CN113034250A - 一种基于信任值的群智感知激励机制设计方法 - Google Patents

Abstract

本发明公开一种基于信任值的群智感知激励机制设计方法，包括如下步骤收集历史数据信息，根据历史数据信息中提取服务请求者和任务参与者两个实体之间的互动关系建立经验模型；根据提取服务请求者对任务参与者的评价值建立信誉模型；服务请求者向任务平台发布群智感知任务；通过经验模型确定参与本次任务的任务参与者的经验值，通过信誉模型确定参与本次任务的任务参与者的信誉值；根据经验值以及信誉值，计算信任值；若信任值不小于预设信任值阈值，则该任务参与者获得执行本次群智感知任务的权限。本发明从用户信誉和任务交互情况两个角度出发设计的一种群智感知激励机制，即激励用户参与群智感知系统，同时又提高数据质量、检测恶意用户。

Description

一种基于信任值的群智感知激励机制设计方法

技术领域

本发明涉及数据感知技术领域，尤其涉及一种基于信任值的群智感知激励机制设计方法。

背景技术

群智感知(Crowd Sensing，CS)是一种利用智能设备中内置传感器和应用的众包，最近成为分布式传感的一种很有前途的解决方案,并且已广泛应用于物联网领域的研究。群智感知是结合众包思想和移动设备感知能力的一种新的数据获取模式。群智感知是指通过人们已有的移动设备形成交互式的、参与式的感知网络，并将感知任务发布给网络中的个体或群体来完成，从而帮助专业人员或公众收集数据、分析信息和共享知识。群智感知的理念就是要无意识协作，让用户在不知情的情况下完成感知任务，突破专业人员参与的壁垒。群智感知具有部署灵活经济、感知数据多源异构、覆盖范围广泛均匀和高扩展多功能等诸多优点。

群智感知允许越来越多的设备所有者共享感知数据，而作为交换，用户可以为他们的贡献获得激励。智能设备收集的数据多种多样，例如本地新闻、噪音水平、交通状况和社会知识。随着大规模移动用户移动性的多样化，群智感知有望实现空间覆盖的多样化。教育署提供多种物联网服务，包括公共安全、交通规划、环境监察及社会推荐等。这种智能感应方式增强了现有分布式网络的能力。在不增加成本的情况下，提升分布式网络的基础设施，为用户和分布式系统带来双赢的策略。

Longo Antonella等在教学领域使用群智感知，并将群智感知应用于城市区域的几种污染物(如噪声、空气、电磁场等)的环境监测。Alvear Oscar提出，群智感知是解决环境监测问题的一个强有力的解决方案，它可以控制拥挤城市地区的空气污染水平,将群智感知技术应用于社区识别和协同任务执行。Habibzadeh Hadi等对各类型的传感器进行了深入的研究，基于给定的应用平台，判断哪种传感器更有效。Panichpapiboon Sooksan等研究了仅使用现成智能手机的内置传感器进行流量密度估计的可能性。Cortellazzi Jacopo等介绍了博洛尼亚大学开发的一个CS应用程序通用参与平台的扩展，该应用程序主要针对行动不便者的需求。目标是使参与者专业化，使其成为一个群智感知平台，确保其终生获得坚实的支持，从而能够审查和分享关于公共和私人场所以及城市地区建筑障碍的意见。然而，CS的引入也带来了一些重大挑战，如跨空间数据挖掘、保留隐私和提供高质量的数据。低质量的数据会导致大量的冗余，难以提供高质量的服务，甚至损坏CS系统。Zhou X等已经提出了一些提高CS数据质量(Quality of Data，QoD)的方法，包括传感数据的估计和预测，以及识别和删除的统计处理，感测数据中的异常值。Liu C H等人提出了一种新的测量方法，称为信息质量(Quality of Information,QoI)满意率，用以量化从数据粒度和数量上看，所收集的感官数据能满足多维任务的QoI要求的程度。Restuccia F等人提出了一个新的定义和实施移动拥挤感知中QoI的框架。Haiming J等人提出了一种模型解决信息质量的问题。数据选择技术也被用来过滤低质量或无关的数据和基因，为分布式网络服务的进一步处理提供高质量的数据集。另一种方法是使用激励机制来选择值得信赖的用户，期望他们做出高质量的贡献。适当的激励机制不仅可以降低系统成本，而且可以最大限度地减少监控监系统的脆弱性、风险和潜在攻击。

公开号为CN110796529A提出了基于经验的激励政策，考虑了服务提供端用户的累积经验值，通过引入经验模型，用户可以通过参与感知任务保持较高的经验值来获得更多报酬，然而该模型只从任务本身与用户的交互情况，没有考虑用户本身的信誉问题，无法判断恶意用户，从而可能造成数据质量不稳定。公开号为CN104168563A提出了一种基于本地信誉存储的k-匿名激励机制，将每个节点的信誉以信誉证书的形式保存在本地，通过为邻居节点提供匿名服务获得信誉并不断累积，该激励机制中节点只有达到一定的信誉阈值才能获得匿名服务。

发明内容

为了解决上述技术问题，本发明提出一种基于信任值的群智感知激励机制设计方法，本发明的技术方案如下：

一种基于信任值的群智感知激励机制设计方法，包括如下步骤：

收集历史数据信息，从历史数据信息中提取服务请求者和任务参与者两个实体之间的互动关系，根据服务请求者和任务参与者两个实体之间的互动关系建立经验模型；从历史数据信息中提取服务请求者对任务参与者的评价值，根据服务请求者对任务参与者的评价值建立信誉模型；

服务请求者向任务平台发布群智感知任务；

通过经验模型确定参与本次任务的任务参与者的经验值，通过信誉模型确定参与本次任务的任务参与者的信誉值；

根据任务参与者的经验值以及信誉值，计算服务请求者和任务参与者之间的信任值；

若信任值不小于预设信任值阈值，则该任务参与者获得执行本次群智感知任务的权限。

优选地，所述根据服务请求者和任务参与者两个实体之间的互动关系建立经验模型，具体包括如下步骤：

当服务请求者和任务参与者两个实体之间为积极交互时，即当R_t≥θ_co时，

经验模型为增加函数采用线性差分方程建模，如函数(1)和函数(2)所示：

E_t＝E_t-1+R_tΔE_t (1)

上式中，任务参与者接受服务请求者任务至完成任务视为一次完整的交互，E_t为交互完成时记录该参与者的经验值；R_t为时间t时的交互值；θ_co

为R_t的积极交互阈值；max_E为经验最大值，通常设置为1；α为最大增加值，0<α<max_E；

当服务请求者和任务参与者两个实体之间为消极交互时，即当R_t≤θ_unco时，

经验模型为减少函数，如函数(3)所示：

E_t＝Max(min_E,E_t-1-(1-R_t)βΔE_t) (3)

上式中，ΔE_t经由函数(2)决定，θ_unco为R_t的消极交互阈值，min_E为经验最小值，通常设置为0；β为减少率，通常β>1；

当服务请求者和任务参与者两个实体之间在一段时间后没有进行交互作用，即，θ_unco<R_t<θ_co时，经验模型为衰减函数，如函数(4)和函数(5)所示：

E_t＝Max(E₀,E_t-1-ΔDecay_t) (4)

上式中，δ为最低衰变值；γ为递减率；当任务参与者首次接受服务请求者发布的任务时，设定该参与者的E₀＝0，否则以上一次完成任务时的经验值为初始经验值。

优选地，所述根据服务请求者对任务参与者的评价值建立信誉模型，公式如下所示：

上式中，β_w是有限集

中的整数，

为集合的最大值；a为声誉机制的评估值，a＝H代表高声誉；a＝L代表低声誉；h_k是全体任务参与者的平均声誉。

优选地，根据任务参与者的经验值以及信誉值，计算任务参与者的信任值，计算公式如下所示：

Trust(A,B)＝w₁β(B)+w₂E(A,B) (7)

上式中，A代表服务请求者，B代表任务参与者；w₁和w₂分别是信誉值和经验值所占的权重值，且w₁>0，w₂>0，w₁+w₂＝1。

优选地，所述信任值阈值是根据专家以及原始数据经验设定。

优选地，还包括如下步骤：任务参与者向任务平台上传数据信息时，任务平台相应进行匿名化处理。

优选地，还包括如下步骤：具有权限的任务参与者执行完任务后，由任务平台向任务参与者发放对应报酬。

基于上述技术方案，本发明的有益效果是解决群智感知中数据质量不高、无法检测恶意用户等问题，从用户信誉和任务交互情况两个角度出发设计的一种群智感知激励机制，紧密围绕群智感知技术开展研究，以激励用户参与群智感知系统，同时提高数据质量、检测恶意用户。

附图说明

下面结合附图对本发明的具体实施方式作进一步详细的说明。

图1：本发明一种基于信任值的群智感知激励机制设计方法流程图；

图2：本发明与基于平均QoD算法、多项式回归QoD算法和随机选择算法进行服务质量评分的实验模拟结果对比图。

具体实施方式

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。

实施例一

设计群智感知架构的关键是激励用户参与、进行节点选择和信息收集等实现感知任务的分配和数据的收集，即本发明设计的核心，如图1所示，下面具体阐述本发明一种基于信任值的群智感知激励机制设计方法的实施步骤：

一、收集历史数据信息，从历史数据信息中提取服务请求者和任务参与者两个实体之间的互动关系，根据服务请求者和任务参与者两个实体之间的互动关系建立经验模型，具体为：经验值是服务请求者和任务参与者两个实体之间的不对称关系，服务请求者发布视觉群智感知任务，有意愿完成该任务并提供数据资料的用户称为任务参与者，这两个实体是从先前的互动中建立起来的，反映了服务请求者对任务参与者的信任程度。在每次互动之后，服务请求者和任务参与者之间的经验值应该得到提高，并且应该保持经验来正确地表明两者之间的关系也就是说，经验值因合作互动而增加；因不合作互动而减少；如果一段时间后没有互动，经验值也会衰退。经验值的增加、减少和衰减的数量取决于服务请求者和任务参与者两个实体之间交互强度、交互值和当前经验值，分别说明如下：

在建立经验模型前，需要设定经验初始值，如果任务参与者首次接受服务请求者发布的任务，设定该参与者的E₀＝0，否则以上一次完成任务时的E_t为初始经验值,即

其中，i为正整数，是任务参与者参与接受任务的次数；E_t(i-1)为该参与者第i-1次完成任务时的经验值。

1.1当服务请求者和任务参与者两个实体之间为积极交互时，即当R_t≥θ_co时，经验模型为增加函数采用线性差分方程建模，如函数(1)和函数(2)所示：

E_t＝E_t-1+R_tΔE_t (1)

上式中，E_t为t时的经验值；R_t为时间t时的交互值；θ_co为R_t的积极交互阈值；max_E为经验最大值，通常设置为1；α为最大增加值，0<α<max_E；

1.2当服务请求者和任务参与者两个实体之间为消极交互时，即当R_t≤θ_unco时，经验模型为减少函数，如函数(3)所示：

E_t＝Max(min_E,E_t-1-(1-R_t)βΔE_t) (3)

上式中，ΔE_t经由函数(2)决定，θ_unco为R_t的消极交互阈值，min_E为经验最小值，通常设置为0；β为减少率，通常β>1；

1.3当服务请求者和任务参与者两个实体之间在一段时间后没有进行交互作用，即，θ_unco<R_t<θ_co时，经验模型为衰减函数，如函数(4)和函数(5)所示：

E_t＝Max(E₀,E_t-1-ΔDecay_t) (4)

上式中，δ为最低衰变值；γ为递减率。

二、从历史数据信息中提取服务请求者对任务参与者的评价值，根据服务请求者对任务参与者的评价值建立信誉模型，公式如下所示：

上式中，β_w是有限集

中的整数，

为集合的最大值；a为声誉机制的评估值，a＝H代表高声誉；a＝L代表低声誉；h_k是全体任务参与者的平均声誉更新β_w取决于请求者的评价，如果服务请求者确认解决方案并给予正面评价，任务参与者的声誉值将提高。任务参与者不能自己更新声誉，因为服务请求者不会认可这类交易。

三、服务请求者向任务平台发布群智感知任务，通过经验模型确定参与本次任务的任务参与者的经验值，通过信誉模型确定参与本次任务的任务参与者的信誉值；信任值是经验值和信誉值的聚合，w₁和w₂分别是信誉值和经验值所占的权重值，可以根据个人喜好进行设定，其中w₁>0，w₂>0，w₁+w₂＝1，服务请求者A与任务参与者B之间计算最终信任值的简单加权，如函数(7)所示：

Trust(A,B)＝w₁β(B)+w₂E(A,B) (7)

若信任值不小于预设信任值阈值，则该任务参与者获得执行本次群智感知任务的权限。

四、具有权限的任务参与者执行完任务后，由任务平台向任务参与者发放对应报酬。

MATLAB试验模拟情景

基于信任值的算法中，QoD指数据质量(Quality of Data)，QoS指服务质量(Quality of Service)，基于信任值的激励机制根据信任模型建立和维护用户之间的信任关系，招募具有最高信任值的任务参与者和服务请求者。如算法1所示，首先设置矩阵EXP、REP和TRUST，以记录N个任务参与者的经验关系、信誉值和信任关系(第1行)。开始状态的输出设置为0(第2行)。对于来自任务参与者U(i)的每个请求R(i)和每个感测任务STR(i)(j)该算法招募具有U(i)最高信任值的任务参与者(第5行)。当感测任务完成后，该算法计算从招募用户收集的感测数据的数据质量QoD分数，并相应地更新EXP、REP和TRUST(第6行至第9行)。最后，通过添加所请求的服务R(i)的QoS评分(第11行)来更新输出。

算法1基于信任值的激励机制：

1 Initialization TRUST[][],EXP[][],REP[]；；

2 out＝0；；

3 foreach request R(i)from user U(i)do

4 foreach sensing task STR(i)(j)do

5 Recruit(Pij users with highest TRUST[Pijusers][U(i)])；

6 QoD(Sensing data from Pij users)；

7 Update(EXP[U(i)][Pij users])；

8 Update(REP[])；

9 Update(TRUST[][])；

10 end

11 out←out+QoS(R(i))；

12 end

13 Return out

如图2所示，模拟了基于信任值的算法、基于平均QoD算法、三度多项式回归算法和随机选择算法4种不同的方法对于数据质量的影响，QoS计算公式如函数(8)和函数(9)所示：

服务请求的数量从1到160不等，在不失去通用性的情况下，假设每个服务请求都是通过从5到15的随机数感知任务来完成的。每个传感任务需要5到200的任务参与者数(占总用户的50％)。任务参与者总数N设置为400，恶意用户数量从N的0％到25％不等。假设一个任务参与者可以同时参与几个任务。在仿真中实现了基于信任值的算法、基于平均QoD算法和三度多项式回归算法三种算法，为了更好地观察，还实现了一种随机选择方法作为最简单的激励机制。如图2所示，在大多数情况下，基于信任值的激励机制优于所有其他三种激励机制，这意味着使用拟议的基于信任值的服务的质量优于其他激励机制。除了随机选择激励机制，其他所有的激励机制想要产生更好的QoS评分，就需要有更多的请求服务，然而，在大约15次请求(即学习阶段)之后，基于ME-R信任模型的激励机制为以下服务取得了一致的QoS分数，而基于平均QoD和多项式回归QoD的激励机制分别需要大约35次和70次请求。在学习阶段之后，基于信任值模型的激励机制在3.35到3.55之间持续地达到了与其他激励机制相比的最高QoS分数，而基于平均QoD的激励机制在3.10到3.35之间波动，基于多项式回归QoD的激励机制结果稳步增加，最终达到3.25到3.40。这三个激励机制都借鉴了以前的数据提供者，以最大限度地实现结果。然而，除了基于信任值的激励机制外，其他激励机制未能检测到恶意用户。这就是为什么在这些激励机制中仍然招募了一些让请求服务的QoS分数变低的恶意用户。这种情况是可以理解的，基于平均QoD的激励机制认为恶意用户是高质量的用户，因为他们的平均QoD分数是相似的。与基于平均QoD的激励机制相比，基于多项式回归QoD的激励机制在长时间的学习阶段后产生的QoS分数要略高于基于平均QoD的激励机制产生的QoS分数。这是因为恶意用户大部分时间都会贡献高质量的数据，因此低质量的数据很少发生，可以被认为是回归模型中的异常值。

以上所述仅为本发明所公开的一种基于信任值的群智感知激励机制设计方法的优选实施方式，并非用于限定本说明书实施例的保护范围。凡在本说明书实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的保护范围之内。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本说明书实施例中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

Claims (7)

1.一种基于信任值的群智感知激励机制设计方法，其特征在于，包括如下步骤：

收集历史数据信息，从历史数据信息中提取服务请求者和任务参与者两个实体之间的互动关系，根据服务请求者和任务参与者两个实体之间的互动关系建立经验模型；从历史数据信息中提取服务请求者对任务参与者的评价值，根据服务请求者对任务参与者的评价值建立信誉模型；

服务请求者向任务平台发布群智感知任务；

通过经验模型确定参与本次任务的任务参与者的经验值，通过信誉模型确定参与本次任务的任务参与者的信誉值；

根据任务参与者的经验值以及信誉值，计算服务请求者和任务参与者之间的信任值；

若信任值不小于预设信任值阈值，则该任务参与者获得执行本次群智感知任务的权限。

2.一种基于信任值的群智感知激励机制设计方法，其特征在于，所述根据服务请求者和任务参与者两个实体之间的互动关系建立经验模型，具体包括如下步骤：

当服务请求者和任务参与者两个实体之间为积极交互时，即当R_t≥θ_co时，经验模型为增加函数采用线性差分方程建模，如函数(1)和函数(2)所示：

E_t＝E_t-1+R_tΔE_t (1)

上式中，任务参与者接受服务请求者任务至完成任务视为一次完整的交互，E_t为交互完成时记录该参与者的经验值；R_t为时间t时的交互值；θ_co为R_t的积极交互阈值；max_E为经验最大值，通常设置为1；α为最大增加值，

0<α<max_E；

当服务请求者和任务参与者两个实体之间为消极交互时，即当R_t≤θ_unco时，经验模型为减少函数，如函数(3)所示：

E_t＝Max(min_E,E_t-1-(1-R_t)βΔE_t) (3)

上式中，ΔE_t经由函数(2)决定，θ_unco为R_t的消极交互阈值，min_E为经验最小值，通常设置为0；β为减少率，通常β>1；

当服务请求者和任务参与者两个实体之间在一段时间后没有进行交互作用，即，θ_unco<R_t<θ_co时，经验模型为衰减函数，如函数(4)和函数(5)所示：

E_t＝Max(E₀,E_t-1-ΔDecay_t) (4)

上式中，δ为最低衰变值；γ为递减率；当任务参与者首次接受服务请求者发布的任务时，设定该参与者的E₀＝0，否则以上一次完成任务时的经验值为初始经验值。

3.根据权利要求1所述的一种基于信任值的群智感知激励机制设计方法，其特征在于，所述根据服务请求者对任务参与者的评价值建立信誉模型，公式如下所示：

上式中，β_w是有限集

中的整数，

为集合的最大值；a为声誉机制的评估值，a＝H代表高声誉；a＝L代表低声誉；h_k是全体任务参与者的平均声誉。

4.根据权利要求1所述的一种基于信任值的群智感知激励机制设计方法，其特征在于，根据任务参与者的经验值以及信誉值，计算任务参与者的信任值，计算公式如下所示：

Trust(A,B)＝w₁β(B)+w₂E(A,B) (7)

上式中，A代表服务请求者，B代表任务参与者；w₁和w₂分别是信誉值和经验值所占的权重值，且w₁>0，w₂>0，w₁+w₂＝1。

5.根据权利要求1所述的一种基于信任值的群智感知激励机制设计方法，其特征在于，所述信任值阈值是根据专家以及原始数据经验设定。

6.根据权利要求1所述的一种基于信任值的群智感知激励机制设计方法，其特征在于，还包括如下步骤：任务参与者向任务平台上传数据信息时，任务平台相应进行匿名化处理。

7.根据权利要求1所述的一种基于信任值的群智感知激励机制设计方法，其特征在于，还包括如下步骤：具有权限的任务参与者执行完任务后，由任务平台向任务参与者发放对应报酬。

Images