CN114969756B - 一种通过历史数据插值检验的可信参与者选取方法 - Google Patents
一种通过历史数据插值检验的可信参与者选取方法 Download PDFInfo
- Publication number
- CN114969756B CN114969756B CN202210579757.5A CN202210579757A CN114969756B CN 114969756 B CN114969756 B CN 114969756B CN 202210579757 A CN202210579757 A CN 202210579757A CN 114969756 B CN114969756 B CN 114969756B
- Authority
- CN
- China
- Prior art keywords
- data
- participant
- participants
- trust
- grid
- 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
Links
- 238000010187 selection method Methods 0.000 title claims abstract description 9
- 238000012360 testing method Methods 0.000 title abstract description 6
- 238000000034 method Methods 0.000 claims abstract description 68
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000013480 data collection Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 abstract 1
- 230000008447 perception Effects 0.000 description 11
- 238000005070 sampling Methods 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 2
- UFWIBTONFRDIAS-UHFFFAOYSA-N Naphthalene Chemical compound C1=CC=CC2=CC=CC=C21 UFWIBTONFRDIAS-UHFFFAOYSA-N 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
- G06F21/57—Certifying or maintaining trusted computer platforms, e.g. secure boots or power-downs, version controls, system software checks, secure updates or assessing vulnerabilities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种通过历史数据插值检验的可信参与者选取方法。目标是辨识群智网络中恶意参与者,从而选取可信的参与者以提高数据采集质量。提出的发明方法如下:通过无人机采取部分数据作为标准检验数据,用来比对数据参与者提交的数据,如果一致则提高参与者的信任度,反之则降低其信任度。这样当参与者的可信度大于阀值,则纳可信参与者,可信参与者的数据也作为标准数据类似于无人机采集的数据对其它参与者进行信任辨识。更重要的是,对可信参与者辨识后,还对历史上的交互数据进行比对,并采用插值方法推理出邻居网格多数有可信数据的网格的数据,从而扩展信任辨识的范围,加快信任辨识。在此基础上,给出了参与者选取方法以提高数据质量。
Description
技术领域
本发明属于群智网络的可信数据收集领域,特别涉及群智网络中如何快速与低成本的获得参与者的可信度,采集高质量数据的方法。
背景技术
群智感知网络是一种参与式数据感知与获取网络,平台通过发布感知数据的任务,任务中包含采集数据采集的地点,时间,采集数据而给予的报酬。参与者获悉感知任务后综合评估自己的情况后做出是否参与数据感知的决定。如果决定参与数据感知,则向平台申请数据感知,平台收到申请后,对申请参与任务的参与者进行选择,以选择感知质量高的参与者。
网络中存在一些恶意的参与者,它们也向平台申请参与数据感知任务,但是恶意参与者并不提交真实的数据,而是提交一些虚假的,或者恶意的数据,从而对平台造成损害。为了避免恶意对平台造成损害,当前的研究主要是有二类方法。一类是在选择参与者时不对参与者的可信性进行评价,而是当收到参与者的数据后再进行数据计算等操作,以使得计算后的数据与真实的数据一致。另一类是通过计算参与者的信任度,然后选取可信的参与者数据感知,由于可信的参与者提交的数据是可信的,因而能够保证数据质量。这二类方法各有优势:下面分别介绍如下:
第一类方法的主要思想基本如下的设定:网络中大多数参与者都是可信的,提交的数据都是真实的,恶意参与者占少数;并且,这些参与者是服从独立同分布的。在这样的假设条件下,如果对同一感知对象选取n个参与者去同时感知而得到n个数据,由于大多数参与者是可信的,只有少部分是恶意的,因而一般情况下这n个数据中多数是接近真实值的,接近真实值而不是真实值的原因是因为每个感知设备是存在误差的,每个数据之间存在误差,只要误差在允许的范围内就可以认为是真实值。因而采用这类方法的关键是如何从这n个数据中求得真实值。研究人员目前提出了很多方法,主要有:平均值法,中位数法,加权平均值法,多数投票法。这些方法的主要思想如下:平均值法是将这n个数据求平均值得到的数据为真实值。这种方法的优点是简单,如果n较大,网络中恶意参与者的比例较低的情况下,求的数据就比较接近真实值,而且比较稳定。但是,这种方法不好的地方在于,如果n的取值较少的情况下,求得的值偏差就比较大,例如n为2,3时,只要其中一个是恶意参与者,则就能够使求得值离真实值相差较远。而且,恶意参与者还可以报告离真实值非常远的数据,从而在平均取值的过程中就使总体的平均值离真实值相差甚远。而中位数法是在n个数据中取中位数,这种方法能够避免恶意将自己的值取得离真实值非常大而使平均值法不准确的情况。因为,如果恶意参与者偏离太远,就不会是中位数,而不会被选中。加权平均法是依据下面的思想:n个数据是服从正态分布,正态分布的中心离真实值最接近,因而其权重大,而离正态中心远的数据其离真实值应该远,其权重就小,这样再进行加权平均值的为真实值。这类方法是建立在这n个数据是服从正态分布的基础上,而且正态分布的中心离真实值最接近。这种假设在没有恶意参与者的情况下是成立的。但是,存在恶意参与者的情况下,其分布其实是无规律的。多数投票法其实是一种多数决定的方法,即在离散的数据中,占多数的值为真实值。其实,上述方法都是一种无奈的方法,求得的值是不是真实值,平台是不确定的。因为,群智网络中要求得参与者感知的数据是否真实是非常难的。最大的困难在于成本与数据的获取不可重复性。数据的获取不可重复性是指参与者感知的数据是与时间,地点相关的。有些数据,只要时间不同,同一地点的感知数据都不可能重复,从而即使平台想检验其采集的数据是否真实,也没办法重复采样而验证。而且验证的成本比参与者采样的成本高很多倍。参与者采样是一种顺带式的采样,是因为参与者本身就在那个地点,其感知数据的成本很低。而平台要验证参与者数据的真实性,就需要派专门的设备到达采样地点进行感知,就是在即使数据可以重复采样的情况下其成本也比参与感知的成本高达100倍以上。在这样的情况下,由于恶意参与者提交恶意数据很难被验证,因而,恶意参与者就可以联合起来,在关键的数据,时间,地点上一起提交数据,从而使恶意参与者提交的数据达到多数,这时恶意参与者就能够实现攻击的目的。
另一种求真实数据的方法是采用信任的方法,这类方法是先选取可信的参与者。由于信任度是参与者内在的一种属性,是稳定的。因而,可信的参与者会提交真实的值,而恶意的参与者会提交恶意数据。因而,选取可信的参与者就能够取得真实值。可见这种方法的关键在于辨识出参与者的信任度,从而区分出可信的参与者与恶意参与者,这样才能指导平台如何选取参与者。然而,辨识参与者是否可信其难度与辨识真实数据是一样的。目前大部分方法是通过参与者外在的行为来表征其可信度。然而,在群智感知中几乎不可能获得参与者的行为,因而目前还未有很好的来求得参与者的信任度。而有些方法仍然采用传统网络中通过观察交互者之间的行为来辨识信任度的方法在群智网络中是不适用的。因而,本发明提出了一种新颖的,有效的方法来解决这个问题。
发明内容
本发明公开了一种通过历史数据插值检验的可信参与者选取方法。该发明方法的创新是如下:针对以往方法不能获得参与者信任度的关键在于平台不知道真实的数据是多少,因而不能参与者提交的数据进行评价,从而就不能有效的对参与者的信任度进行评价。本发明的方法与以往研究的根本不同的在于台下几点:在信任度的计算方面的主要内容有:(a)我们利用当前无人机技术的快速发展,使得其的使用变得便捷方便,低成本。因而,本发明的方法提出在主体选取参与者采集数据的情况下,采用无人机采集少量网格的数据作为真实数据的标准,用此检验参与者采集的数据的真实性。经过比对二者采集的数据,如果参与者采集的数据与无人机采集的数据一致,则认为参与者采集的数据是真实性,并提高参与者的信任度。反之,如果参与者采集的数据与无人机采集的数据不一致,则认为参与者采集的数据是虚假的,则减少参与者的信任度。从而使得本发明的方法有真实的可对比数据,因而具有很好的可对比性;(b)在上一步的对比的过程中,如果参与者的信任度上升到很高的时,就可以认为其是可信的参与者。这时,可信参与者采集的数据就又可以作为标准数据来检验其它参与者的信任度,如此地,扩展可对比的标准,从而加快速参与者的信任度计算;(c)在上述的过程中,如果某参与者的信任度上到高的值被认为是可信参与者后。则将其历史上的数据提交过程中的每一次提交的数据都用来为检验标准,从而检验其它参与者的信任度;并且,如果某网格的周围邻居网格中有5个网格中有可能参与者时,则采用插值法计算此网络的真实值,用计算出来的值为此网格的真实值,对历史上的其它参与者的信任度进行计算。这样通过历史数据的信任检验来加快参与者的信任计算。
在平台选取参与者,以及计算最终的数据方面的主要内容有:(a)如果网格中有无人机采集的数据,则无人机采集的数据为最终的数据,并同时以此数据为标准检验其它参与者的数据以检验其信任度;(b)如果网格中有可信的参与者,则此网格的最终数据为可信参与者的数据;同样以此为数据标准检验其它参与者的信任度;(c)有可信度较高,但没达到可信参与者的程度时,则选取信任度最高的前多个参与者的数据平均值为最终数据;(d)如果此网格中都是不可信的,或者是信任度未知参与者的数据,则此网格的最终数据为其可信邻居网格通过插值方法得到的估计值为最终的数据。
发明的技术解决方案如下:
一种通过历史数据插值检验的可信参与者选取方法,包括以下步骤:
(1)参与者的集合记作系统平台发布的任务是需要采集的网络区域划分为n个网格的数据,G={g1,g2,g3,...gm}。网络中的数据参与者获知采集数据的任务后,有m个参与者向平台申请数据采集,m一般大于n;在第i个网格中申请数据采集的参与者集合记作Pi。记xi=|Pi|表示第i个网格中申请数据采集的参与者的数量。显然有:派出无人机采取z个网格的数据,其中z远小于n。为减少成本,z的值在运行过程中动态调整。无人机采集数据的网格集合记作/>初始网络中所有参与者的信任度为Ci=0.5,表示其信任度未知。可信参与者集合设为/>初始集合/>为空。
(2)对于网络中的每一个网格gi按如下参与者选取方法选取参与者:
(a)如果gi∈GUAV,则选取个参与者采集数据,而且这些参与者不属于/>
(b)否则,如果gi不属于GUAV,申请i个网格的参与者集合Pi有可信的参与者,即Pi中至少有一个参与者属于则选取一个信任度最大的参与者/>而且/>并且选取个参与者采集数据,而且这些参与者不属于/>
(c)否则,如果gi不属于GUAV,而且Pi中没有一个参与者属于则选取信任度大于/>的参与名/>个,/>为取值为0.6-0.8之间的值;
(d)否则,如果gi不属于GUAV,而且Pi中没有一个参与者属于而且没有选取信任度大于/>的参与者,则不选取参与者。
(3)对于网络中的每一个网格gi按如下方法求得最终的数据:
(a)如果gi∈GUAV,网格gi的最终数据为无人机感知的数据;
(b)否则,如果gi不属于GUAV,申请i个网格的参与者集合Pi有可信的参与者,即Pi中至少有一个参与者属于则选取一个信任度最大的参与者/>而且/>则最终数据为参与者/>报告的数据;
(c)否则,如果gi不属于GUAV,而且Pi中没有一个参与者属于选取信任度大于/>的参与者/>个;最终的数据为这/>个参与者感知数据的平均值;
(d)否则,如果gi不属于GUAV,而且Pi中没有一个参与者属于而且没有选取信任度大于/>的参与者,则看此网格gi的周围9个相邻网格中是否有按以上方法计算得到的最终值,如果有,则采用插值法,插值法计算到此网格的值为最终的数据。
(4)对于网络中的每一个网格gi按如方法计算参与者的信任度:
(a)如果gi∈GUAV,则对选取个参与者计算其信任度:
对于选取的每一个参与者其提交的数据的值为vj,无人机感知的数据的值为vu
如果则其新的信任度/>其中ε表示允许的最大误差,在此误差范围内表示参与者提交的数据是可用的,增加其信任度;C′j是参与者/>更新前的信任度,Cj是更新后的信任度,k是一个大于等于2的整数,表示更新速度的快慢;
如果则其新的信任度/>参与者提交的数据超过误差范围,下降其信任度;
如果是一个接近1的阀值,比如0.9,如果参与者Pd的信任度已经接近1了,则说明其是可信的,因而,这时加入到可信的集合:/>
(b)否则,如果gi不属于GUAV,平台选取的为信任度最大的参与者而且这时对平台选取的/>个参与者分别进行如下的信任度的计算:
对于选取的每一个参与者其提交的数据的值为vi,可信参与者/>感知的数据的值为vk
如果则其新的信任废/>其中ε表示允许的最大误差,在此误差范围内表示参与者提交的数据与可信参与者提交的数据是一致的,增加其信任度;C′i是参与者/>更新前的信任度,Ci是更新后的信任度,k是一个大于等于2的整数,表示更新速度的快慢;
如果则其新的信任度/>参与者提交的数据超过误差范围,下降其信任度;
如果将/>加入到可信的集合:/>
(5)如果上述过程中有新的参与者成为集合/>中的成员。则依据历史数据做信任度的更新。对每一次/>参与的历史数据采集做如下二个操作,对参与者/>在历史时间tk对网格gj进行了数据采集的信任更新过程如下:
(a)更新网格gj中与共同参与数据采集的参与者的计算度:
如果gj∈GUAV或者如果gj原来已经有属于集合且前面已经在第(3)步中已经计算过信任度,则此步不更新;
否则,对其它与共同参与数据采集的每一个参与者,采用第(4)步中的第(b)步的信任度的计算方法更新其它参与者的信任度。
(b)查找历史时间tk,网格gj为邻居网格其它的网格中即没有∈GUAV,也没有集合的网格,如果此网格中按历史数据回溯计算后,有5个或者以上邻居网格或者属于GUAV,或者有/>则按插值法计算出此网格的数据值为vc,对此网络在历史时间tk在网格的每一个参与者/>其提交的数据的值为vi,更新其信任值:
如果则其新的信任度/>s是大于1的整数,对比前面的信任计算,插值并不一定准确,因而按插的值为标准进行信任度的计算时,其信任度的变化速度小;
如果则其新的信任度/>参与者提交的数据超过误差范围,下降其信任度;
如果将/>加入到可信的集合:/>
有益效果
本发明公开了一种通过历史数据插值检验的可信参与者选取方法。发明的方法对比以往的方法能够得到的数据更真实,起效的速度更快。发明方法主要是解决当前群智网络获得真实的数据较为困难,获得数据的准确度低的不足而提出的解决方法。本以明的方法对比以往的方法存如下显著的有益效果:获得数据的准确度得到显著的提高。在以往的基于数学统计的方法中,平台得到的数据是否是真实数据,平台是不能确定的,因为没有可确定的可对比的标准。而在本发明的方法中,采用无人机采集的数据是真实的可对比的,因而能够准确辨识与确定其它参与者采集的数据是否是真实的。然后,又以可信的参与者采集的数据为标准检验其它参与者采集的数据,从而使得本发明的信任推理过程中都有对比的标准,从而比以往的信任计算方法更准确。与以往方法不同的是:本发明的方法通过历史数据并结合插值计算的方法从而可以增加更多信任可对比的计算,从而可加快信任推理的速度。基于信任度的计算,平台在最终数据的选取与计算上,主要选取可信参与者的数据为最终数据,如果没有可信参与者的数据,则选取多个较高可信参与者的数据平均,以求得与真实值准确的结果:如果网格中都是低可信的,或者恶意,或者是信任度未知参与者的数据,则采用邻居有可信参与者网格的数据进行插值计算而得到的值为最终的数据,避免以往方法在这种情况下被近接低准确度的数据的不足。
附图说明
图1发明方法的实施图;
图2为不同方法取得的数据与真实值的差异情况。
具体实施方式
为了便于理解本发明,下文将结合说明书附图和较佳的实施例对本文发明做更全面、细致地描述,但本发明的保护范围并不限于以下具体实施例。
除非另有定义,下文中所使用的所有专业术语与本领域技术人员通常理解含义相同。本文中所使用的专业术语只是为了描述具体实施例的目的,并不是旨在限制本发明的保护范围。
除非另有特别说明,本发明中用到的各种原材料、试剂、仪器和设备等均可通过市场购买得到或者可通过现有方法制备得到。
实施例:
在智慧城市中,要实时监测城市中的环境,如温度,噪声,交通流量等进行数据感知。这时,城市中有大量的分布在城市中各个区域的持有手机设备的参与者,因而平台就可以通过给予数据感知一定报酬的方式而请求参与者参与数据感知。
如图1所示,在网络中其划分为20个网格,用G={g1,g2,g3,...g20}表示。刚刚开始时所有参与者的信任度都是未知的,其初始信任度为0.5。然后,平台发布数据收集任务,每个网格收集到一个数据就可以了。有一些参与者响应,愿意感知数据。因而,刚刚开始时,平台随机选取参与者,每个网格随机选取1-5个参与者。同时,派出无人机采集g21,g16,g12,g8,g9,g10网格中的数据,如图1(b)所示。由于无人机采集是平台派出的,因而,其采集的数据是真实准确的。这样,用无人机采集的g21,g16,g12,g8,g9,g10网格中的数据与参与者在相同网格中采集的数据进行比对,如果一致则说明参与者报告的是真实数据,从而提高其信任度,反之降低其信任度。上述过程经过一段时间后,有些可信的参与者的信任度就提高到这样就可以认为信任度/>的参与者是可信的。这时,如果同一网格中有可信的参与者,则把可信参与者报告的数据为标准进行比对,从而检验出其它参与者的信任度。上面过程不断进行下去,则可以辨识出越来越多的参与者的信任度。而那些恶意参与者的信任度就会下降到较低有水平。同时,本发明方法还采用历史数据来检验参与者的信任度。采用的方法是当某个参与者成为可信参与者后,就查找其历史数据,将其历史上与其在一个网格内的参与者的数据进行比对,从而检验其信任度。更重要的是如果加入此可信参与者后,某没有可信参与者的网格的9个邻居网格中有5个有可信参与者后,则采用插值法计算其数据的值,然后,以此为标准与上面类似的方法来检验此网格其它参与者的可信度,从而可以更快,更准确的获得更多的信任信息。在参与者的选取方法上,其选取原则是:如果此网格中有无人机的数据或者可信的参与者可选取,由于已经可获得准确的数据,因而此网格选择的其它参与者要选择信任度未确定的参与者以检验其信任度。如果,没有可信的参与者可选取,但有可信度较高的参与者,则选取信任度较高的参与者。如果信任度较高的参与者都没有,则采用邻居可信的数据计算得到,不选择参与者。如图1(c)所示,图中红色的网格表示有准确数据的,而再来计算出未有可信参与者网格的数据。
下面给出发明方法的实验结果。
图2给出的是不同方法取得的数据与真实值的差异情况。从实验结果可以看出本发明的方法正如前面的分析表现的一样,采集的数据与真实值的偏差是最小的,说明了本发明方法的有效性。
Claims (1)
1.一种通过历史数据插值检验的可信参与者选取方法,其特征在于包括以下步骤:
(1)参与者的集合记作系统平台发布的任务是需要采集的网络区域划分为n个网格的数据,G={g1,g2,g3,…gm};网络中的数据参与者获知采集数据的任务后,有m个参与者向平台申请数据采集,m一般大于n;在第i个网格中申请数据采集的参与者集合记作Pi;记xi=|Pi|表示第i个网格中申请数据采集的参与者的数量;显然有:派出无人机采取z个网格的数据,其中z远小于n;为减少成本,z的值在运行过程中动态调整;无人机采集数据的网格集合记作/>初始网络中所有参与者的信任度为Ci=0.5,表示其信任度未知;可信参与者集合设为初始集合/>为空;
(2)对于网络中的每一个网格gi按如下参与者选取方法选取参与者:
(a)如果gi∈GUAV,则选取个参与者采集数据,而且这些参与者不属于/>
(b)否则,如果gi不属于GUAV,申请i个网格的参与者集合Pi有可信的参与者,即Pi中至少有一个参与者属于则选取一个信任度最大的参与者/>而且/>并且选取/>个参与者采集数据,而且这些参与者不属于/>
(c)否则,如果gi不属于GUAV,而且Pi中没有一个参与者属于则选取信任度大于/>的参与者/>个,/>为取值为0.6-0.8之间的值;
(d)否则,如果gi不属于GUAV,而且Pi中没有一个参与者属于而且没有选取信任度大于/>的参与者,则不选取参与者;
(3)对于网络中的每一个网格gi按如下方法求得最终的数据:
(a)如果gi∈GUAV,网格gi的最终数据为无人机感知的数据;
(b)否则,如果gi不属于GUAV,申请i个网格的参与者集合Pi有可信的参与者,即Pi中至少有一个参与者属于则选取一个信任度最大的参与者/>而且/>则最终数据为参与者/>报告的数据;
(c)否则,如果gi不属于GUAV,而且Pi中没有一个参与者属于选取信任度大于/>的参与者/>个;最终的数据为这/>个参与者感知数据的平均值;
(d)否则,如果gi不属于GUAN,而且Pi中没有一个参与者属于而且没有选取信任度大于/>的参与者,则看此网格gi的周围9个相邻网格中是否有按以上方法计算得到的最终值,如果有,则采用插值法,插值法计算到此网格的值为最终的数据;
(4)对于网络中的每一个网格gi按如方法计算参与者的信任度:
(a)如果gi∈GUAV,则对选取个参与者计算其信任度:
对于选取的每一个参与者其提交的数据的值为vj,无人机感知的数据的值为vu
如果则其新的信任度/>其中ε表示允许的最大误差,在此误差范围内表示参与者提交的数据是可用的,增加其信任度;C'j是参与者/>更新前的信任度,Cj是更新后的信任度,k是一个大于等于2的整数,表示更新速度的快慢;
如果则其新的信任度/>参与者提交的数据超过误差范围,下降其信任度;
如果 是一个接近1的阀值,比如0.9,如果参与者Pd的信任度已经接近1了,则说明其是可信的,因而,这时加入到可信的集合:/>
(b)否则,如果gi不属于GUAN,平台选取的为信任度最大的参与者而且/>这时对平台选取的/>个参与者分别进行如下的信任度的计算:
对于选取的每一个参与者其提交的数据的值为vi,可信参与者/>感知的数据的值为vk
如果则其新的信任度/>其中ε表示允许的最大误差,在此误差范围内表示参与者提交的数据与可信参与者提交的数据是一致的,增加其信任度;C'i是参与者/>更新前的信任度,Ci是更新后的信任度,k是一个大于等于2的整数,表示更新速度的快慢;
如果则其新的信任度/>参与者提交的数据超过误差范围,下降其信任度;
如果将/>加入到可信的集合:/>
(5)如果上述过程中有新的参与者成为集合/>中的成员;则依据历史数据做信任度的更新;对每一次/>参与的历史数据采集做如下二个操作,对参与者/>在历史时间tk对网格gj进行了数据采集的信任更新过程如下:
(a)更新网格gj中与共同参与数据采集的参与者的计算度:
如果gj∈GUAV或者如果gj原来已经有属于集合且前面已经在第(3)步中已经计算过信任度,则此步不更新;
否则,对其它与共同参与数据采集的每一个参与者,采用第(4)步中的第(b)步的信任度的计算方法更新其它参与者的信任度;
(b)查找历史时间tk,网格gj为邻居网格其它的网格中即没有∈GUAV,也没有集合的网格,如果此网格中按历史数据回溯计算后,有5个或者以上邻居网格或者属于GUAV,或者有则按插值法计算出此网格的数据值为vc,对此网络在历史时间tk在网格的每一个参与者其提交的数据的值为vi,更新其信任值:
如果则其新的信任度/>s是大于1的整数,对比前面的信任计算,插值并不一定准确,因而按插的值为标准进行信任度的计算时,其信任度的变化速度小;
如果则其新的信任度/>参与者提交的数据超过误差范围,下降其信任度;
如果将/>加入到可信的集合:/>
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210579757.5A CN114969756B (zh) | 2022-05-25 | 2022-05-25 | 一种通过历史数据插值检验的可信参与者选取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210579757.5A CN114969756B (zh) | 2022-05-25 | 2022-05-25 | 一种通过历史数据插值检验的可信参与者选取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114969756A CN114969756A (zh) | 2022-08-30 |
CN114969756B true CN114969756B (zh) | 2024-05-28 |
Family
ID=82956292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210579757.5A Active CN114969756B (zh) | 2022-05-25 | 2022-05-25 | 一种通过历史数据插值检验的可信参与者选取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114969756B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112733170A (zh) * | 2021-01-14 | 2021-04-30 | 中南大学 | 一种基于证据序列提取的主动信任评估方法 |
CN113034250A (zh) * | 2021-03-24 | 2021-06-25 | 海南大学 | 一种基于信任值的群智感知激励机制设计方法 |
CN113705083A (zh) * | 2021-07-30 | 2021-11-26 | 天津大学 | 一种移动群智感知中参与者可靠性评估和真值推断方法 |
CN114386043A (zh) * | 2021-12-09 | 2022-04-22 | 北京理工大学 | 一种面向群智感知的去中心隐私保持信誉评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8126757B2 (en) * | 2005-11-22 | 2012-02-28 | Sap Ag | Method and system for selecting participants in an online collaborative environment |
-
2022
- 2022-05-25 CN CN202210579757.5A patent/CN114969756B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112733170A (zh) * | 2021-01-14 | 2021-04-30 | 中南大学 | 一种基于证据序列提取的主动信任评估方法 |
CN113034250A (zh) * | 2021-03-24 | 2021-06-25 | 海南大学 | 一种基于信任值的群智感知激励机制设计方法 |
CN113705083A (zh) * | 2021-07-30 | 2021-11-26 | 天津大学 | 一种移动群智感知中参与者可靠性评估和真值推断方法 |
CN114386043A (zh) * | 2021-12-09 | 2022-04-22 | 北京理工大学 | 一种面向群智感知的去中心隐私保持信誉评估方法 |
Non-Patent Citations (2)
Title |
---|
参与者信誉度感知的MCS数据收集机制;杨静;李鹏程;闫俊杰;;工程科学学报;20171215(12);全文 * |
群智感知中的参与者信誉评估方案;王涛春;刘婷婷;刘申;何国栋;;计算机应用;20180310(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114969756A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109921941B (zh) | 网络业务质量评估和优化方法、装置、介质及电子设备 | |
CN110610242A (zh) | 一种联邦学习中参与者权重的设置方法及装置 | |
CN111935820B (zh) | 基于无线网络的定位实现方法及相关设备 | |
CN114301935B (zh) | 一种基于声誉的物联网边云协同联邦学习节点选择方法 | |
CN112291122B (zh) | 网络流量检测方法、装置、电子设备及可读存储介质 | |
CN113988441A (zh) | 电力无线网络链路质量预测、模型训练方法及装置 | |
CN110572297A (zh) | 网络性能的评估方法、服务器及存储介质 | |
CN108574984B (zh) | 一种定位方法及装置 | |
CN114742442A (zh) | 一种基于信任的参与者选取提高数据质量方法 | |
Zhang et al. | Latency prediction for delay-sensitive v2x applications in mobile cloud/edge computing systems | |
CN110139278B (zh) | 车联网下安全型防御合谋攻击的系统的方法 | |
CN111901134B (zh) | 一种基于循环神经网络模型rnn的预测网络质量的方法和装置 | |
CN114969756B (zh) | 一种通过历史数据插值检验的可信参与者选取方法 | |
CN112566170B (zh) | 网络质量评估方法、装置、服务器及存储介质 | |
CN103501205B (zh) | 基于模糊综合评判的目标跳频信号识别方法 | |
CN113256405A (zh) | 欺诈用户集中区域的预测方法、装置、设备及存储介质 | |
CN110418350B (zh) | 一种共享站址评估方法及系统 | |
CN114978550A (zh) | 一种基于历史数据回溯的可信数据感知方法 | |
CN117493820B (zh) | 一种数据要素处理方法和装置 | |
CN113516229A (zh) | 面向群智感知系统的可信用户优化选择方法 | |
CN107979818B (zh) | 一种无线指纹库初始数据的处理方法 | |
CN112434877A (zh) | 一种基于云计算的智慧城市数据处理方法及装置 | |
CN117172721B (zh) | 用于融资业务的数据流转监管预警方法及系统 | |
CN115865476B (zh) | 一种基于参与者可靠度和任务匹配的可信数据感知方法 | |
CN116389302A (zh) | 车联网链路信号质量检测、分析方法及装置、设备及介质 |
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 |