：
感知平台为每个所述感知任务参与者初始化一个信誉值；
当所述感知任务参与者为感知平台提供的感知信息被其他参与者验证为正确时，感知平台增加所述感知任务参与者的信誉值；
当所述感知任务参与者为感知平台提供的感知信息被其他参与者验证为错误时，感知平台减少所述感知任务参与者的信誉值；
当用户信誉值低于某一阈值时，取消其参与感知任务的资格。
作为本发明的优选方案，步骤还包括奖金激励方法，所述奖金激励方法的步骤包括：
感知平台给每个所述感知任务参与者分配初始奖励；
如果所述感知任务参与者在感知时隙获得的收益大于0，则所述感知任务参与者在下一个感知时隙内继续参加感知任务；
如果所述感知任务参与者在连续两个感知时隙获得的收益等于0，则所述感知任务参与者在下一个感知时隙内不能继续参加感知任务；
如果所述感知任务参与者在感知时隙获得的收益小于0，则所述感知任务参与者退出感知任务。
基于相同的构思，本发明还提出了一种基于以太坊GAS原理的移动群智感知数据可靠性保障系统，其特征在于，包括至少一个处理器，以及与至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述任一项的方法。
与现有技术相比，本发明的有益效果：
1、本发明方法基于金字塔树算法对接收到的感知数据进行聚类，得到多个聚类数据；根据聚类数据的数量是否满足k覆盖要求，计算感知任务参与者的报酬，由于恶意行为的参与者上传的恶意数据很难被其它参与者验证，即上传的虚假数据很难实现k-覆盖要求，因此恶意行为的参与者将失去成本费用，而其他参与者将根据聚类数据的数量是否满足k覆盖要求而获得报酬或成本费用，以此保障了移动群智感知数据的可靠性。
2、本发明还提出了信誉值评定方法，对感知任务参与者的信誉进行评定，通过信誉值检测恶意的感知参与者并撤销恶意的感知参与者的资格。
3、本发明还提出了奖金激励方法，通过对奖金收益的判断，检测恶意的感知参与者并撤销恶意的感知参与者的资格。
附图说明：
图1为本发明实施例2中基于以太坊GAS原理的移动群智感知数据可靠性保障方法流程图；
图2为本发明实施例2中金字塔树算法的示意图。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1
对于感知任务G而言，其所有参与者可分类定义如下：
诚实参与者：用集合U表示，对于所有ui∈U而言，其有参与感知任务的意愿，且在参与感知任务的过程中不存在恶意行为，保证上传数据的真实性。
获胜者：用集合U'表示，对于所有ui∈U′而言，其被感知平台确定执行感知任务G，其上传的感知数据直接影响整个感知任务的准确性。
非诚实参与者：用集合U”表示，对于所有ui∈U″而言，有参与感知任务的意愿，且为了获得报酬有意识地上传错误或无效的感知数据，提供必要的措施来检测和撤销非诚实参与者也是移动群智感知的关键问题之一。
一种具体的基于以太坊GAS机制的移动群智感知数据可靠性保障方法，具体步骤包括：
首先量化感知节点的感知成本。
对于感知参与者ui而言，当其上传其内存中记录的感知数据时，需为每个独立的感知子任务数据向感知平台支付价值c的固定费用。具体而言，感知参与者ui向感知平台提交的感知数据
Figure BDA0002659054120000061
通过固定费用c量化了感知节点的感知成本。
由此在面向指纹数据库构建的移动群智感知激励机制设计中，每个参与者ui参加感知任务G的成本可以被确定下来，即参与一个感知子任务gj的成本为c，感知任务G的成本为
Figure BDA0002659054120000062
同时移动群智感知数据可靠性保障设计的一个重要目标是促进感知数据质量的提升，基于对激励机制真实可信、质量提升需求的分析，从加速感知子任务收敛速度及减少感知数据冗余的角度出发，基于是否满足k-覆盖要求确定获胜者。
满足k-覆盖要求是指，在时隙期间内，感知平台对接收到的感知数据进行基于金字塔树算法的数据聚类，并计算每个聚类中包含的感知数据数量；感知平台判断聚类中包含的感知数据数量是否大于或等于数量阈值k，如果是，则满足k-覆盖要求，即空间上满足了任务覆盖需要达到最少数量参与者的要求。
另外，每个感知节点根据每个聚类返回的k-覆盖情况计算每个感知节点的效用函数值，如果连续两个时隙期间，感知节点的效用函数值为0，则所述感知节点不参与感知活动；如果连续两个时隙期间，聚类中包含的感知数据数量一直不满足k-覆盖要求，则感知平台激活主动感知程序，在下一个时隙周期，主动感知程序将不满足k-覆盖要求聚类的聚类结果向所有感知节点发送。当感知节点按照数据采集要求收集到任一聚类数据后，与感知平台发送的聚类结果进行相似性比较，如符合相似性聚类要求，则该感知节点的感知数据被标记为优先发送数据，在最近的发送窗口内优先上传。如果连续三个时隙周期，聚类中包含的感知数据数量一直不满足k-覆盖要求，则主动感知程序将不满足k-覆盖要求聚类的聚类结果向所有新参与的感知节点进行发送。当感知节点按照数据采集要求收集到任一聚类数据后，与感知平台发送的聚类结果进行相似性比较，如符合相似性聚类要求，则所述感知节点的感知数据被标记为优先发送数据，在最近的发送窗口内优先上传。
基于上述原理，实现了时间上对感知节点分布稀疏的感知区域施行主动感知程序，加速了整个感知数据的收敛速度，在时间维度上实现数据均衡。
在上述时间空间均衡方法的基础上，将每个感知子任务数据聚类的TOP-k节点被选择为获胜者，且均分为满足k-覆盖要求的感知子任务数据聚类支付的报酬PM(gj)，其余的感知节点由感知平台返回支付费用c。具体而言，当移动感知节点ui在第x(x＝1,2,...,l)个感知周期时隙t内上传的数据中某一感知信息被聚类计算确定为第j个感知子任务gj指纹，则此时感知节点ui从感知子任务gj中获得报酬PM(gj，ui，t)表示如下：
Figure BDA0002659054120000071
显然，公式(1)中，PM(gj)/k＞c。同时参与者ui(即为感知节点ui)对于每个感知任务gj的参与者分类也可基于如下原则判断出来：
①诚实参与者(未选举为获胜者)：对于
Figure BDA0002659054120000072
而言，其参与感知任务gj获得的收益为vi(gj)＝c-c＝0。
②获胜者：对于
Figure BDA0002659054120000081
而言，其参与感知任务gj获得的收益为vi(gj)＝PM(Hotspotsj)/k-c＞0。
③非诚实参与者：对于
Figure BDA0002659054120000082
而言，由于其上传的恶意数据很难被其它参与者验证，即上传的虚假指纹很难实现k-覆盖要求，因此其参与感知任务gj获得的收益为vi(gj)＝0-c＜0。
基于上述原则，提出并设计了“信誉值”评定方法。感知平台分配并更新每个参与者的信誉值。感知平台根据参与者数据质量分析其信任状态，进而动态更新其当前信誉度，信誉值机制的主要内容有：
1)感知平台为每个参与者初始化一个信誉值；
2)当参与者为感知平台提供的感知信息被其他参与者验证为正确时，感知平台增加其信誉值；
3)当参与者为感知平台提供的感知信息被其他参与者验证为错误时，感知平台减少其信誉值；
4)当用户信誉值低于某一阈值时，取消其参与感知任务的资格。信誉值机制主要用来来检测和撤销恶意的感知参与者。
具体而言，每个参与者参与感知任务G后，感知平台会分配给其一个初始奖励c0，假定参与者ui在感知时隙tx内参与了si个感知子任务gj，则其在感知时隙tx内获得的收益
Figure BDA0002659054120000083
则a)如果参与者ui在感知时隙tx获得的收益vi(tx)＞0，则参与者ui在下一个感知时隙内其继续参加感知任务G；b)如果参与者ui在感知时隙tx及下一个感知时隙tx+1获得的收益vi(tx)＝0，则参与者ui在下一个感知时隙内其不在继续参加感知任务G，被置为非激活状态；c)如果参与者ui在感知时隙tx内获得的累计收益
Figure BDA0002659054120000091
则参与者ui被判定为非诚实参与者，退出感知任务G。
实施例2
一种基于以太坊GAS原理的移动群智感知数据可靠性保障方法，流程图如图1所示，步骤包括：
A，感知任务参与者向感知平台上传感知子任务的感知数据和成本费用，所述感知子任务是由感知任务分解而成；
B，所述感知平台基于金字塔树算法对接收到的所述感知数据进行聚类，得到多个聚类数据；
C，根据所述聚类数据的数量是否满足k覆盖要求，对上传感知数据的感知节点的数据可靠性进行划分，得出感知节点的可靠性分类；
D、根据所述感知节点的可靠性分类，基于所述成本费用去掉来自不可靠感知节点的数据；所述k覆盖要求是所述聚类数据的感知数据数量大于或等于数量阈值k。
作为本发明的优选方案，步骤C具体包括以下步骤：
如果所述聚类数据的数量满足k覆盖要求，则所述聚类数据中前k个感知数据相应的感知节点确定为第一级数据可靠感知节点；
所述聚类数据中除去前k个感知数据以外的其他感知数据相应的感知节点确定为第二级数据可靠感知节点；
未满足k覆盖要求的感知数据相应的感知节点为不可靠感知节点；所述感知数据相应的感知节点是指感知数据通过相应的感知节点上传。
作为本发明的优选方案，所述步骤D的具体步骤包括：根据所述对所述第一级数据可靠感知节点的感知任务参与者提供报酬；对所述第二级数据可靠感知节点的感知任务参与者退回所述成本费用；对所述不可靠感知节点不提供报酬，并且不退回所述成本费用。
作为本发明的优选方案，所述第一级数据可靠感知节点和所述第二级数据可靠感知节点感知任务参与者的报酬的计算公式为
Figure BDA0002659054120000101
其中，PM(gj)/k＞c，并且，ui为感知节点(即为参与者)，gj是感知子任务，PM(Hotspotsj,ui,t)是聚类数据中感知数据对应的感知任务参与者获得的报酬，PM(gj,ui,t)是感知节点ui从感知子任务gj中获得的报酬，k是数量阈值，
Figure BDA0002659054120000102
是聚类数据的数量，c是所述成本费用，PM(gj)是满足所述k覆盖要求的聚类相应需要支付费用的总和。
作为本发明的优选方案，步骤还包括信誉值的评定，所述信誉值的评定步骤包括：
感知平台为每个所述感知任务参与者初始化一个信誉值；
当所述感知任务参与者为感知平台提供的感知信息被其他参与者验证为正确时，感知平台增加所述感知任务参与者的信誉值；
当所述感知任务参与者为感知平台提供的感知信息被其他参与者验证为错误时，感知平台减少所述感知任务参与者的信誉值；
当用户信誉值低于某一阈值时，取消其参与感知任务的资格。
作为本发明的优选方案，步骤还包括奖金激励方法，所述奖金激励方法的步骤包括：
感知平台给每个所述感知任务参与者分配初始奖励；
如果所述感知任务参与者在感知时隙获得的收益大于0，则所述感知任务参与者在下一个感知时隙内继续参加感知任务；
如果所述感知任务参与者在连续两个感知时隙获得的收益等于0，则所述感知任务参与者在下一个感知时隙内不能继续参加感知任务；
如果所述感知任务参与者在感知时隙获得的收益小于0，则所述感知任务参与者退出感知任务。
基于金字塔树算法对感知数据进行聚类的方法是：利用金字塔树的树形结构(如图2所示)，将多维特征的感知数据进行聚类，以达到选择感知数据的目的，对于一个具有f个特征的数据聚合任务，金字塔树被定义为一个(f+2)层的树，随着数据的加入而不断生长，且所有的叶节点只在树的最底层出现，即第n层的节点数量不少于第(n-1)层的节点数量。根节点仅作为整棵树的根节点将每层组织起来；最底层即第(f+2)层的每个叶节点表示一个数据集合；中间的第1到第(f+1)层为非叶节点，每层表示任务所属的一个特征，根据这些特征对所有数据进行聚类以得到最底层的聚类结果。
一种面向移动群智感知的区块链构建方法的步骤是基于跨时隙投票机制实现的。将感知周期T均匀划分为等长的时隙t，即T＝l×t，分别统计每个聚类结果在每个t时隙内被感知节点投票的次数，在整个感知周期累积满足覆盖要求后封装在区块的“确定”区域。定义每个聚类结果rj，其在第x(x＝1,2,...,l)个时隙内被所有感知节点u投票的总次数表示为dj(x)，则
Figure BDA0002659054120000121
的聚类结果将被封装在区块的“确定”区域。通常情况下，感知节点的分布呈现泊松分布现象，因此k取值为所有感知节点数量的5％。
由于部分感知节点在感知过程中可能存在质量缺陷，为了提高区块构建质量，多个感知节点在感知周期T内提交同一参考点的数据，即每个感知周期T内聚类结果至少被k(k≥1)个感知节点投票。
考虑到同一感知节点在感知周期T内多次感知一个参考点，对区块构建质量的提升有限，因此感知周期T内，一个感知节点多次到达一个参考点只记投票一次，则每个时隙期间内，聚类结果被所述其他汇聚节点投票的次数的公式表示为
Figure BDA0002659054120000122
其中，rj是聚类结果，ui是参与投票的所述其他汇聚节点，C(rj,ui,T)是每个聚类结果被投票的结果。

Claims (6)

1.一种基于以太坊GAS原理的移动群智感知数据可靠性保障方法，其特征在于，步骤包括：
A，感知节点向感知平台上传感知子任务的感知数据和成本费用，所述感知子任务是由感知任务分解而成；
B，所述感知平台基于金字塔树算法对接收到的所述感知数据进行聚类，得到多个聚类数据；
C，根据所述聚类数据的数量是否满足k覆盖要求，对上传感知数据的感知节点的数据可靠性进行划分，得出感知节点的可靠性分类；
D、根据所述感知节点的可靠性分类，基于所述成本费用去掉来自不可靠感知节点的数据；
所述k覆盖要求是所述聚类数据的感知数据数量大于或等于数量阈值k；
步骤C具体包括以下步骤：
如果所述聚类数据的数量满足k覆盖要求，则所述聚类数据中前k个感知数据相应的感知节点确定为第一级数据可靠感知节点；
所述聚类数据中除去前k个感知数据以外的其他感知数据相应的感知节点确定为第二级数据可靠感知节点；
未满足k覆盖要求的感知数据相应的感知节点为不可靠感知节点；所述感知数据相应的感知节点是指感知数据通过相应的感知节点上传。
2.如权利要求1所述的一种基于以太坊GAS原理的移动群智感知数据可靠性保障方法，其特征在于，所述步骤D的具体步骤包括：对所述第一级数据可靠感知节点提供报酬；对所述第二级数据可靠感知节点退回所述成本费用；对所述不可靠感知节点不提供报酬，并且不退回所述成本费用。
3.如权利要求2所述的一种基于以太坊GAS原理的移动群智感知数据可靠性保障方法，其特征在于，所述第一级数据可靠感知节点和所述第二级数据可靠感知节点的报酬的计算公式为
Figure FDA0002992885180000021
其中，PM(gj)/k＞c，并且，ui为感知节点，gj是感知子任务，PM(Hotspotsj,ui,t)是聚类数据中感知数据对应的感知节点获得的报酬，PM(gj,ui,t)是感知节点ui从感知子任务gj中获得的报酬，k是数量阈值，
Figure FDA0002992885180000022
是聚类数据的数量，c是所述成本费用，PM(gj)是满足所述k覆盖要求的聚类相应需要支付费用的总和。
4.如权利要求3所述的一种基于以太坊GAS原理的移动群智感知数据可靠性保障方法，其特征在于，步骤还包括信誉值的评定，所述信誉值的评定步骤包括：
感知平台为每个所述感知节点初始化一个信誉值；
当所述感知节点为感知平台提供的感知信息被其他参与者验证为正确时，感知平台增加所述感知节点的信誉值；
当所述感知节点为感知平台提供的感知信息被其他参与者验证为错误时，感知平台减少所述感知节点的信誉值；
当用户信誉值低于某一阈值时，取消其参与感知任务的资格。
5.如权利要求4所述的一种基于以太坊GAS原理的移动群智感知数据可靠性保障方法，其特征在于，步骤还包括奖金激励方法，所述奖金激励方法的步骤包括：
感知平台给每个所述感知节点分配初始奖励；
如果所述感知节点在感知时隙获得的收益大于0，则所述感知节点在下一个感知时隙内继续参加感知任务；
如果所述感知节点在连续两个感知时隙获得的收益等于0，则所述感知节点在下一个感知时隙内不能继续参加感知任务；
如果所述感知节点在感知时隙获得的收益小于0，则所述感知节点退出感知任务。
6.一种基于以太坊GAS原理的移动群智感知数据可靠性保障系统，其特征在于，包括至少一个处理器，以及与至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行权利要求1-5任一项的方法。
CN202010897902.5A 2020-08-31 2020-08-31 基于以太坊gas原理的移动群智感知数据可靠性保障方法 Active CN112016971B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010897902.5A CN112016971B (zh) 2020-08-31 2020-08-31 基于以太坊gas原理的移动群智感知数据可靠性保障方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010897902.5A CN112016971B (zh) 2020-08-31 2020-08-31 基于以太坊gas原理的移动群智感知数据可靠性保障方法

Publications (2)

Publication Number Publication Date
CN112016971A CN112016971A (zh) 2020-12-01
CN112016971B true CN112016971B (zh) 2021-06-01

Family

ID=73503909

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010897902.5A Active CN112016971B (zh) 2020-08-31 2020-08-31 基于以太坊gas原理的移动群智感知数据可靠性保障方法

Country Status (1)

Country Link
CN (1) CN112016971B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113642978A (zh) * 2021-06-30 2021-11-12 山东师范大学 基于群智感知信任管理机制的人群疏散方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104881800A (zh) * 2015-06-03 2015-09-02 西北工业大学 一种基于移动群智感知的激励机制实现方法
CN108055119A (zh) * 2017-12-11 2018-05-18 北方工业大学 一种群智感知应用中基于区块链的安全激励方法和系统
CN108337656A (zh) * 2018-01-16 2018-07-27 武汉工程大学 一种移动群智感知激励方法
CN109784741A (zh) * 2019-01-23 2019-05-21 北京理工大学 一种基于信誉预测的移动群智感知系统奖励分发方法
CN110189174A (zh) * 2019-05-29 2019-08-30 南京工业大学 一种基于数据质量感知的移动群智感知激励方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104881800A (zh) * 2015-06-03 2015-09-02 西北工业大学 一种基于移动群智感知的激励机制实现方法
CN108055119A (zh) * 2017-12-11 2018-05-18 北方工业大学 一种群智感知应用中基于区块链的安全激励方法和系统
CN108337656A (zh) * 2018-01-16 2018-07-27 武汉工程大学 一种移动群智感知激励方法
CN109784741A (zh) * 2019-01-23 2019-05-21 北京理工大学 一种基于信誉预测的移动群智感知系统奖励分发方法
CN110189174A (zh) * 2019-05-29 2019-08-30 南京工业大学 一种基于数据质量感知的移动群智感知激励方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
移动群智感知中面向数据质量的激励方法研究;南文倩;《中国优秀硕士学位论文全文数据库》;20170515(第5期);第25-36页 *

Also Published As

Publication number Publication date
CN112016971A (zh) 2020-12-01

Similar Documents

Publication Publication Date Title
Alvarez et al. Strategic voting in British elections
Mansfield et al. Democracy, veto players and the depth of regional integration
Kling et al. Voting behaviour and power in online democracy: A study of LiquidFeedback in Germany's Pirate Party
Workman et al. Problem definition and information provision by federal bureaucrats
Jessee et al. Are Congressional Leaders Middlepersons or Extremists? Yes
Athanassopoulos Strategic groups, frontier benchmarking and performance differences: evidence from the UK retail grocery industry
CN114143104A (zh) 一种基于动态信任模型的DPoS共识机制节点信誉值度量方法
Weinschenk et al. The relationship between political attitudes and political participation: Evidence from monozygotic twins in the United States, Sweden, Germany, and Denmark
Huang et al. Collaboration in participant-centric federated learning: A game-theoretical perspective
Bernstein et al. Network centralization and collective adaptability to a shifting environment
CN112016971B (zh) 基于以太坊gas原理的移动群智感知数据可靠性保障方法
CN113033892A (zh) 一种政府监管视角下建设市场主体信用动态评价方法
US20220172085A1 (en) Methods and Systems to Account for Uncertainties from Missing Covariates in Generative Model Predictions
Philippas et al. Investors’ attention and information losses under market stress
Berghammer et al. Applying relation algebra and RelView to measures in a social network
Yevseiev et al. Development of a method for assessing forecast of social impact in regional communities
Van de Wardt et al. Adapt or perish? How parties respond to party system saturation in 21 western democracies, 1945–2011
Mattei et al. Design and analysis of experiments
Tang et al. A Semi-supervised Sensing Rate Learning based CMAB scheme to combat COVID-19 by trustful data collection in the crowd
Perols et al. Information market-based decision fusion
Furnas Coalitions and coordination in Washington think tanks: board interlock among Washington DC-based policy research and planning organizations
Cui et al. Complex crowdsourcing task allocation strategies employing supervised and reinforcement learning
Montgomery et al. The party edge: Consultant–candidate networks in American political parties
Liu et al. Multilayer feed-forward neural network learning based dynamic Chinese restaurant model for dynamic spectrum access in cognitive radio networks
CN113645564B (zh) 一种面向室内位置信息群体众筹的混合激励方法

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