群智感知

摘要： 近年来,智能终端的快速普及极大地推动了集数据采集、分析、处理于一体的群智感知服务的发展。隐私保护作为保障服务安全运行和鼓励感知用户参与的必要手段,成为需要解决的首要科学问题。文中首先从群智感知的全生命周期出发,在描述其主要组成部分和业务流程之后,再从群智感知场景对隐私保护的特有需求出发,对隐私保护的定义和衡量指标进行讨论,并对现有文献设计的隐私保护机制所侧重的不同阶段进行分类,从隐私保护范围、保护强度、感知用户身份可追溯、感知数据损失和感知终端能耗的角度对文献使用的隐私保护机制进行讨论。在此基础上对文献使用的实验数据集进行梳理,最后结合群智感知应用的发展需求和全球对隐私保护的监管要求提出未来研究面临的挑战。

摘要： 城市内河周边环境常常受到破坏和污染,如何有效地对河道进行监测逐渐引起公众、政府和学术界的关注。目前传统的监测方式存在成本高昂、覆盖面不足等缺陷。鉴于智能移动设备的不断普及,文中提出利用群智感知来高效监测河道环境的新思路。该问题可描述为假定每一河段附近有c个位置点可监测该河段,然后根据大量用户的移动轨迹选择出其中r个用户来共同完成s个时段对所有河段的监测。文中规定用户数r越小,监测成本越少。设计了逐步贪心策略、全局贪心策略和整数规划策略用于解决该问题,即选择最少参与者达到“s时长-c范围-r用户”的监测目标。将上述策略应用于福州市台江区部分河道的环境监测,实验结果表明,上述策略均能获得比随机策略更好的解,其中整数规划策略的表现最好。但是,随着问题规模的变大,解决小规模整数规划的隐枚举算法会出现无法求解的情况,因此提出了基于贪心初始化的离散粒子群算法(Greedy Initialization-Discrete Particle Swarm Optimization,GI-DPSO)。虽然该算法可以求解大规模整数规划,但计算费时。综合考虑监测成本和计算代价,建议对小规模问题采用整数规划策略,对大规模问题采用全局贪心策略。

摘要： 针对群智感知任务发布过程中,任务申请者、任务发布者以及授权机构可彼此获知位置隐私的问题,基于Paillier公钥密码系统的同态特性,提出了一种有效保障参与群智感知任务各实体间位置隐私的保护算法。该算法通过对可参与以及发布任务位置网格单元的密态环境的同态计算,完成对任务位置和响应位置的秘密匹配,从而实现位置隐私保护下的群智感知任务发布。最后,通过安全性分析,对所提出的任务发布方法从理论上加以分析证明,同时利用模拟环境的任务发布,对所提算法进行了实验验证,并在同条件下与同类算法进行比较,其结果进一步明确了所提算法的优势。

摘要： 传统的污染监测方法主要是通过固定基站进行监测的,但是这种方法缺乏灵活性且成本高昂,已不足以应对日益严重的污染问题。一种新的数据获取模式——移动群智感知为大范围感知数据提供了新思路。为了及时掌握移动群智感知收集污染数据的研究现状,本文对国内外现有研究进行系统全面的综述,并结合现有研究,为群智感知在智能手机上的应用提供可行方案。首先,对污染收集技术不同发展阶段问题进行总结;然后,对比分析不同众包污染收集系统的优缺点,并对所用的关键技术优缺点及适用场景进行说明;最后,对群智感知下收集污染数据存在的问题进行总结,并提出未来的研究重点。

摘要： 群智感知中,任务发布者基于有限的任务预算招募合适的参与者来执行感知任务.但是,现有的相关工作依赖于可信第三方来执行参与者选择或者忽视了参与者位置隐私泄露问题.为了解决这些问题,本文提出一种基于区块链的群智感知中任务预算约束的位置隐私保护参与者选择方法LPWS.通过保序加密和Merkle树来为参与者提供个性化的位置隐私保护,确保参与者将精确位置隐藏于隐匿区域.在有限的任务预算下,LPWS将参与者选择问题建模为目标优化问题,并基于动态规划来确定一组合适的参与者以增加高质量感知数据获取的可能性.此外,在保证数据隐私和奖惩公平性下,LPWS基于数据质量评估结果完成报酬支付和信誉更新,从而激励参与者尽可能地提供高质量数据.仿真实验表明,LPWS在参与者选择方面具有可行性与有效性,保证了安全公平的参与者选择以及数据质量评估.与相关工作对比,在有限的任务预算下,LPWS不仅取得了更好的质价比,而且在确保任务完成质量的同时提供了位置隐私保护和数据隐私保护.

摘要： 随着短视频时代的来临,移动群智感知任务的视频化程度越来越高,在传统研究中常利用机会网络和移动网络激励任务的分发和数据的收集,但机会网络中节点移动的不可控性,以及视频任务内容传输的高代价性都使得这些方法的实用性大大降低.针对此问题,利用社会移动群体规律性的自主聚集、活动范围大等特点,提出一种面向社会移动群体的群智感知参与者选择优化模型.利用密度聚类算法根据同类任务的位置进行划分得出聚类中心,实现任务子区域所属地铁站点的划分.包括基于用户激励成本的参与者优化算法和基于用户数量的参与者优化算法.仿真结果表明,与同类算法相比可以消耗更低的系统资源选择出参与者数量更少的任务分发方案.

摘要： 群智感知依靠大量用户的移动性和智能设备的传感能力完成数据的收集,已经成为一种有效的感知数据收集方式。现有集中式群智感知网络中,云平台负责任务分发和数据收集等全部过程,难以有效处理大量实时数据,感知成本高;不同参与者对待任务的兴趣不同,忽略偏好因素会导致所选参与者完成任务的效率较低,参与者满意度较差。针对上述群智感知网络中存在的问题,提出一种边云协同架构下偏好感知的参与者选择策略。参与者选择过程由云平台和边缘节点协作执行。云平台基于任务的不同位置向边缘节点分发任务,并且从边缘节点收集数据。边缘节点负责参与者选择过程,通过评估时间匹配度、距离匹配度、任务类型和奖励,量化用户对任务的偏好;通过评估用户的声誉和感知成本,量化任务对用户的偏好。基于双方偏好和稳定匹配理论,将参与者选择问题建模为用户与任务间的多对一稳定匹配问题,并且求解稳定匹配使参与者偏好最大化。结果表明,该策略所选参与者的满意度较高,平台收集的数据质量较好。

摘要： 稀疏群智感知通过选择部分子区域进行数据采集并推测其他子区域的数据,在保证全局数据质量的同时节省了感知成本.然而现有的稀疏群智感知研究工作总是优先选择具有较高价值的子区域,没有考虑被招募的参与者是否能够采集到所需子区域的数据,也忽略了参与者采集的其它数据价值.为了解决子区域选择具有的局限性,本文从参与者的角度出发,提出了应对稀疏群智感知下的用户招募这一问题的新思路,考虑每个参与者采集到的数据对整个采集任务的贡献程度.鉴于每人每天的移动轨迹基本稳定,而不同人在其各自轨迹上采集的数据具有不同的价值,本文利用这种规律性和差异性,研究如何直接招募可采集到高价值数据的参与者.我们采用强化学习框架解决该问题,将用户招募系统作为强化学习的智能体,并且对招募系统的状态、动作和奖励进行建模.本文中使用深度强化学习算法Deep Q Network(DQN)来训练回报函数,旨在给出在特定的状态下,判断招募哪些用户是最好的选择.该框架在北京市两个月空气质量和一百多名用户移动轨迹的真实数据集上进行了验证,所提出的用户招募策略相比若干基准策略,在用户数量限定下,可获得更高的数据推测精度.

摘要： 物联网技术的发展使得各种各样的智能感知设备应运而生,这些智能感知设备需要不断收集各项数据来完成感知任务,随着参与感知任务的设备增加,出现了大量数据隐私泄露问题,数据隐私保护机制已经无法满足复杂的感知数据保护要求。因此在群智感知环境下,基于节点分类设计新的数据隐私保护增强机制,首先在群智感知环境下设计感知任务模型,其次基于节点分类分析数据隐私保护增强学习冲突,最后在群智感知环境下进行性能评估,从而构建综合数据隐私保护增强机制。实验结果表明,使用该数据隐私保护增强机制后,泄露的隐私信息条数较少,证明其具有有效性,有一定的应用价值,可以作为后续数据隐私保护的参考。

摘要： 真值发现是解决群智感知中数据不可靠问题的重要数据处理技术,从海量数据中进行数据质量的甄别。为了解决云服务器下采集数据的隐私泄露问题以及数据不可靠性问题,文章设计了一种基于对称加密的真值发现方案,通过实验分析,该方案在保证数据隐私性和可靠性的前提下,降低了数据采集者端和云服务器端的计算开销。

摘要： 在复杂的地貌环境中,BDS信号会受到不同程度的遮挡产生多径效应,进而降低BDS接收机的定位精度.为了有效抑制多径干扰,本文提出了一种基于3D-MAP和CNMC(Code Noise and Multipath Correction)结合的多径抑制算法.首先,在3D地图模型中使用射线跟踪技术分析BDS信号的传输特性,结合群智感知的思想确定自身在3D地图中的备选位置点,然后利用CNMC算法来对备选位置点的三维坐标误差进行估计和筛选;其次,利用最大似然估计计算备选位置点的权值,将备选位置点加权平均后对定位目标的位置进行修正,提高目标的定位精度;最后,分别以定位精度和计算量作为该算法的衡量指标进行实验分析.结果表明,与传统的多径抑制算法相比,本文提出的算法可以有效提高定位目标的三维坐标精度,定位精度提高了5％,计算量降低了15.1％.

摘要： 本发明提供一种群智感知系统及群智感知方法，是一种在线的动态群智感知系统和群智感知方法，通过时间槽来动态感知每个感知任务的随机到来和智能手机用户的动态到来及动态离开，即通过时间槽将新到来的感知任务和任务执行设备进行区分，降低了群智感知对任务执行设备的在线要求，从而激励任务执行设备参与到所述群智感知系统中来。进一步的，根据每个任务执行设备执行的感知任务及其在任该感知任务所在的时间槽内的报价，计算出每个任务执行设备的回报，降低了计算复杂度。

摘要： 本专利公开了一种基于路网关键路段的群智感知系统的感知节点的选取方法，所述方法包括如下步骤：步骤一、构建群智感知系统；步骤二、确定关键路段；步骤三：云平台选择关键路段并下发感知任务；步骤四：云平台基于关键路段选择感知节点。本发明采用群智感知技术对路网的交通状态进行监测，解决了固定检测器安装和维护成本过高的问题。

摘要： 本发明公开了一种基于感知效用最大化的群智感知激励方法，包括：S1、任务发布者将感知任务集合发送给感知服务平台；S2、感知服务平台收到感知任务集合后，将消息发布到感知区域内目标用户端集合中的每个用户；S3、用户判断是否能够完成该任务，若能完成，则向感知服务平台返回自己的竞标价格；S4、感知服务平台基于激励模型选择中标的用户，并将所述感知任务集合分配给对应的中标用户；S5、中标用户执行感知任务并将感知结果发送给感知服务平台；S6、感知服务平台整合收到的感知结果并返回感知结果给任务发布者，支付报酬给中标用户。所述方法能够在预算约束、用户成本分布不均的条件下，招募更多、范围更广的用户，提高了感知服务的整体质量。

摘要： 本发明公开了一种基于多任务群智感知的协作频谱感知方法，该方法将群智感知激励机制应用于协作频谱感知，建立次用户效用函数，对效用函数中的采样点数进行优化，从而使次用户的效用最优，激励次用户参与频谱感知，从而提高检测概率。具体步骤如下：先建立参与感知次用户的效用函数，通过计算次用户的最优采样点数得出次用户的最优效用，通过贪婪算法在有限预算的条件下来选取参与感知的次用户，在次用户感知完成后发放一定的报酬，以激发用户的感知积极性。

摘要： 本发明涉及一种机会群智感知网络中态势感知的自适应数据传输方法，属于无线传感器网络和移动自组织网络技术领域。在该方法中，网络中的节点根据自身情况以及网络的历史信息，估计自身的节点剩余能量、与目的节点的相遇概率、消息传输的跳数，然后节点利用其所在的局部拓扑信息，对当前所处的网络环境做出判断并进行合适的数据传输机制的选择。通过本方法，可以对网络中存在的连通MANET子网进行准确的识别并在数据传输过程中充分地利用，使其不易受到节点移动性，网络拓扑的时变性影响，在提高数据传输成功率降低网络开销的同时，提高数据传输策略的鲁棒性。

摘要： 本发明公开了一种基于群智感知系统面向随机参与的群智感知激励方法，群智感知系统包括控制平台及若干移动用户，方法首先控制平台根据感知任务相对热度，计算任务报酬；然后控制平台评估各感知任务的数据质量，根据单次测量的数据质量增量，计算感知任务所需测量次数，确定测量报酬递减步长，进一步计算下一次测量给参与者的报酬；最后控制平台发布任务信息，移动用户选择感知任务，执行测量并上传感知数据，控制平台将相应的报酬发给移动用户。本发明更好的解决了随机参与和时空相关对于群智感知系统的限制，满足了对移动用户参与群智感知的激励需求，提高群智感知任务完成度的同时也提升了用户参与的平衡度，同时最大化每个参与者的总收益。

摘要： 本发明提供一种群智感知系统及群智感知方法，是一种在线的动态群智感知系统和群智感知方法，通过时间槽来动态感知每个感知任务的随机到来和智能手机用户的动态到来及动态离开，即通过时间槽将新到来的感知任务和任务执行设备进行区分，降低了群智感知对任务执行设备的在线要求，从而激励任务执行设备参与到所述群智感知系统中来。进一步的，根据每个任务执行设备执行的感知任务及其在任该感知任务所在的时间槽内的报价，计算出每个任务执行设备的回报，降低了计算复杂度。

摘要： 本发明属于物联网群智感知技术领域，公开了一种群智感知中基于感知误差的感知任务信息分配系统及方法，首先建立感知任务拍卖模型，服务请求商想感知平台提交服务申请，感知平台根据请求的内容发布感知任务供移动设备用户竞标；然后所有竞标人提交执行任务所需要的费用，将所提交的费用作为竞标价格；拍卖师计算所有人的报价，结合竞标人的竞价信息及其误差概率，对竞标人和任务进行排序；最后选择Winner执行感知任务；设计计算报酬的算法，为所有的Winner计算报酬。本发明不仅可以实现个体理性和真实性，还可以在存在感知误差的情况下，最大化平台的利益；并实现良好的任务分配以最大化平台的利益，同时保证了竞标人的出现负收益。

摘要： 本发明公开了一种群智感知中基于移动感知用户匿名信誉的高可靠感知数据收集算法，包括：感知服务器发布感知任务，感知服务器为每个注册的感知用户产生一对包含感知用户信誉级别的信誉证书；每个感知用户产生一个盲ID；感知服务器收到感知用户提交的感知数据包后，对盲ID进行身份认证，同时计算酬劳，为感知用户生成信誉反馈配给；感知用户采用非对称密码技术获得去盲的信誉反馈配给，随机等待一段时间后，请求感知服务器兑换酬劳；感知服务器收到酬劳兑换请求时，检查去盲的信誉反馈配给是否符合兑换条件，若符合则进行兑换，并更新感知用户的信誉级别。本发明在匿名前提下，对感知数据的质量进行了验证，保证了感知数据的匿名性和真实性。

摘要： 本发明公开了一种移动群智感知中抗感知平台和用户共谋攻击的方法及系统，参与者包括一组请求者、一个感知平台CSP和一群客户端设备；假设有K个客户端设备，用Pi表示第i个客户端设备。请求者会控制自己的设备去和CSP交互训练以得到一个良好的机器学习模型。感知平台CSP生成系统参数并且选择合适的客户端设备来进行联邦学习，还要负责将训练完成后的联邦学习全局模型安全地发放给请求者。客户端设备Pi负责将自己的局部模型参数安全地上传给感知平台CSP以进行模型训练。本发明不仅能保护移动群智感知中客户端的原始数据隐私免受外部敌手攻击，同时还能够抵抗客户端和服务器一同发起共谋攻击，使得他们无法得到其他客户端的隐私数据。