CN113516229A

CN113516229A - 面向群智感知系统的可信用户优化选择方法

Info

Publication number: CN113516229A
Application number: CN202110774979.8A
Authority: CN
Inventors: 陈静; 王健; 刘佳
Original assignee: Harbin University of Science and Technology
Current assignee: Harbin University of Science and Technology
Priority date: 2021-07-09
Filing date: 2021-07-09
Publication date: 2021-10-19

Abstract

本发明提供的是一种基于面向群智感知系统的可信用户优化选择方法，其具体内容可以表示为：要求用户提供收集数据时环境状态的评估，这不仅可以作为环境对数据影响程度的参考因素，也可以作为平台对用户可信性评估的参考数据之一。将用户提供的数据输入到分析模块中，由分析模块判断其是否为可信数据，分析模块中设置信任矩阵，计算用户的信誉值，当用户信誉值大于阈值时，确定提供该数据的用户为可信用户。本发明提高了平台对用户判断的准确性，提高了平台的数据质量，同时降低了平台判断用户消耗的平均时间。

Description

面向群智感知系统的可信用户优化选择方法

技术领域

本发明设计到移动群智感知技术领域，设计一种面向群智感知系统的可信用户优化选择方法。

背景技术

智能手机不仅普及度极强，自身还带有集成的高分辨率摄像头和不同传感器，例如陀螺仪、光敏传感器、GPS、磁传感器、声传感器等，智能手机具有更先进的传感器，这一特点使其成为移动群智感知系统的基础设备。参与者通过手机传感器收集数据，移动群智感知系统对这些数据进行存储、整理，最后在公共平台进行共享。与传统的传感网络不同，在移动群智感知系统中，用户使用随身携带的智能设备在物理世界采集不同模态的数据，平台对收集到的感知数据进行分析后得到结论，服务请求者可以从中获得相对准确、可靠的信息。移动群智感知在城市/社区动态检测或者其他方面有许多应用领域，例如空气污染监测，测量路面车辆密度，噪声监测，路线规划等。由此可见，要想保证分析结果准确而可靠，对于提高感知数据质量的研究是极为重要的。移动群智感知系统的基础是大量感知用户主动提供数据，受环境或人为因素的影响，平台收集到的数据中混有虚假数据，而虚假数据会对系统的综合分析产生消极影响，所以平台在收集数据时需要对数据进行判断，降低由恶意数据误导而得出错误结论的概率，以增强感知系统预测的可靠性。群智感知系统中用户为非固定人群，这一特性使感知系统拥有良好的灵活性的同时也带来了对于用户的不可预测性。经研究表明，可信性越高的用户提供高质量感知数据的可能性就越大，因此筛选群智感知中可信用户，就能进一步的提高感知数据质量。

WangL等人提出了一种新型框架effsense，该框架将用户分为两组，分别为降低能耗组合降低数据成本组，通过利用用户呼叫的移动性的可预测性，提供用户自适应上传数据方式，减少用户的成本消耗，减低用户因上传数据成本过高而降低数据质量。J.An等人提出一种面向服务的框架，该框架考虑到感知用户的移动性和社会性，将不同的功能单元与内在的服务互连起来，构建从服务请求者到服务提供者的可信链路，实现众包服务请求的高效分发和可靠交付。HuangK等人提出了一种通过评估感知用户信誉来反映该用户在群智感知系统中提供数据的可信性的系统。该系统由两个模块组成，分别为看门狗模块和信誉模块，看门狗模块通过执行离群值检测算法计算用户贡献的评分，该模块根据不同的数据类型，选择使用鲁棒平均算法或多数投票算法对用户的贡献进行评分。将用户的贡献评分传送给信誉模块，信誉模块使用Gompertz函数计算用户信誉值，进而判断用户上传数据的可信性；

E 等人提出了一个概念性的信任框架，提出了考虑用户信任倾向的移动群智感知系统中的数据可信性评估，该框架对定性评估动态进行扩展，支持以人为中心的信任管理，在对用户的贡献进行评估的同时，也考虑到用户提供信息时的个体倾向。由于用户出来贡献智能设备生成的原始感应数据外，还可以提供自己的意见和其他主观数据，该方法侧重于在对用户贡献进行信任评估时考虑用户行为特征中的主观性；Amintoosi H等人提出了一个应用不可知的社会参与式感知系统声誉框架，该框架考虑了贡献的质量和社会网络中参与者的可信水平，然后信誉模块采用PageRank算法进行计算，得出一个最终的贡献信任度，同时也会计算出每个参与者的信誉分数，作为对其进行信任评级的结果。Su K等人提出了一种可靠的个性化QoS预测信任感知方法TAP，首先通过用户提供的信息进行聚类，然后使用beta信誉系统计算用户信誉，通过计算出的用户信誉和相似度识别出一组值得信赖的用户，最后结合可信的相似用户和服务的Qos数据对活动用户进行预测。

发明内容

本发明旨在面向移动群智感知系统，提出一种群智感知可信用户的选择方法。

本发明考虑到感知环境对数据收集的影响，要求感知用户进行数据收集时对当前环境进行评估，将评估意见和收集到的信息作为数据一并上传给服务器。

本发明提出的框架根据生成对抗网络工作原理，摹拟模块在噪声向量的参与下生成不同数据，分析模块判断输入数据是来自真实数据还是摹拟模块，两个模块在各自的学习率下不断进行能力提升，当分析模块无法分辨数据来源时代表训练结束。

本发明中的识别模块对用户提供数据进行分析，评估数据分布与可信用户提供数据的相似度，该过程受用户的历史行为和爱好偏向等因素的影响较小，与基于用户历史信誉关联的评估方法相比具有更高的稳定性。

相对于其他算法，本发明从不同角度收集数据，分析后得到的结果会更具可靠性；另一方面，该框架结合生成对抗网络的工作原理，对识别模型进行用户可信性判断的训练，训练结束后获得生成对抗网络的优势，对用户的判断精准而快速。通过对比实验结果表明，在恶意用户占相同比例的情况下，本发明对用户可信性判断的准确率以明显的优势优于其他算法。

附图说明

图1为PnGAN在群智感知系统流程图。

图2为摹拟模块和分析模块工作流程图。

具体实施方式

下面结合附图对本发明内容做更详细地描述。

群智感知用户选择方法：本发明提出一种新型的信任框架，该框架考虑了影响数据质量的相关因素。拟议框架的目标是确定在群智感知框架中影响用户信誉因素之间的关系，同时也考虑用户的主观因素对用户信誉的影响。本发明将影响用户信誉的因素总结归纳为以下几个方面：①感知环境对用户进行数据收集的影响；②用户提供数据的可信赖性随时间变化而改变。

由于群智感知系统无法确定对感知环境对用户进行数据收集的影响，所以本发明采用征求感知用户对当前环境的主观评估，即该感知事件是否具有代表性，由此可以将环境因素作为数据质量评估的数据。用户提供数据的方式原分为显式提供和隐式提供，在本发明考虑用户对感知环境进行评估后，数据又可以分为主观部分和客观部分。在此基础上本发明提出了信任矩阵，事件的信任值的计算方式，同时将其归纳到神经网络中，作为神经网络做出判断的重要依据，如图1所示。

移动群智感知系统由感知用户组成，表示系统中收集感知数据的拥有智能设备的参与用户。用户在系统要求的环境中进行数据收集，表示用户收集到的感知数据。通过用户收集数据的方式将用户分为机会式感知用户和参与式感知用户，机会式感知用于获得从智能设备或其他移动终端中收集数据的物理信息，参与式感知需要用户积极参与感知任务，并对收集数据的事件表达个人观点，通过参与式感知的方法获得用户对事件的评估。

将用户的评估结果及用户收集到的信息作为数据上传给群智感知平台，在感知平台内部设置识别模块，该模块可以根据用户提供的数据对用户的可信性进行判断，该模块由两层神经网络构成，一层神经网络用来评估用户的数据，另一层对评估的结果进行分类，输出该用户是否可信。平台对数据进行分析之后提取需要的信息，然后有针对性的发布下一轮任务。

利用生成对抗网络的工作原理，本发明在训练过程中设置两个模块，分别为摹拟模块和分析模块。摹拟模块中包含两层神经网络，首先对上传的数据进行随机采样，样本作为输入信息输入到该模块中，神经网络对输入数据进行分析摹拟，为了使摹拟的数据具有多样性，在输入样本的同时输入噪声，摹拟模块输出的生成数据作为样本输入到分析模块中，分析模块功能在于判断输入样本是否为摹拟模块生成的，输出判断结果后将判断样本的依据作为信息反馈给摹拟模块，以便摹拟模块生成更接近真实数据的样本。分析模块也在不断识别样本的过程中进行学习和升级，以期能更好地分辨输入样本的来源。模块间具体工作流程如图2 所示。

图2中，随机数据S_N和噪声向量X的串联输入,S_N是n维向量，每个元素对应于标签的数值。X是m维向量的超参数。m的每个元素都是从[0,1)范围内的均匀分布中采样的随机数。本发明首先将用户提供数据进行统计和分析，用户上传的感知数据通常具有多种标签，对数据进行多次抽样后对数据中每个标签出现的频率进行统计，抽样结束后对统计的频率取平均值，选取频率较高的标签作为输入数据。

当分析模块无法识别出数据来源时，标志神经网络模型训练结束，然后将识别模块应用到群智感知平台中。

计算感知用户声誉：在识别模块内部对用户计算用户的声誉值时，将用户对事件的所提供的信息分为主观部分和客观部分，公式表示为P_i,j＝(A_i,j,B_j)。主观部分A_i,j表示用户i对事件j的评估，通过参与式感知方法明确贡献，客观部分B_j通过机会感知方法捕获。在后文中，本发明将活动的主观部分称为“主观评估”，客观部分称为“客观评估”。

主观评估A_i,j由用户主动提供，取值范围为集合S＝{-2,-1,0,1,2},其中数字分别表示用户认为事件的没有代表性、大概率不具有代表性、不确定、大概率具有代表性和极具代表性。

客观评估B_j在区间[0,1]上有实数值，用于比较事件及其分类。本发明将一组相同的事件定义为集合E_k＝{B_j-τ＜B_j＜B_j+τ}，其中τ表示事件分类阈值。例如，在同一时间和同一地理位置发生的事件在收集有关天气状况数据的群智感知系统中将具有相同的客观价值。本发明事件分类的阈值设置为τ＝0.05。

事件评估存储在信任矩阵中。信任矩阵的一般形式为

信任矩阵M中的第k行代表用户U_k的个人评估向量，它包含用户U_k对事件的评估，并表示为M_k,m＝{(A_1,1,B₁)(A_k,2,B_k)…(A_k,m,B_m)}。此外

表示仅包含主观部分的评估向量，

表示仅包含客观评估的部分。第k列表示对特定事件e_k的评估的信任向量(有用户提供)，公式表示为M_k,m＝{(A_1,k,B_k)(A_k,k,B_k)…(A_n,k,B_k)}。事件e_k的信任值定义为

在训练过程中，生成器要求找出类似于真实的数据分布，故PnGAN的生成器的目标函数定义为

针对生成器的工作原理，判别器的目标函数定义为

其中x是来自真实数据分布p_data的真实数据，z是从分布p_z采样的噪声矢量。在D(x)和D(G(z))的基础上加入求对数和求期望值，以降低不可预期的干扰噪声对数据分布的影响和缓解数据分布偏差问题。期望值的计算是使最终生成的数据分布P_N(z)与真实数据分布P_F(x)一致，即希望生成数据尽量地拟合真实数据但不是生成真实数据本身，这样才能保证G产生出的数据既与真实数据有一定相似性，同时又不同于真实数据。P_N代表着虚假样本通过参数为θ_g的G映射大高维的数据空间得到P_g＝G(z,θ_g)。

训练PnGAN过程如算法1所示。

数据质量评估算法：在感知目标区域内，将不同时间段的感知任务记为T＝{t₁,t₂,…,t_m}, 每个任务的用户集为U＝{u₁,u₂,…,u_n}，招募若干个用户构成集合

U′U'进行任务感知，其提交的感知数据集为x＝{x₁,x₂,…,x_k}。其数据质量记为Q＝{q₁,…,q_k}，q_i∈Q且0≤q_i≤1。存在数据质量阈值μ，当q_i≥μ时，用户u_i的数据质量达到标准。

当用户将收集到的数据上传给平台后，系统根据用户提交的数据计算其感知质量，感知质量评估算法如算法2所示。

D_i表示数据x_i与其他用户数据的差距，

表示簇心到其他用户的数据距离为

簇心数据即为任务真值x_r,在任务真值为x_r的条件下，用户u_i的数据质量

其中dis(x_i,y_i)可以采用欧式距离、余弦距离、标准化距离等公式表示。

Claims

1.本发明采用征求感知用户对当前环境的主观评估，即该感知事件是否具有代表性，由此可以将环境因素作为数据质量评估的数据，用户提供数据的方式原分为显式提供和隐式提供，在本发明考虑用户对感知环境进行评估后，数据又可以分为主观部分和客观部分，在此基础上本发明提出了信任矩阵，事件的信任值的计算方式，同时将其归纳到神经网络中，作为神经网络做出判断的重要依据。

2.移动群智感知系统由感知用户组成，用户在系统要求的环境中进行数据收集，通过用户收集数据的方式将用户分为机会式感知用户和参与式感知用户，机会式感知用于获得从智能设备或其他移动终端中收集数据的物理信息，参与式感知需要用户积极参与感知任务，并对收集数据的事件表达个人观点，通过参与式感知的方法获得用户对事件的评估。

3.将用户的评估结果及用户收集到的信息作为数据上传给群智感知平台，在感知平台内部设置识别模块，该模块可以根据用户提供的数据对用户的可信性进行判断，该模块由两层神经网络构成，一层神经网络用来评估用户的数据，另一层对评估的结果进行分类，输出该用户是否可信，平台对数据进行分析之后提取需要的信息，然后有针对性的发布下一轮任务。