CN112967118A - 移动群智感知激励方法、装置、系统及存储介质 - Google Patents
移动群智感知激励方法、装置、系统及存储介质 Download PDFInfo
- Publication number
- CN112967118A CN112967118A CN202110146627.8A CN202110146627A CN112967118A CN 112967118 A CN112967118 A CN 112967118A CN 202110146627 A CN202110146627 A CN 202110146627A CN 112967118 A CN112967118 A CN 112967118A
- Authority
- CN
- China
- Prior art keywords
- task
- worker
- disturbance
- tasks
- perception
- 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.)
- Granted
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
-
- 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
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/08—Auctions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Bioethics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种移动群智感知激励方法、装置、系统及存储介质,所述系统包括可信中心、任务请求者、感知工人、服务器平台;所述可信中心,用于生成盲因子密钥,帮助服务器平台获得任务真实位置的概率分布;所述任务请求者,用于生成任务盲频率向量,生成任务扰动位置并将结果和任务的描述文件发送给服务器;所述感知工人,用于扰动自身位置,向服务器发送扰动位置和投标信息;所述服务器平台,用于统计任务真实位置分布,发布位置扰动函数,接收扰动位置来估计任务位置和生成工人的投标任务集,并从竞标工人中选择赢家和决定报酬。本发明满足拍卖理想性质、双边位置隐私性,并实现了不可信平台下社会成本近似最小化。
Description
技术领域
本发明涉及一种移动群智感知激励方法、装置、系统及存储介质,属于涉及信息安全和隐私保护技术领域。
背景技术
随着智能手机、智能手表等为代表的移动智能终端的普及,相关产业呈现井喷式增长,移动群智感知作为一种新兴范式被广泛使用。通常,由于消耗网络带宽、内存、CPU、电池使用量、个人时间、差旅费用等,如果工人没有足够的动力,他们不愿意参与,因此有人提出了基于逆向拍卖的激励系统,以此来吸引和招募工人。但在用户提供基于位置的服务时,需要工人提供位置信息,如果工人的位置数据直接上传,容易受到平台和第三方攻击者的侵害,可能导致物理监视、跟踪、身份盗用和敏感信息破坏,从而严重威胁并阻止工人参与。
现有的大多数在MCS中保护用户位置的机制,都是在假设平台是可信任的前提下设计的,这实际并不符合现实应用。一些考虑了工人位置隐私,却忽略了任务位置隐私泄露的问题,而恶意的攻击者可能从任务位置可以推测出周围赢家工人的位置,这是隐式的隐私泄露问题。目前的位置隐私保护技术包括匿名、加密方案、数据扰动等,匿名是消除数据和提供者联系的有效方式,但是基于匿名的隐私保护方案可能容易受到链接攻击的影响。基于加密技术的密文计算比较距离的方法,在隐私保护方面提供良好性能,但常常具有较大的计算量和通信开销,并且没有考虑工人的策略行为。而数据扰动方法在鼓励工人参与时,往往没有考虑系统成本最小化,例如社会成本最小化,和任务质量要求。
一方面,MCS系统下平台自然地追求社会成本的最小化,另一方面,任务的请求者希望工人提交的任务数据能够用来得到较好的任务结果,达到任务质量要求。差分隐私作为一种有前途的扰动方法,能够让请求者/工人不直接上传原始位置,而是扰动位置,平台能在只知道扰动位置的情况下,判断任务和工人的位置关系。另一方面在采用差分隐私来实现双边位置隐私保护后,能够比较容易地设计一种适用的基于逆向拍卖的激励系统。
发明内容
有鉴于此,本发明提供了一种移动群智感知激励方法、装置、系统及存储介质,其可以解决在诚实但好奇的不可信平台下如何保护任务和工人位置隐私、社会成本如何实现最小化、任务质量如何达到要求的问题,基于逆向拍卖来激励工人参与,采用差分隐私指数机制来保护双边位置隐私,采用赢家选择算法和赢家报酬决定算法来满足拍卖的理想性质(个体合理性、诚实性、计算有效性),与现有技术相比,在平台不可信时,既保证没有较大的计算和通信开销,又允许工人的策略行为,同时支持保护双边(任务/工人)位置隐私以满足工人的隐私需求、支持保证任务质量感知以满足请求者的任务质量要求、支持社会成本最小化以满足系统的目标。
本发明的第一个目的在于提供一种移动群智感知激励方法。
本发明的第二个目的在于提供一种移动群智感知激励装置。
本发明的第三个目的在于提供一种移动群智感知激励系统。
本发明的第四个目的在于提供一种存储介质。
本发明的第一个目的可以通过采取如下技术方案达到:
一种移动群智感知激励方法,应用于服务器平台,所述方法包括:
统计所有任务请求者的任务真实位置分布;
制定满足差分隐私的任务位置扰动函数,并广播给每个任务请求者,以使每个任务请求者扰动自身的任务位置,根据任务位置扰动函数,获取该任务请求者自身任务的扰动位置;
接收每个任务请求者发送的任务的扰动位置和任务的描述文件,根据任务的扰动位置和任务的真实位置分布,计算任务的估计位置;其中,任务的描述文件包括任务的质量计算函数、任务的质量要求阈值和任务的数据收集范围的半径;
制定满足差分隐私的工人位置扰动函数,并广播给每个感知工人,以使每个感知工人扰动自身位置,根据工人位置扰动函数,获取该感知工人自身的扰动位置;
接收每个感知工人发送的扰动位置和投标信息,根据所有任务的估计位置、所有感知工人的扰动位置和所有任务的数据收集范围的半径,获取感知工人的估计覆盖任务集合,结合投标信息中的最大可完成任务数量,进一步获取每个感知工人的投标任务集合;
根据每个任务的质量计算函数、每个任务的质量要求阈值、每个工人的投标信息中的投标价格和投标任务集合,从竞标的感知工人中选择赢家,并决定支付给赢家们的报酬。
进一步的,所述统计所有任务请求者的任务真实位置分布,具体包括:
接收任务请求者的任务发布请求,通过可信中心生成盲因子矩阵,并将盲因子矩阵的每一行作为盲因子向量分别发送给每个任务请求者,以使每个任务请求者构造一个表示该任务请求者在网格位置上任务数量的向量,结合盲因子向量,计算任务的真实位置盲频率向量;
接收所有任务请求者的任务真实位置盲频率向量,调用概率分布计算部件对所有的任务真实位置盲频率向量进行按位求和,得到不同网格位置的任务频率;
根据不同网格位置的任务频率,计算任务的真实位置分布。
进一步的,所述根据任务位置扰动函数,获取该任务请求者自身任务的扰动位置,具体包括:
对于该任务请求者自身的任务,根据任务位置扰动函数,调用概率计算部件,计算扰动该任务的真实位置到每个扰动位置的概率;
调用随机扰动部件,根据扰动该任务的真实位置到每个扰动位置的概率,随机选择一个扰动位置作为该任务的扰动位置。
进一步的,所述根据任务的扰动位置和任务的真实位置分布,计算任务的估计位置,具体包括:
对于每个任务,根据任务位置估计概率函数,计算该任务从扰动位置到每个真实位置的概率;
根据该任务从扰动位置到每个真实位置的概率,随机选择一个真实位置作为该任务的估计位置,以得到全部任务的估计位置。
进一步的,所述根据工人位置扰动函数,获取该感知工人自身的扰动位置,具体包括:
对于该感知工人,根据工人位置扰动函数,调用概率计算部件,计算扰动该感知工人的真实位置到每个扰动位置的概率;
调用随机扰动部件,根据扰动该感知工人的真实位置到每个扰动位置的概率,随机选择一个扰动位置作为感知工人的扰动位置。
进一步的,所述根据所有任务的估计位置、所有感知工人的扰动位置和所有任务的数据收集范围的半径,获取感知工人的估计覆盖任务集合,结合投标信息中的最大可完成任务数量,进一步获取每个感知工人的投标任务集合,具体包括:
根据所有感知工人的扰动位置,结合所有任务的估计位置和所有任务的数据收集范围的半径,判断感知工人wi是否在某个任务的数据收集范围内,若感知工人wi在某个任务的数据收集范围内,则该任务包含于感知工人的估计覆盖任务集合内;
若感知工人wi的最大可完成任务数量λi小于估计覆盖任务集合中的任务数量,则从感知工人wi的估计覆盖任务集合中,选择离感知工人wi最近的λi个任务放入感知工人wi的投标任务集合Γi中,否则,直接将wi的估计覆盖任务集合作为wi的投标任务集合Γi。这样获取每个感知工人的投标任务集合。
进一步的,所述根据每个任务的质量计算函数、每个任务的质量要求阈值、每个工人的投标信息中的投标价格和投标任务集合,从竞标的感知工人们中选择赢家,具体包括:
根据全部任务的质量计算函数、全部任务的质量要求阈值、每个工人的投标信息中的投标价格和投标任务集合,计算每个竞标的感知工人的成本效益,如下式:
其中,βi=(bi,Γi)为投标信息,bi为投标价格,λi为最大可完成任务数量;Qi为当前轮次中若感知工人wi成为赢家带来的任务质量增益,qj(ε,nj)为每个任务tj的质量计算函数,δj为每个任务tj的质量要求阈值,ε为隐私预算,为每个任务tj获得的数据数量;
根据本轮赢家提交的数据数量,更新当前所有任务已获得的数据数量;
从竞标的所有感知工人中删去本轮选择的赢家;
判断是否所有任务的质量值达到质量要求阈值;
若存在有任务的质量未达到质量要求阈值,则计算此时剩余的每个竞标的感知工人的成本效益,并循环执行上述操作,直到所有任务的质量达到质量要求阈值,此时得到赢家的集合S;
所述决定支付给赢家们的报酬,具体包括:
对于赢家的集合S中的某个赢家感知工人wi,初始化参数,使临界投标价格当前赢家感知工人wi的报酬pi=0,当前每个任务tj的已获得的数据数量质量值已达到质量要求阈值的任务集合初始化为空集除当前赢家感知工人wi外的其他的所有感知工人的投标集合为βi=(bi,Γi),βv=(bv,Γv);
根据感知工人wx可以提交的数据数量,更新当前所有任务已获得的数据数量;
本发明的第二个目的可以通过采取如下技术方案达到:
一种移动群智感知激励装置,应用于服务器平台,所述装置包括:
任务真实位置分布统计模块,用于统计所有任务请求者的任务真实位置分布;
任务位置扰动函数生成模块,用于制定满足差分隐私的任务位置扰动函数,并广播给每个任务请求者,以使每个任务请求者扰动自身的任务位置,根据任务位置扰动函数,获取该任务请求者自身任务的扰动位置;
任务位置估计模块,用于接收每个任务请求者发送的任务的扰动位置和任务的描述文件,根据任务的扰动位置和任务的真实位置分布,计算任务的估计位置;其中,任务的描述文件包括任务的质量计算函数、任务的质量要求阈值和任务的数据收集范围的半径;
工人位置扰动函数生成模块,用于制定满足差分隐私的工人位置扰动函数,并广播给每个感知工人,以使每个感知工人扰动自身位置,根据工人位置扰动函数,获取该感知工人自身的扰动位置;
工人投标集生成模块,用于接收每个感知工人发送的扰动位置和投标信息,根据所有任务的估计位置、所有感知工人的扰动位置和所有任务的数据收集范围的半径,获取感知工人的估计覆盖任务集合,结合投标信息中的最大可完成任务数量,进一步获取每个感知工人的投标任务集合;
赢家选择与报酬决定模块,用于根据每个任务的质量计算函数、每个任务的质量要求阈值、每个工人的投标信息中的投标价格和投标任务集合,从竞标的感知工人中选择赢家,并决定支付给赢家们的报酬。
本发明的第三个目的可以通过采取如下技术方案达到:
一种移动群智感知激励系统,所述系统包括可信中心、任务请求者、感知工人以及服务器平台,所述服务器平台分别与可信中心、任务请求者、感知工人相连,所述可信中心与任务请求者相连;
所述服务器平台,用于上述的移动群智感知激励方法。
本发明的第四个目的可以通过采取如下技术方案达到:
一种存储介质,存储有程序,所述程序被处理器执行时,实现上述的移动群智感知激励方法。
本发明相对于现有技术具有如下的有益效果:
1、本发明在平台不可信时,既保证没有较大的计算和通信开销,又允许工人的策略行为,同时支持保护双边(任务/工人)位置隐私以满足工人的隐私需求,即在保护工人位置的同时也可以保护任务位置,支持保证任务质量感知以满足请求者的任务质量要求,支持社会成本最小化以满足系统的目标。
2、本发明设计了一种有效的激励方案,包括获胜者选择和报酬确定,激励系统还满足了拍卖的理想特性,包括个体合理性、诚实性、计算有效性;同时设计了在最小化社会成本的同时激励工人参与系统、完成任务,系统的激励结果保证近似社会成本优解,并且所有任务能最终获得一个高质量结果。
3、本发明实现低误差率的任务和工人位置关系判定。系统中采用差分隐私指数机制对位置进行本地扰动上传,在范围位置匹配下,虽然任务位置失真,但是仍可以进行较为准确的位置关系判断,并且考虑因隐私保护位置判定误差产生的任务质量补偿。
4、本发明以网格位置代替工人和任务位置,即使在受到较强的攻击的场景下,攻击者也只能确定任务、工人的所在网格,而不能确定它们的确切位置。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图示出的结构获得其他的附图。
图1为本发明实施例1的移动群智感知激励方法的流程图。
图2为本发明实施例1的移动群智感知激励方法的原理图。
图3为本发明实施例2的移动群智感知激励装置的结构框图。
图4为本发明实施例2的移动群智感知激励系统的结构框图。
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。
实施例1:
如图1和图2所示,本实施例提供了一种移动群智感知激励方法,该方法主要通过服务器平台实现,包括以下步骤:
S101、统计所有任务请求者的任务真实位置分布。
本实施例对于目标区域进行网格划分,以网格中心代表任务位置/工人位置,l、和分别代表差分隐私指数机制扰动前后以及估计的位置,l,每一个网格表示为ge,e=1,...,|L|。系统中的请求者集合表示为R={r1,r2,...,rh},请求者数量为h,rk,k=1,...,h表示第k个请求者,工人集合表示为W={w1,w2,...,wn},工人数量为n,wi,i=1,...,n表示第i个工人,任务集合表示为T={t1,t2,...,tm},任务数量为m,tj,j=1,...,m表示第j个任务;
该步骤S101通过一个可信中心(Trust Center,TC),采用盲因子加密方法来帮助服务器平台预先获得所有任务请求者的任务真实位置分布情况,却不泄露请求者个人的任务位置信息,具体包括:
S1011、接收任务请求者的任务发布请求,通过可信中心生成盲因子矩阵,并将矩阵的每一行分别发送给每个任务请求者。
假设有h个任务请求者想要发布任务,将任务发布请求发送给服务器平台,服务器平台在接收到任务请求者的任务发布请求后,通过可信中心,由可信中心生成盲因子矩阵Mh×|L|,生成盲因子矩阵Mh×|L|如下:
其中,每一列元素之和为0,e=1,...,|L|,然后发送矩阵每一行(盲因子向量)(mk,1,mk,2,…,mk,|L-1|,mk,|L|),k=1,...,h,分别给每个任务请求者rk,k=1,...,h。
每个任务请求者rk,k=1,...,h收到可信中心发来的盲因子向量后,首先构造一个表示该任务请求者在网格ge位置上任务数量的向量,如下:
(fk,1,fk,2,…,fk,|L-1|,fk,|L|),fk,e∈N,e=1,...,|L|
然后结合盲因子向量,按位相加计算任务的真实位置盲频率向量,如下:
(fk,1+mk,1,fk,2+mk,2,…,fk,|L|+mk,|L|)
最后每个任务请求者将任务的真实位置盲频率向量发送给服务器平台。
S1012、接收所有任务请求者的任务真实位置盲频率向量,调用概率分布计算部件对所有的任务真实位置盲频率向量进行按位求和,得到不同网格位置的任务频率。
服务器平台在接收到所有任务请求者的任务真实位置盲频率向量后,调用概率分布计算部件对所有的任务真实位置盲频率向量进行按位求和,得到不同网格位置的任务频率,如下:
S1013、根据不同网格位置的任务频率,计算任务的真实位置分布,如下:
S102、制定满足差分隐私的任务位置扰动函数,并广播给每个任务请求者。
其中ε表示隐私预算,d(i,j)表示任一位置i和任一位置j之间的欧氏距离,dmax表示在目标区域内两个位置间的最大距离。
S1022、调用随机扰动部件,根据扰动该任务tj的真实位置l到每个扰动位置的概率,随机选择一个扰动位置作为该任务tj的扰动位置,表示为并将任务tj的扰动位置上传给服务器平台;其中,根据扰动该任务tj的真实位置l到每个扰动位置的概率,随机选择一个扰动位置作为该任务tj的扰动位置,比如到a的概率是0.8,到b的概率是0.2,按照这个概率分布随机输出(类似很多卡片,需要抽10次,其中抽到a会有8次,抽到b有2次,再看这里的随机选择,指抽一次,抽到a的概率有8成)。随机选择主要是代码实现上的,利用随机数生成器,有很多方式可以实现,例如生成100个数,其中80个是a,20个是b,使用随机数生成器随机选择,这100个数其中一个,那一个结果可能是a或b,此时满足按概率输出的。
此外,每个任务请求者生成任务的描述,将任务的描述文件上传给服务器平台,任务的描述文件包括任务的质量计算函数、任务的质量要求阈值和任务的数据收集范围的半径,如下:
其中,qj(ε,nj)为任务tj的质量计算函数,δj为任务tj的质量要求阈值,γj为任务的数据收集范围的半径。
任务的质量计算函数如下式:
其中,αj的大小表示任务的重要程度,范围为αj∈(0,1],ρj表示任务质量的边缘递减性质,范围为ρj∈[0,1),αj和ρj仅请求者自己拥有;ψ(ε)是一个线性映射函数,将隐私预算ε(最大/最小)值分别映射至ψ(最大/最小)值,ε∈[0.1,1.5],ψ值表示隐私保护影响的反补偿参数,nj为任务tj获得的数据数量,xi=1表示工人wi成为赢家,反之,则相反,Γi是工人wi的投标任务集;本实施例设置隐私保护反补偿参数ψ的最大值和最小值分别为0.9和0.5,因此
对于数据数量,假设每个感知工人最多向同一任务提供一条数据,提供再多也不会获得更多收益。场景是群智感知,通过感知工人的移动智能设备上的传感器可以收集到此时此地的某些感知数据(比如空气质量、噪音指数),当感知工人成为某个任务(任务内容是某个范围的空气质量数据)的赢家时,就会将这个任务需要的一条感知数据发送给平台,再转发给任务对应的任务请求者,联系上述的任务质量计算函数,任务获得感知工人所提供的数据数量越多,任务质量就越好,例如得到来自不同工人的这个范围的空气值,那么越多越容易排除一些感知误差、传输失误造成的偏差大的数据,最终任务的空气值是所有完成这个任务的工人所提供的空气质量值得均值,越多就会排除那些错误数据的影响。
S103、接收每个任务请求者发送的任务的扰动位置和任务的描述文件,根据每个任务的扰动位置和每个任务的真实位置分布,计算每个任务的估计位置。
S1031、对于每个任务,根据任务位置估计概率函数,计算该任务从扰动位置到每个真实位置的概率;其中,任务位置估计概率函数,如下:
S104、制定满足差分隐私的工人位置扰动函数,并广播给每个感知工人。
其中,ε表示隐私预算,d(i,j)表示任一位置i和任一位置j之间的欧氏距离,m表示任务总数,这里的dc代表一个极小的正常数,sign(i)表示符号函数,若i>0,则sign(i)=1;若i<0,则sign(i)=-1。
此外,每个感知工人wi进行投标,将投标信息上传给服务器平台:投标信息为(bi,λi),λi为感知工人wi愿意完成的最大任务数量,bi为感知工人wi的声明的真实成本,作为投标价格,将投标信息上传给服务器平台。
S105、接收每个感知工人发送的扰动位置和投标信息,根据所有任务的估计位置、所有感知工人的扰动位置和所有任务的数据收集范围的半径,获取每个感知工人的估计覆盖任务集合,结合投标信息中的最大可完成任务数量,进一步获取每个感知工人的投标任务集合。
该步骤S105具体包括:
S1051、根据所有感知工人的扰动位置结合所有任务的估计位置和所有任务的数据收集范围的半径,判断感知工人wi是否在某个任务的数据收集范围内,即比较和γj的大小关系,若感知工人wi在某个任务的数据收集范围内,则该任务包含于感知工人的估计覆盖任务集合内。
S1052、若感知工人wi的最大可完成任务数量λi小于估计覆盖任务集合中的任务数量,即则从感知工人wi的估计覆盖任务集合中,选择离感知工人wi最近的λi个任务放入感知工人wi的投标任务集合Γi中,否则,即将估计覆盖任务集合作为投标任务集合Γi,即此时,考虑位置约束和工人能力限制后的工人投标信息更新为βi=(bi,Γi)。
S106、根据每个任务的质量计算函数、每个任务的质量要求阈值、每个工人投标信息中的投标价格和投标任务集合,从竞标的感知工人中选择赢家,并决定支付给赢家工人们的报酬。
该步骤S106根据每个任务tj的质量计算函数qj(ε,nj)、每个任务tj的质量要求阈值δj、每个工人投标信息中的投标价格bi和投标任务集合Γi,采用贪婪策略选择成本最有效的工人作为每轮迭代的赢家,依次迭代选择赢家,获得近似最小社会成本,并采用临界值法决定支付给赢家的报酬,具体包括:
S10601、针对投标任务集合,根据任务的质量计算函数、任务的质量要求阈值、投标信息中的投标价格,计算每个竞标的感知工人wi的成本效益,如下式:
其中,βi=(bi,Γi)为工人wi的投标信息,bi为投标价格,Γi为投标的任务集合;Qi为当前轮次中若感知工人wi成为赢家而带来的任务质量增益,qj(ε,nj)为任务tj的质量计算函数,δj为任务tj的质量要求阈值,ε为隐私预算,为投标任务获得的数据数量。
S10604、从竞标的所有感知工人中删去本轮选择的赢家工人,即本轮选择的赢家工人不再参与下一轮的竞标。
S10606、若有任务的质量未达到质量要求阈值,则返回步骤S10601;若所有任务的质量达到质量要求阈值,此时得到赢家的集合S,进入步骤S10607。
可见,S10601~S10605为一轮选择成本效益最高的工人成为赢家的过程,重复执行S10601~S10605,直至所有任务的质量达到质量要求阈值。
S10607、对于赢家的集合S中的某个赢家感知工人wi∈S,决定对其提供感知数据的报酬,首先初始化参数,使临界投标价格当前赢家感知工人wi的报酬pi=0,当前每个任务tj的已获得的数据数量质量值已达到质量要求阈值的任务集合初始化为空集除当前赢家感知工人wi,wi∈S外的其他的所有感知工人的投标集合为βi=(bi,Γi),βv=(bv,Γv);
S10616、若有投标任务tj∈Γi的质量值未达到质量要求阈值,即则返回步骤S10608;若所有投标任务的质量值达到质量要求阈值,即则完成对该赢家感知工人wi报酬的决定,以临界投标价格作为该赢家感知工人wi的报酬pi。
通过重复执行S10608~S10616,对所有赢家感知工人wi∈S进行报酬决定,这个报酬决定过程保证所有感知工人的收益都是非负的,即个体合理性,以及当竞标的感知工人谎报自己的真实成本去竞争时,不能获得更多的收益,每个工人都将以真实成本去竞标(诚实性)。
应当注意,尽管在附图中以特定顺序描述了上述实施例的方法操作,但是这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。相反,描绘的步骤可以改变执行顺序。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
实施例2:
如图3所示,本实施例提供了一种移动群智感知激励装置,该装置应用于服务器平台,其包括任务真实位置分布统计模块301、任务位置扰动函数生成模块302、任务位置估计模块303、工人位置扰动函数生成模块304、工人投标集生成模块305和赢家选择与报酬决定模块306,各个模块的具体功能如下:
任务真实位置分布统计模块301,用于统计所有任务请求者的任务真实位置分布。
任务位置扰动函数生成模块302,用于制定满足差分隐私的任务位置扰动函数,并广播给每个任务请求者,以使每个任务请求者扰动自身的任务位置,根据任务位置扰动函数,获取该任务请求者自身任务的扰动位置。
任务位置估计模块303,用于接收每个任务请求者发送的任务的扰动位置和任务的描述文件,根据任务的扰动位置和任务的真实位置分布,计算任务的估计位置;其中,任务的描述文件包括任务的质量计算函数、任务的质量要求阈值和任务的数据收集范围的半径。
工人位置扰动函数生成模块304,用于制定满足差分隐私的工人位置扰动函数,并广播给每个感知工人,以使每个感知工人扰动自身位置,根据工人位置扰动函数,获取该感知工人自身的扰动位置。
工人投标集生成模块305,用于接收每个感知工人发送的扰动位置和投标信息,根据所有任务的估计位置、所有感知工人的扰动位置和所有任务的数据收集范围的半径,获取感知工人的估计覆盖任务集合,结合投标信息中的最大可完成任务数量,进一步获取每个感知工人的投标任务集合。
赢家选择与报酬决定模块306,用于根据每个任务的质量计算函数、每个任务的质量要求阈值、每个感知工人的投标信息中的投标价格和投标任务集合,从竞标的感知工人中选择赢家,并决定支付给赢家的报酬。
本实施例中各个模块的具体实现可以参见上述实施例1,在此不再一一赘述;需要说明的是,本实施例提供的装置仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
实施例3:
如图4所示,本实施例提供了一种移动群智感知激励系统,该系统包括可信中心(Trust Center,TC)401、任务请求者402、感知工人403以及服务器平台404,服务器平台404分别与可信中心401、任务请求者402、感知工人403相连,可信中心401与任务请求者402相连,具体说明如下:
可信中心401,用于生成盲因子密钥,发送给每个任务请求者;可信中心包括盲因子密钥生成模块。
进一步地,可信中心401可以是一台有计算能力和通信能力的计算机,但假设不会有任何的恶意行为和受到恶意攻击,其行为主要是:接收服务器平台的通知;在位置扰动初始阶段时产生密钥;再发送盲因子密钥给任务请求者。
感知工人403,扰动自身位置,向服务器平台发送扰动位置并进行投标;所述感知工人包括位置扰动模块和工人投标模块;当接收到服务器平台发布的工人位置扰动函数,用位置扰动模块将自己的位置扰动,将扰动位置发送给服务器平台;用工人投标模块,进行投标,再将投标信息发送给服务器平台。
进一步地,感知工人403拥有可穿戴的移动智能设备(比如智能手表、智能手机等),这些设备主要包括感知设备(具备传感器,比如位置、温度、重力、速度传感器等)、通信设备(蓝牙、wifi等,可以发送和接收数据给服务器)、计算设备(CPU、GPU等,具备简单的计算能力),这种移动智能设备不可避免会有计算开销和耗电开销等,所以完成任务需要金钱激励参与(即完成任务可以获得报酬)。其行为主要是:去提出执行任务的竞标价格,如果被服务器平台判定为赢家,就执行任务,将得到的感知数据发送给服务器平台,服务器平台再返还给任务请求者,此时感知工人也获得完成任务的报酬。
任务请求者402,生成任务盲频率向量,扰动任务位置,任务描述申明,将任务盲频率向量、扰动位置和任务描述文件发送给服务器平台;任务请求者包括盲频率向量生成模块、位置扰动模块和任务描述模块;当接收来自TC的盲因子密钥后,用盲频率向量生成模块对自己的任务真实频率分布进行加密,生成盲频率向量;根据服务器平台公开的任务扰动函数,用位置扰动模块对任务的位置进行扰动;再将任务盲频率向量连同任务扰动位置和任务的描述文件(数据收集半径、任务质量函数和质量要求阈值)一起发送给服务器平台。
进一步地,任务请求者402与感知工人403类似,也拥有可穿戴的移动智能设备(比如智能手表、智能手机等);其行为主要是:向服务器平台发布任务,获得任务的结果,支付报酬;
本实施例中,用户=任务请求者+感知工人,单一的用户既可以成为任务请求者也可以是完成任务的工人,分成两个角色实际仅仅为了区分他们的行为。
服务器平台404,统计任务真实位置分布;发布位置扰动函数,接收扰动位置来估计任务位置和生成工人的投标任务集,并从竞标的感知工人中选择赢家和决定报酬;服务器平台包括任务真实位置分布统计模块、任务位置扰动函数生成模块、任务位置估计模块、工人位置扰动函数生成模块、工人投标集生成模块、赢家选择模块和报酬决定模块;当接收到用所述的任务真实位置分布统计模块来获得任务真实位置的概率分布;任务位置扰动函数生成模块和工人位置扰动函数生成模块分别为生成针对任务和工人的扰动函数,服务器平台再发布;当收到任务的扰动位置时,任务位置估计模块进行任务位置估计,得到任务的估计位置;当接收到工人的扰动位置后,工人投标集生成模块对工人和任务的位置关系进行判定,得到工人的投标任务集合;此时使用赢家选择模块,从竞标工人中选出赢家;报酬决定模块确定赢家的报酬。
任务真实位置分布统计模块包括一个概率分布计算部件;概率分布计算部件用于将来自所有请求者的盲频率向量进行按位累加操作,再进行概率计算,得到任务的真实位置分布;在这个过程,如果出现新的请求者在当前轮次的任务竞标拍卖中发布任务,只需要服务器平台通知可信中心,对所有新的任务请求者发送盲因子密钥,任务请求者进行加密,再上传给服务器平台,任务真实位置分布统计模块只需要将新计算的任务位置频次统计与以前的任务位置频次统计结果相加,再计算概率,得到任务的真实位置分布。此外,工人投标集生成模块包括一个位置关系判定部件;位置关系判定部件用于当服务器平台拥有任务的估计位置和工人的扰动位置时,判定工人是否在任务的数据接收范围内,再考虑工人完成任务数量的上限值(即最大可完成任务数量),得到工人的投标任务集合;其中任务(或工人)位置扰动函数生成模块的计分公式和隐私预算决定位置关系判定部件的判定错误率。
在赢家选择模块中选择最具有成本效益的工人成为赢家,在报酬决定模块中采用临界值法确定工人的报酬,因此系统可以实现社会成本的近似最小化,以及满足逆向拍卖激励的理想性质。
任务请求者402和感知工人403的位置扰动模块有着相同的两个部件:概率计算部件和随机扰动部件;其中概率计算部件用于使用者根据对应的任务(或工人)位置扰动函数,计算真实位置扰动到每一个其它位置的概率;随机扰动部件再根据这个概率,随机选择一个结果作为扰动位置。
关于群智感知场景,本实施例对此进行举例说明(忽略其中位置隐私保护的实现交互):例如一个任务请求者想发布一个测定某个范围内的空气质量的任务,其中范围以任务地点和任务半径决定,将参数(任务半径、质量函数、质量要求等)和扰动的任务位置发送给服务器平台;系统中的在线工人也会将其信息(扰动位置、投标信息)发给服务器平台;此时服务器平台得到这些信息,选择赢家和报酬决定。上述流程称作逆向拍卖,工人作为卖家提供感知数据,提交提供任务数据的价格来竞争任务,服务器平台代表请求者作为买家购买感知数据,在保证任务质量、位置约束、社会成本情况下来选择哪些工人成为拍卖的赢家,来为任务提供感知数据,并且决定赢家们的报酬,报酬一定会大于工人的出价以及保证工人会诚实地以真实成本出价。然后平台向赢家们发送通知,赢家工人通过移动智能设备的传感器测得它当前位置的空气质量数据,再发送给服务器平台,服务器平台收集完数据,发给对应的任务请求者,并且通过平台,请求者支付给赢家工人已决定的报酬。
实施例4:
本实施例提供了一种存储介质,该存储介质为计算机可读存储介质,其存储有程序,所述程序被处理器执行时,实现如下操作:
统计所有任务请求者的任务真实位置分布;
制定满足差分隐私的任务位置扰动函数,并广播给每个任务请求者,以使每个任务请求者扰动自身的任务位置,根据任务位置扰动函数,获取该任务请求者自身任务的扰动位置;
接收每个任务请求者发送的任务的扰动位置和任务的描述文件,根据任务的扰动位置和任务的真实位置分布,计算任务的估计位置;其中,任务的描述文件包括任务的质量计算函数、任务的质量要求阈值和任务的数据收集范围的半径;
制定满足差分隐私的工人位置扰动函数,并广播给每个感知工人,以使每个感知工人扰动自身位置,根据工人位置扰动函数,获取该感知工人自身的扰动位置;
接收每个感知工人发送的扰动位置和投标信息,根据所有任务的估计位置、所有感知工人的扰动位置和所有任务的数据收集范围的半径,获取感知工人的估计覆盖任务集合,结合投标信息中的最大可完成任务数量,进一步获取每个感知工人的投标任务集合;
根据每个任务的质量计算函数、每个任务的质量要求阈值、每个工人的投标信息中的投标价格和投标任务集合,从竞标的感知工人中选择赢家,并决定支付给赢家们的报酬。
需要说明的是,本实施例的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
综上所述,本发明可以解决在诚实但好奇的不可信平台下如何保护任务和工人位置隐私、社会成本如何实现最小化、任务质量如何达到要求的问题,基于逆向拍卖来激励工人参与,采用差分隐私指数机制来保护双边位置隐私,采用赢家选择算法和赢家报酬决定算法来满足拍卖的理想性质(个体合理性、诚实性、计算有效性),与现有技术相比,在平台不可信时,既保证没有较大的计算和通信开销,又允许工人的策略行为,同时支持保护双边(任务/工人)位置隐私以满足工人的隐私需求、支持保证任务质量感知以满足请求者的任务质量要求、支持社会成本最小化以满足系统的目标。
以上所述,仅为本发明专利较佳的实施例,但本发明专利的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明专利所公开的范围内,根据本发明专利的技术方案及其发明构思加以等同替换或改变,都属于本发明专利的保护范围。
Claims (10)
1.一种移动群智感知激励方法,应用于服务器平台,其特征在于,所述方法包括:
统计所有任务请求者的任务真实位置分布;
制定满足差分隐私的任务位置扰动函数,并广播给每个任务请求者,以使每个任务请求者扰动自身的任务位置,根据任务位置扰动函数,获取该任务请求者自身任务的扰动位置;
接收每个任务请求者发送的任务的扰动位置和任务的描述文件,根据任务的扰动位置和任务的真实位置分布,计算任务的估计位置;其中,任务的描述文件包括任务的质量计算函数、任务的质量要求阈值和任务的数据收集范围的半径;
制定满足差分隐私的工人位置扰动函数,并广播给每个感知工人,以使每个感知工人扰动自身位置,根据工人位置扰动函数,获取该感知工人自身的扰动位置;
接收每个感知工人发送的扰动位置和投标信息,根据所有任务的估计位置、所有感知工人的扰动位置和所有任务的数据收集范围的半径,获取感知工人的估计覆盖任务集合,结合投标信息中的最大可完成任务数量,进一步获取每个感知工人的投标任务集合;
根据每个任务的质量计算函数、每个任务的质量要求阈值、每个工人的投标信息中的投标价格和投标任务集合,从竞标的感知工人中选择赢家,并决定支付给赢家们的报酬。
2.根据权利要求1所述的移动群智感知激励方法,其特征在于,所述统计所有任务请求者的任务真实位置分布,具体包括:
接收任务请求者的任务发布请求,通过可信中心生成盲因子矩阵,并将盲因子矩阵的每一行作为盲因子向量分别发送给每个任务请求者,以使每个任务请求者构造一个表示该任务请求者在网格位置上任务数量的向量,结合盲因子向量,计算任务的真实位置盲频率向量;
接收所有任务请求者的任务真实位置盲频率向量,调用概率分布计算部件对所有的任务真实位置盲频率向量进行按位求和,得到不同网格位置的任务频率;
根据不同网格位置的任务频率,计算任务的真实位置分布。
3.根据权利要求1所述的移动群智感知激励方法,其特征在于,所述根据任务位置扰动函数,获取该任务请求者自身任务的扰动位置,具体包括:
对于该任务请求者自身的任务,根据任务位置扰动函数,调用概率计算部件,计算扰动该任务的真实位置到每个扰动位置的概率;
调用随机扰动部件,根据扰动该任务的真实位置到每个扰动位置的概率,随机选择一个扰动位置作为该任务的扰动位置。
4.根据权利要求1所述的移动群智感知激励方法,其特征在于,所述根据任务的扰动位置和任务的真实位置分布,计算任务的估计位置,具体包括:
对于每个任务,根据任务位置估计概率函数,计算该任务从扰动位置到每个真实位置的概率;
根据该任务从扰动位置到每个真实位置的概率,随机选择一个真实位置作为该任务的估计位置,以得到全部任务的估计位置。
5.根据权利要求1所述的移动群智感知激励方法,其特征在于,所述根据工人位置扰动函数,获取该感知工人自身的扰动位置,具体包括:
对于该感知工人,根据工人位置扰动函数,调用概率计算部件,计算扰动该感知工人的真实位置到每个扰动位置的概率;
调用随机扰动部件,根据扰动该感知工人的真实位置到每个扰动位置的概率,随机选择一个扰动位置作为感知工人的扰动位置。
6.根据权利要求1所述的移动群智感知激励方法,其特征在于,所述根据所有任务的估计位置、所有感知工人的扰动位置和所有任务的数据收集范围的半径,获取感知工人的估计覆盖任务集合,结合投标信息中的最大可完成任务数量,进一步获取每个感知工人的投标任务集合,具体包括:
根据所有感知工人的扰动位置,结合所有任务的估计位置和所有任务的数据收集范围的半径,判断感知工人wi是否在某个任务的数据收集范围内,若感知工人wi在某个任务的数据收集范围内,则该任务包含于感知工人的估计覆盖任务集合内;
若感知工人wi的最大可完成任务数量λi小于估计覆盖任务集合中的任务数量,则从感知工人wi的估计覆盖任务集合中,选择离感知工人wi最近的λi个任务放入感知工人wi的投标任务集合Γi中,否则,直接将wi的估计覆盖任务集合作为wi的投标任务集合Γi。
7.根据权利要求1-6任一项所述的移动群智感知激励方法,其特征在于,所述根据每个任务的质量计算函数、每个任务的质量要求阈值、每个工人的投标信息中的投标价格和投标任务集合,从竞标的感知工人们中选择赢家,具体包括:
根据全部任务的质量计算函数、全部任务的质量要求阈值、每个工人的投标信息中的投标价格和投标任务集合,计算每个竞标的感知工人的成本效益,如下式:
其中,βi=(bi,Γi)为投标信息,bi为投标价格,λi为最大可完成任务数量;Qi为当前轮次中若感知工人wi成为赢家带来的任务质量增益,qj(ε,nj)为每个任务tj的质量计算函数,δj为每个任务tj的质量要求阈值,ε为隐私预算,为每个任务tj获得的数据数量;
根据本轮赢家提交的数据数量,更新当前所有任务已获得的数据数量;
从竞标的所有感知工人中删去本轮选择的赢家;
判断是否所有任务的质量值达到质量要求阈值;
若存在有任务的质量未达到质量要求阈值,则计算此时剩余的每个竞标的感知工人的成本效益,并循环执行上述操作,直到所有任务的质量达到质量要求阈值,此时得到赢家的集合S;
所述决定支付给赢家们的报酬,具体包括:
对于赢家的集合S中的某个赢家感知工人wi,初始化参数,使临界投标价格当前赢家感知工人wi的报酬pi=0,当前每个任务tj的已获得的数据数量质量值已达到质量要求阈值的任务集合初始化为空集除当前赢家感知工人wi外的其他的所有感知工人的投标集合为
根据感知工人wx可以提交的数据数量,更新当前所有任务已获得的数据数量;
8.一种移动群智感知激励装置,应用于服务器平台,其特征在于,所述装置包括:
任务真实位置分布统计模块,用于统计所有任务请求者的任务真实位置分布;
任务位置扰动函数生成模块,用于制定满足差分隐私的任务位置扰动函数,并广播给每个任务请求者,以使每个任务请求者扰动自身的任务位置,根据任务位置扰动函数,获取该任务请求者自身任务的扰动位置;
任务位置估计模块,用于接收每个任务请求者发送的任务的扰动位置和任务的描述文件,根据任务的扰动位置和任务的真实位置分布,计算任务的估计位置;其中,任务的描述文件包括任务的质量计算函数、任务的质量要求阈值和任务的数据收集范围的半径;
工人位置扰动函数生成模块,用于制定满足差分隐私的工人位置扰动函数,并广播给每个感知工人,以使每个感知工人扰动自身位置,根据工人位置扰动函数,获取该感知工人自身的扰动位置;
工人投标集生成模块,用于接收每个感知工人发送的扰动位置和投标信息,根据所有任务的估计位置、所有感知工人的扰动位置和所有任务的数据收集范围的半径,获取感知工人的估计覆盖任务集合,结合投标信息中的最大可完成任务数量,进一步获取每个感知工人的投标任务集合;
赢家选择与报酬决定模块,用于根据每个任务的质量计算函数、每个任务的质量要求阈值、每个工人的投标信息中的投标价格和投标任务集合,从竞标的感知工人中选择赢家,并决定支付给赢家们的报酬。
9.一种移动群智感知激励系统,其特征在于,所述系统包括可信中心、任务请求者、感知工人以及服务器平台,所述服务器平台分别与可信中心、任务请求者、感知工人相连,所述可信中心与任务请求者相连;
所述服务器平台,用于执行权利要求1-7任一项所述的移动群智感知激励方法。
10.一种存储介质,存储有程序,其特征在于,所述程序被处理器执行时,实现权利要求1-7任一项所述的移动群智感知激励方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110146627.8A CN112967118B (zh) | 2021-02-03 | 2021-02-03 | 移动群智感知激励方法、装置、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110146627.8A CN112967118B (zh) | 2021-02-03 | 2021-02-03 | 移动群智感知激励方法、装置、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112967118A true CN112967118A (zh) | 2021-06-15 |
CN112967118B CN112967118B (zh) | 2023-06-20 |
Family
ID=76273664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110146627.8A Active CN112967118B (zh) | 2021-02-03 | 2021-02-03 | 移动群智感知激励方法、装置、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112967118B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516229A (zh) * | 2021-07-09 | 2021-10-19 | 哈尔滨理工大学 | 面向群智感知系统的可信用户优化选择方法 |
CN114021769A (zh) * | 2021-09-16 | 2022-02-08 | 北京邮电大学 | 一种网络测量数据收集方法及系统 |
CN115879722A (zh) * | 2022-12-14 | 2023-03-31 | 南京捷崎信息科技有限公司 | 一种空间众包任务分配方法及系统 |
CN116506845A (zh) * | 2023-06-19 | 2023-07-28 | 暨南大学 | 一种隐私保护的车联网群智感知激励方法及系统 |
CN116663855A (zh) * | 2023-07-25 | 2023-08-29 | 暨南大学 | 一种群智感知中的双边满意在线任务匹配方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130157622A1 (en) * | 2010-07-14 | 2013-06-20 | Cellco Partnership D/B/A Verizon Wireless | Systems and methods for providing mobile handset position to software applications |
CN111263357A (zh) * | 2020-01-19 | 2020-06-09 | 徐州工业职业技术学院 | 一种群智感知中基于云辅助的隐私信息保护方法 |
CN111770454A (zh) * | 2020-07-03 | 2020-10-13 | 南京工业大学 | 移动群智感知中位置隐私保护与平台任务分配的博弈方法 |
CN111814184A (zh) * | 2020-07-07 | 2020-10-23 | 重庆大学 | 一种保护移动群智感知轨迹隐私的差分隐私方法 |
CN112104609A (zh) * | 2020-08-20 | 2020-12-18 | 电子科技大学 | 在移动群智感知系统中可验证的、具有隐私意识的真相发现的方法 |
-
2021
- 2021-02-03 CN CN202110146627.8A patent/CN112967118B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130157622A1 (en) * | 2010-07-14 | 2013-06-20 | Cellco Partnership D/B/A Verizon Wireless | Systems and methods for providing mobile handset position to software applications |
CN111263357A (zh) * | 2020-01-19 | 2020-06-09 | 徐州工业职业技术学院 | 一种群智感知中基于云辅助的隐私信息保护方法 |
CN111770454A (zh) * | 2020-07-03 | 2020-10-13 | 南京工业大学 | 移动群智感知中位置隐私保护与平台任务分配的博弈方法 |
CN111814184A (zh) * | 2020-07-07 | 2020-10-23 | 重庆大学 | 一种保护移动群智感知轨迹隐私的差分隐私方法 |
CN112104609A (zh) * | 2020-08-20 | 2020-12-18 | 电子科技大学 | 在移动群智感知系统中可验证的、具有隐私意识的真相发现的方法 |
Non-Patent Citations (1)
Title |
---|
蔡威等: "移动群智感知中基于强化学习的双赢博弈", 《计算机科学》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516229A (zh) * | 2021-07-09 | 2021-10-19 | 哈尔滨理工大学 | 面向群智感知系统的可信用户优化选择方法 |
CN114021769A (zh) * | 2021-09-16 | 2022-02-08 | 北京邮电大学 | 一种网络测量数据收集方法及系统 |
CN115879722A (zh) * | 2022-12-14 | 2023-03-31 | 南京捷崎信息科技有限公司 | 一种空间众包任务分配方法及系统 |
CN115879722B (zh) * | 2022-12-14 | 2023-09-22 | 南京捷崎信息科技有限公司 | 一种空间众包任务分配方法及系统 |
CN116506845A (zh) * | 2023-06-19 | 2023-07-28 | 暨南大学 | 一种隐私保护的车联网群智感知激励方法及系统 |
CN116506845B (zh) * | 2023-06-19 | 2023-09-15 | 暨南大学 | 一种隐私保护的车联网群智感知激励方法及系统 |
CN116663855A (zh) * | 2023-07-25 | 2023-08-29 | 暨南大学 | 一种群智感知中的双边满意在线任务匹配方法及系统 |
CN116663855B (zh) * | 2023-07-25 | 2024-02-06 | 暨南大学 | 一种群智感知中的双边满意在线任务匹配方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112967118B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112967118A (zh) | 移动群智感知激励方法、装置、系统及存储介质 | |
Jin et al. | Incentive mechanism for privacy-aware data aggregation in mobile crowd sensing systems | |
Zhao et al. | PACE: Privacy-preserving and quality-aware incentive mechanism for mobile crowdsensing | |
Dahiya et al. | A reputation score policy and Bayesian game theory based incentivized mechanism for DDoS attacks mitigation and cyber defense | |
Fei et al. | A k-anonymity based schema for location privacy preservation | |
Wang et al. | Incentivizing crowdsensing with location-privacy preserving | |
US10462138B2 (en) | Application programming interface access controls | |
Feng et al. | Towards truthful mechanisms for mobile crowdsourcing with dynamic smartphones | |
Li et al. | Blockchain-based data trading in edge-cloud computing environment | |
Yang et al. | Crowd-empowered privacy-preserving data aggregation for mobile crowdsensing | |
An et al. | PPQC: A blockchain-based privacy-preserving quality control mechanism in crowdsensing applications | |
Wang et al. | Smart contract-based caching and data transaction optimization in mobile edge computing | |
Sodagari | Trends for mobile IoT crowdsourcing privacy and security in the big data era | |
Xie et al. | A game-theoretical approach for secure crowdsourcing-based indoor navigation system with reputation mechanism | |
Liu et al. | PriDPM: Privacy-preserving dynamic pricing mechanism for robust crowdsensing | |
Agrawal et al. | Pub-SubMCS: A privacy-preserving publish–subscribe and blockchain-based mobile crowdsensing framework | |
Xi et al. | CrowdLBM: A lightweight blockchain-based model for mobile crowdsensing in the Internet of Things | |
Putra et al. | Blockchain for trust and reputation management in cyber-physical systems | |
Khezr et al. | Towards a trustful game-theoretic mechanism for data trading in the blockchain-IoT ecosystem | |
Jain et al. | Blockchain enabled trusted task offloading scheme for fog computing: A deep reinforcement learning approach | |
Zhang et al. | A reputation-based and privacy-preserving incentive scheme for mobile crowd sensing: A deep reinforcement learning approach | |
CN112260784A (zh) | 一种基于游戏策略的区块链下的频谱感知方法及系统 | |
Abidi et al. | Privacy in Urban Sensing with Instrumented Fleets, Using Air Pollution Monitoring As A Usecase. | |
Ma et al. | TIMCC: On data freshness in privacy-preserving incentive mechanism design for continuous crowdsensing using reverse auction | |
Pan et al. | Big data privacy preservation for cyber-physical systems |
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 |