CN115879722A - 一种空间众包任务分配方法及系统 - Google Patents
一种空间众包任务分配方法及系统 Download PDFInfo
- Publication number
- CN115879722A CN115879722A CN202211603931.1A CN202211603931A CN115879722A CN 115879722 A CN115879722 A CN 115879722A CN 202211603931 A CN202211603931 A CN 202211603931A CN 115879722 A CN115879722 A CN 115879722A
- Authority
- CN
- China
- Prior art keywords
- task
- requester
- receiver
- generalized
- candidate set
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种空间众包任务分配方法及系统,该方法包括:任务请求方和任务接收方根据预先设置的隐私级别,将自身的真实位置进行泛化,形成泛化位置,并上传该泛化位置;服务器接收所述泛化位置,并根据所述泛化位置,为每个任务请求方确定距离大于阈值的所有任务接收方,形成任务接收方候选集;服务器计算任务接收方候选集中每个任务接收方与任务请求方的邻近性概率;并基于该邻近性概率为每个任务请求方和任务接收方生成偏好列表;将所述偏好列表发送至任务请求方和任务接收方,任务请求方和任务接收方基于所述偏好列表实现相互匹配完成任务分配。本发明能够实现任务请求方和任务接收方的位置隐私保护。
Description
技术领域
本发明涉及信息处理技术领域,具体来说,涉及一种空间众包任务分配方法及系统。
背景技术
近年来,便携式移动设备(如智能手机)经历了爆炸式的增长,这些设备配备了丰富的传感器,使其被视为具有强大传感能力的移动传感器。因此,出现了一种有效且可扩展的数据收集新机制,即空间众包(SC)。通常,SC中涉及的空间任务要求任务接收方移至任务所在的位置以执行任务。与传统的无线传感器网络(WSN)不同,SC通过应用众包原则在人为参与和强大的移动设备上执行任务,从而节省了安装和维护新硬件基础设施的额外成本。空间众包已广泛用于环境感知,新闻,危机应对和城市规划。
典型的空间众包主要由任务接收方,任务请求方和SC服务器组成。请求者首先将空间任务提交给SC服务器。SC服务器根据他们的距离将每个任务分配给接近任务的适当任务接收方。然后,任务接收方执行分配的任务,并将收集的信息发送到SC服务器。之后,SC服务器处理/整合来自任务接收方的数据,并将处理后的数据发送给请求者。最后,任务请求方获得数据并向SC服务器提供有关任务响应质量的反馈。
为了实现有效的任务分配,大多数空间众包应用程序要求任务接收方公开其位置,并要求任务请求方向SC服务器公开任务的位置。但是,在任务分配期间,任务接收方和任务的位置隐私可能会受到损害,尤其是在不可信SC服务器的情况下。此外,对手可以轻松地监视或提取SC参与者的私人信息,并发起广泛的攻击,例如跟踪和身份盗用。如果移动用户的隐私受到侵犯,则移动用户将不会接受参与空间任务,因此确保位置隐私是SC的重要方面。
近年来,SC中的隐私保护任务分配一直是活跃的研究领域。现有的大多数研究都有两个主要缺点。首先,他们通常集中于保护任务接收方的位置隐私。但是,忽略了保护任务位置隐私的需要。任务的位置可以间接显示相应任务请求方的位置,因为任务请求方通常会在其位置附近发布任务。其次,现有工作假定所有SC参与者(例如,任务请求方和任务接收方)的隐私保护级别都相同,不能满足SC参与者的不同隐私要求。因此,一些参与者可能获得的隐私保护不足,而其他参与者则得到了过度保护。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题,本发明提出一种空间众包任务分配方法及系统。
本发明的技术方案是这样实现的:
根据本发明的一个方面,提供了一种空间众包任务分配方法。
该空间众包任务分配方法,包括:
任务请求方和任务接收方根据预先设置的隐私级别,将自身的真实位置进行泛化,形成泛化位置,并上传该泛化位置;
服务器接收所述泛化位置,并根据所述泛化位置,为每个任务请求方确定距离大于阈值的所有任务接收方,形成任务接收方候选集;
服务器计算任务接收方候选集中每个任务接收方与任务请求方的邻近性概率;并基于该邻近性概率为每个任务请求方和任务接收方生成偏好列表;
将所述偏好列表发送至任务请求方和任务接收方,任务请求方和任务接收方基于所述偏好列表实现相互匹配完成任务分配。
此外,任务请求方和任务接收方根据预先设置的隐私级别,将自身的真实位置进行泛化,形成泛化位置包括:
另外,根据所述泛化位置,为每个任务请求方确定距离大于阈值的所有任务接收方,形成任务接收方候选集包括:
根据所述泛化位置,利用如下公式为每个任务请求方确定距离大于阈值的所有任务接收方,形成任务接收方候选集:
此外,服务器计算任务接收方候选集中每个任务接收方与任务请求方的邻近性概率包括:
另外,在所述偏好列表中,任务接收方与任务请求方的邻近性概率越大越靠前,且任务请求方和任务接收方基于所述偏好列表通过Gale-Shapley算法实现相互匹配完成任务分配。
根据本发明的另一方面,提供了一种空间众包任务分配系统。
该空间众包任务分配系统,包括:
位置泛化模块,位于任务请求方侧和任务接收方侧,用于根据预先设置的隐私级别,将自身的真实位置进行泛化,形成泛化位置,并上传该泛化位置;
候选集确定模块,位于服务器侧,用于接收所述泛化位置,并根据所述泛化位置,为每个任务请求方确块,位于服务器侧,用于计算任务接收方候选集中每个任务接收方与任务请求方的邻近性概率;并基于该邻近性概率为每个任务请求方和任务接收方生成偏好列表,将所述偏好列表发送至任务请求方和任务接收方;
任务匹配模块,位于任务请求方侧和任务接收方侧,用于基于所述偏好列表实现相互匹配完成任务分配。
此外,所述位置泛化模块在根据预先设置的隐私级别,将自身的真实位置进行泛化,形成泛化位置时包括:
另外,所述候选集确定模块在根据所述泛化位置,为每个任务请求方确定距离大于阈值的所有任务接收方,形成任务接收方候选集时,根据所述泛化位置,利用如下公式为每个任务请求方确定距离大于阈值的所有任务接收方,形成任务接收方候选集:
另外,在所述偏好列表中,任务接收方与任务请求方的邻近性概率越大越靠前,且所述任务匹配模块基于所述偏好列表通过Gale-Shapley算法实现相互匹配完成任务分配。
有益效果:
本发明将任务请求方和任务接收方的真实位置模糊成一个泛化区域上传给SC服务器,不仅实现任务请求方和任务接收方的位置隐私保护,而且还实现了个性化的隐私保护;
本发明利用R-Tree来索引所有任务接收方上传的泛化区域,并为每个任务筛选出邻近的候选任务接收方集,从而提高了任务分配的效率,降低了任务分配所需的开销;
本发明使用Gale-Shapley(GS)算法来解决任务-任务接收方匹配问题,不同于传统的单边匹配方法,本发明要求任务接收方和任务请求方迭代的执行请求和拒绝操作,直到双方就任务分配达成一致,这样充分满足了双方的利益。
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获得其他的附图。
图1是根据本发明实施例的一种空间众包任务分配方法的流程示意图;
图2是根据本发明实施例的一种空间众包任务分配系统的结构框图;
图3是根据本发明实施例的无隐私保护下的任务分配示意图;
图4是根据本发明实施例的利用R-Tree索引所有任务接收方示意图;
图5是根据本发明实施例的筛选任务接收方的示意图;
图6是根据本发明实施例的计算任务接收方与任务请求方的邻近性概率示意图;
图7是根据本发明实施例的和服从均匀分布条件下计算任务接收方与任务请求方的邻近性概率示意图。
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,显然,所描述的实施例仅仅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所获得的所有其他实施例,都属于本发明保护的范围。
根据本发明的实施例,提供了一种空间众包任务分配方法及系统。
如图1所示,根据本发明实施例的一种空间众包任务分配方法,包括:
步骤S101,任务请求方和任务接收方根据预先设置的隐私级别,将自身的真实位置进行泛化,形成泛化位置,并上传该泛化位置;
步骤S103,服务器接收所述泛化位置,并根据所述泛化位置,为每个任务请求方确定距离大于阈值的所有任务接收方,形成任务接收方候选集;
步骤S105,服务器计算任务接收方候选集中每个任务接收方与任务请求方的邻近性概率;并基于该邻近性概率为每个任务请求方和任务接收方生成偏好列表;
步骤S107,将所述偏好列表发送至任务请求方和任务接收方,任务请求方和任务接收方基于所述偏好列表实现相互匹配完成任务分配。
在一个实施例中,任务请求方和任务接收方根据预先设置的隐私级别,将自身的真实位置进行泛化,形成泛化位置包括:任务请求方t或任务接收方根据自身的隐私级别,计算位置泛化区域的半径/>或/>,其中,R是保护系数;在位置泛化区域或/>中随机选择k个位置,计算位置泛化区域圆心/>或,得到泛化位置/>或/>,其中,计算位置泛化区域圆心的公式为:
在一个实施例中,根据所述泛化位置,为每个任务请求方确定距离大于阈值的所有任务接收方,形成任务接收方候选集包括:根据所述泛化位置,利用如下公式为每个任务请求方确定距离大于阈值的所有任务接收方,形成任务接收方候选集:
在一个实施例中,在所述偏好列表中,任务接收方与任务请求方的邻近性概率越大越靠前,且任务请求方和任务接收方基于所述偏好列表通过Gale-Shapley算法实现相互匹配完成任务分配。
如图2所示,根据本发明实施例的一种空间众包任务分配系统,包括:
位置泛化模块201,位于任务请求方侧和任务接收方侧,用于根据预先设置的隐私级别,将自身的真实位置进行泛化,形成泛化位置,并上传该泛化位置;
候选集确定模块203,位于服务器侧,用于接收所述泛化位置,并根据所述泛化位置,为每个任务请求方确定距离大于阈值的所有任务接收方,形成任务接收方候选集;
偏好确定模块205,位于服务器侧,用于计算任务接收方候选集中每个任务接收方与任务请求方的邻近性概率;并基于该邻近性概率为每个任务请求方和任务接收方生成偏好列表,将所述偏好列表发送至任务请求方和任务接收方;
任务匹配模块207,位于任务请求方侧和任务接收方侧,用于基于所述偏好列表实现相互匹配完成任务分配。
在一个实施例中,所述位置泛化模块201在根据预先设置的隐私级别,将自身的真实位置进行泛化,形成泛化位置时包括:任务请求方t或任务接收方根据自身的隐私级别,计算位置泛化区域的半径/>或/>,其中,R是保护系数;在位置泛化区域或/>中随机选择k个位置,计算位置泛化区域圆心/>或,得到泛化位置或,其中,计算位置泛化区域圆心的公式为:;
在一个实施例中,所述候选集确定模块203在根据所述泛化位置,为每个任务请求方确定距离大于阈值的所有任务接收方,形成任务接收方候选集时,根据所述泛化位置,利用如下公式为每个任务请求方确定距离大于阈值的所有任务接收方,形成任务接收方候选集:
在一个实施例中,在所述偏好列表中,任务接收方与任务请求方的邻近性概率越大越靠前,且所述任务匹配模块207基于所述偏好列表通过Gale-Shapley算法实现相互匹配完成任务分配。
为了方便理解本发明的上述技术方案,以下通过具体原理及流程对本发明的上述技术方案进行详细说明。
一、问题描述
空间任务t的位置是,并要求一些工人(任务接收方)来完成它。令/>表示具备移动设备的工人,其位置是/>。任务有一个圆形发布区域,用d表示任务发布区域的半径,也就是只有与任务的距离不超过d的工人才能执行任务。在任务分配期间,假设每个任务最多被分配给K个工人,每个工人最多能被分配B个任务。如果一个任务被分配给工人,那么工人必须移动到任务指定的位置来执行任务,并将收集的数据上传给SC服务器。最后,服务器整合数据并发送给任务请求者。任务分配的目标是最大化已分配的任务-工人对的数量。
如图3所示,有3个任务和8个工人/>。虚线所表示的区域是任务的发布区域。假设K=3,B=2。没有隐私保护的情况下,工人和任务的真实位置直接发送到SC服务器,然后服务器将任务分配给邻近的工人。最优任务分配是/>,,/>。
在以上任务分配过程中,工人和任务的位置完全暴露给SC服务器,这可能会导致严重的位置隐私问题。因此,需要取得以下隐私目标。
定义2和3确保了SC服务器不会学习工人和任务的真实位置。但是,在隐私保护的情况下,工人和任务的位置变得不确定,这会影响任务分配的性能,因此,需要新的策略来提高任务分配的效率。此外,假设请求者和工人都是自私的,只关心自身的利益。因此,工人和任务很有可能产生完全冲突的匹配决策。工人-任务匹配决策的定义如下:
定义4(工人-任务匹配决策):请求者向邻近的工人提出请求,此工人可以根据自己的利益接受或者拒绝任务。只有请求者和工人就匹配决策达成一致时任务分配才完成。
二、威胁模型
假设SC服务器是不可信的,它可能会泄露位置隐私。工人和请求者是好奇的但不是恶意的,也就是说,工人或请求者可以从任务分配过程中了解到的内容中学习和推断,但是他们遵守协议。此外,SC参与者(工人或请求者)可以相互串通以获得有关第三方的信息,因为任何人都可以注册工人和请求者帐户。工人将执行任务后得到的结果直接报告给请求者,以限制向SC服务器公开信息。
三、泛化工人和任务的位置
注意,越大,半径/>越大,隐私保护级别越强。同样,可以将任务/>的真实位置泛化为/>。为了抵御来自SC服务器的背景知识攻击,实际应用时可选择了一些尽可能分散k的个位置,并确保所生成的隐藏区域与结构中实际位置之间的一致性。
四、寻找任务的候选工人集
为了保护位置隐私,将工人和任务的位置泛化为圆形区域。但是,在不知道工人和任务之间真正距离的情况下找到最佳任务分配很难。为了解决这个问题,本发明提出了一种保护隐私的员工修剪策略,该策略使用R-Tree索引所有工人上传的圆,并将与任务的距离可能小于或等于d的工人保留为候选工人。
令工人集和任务集/>,SC服务器利用R-Tree索引所有工人上传的圆,并为每个任务修剪距离大于d的工人;如果,那么工人/>到任务/>的距离一定大于d;利用如下公式筛选得到候选工人集/>,其中,/>是任务/>的候选工人集:
通过筛选,SC服务器可以得到候选工人集,其中/>是任务/>的候选工人集。但是,这些集合可能包括不合格的工人,例如/>与/>任务之间的距离大于d。另外,在不知道任务与工人之间的真实距离的情况下,很难高效地将任务分配给工人。为了解决这些问题,通过计算/>来量化工人-任务对的邻近性。
计算完,根据概率值构建构建工人的偏好列表和任务的偏好列表/>,其中/>是工人/>的偏好列表,/>是任务/>的偏好列表,/>值越大,候选者在偏好列表中的排名越靠前;SC服务器将构建好的偏好列表分别发送给工人和任务请求者。
五、工人和任务的匹配
工人和任务有着完全不同的利益,因此不能采用传统的单边匹配方法。任务请求者希望相邻的工人执行任务,而工人则更偏向完成附近的任务。因此,仅当请求者和工人就匹配的决策达成一致时,任务分配才完成。本发明中,通过探索Gale-Shapley(GS)算法来解决任务工匹配问题。
定义7(延迟接受):假设任务的请求者向工人提出请求,工人/>将任务与所有候选任务进行比较;如果存在候选任务满足小于所有其他候选任务的概率,并且,那么任务/>可以取代/>成为工人/>的候选者;否则,工人/>拒绝任务/>的请求。/>
迭代执行以上过程,直到任务均已被分配或者遍历完所有偏好列表中的候选工人。
综上所述,借助于本发明的上述技术方案,本发明将任务请求方和任务接收方的真实位置模糊成一个泛化区域上传给SC服务器,不仅实现任务请求方和任务接收方的位置隐私保护,而且还实现了个性化的隐私保护;本发明利用R-Tree来索引所有任务接收方上传的泛化区域,并为每个任务筛选出邻近的候选任务接收方集,从而提高了任务分配的效率,降低了任务分配所需的开销;本发明使用Gale-Shapley(GS)算法来解决任务-任务接收方匹配问题,不同于传统的单边匹配方法,本发明要求任务接收方和任务请求方迭代的执行请求和拒绝操作,直到双方就任务分配达成一致,这样充分满足了双方的利益。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种空间众包任务分配方法,其特征在于,包括:
任务请求方和任务接收方根据预先设置的隐私级别,将自身的真实位置进行泛化,形成泛化位置,并上传该泛化位置;
服务器接收所述泛化位置,并根据所述泛化位置,为每个任务请求方确定距离大于阈值的所有任务接收方,形成任务接收方候选集;
服务器计算任务接收方候选集中每个任务接收方与任务请求方的邻近性概率;并基于该邻近性概率为每个任务请求方和任务接收方生成偏好列表;
将所述偏好列表发送至任务请求方和任务接收方,任务请求方和任务接收方基于所述偏好列表实现相互匹配完成任务分配。
5.根据权利要求4所述的空间众包任务分配方法,其特征在于,在所述偏好列表中,任务接收方与任务请求方的邻近性概率越大越靠前,且任务请求方和任务接收方基于所述偏好列表通过Gale-Shapley算法实现相互匹配完成任务分配。
6.一种空间众包任务分配系统,其特征在于,包括:
位置泛化模块,位于任务请求方侧和任务接收方侧,用于根据预先设置的隐私级别,将自身的真实位置进行泛化,形成泛化位置,并上传该泛化位置;
候选集确定模块,位于服务器侧,用于接收所述泛化位置,并根据所述泛化位置,为每个任务请求方确定距离大于阈值的所有任务接收方,形成任务接收方候选集;
偏好确定模块,位于服务器侧,用于计算任务接收方候选集中每个任务接收方与任务请求方的邻近性概率;并基于该邻近性概率为每个任务请求方和任务接收方生成偏好列表,将所述偏好列表发送至任务请求方和任务接收方;
任务匹配模块,位于任务请求方侧和任务接收方侧,用于基于所述偏好列表实现相互匹配完成任务分配。
10.根据权利要求9所述的空间众包任务分配系统,其特征在于,在所述偏好列表中,任务接收方与任务请求方的邻近性概率越大越靠前,且所述任务匹配模块基于所述偏好列表通过Gale-Shapley算法实现相互匹配完成任务分配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211603931.1A CN115879722B (zh) | 2022-12-14 | 2022-12-14 | 一种空间众包任务分配方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211603931.1A CN115879722B (zh) | 2022-12-14 | 2022-12-14 | 一种空间众包任务分配方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115879722A true CN115879722A (zh) | 2023-03-31 |
CN115879722B CN115879722B (zh) | 2023-09-22 |
Family
ID=85767387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211603931.1A Active CN115879722B (zh) | 2022-12-14 | 2022-12-14 | 一种空间众包任务分配方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115879722B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060022048A1 (en) * | 2000-06-07 | 2006-02-02 | Johnson William J | System and method for anonymous location based services |
WO2014130591A1 (en) * | 2013-02-19 | 2014-08-28 | Digitalglobe, Inc. | Crowdsourced search and locate platform |
CN107257381A (zh) * | 2017-07-03 | 2017-10-17 | 深圳大学 | 一种隐私保护空间众包的任务分配系统模型及实现方法 |
US20180034654A1 (en) * | 2016-07-26 | 2018-02-01 | RAM Laboratories, Inc. | Crowd-sourced event identification that maintains source privacy |
CN109325671A (zh) * | 2018-09-05 | 2019-02-12 | 湖北大学 | 一种时空众包在线任务分配方法及系统 |
CN110636065A (zh) * | 2019-09-23 | 2019-12-31 | 哈尔滨工程大学 | 一种基于位置服务的位置点隐私保护方法 |
US20200314642A1 (en) * | 2019-04-01 | 2020-10-01 | Uber Technologies, Inc. | Location anonymization system |
CN112967118A (zh) * | 2021-02-03 | 2021-06-15 | 华南理工大学 | 移动群智感知激励方法、装置、系统及存储介质 |
CN113905047A (zh) * | 2021-09-24 | 2022-01-07 | 山东师范大学 | 一种空间众包任务分配隐私保护方法及系统 |
CN114978492A (zh) * | 2022-05-11 | 2022-08-30 | 西安电子科技大学 | 空间信息网中集中式空间众包任务分配的隐私保护方法 |
CN115392776A (zh) * | 2022-09-19 | 2022-11-25 | 南京航空航天大学 | 基于多技能协作的空间众包任务分配方法 |
-
2022
- 2022-12-14 CN CN202211603931.1A patent/CN115879722B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060022048A1 (en) * | 2000-06-07 | 2006-02-02 | Johnson William J | System and method for anonymous location based services |
WO2014130591A1 (en) * | 2013-02-19 | 2014-08-28 | Digitalglobe, Inc. | Crowdsourced search and locate platform |
US20180034654A1 (en) * | 2016-07-26 | 2018-02-01 | RAM Laboratories, Inc. | Crowd-sourced event identification that maintains source privacy |
CN107257381A (zh) * | 2017-07-03 | 2017-10-17 | 深圳大学 | 一种隐私保护空间众包的任务分配系统模型及实现方法 |
CN109325671A (zh) * | 2018-09-05 | 2019-02-12 | 湖北大学 | 一种时空众包在线任务分配方法及系统 |
US20200314642A1 (en) * | 2019-04-01 | 2020-10-01 | Uber Technologies, Inc. | Location anonymization system |
CN110636065A (zh) * | 2019-09-23 | 2019-12-31 | 哈尔滨工程大学 | 一种基于位置服务的位置点隐私保护方法 |
CN112967118A (zh) * | 2021-02-03 | 2021-06-15 | 华南理工大学 | 移动群智感知激励方法、装置、系统及存储介质 |
CN113905047A (zh) * | 2021-09-24 | 2022-01-07 | 山东师范大学 | 一种空间众包任务分配隐私保护方法及系统 |
CN114978492A (zh) * | 2022-05-11 | 2022-08-30 | 西安电子科技大学 | 空间信息网中集中式空间众包任务分配的隐私保护方法 |
CN115392776A (zh) * | 2022-09-19 | 2022-11-25 | 南京航空航天大学 | 基于多技能协作的空间众包任务分配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115879722B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Mobility based trust evaluation for heterogeneous electric vehicles network in smart cities | |
Xu et al. | Asynchronous federated learning on heterogeneous devices: A survey | |
To et al. | Privacy-preserving online task assignment in spatial crowdsourcing with untrusted server | |
Wang et al. | Sparse mobile crowdsensing: challenges and opportunities | |
Kazemi et al. | A privacy-aware framework for participatory sensing | |
CN111935820B (zh) | 基于无线网络的定位实现方法及相关设备 | |
CN110611667B (zh) | 边缘计算环境下动态的位置隐私保护方法及装置 | |
Zhang et al. | AI-based security design of mobile crowdsensing systems: Review, challenges and case studies | |
CN110532923A (zh) | 一种人物轨迹检索方法及其系统 | |
CN108540936B (zh) | 基于预测的隐私保护方法 | |
CN113033652B (zh) | 一种基于区块链与联邦学习的图像识别系统及方法 | |
Xiao et al. | Trajectroy prediction for target tracking using acoustic and image hybrid wireless multimedia sensors networks | |
Li et al. | Energy-efficient anomaly detection with primary and secondary attributes in edge-cloud collaboration networks | |
CN108200537B (zh) | 基于轨迹预测的隐私保护方法 | |
CN115879722A (zh) | 一种空间众包任务分配方法及系统 | |
He et al. | Differentially private tripartite intelligent matching against inference attacks in ride-sharing services | |
Fu et al. | ATWR-SMR: an area-constrained truthful worker recruitment based sensing map recovery scheme for sparse MCS in extreme-environment internet-of-things | |
CN108260083B (zh) | 基于位置模糊的隐私保护方法 | |
Wang et al. | A Survey on Mainstream Dimensions of Edge Computing | |
Zadorozhny et al. | Data credence in iot: Vision and challenges | |
CN111246369B (zh) | 一种移动群体感知中保护位置隐私的在线任务分配方法 | |
Mishra et al. | Boundary detection in dynamic wireless sensor networks using convex hull techniques | |
CN110365677B (zh) | 基于用户分类的隐私保护方法 | |
Zhang et al. | Device Scheduling and Assignment in Hierarchical Federated Learning for Internet of Things | |
CN108260084B (zh) | 基于返回验证的隐私保护方法 |
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 |