摘要：当前,群智感知中的激励机制大多是基于传统经济学的,而行为经济学的研究结果表明,由于损失厌恶的存在,用户不是总追求自身经济效用的最大化,基于传统经济学的机制并不能完全有效地激励用户.为此,文中设计了一种基于用户损失厌恶的激励机制(LA-RAIM).该机制基于用户的损失厌恶心理,设计了用户的奖励因子,通过在激励时间内给予用户额外奖励,让用户感受到不参与任务就会有损失,以此激励更多用户参与感知任务.仿真实验结果表明,与经典的RVA-IM相比,LA-RAIM既能促进更多的用户参与系统感知任务,也同时提升了系统的平台效用和获胜者平均效用.

摘要：针对已有大多数研究在设计激励机制时未考虑用户的隐私泄露问题,本文提出一种支持隐私保护的激励机制综合方案IMPP(Incentive Mechanism with Privacy-Preserving in mobile crowd sensing).首先,基于轻量级隐私保护思想,采用单向安全哈希函数生成256位哈希值作为参与者的匿名身份标识,以此来保护参与者的身份隐私;其次,依据参与者的数据效用值、期望回报及感知任务预算实现面向数据质量的补偿激励,选择性价比最高的胜出者;接着,借助分布式压缩感知理论,对胜出者的原始感知数据压缩处理,得到剔除冗余的观测值,并在观测值中添加哈希函数值等噪扰数据后传送于服务器端聚合,以增强感知数据的隐私性保护,之后对隐私数据集进行完整性校验并重构;最后,利用真实数据集,通过仿真实验对IMPP的有效性进行对比分析.实验结果表明,IMPP机制在隐私保护水平、数据完整性、数据精确性、时间效率、评估准确率、重构匹配度及激励效果等方面是高效的.

摘要：近年来,作为一种新的感知环境、收集数据和提供信息服务的模式,群智感知逐渐成为当前的研究热点之一.激励机制是群智感知研究中的一个重要问题,即通过设计合理的激励方式来激励足够多的参与者参与感知任务,并提供高质可靠的感知数据.对近年来在群智感知激励机制方面的研究工作进行综述,首先概述群智感知和群智感知激励机制;然后从关键技术入手,介绍4类主要激励方式和6类核心研究问题;最后,对现有工作进行对比分析,总结研究挑战,并指出未来发展方向,为相关研究人员提供有价值的参考.

摘要：随着移动终端的快速普及,群智感知系统得到了学术界的广泛关注.现有工作大多数依赖第三方平台来执行参与者选择和收集大规模数据,很难兼顾对参与者隐私的保护和数据质量评估的公平.针对该问题,本文提出了一种群智感知中基于区块链的共识节点招募方法.通过Pedersen承诺隐藏参与者的选举随机值,借助零知识证明系统和区块链技术保证了选举数据的隐私性和完整性,实现在参与者中公平且秘密地选举单个共识节点.考虑到单点故障的隐患问题,该方法支持定时重启选举,保持共识节点不断更新以抵御共谋攻击;还结合Pedersen承诺设计了更新阶段,安全定期更新选举随机值以抵御动态腐化.结合区块链对数据质量评估结果进行二次共识后,由共识节点基于贡献更新信誉和计算报酬,保证了参与者的奖惩公平并激励参与者提供高质量的任务数据,从而提高用户参与任务的积极性.仿真实验表明,该方法不仅实现了安全公平的选举过程,而且不会额外增加参与者的计算和存储负担.

摘要：伴随着越来越多的传感器被集成到移动终端,群智感知逐渐成为可能.群智感知的第一步是传感任务的分发,由于移动终端具有移动性,且拥有多样化的硬件设备与感知能力,因而群智感知任务分发不同于普通的传感任务分发.考虑到感知任务的位置固定且节点移动往往基于道路,因而将子道路和任务绑定在一起,设计出基于矢量任务地图的任务分发方法.子道路可以是完整道路中无分叉的一小段道路,也可以由某几个坐标点组成,满足不同覆盖范围的任务.节点接收到任务地图后,由位于相同道路并能够测量该道路上所要求传感任务的移动节点组成传感组,彼此协调完成任务测量.交替进行两种方法实现矢量任务地图的渐进式分发:(1)提高地图分辨率;(2)增加子道路上坐标点数目.通过坐标点精度按位增加的方法提高地图分辨率;通过零阈值Douglas-Peucker算法增加子道路上坐标点的数目.同时,设计新增点坐标信息压缩算法节约矢量任务地图的数据量,其利用新增点在前一低分辨率地图中位于已有点连线上、在当前分辨率地图中位于已有点连线外这一特点,推测新增点的坐标信息.在MATLAB中的模拟实验表明,当矢量任务地图分发给与任务数量相同的移动节点时,任务分发的成功率达到60%以上;当分发给任务数量两倍的移动节点时,任务分发的成功率达到85%以上.同时,采用渐进式分发方法比直接分发更节约数据量且道路坐标点数目的增加与分辨率增加相适应.最后与Zoom进行比较,本文设计的矢量任务地图在1024×1024分辨率下错测量接近0%,且数据量比Zoom降低30%.

摘要：群智感知系统中用户所提交的感知数据并不一定是可靠的.因此,设计合理的激励机制以保证用户高质量地完成群智感知任务是群智感知研究中所面临的最主要挑战.然而,大多数现有研究并未充分考虑系统无法吸引足够高质量用户参与的情形.针对这一问题,文章研究如何通过设置额外的奖励机制,激励完成任务质量较低的用户更好地参与任务,从而转换为高质量用户.所设计的用户类型转换方法首先根据用户的历史记录,将用户分为高质量用户和低质量用户两类.然后,通过随机试探的方式构建低质量用户完成质量提升与奖励金额之间的关系曲线.最后,以最大化任务的最低完成质量为优化目标,设计了一种总奖励金额受限情况下的最优任务及奖励分配机制,进而保证所有任务间完成质量的最大最小公平.仿真实验结果验证了所设计机制的有效性和可行性.

摘要：移动智能终端的快速普及,使社交网络平台与移动群智感知成为近年的研究热点。本文以社交网络平台为载体,将群智感知技术用于期刊的定制推广,并结合安徽出版集团网络实际设计推广模型,给出了模型的运行流程及系统实现框架,以提高期刊的推广效率,为期刊的定制推广提供了新的思路。

摘要：为降低工人成本、提高工人效率,研究工人在线时间为弹性的群智感知场景。采用模糊机会约束规划方法对工人在线时间进行建模,根据延时与否引入延时成本与空闲成本;由于对应问题为组合优化问题,属于NP-hard问题范畴,结合鲸鱼优化算法设计两阶段任务分配算法进行求解。实验结果表明,与其它算法相比,所提算法具有更高的工人效率,较之于固定在线时间,弹性在线时间下工人效率更高,成本更低。

摘要：任务分配是实现群智感知的关键环节,为了获取高质量感知数据,往往需要把任务合理分配给用户.现有研究大多简单采用各种优化方法来挑选最佳感知用户,忽略了任务与用户之间的潜在关联关系,从而导致感知质量低下.在此挑战下,文章设计了一种新型任务分配机制,首先,通过分析用户、任务的各自属性,构建了群智感知领域知识图谱;其次,采用基于相似性分析的链接预测方法充分挖掘用户-任务间的隐式关系,并在关联度较高的用户-任务间建立链接;再次,为了最大化感知数据质量,在系统预算的约束下提出一种以用户组感知能力代替个人表现的招募方式,综合考虑了覆盖率与信誉值两个特征指标;最后,基于遗传算法选定一组感知能力最大的用户,实现最终的任务分配.经过实验评估,文章所提方法能够有效提升感知数据质量,同时保证感知任务的基本覆盖率.

摘要：为解决多源数据的融合问题,保证融合数据的隐私安全,提出一种群智感知网络中基于隐私保护的数据融合方法。用户使用密钥签署其感知数据,通过差分隐私为数据添加噪声,云服务器采用BGN加密系统和Shamir秘密共享相结合的方式,将加密受干扰的数据进行融合发送给感知平台。安全与隐私分析结果表明,该方法能够抵抗来自云服务器和恶意用户的差分攻击,保证用户和云服务器的茫然性安全;性能评估表明,该方法能够高效计算、通信和存储开销。