基于移动众包网络动态激励机制的恶意代码传播模型

基于移动众包网络(MCN)的固有特性,引入动态激励促进网络移动用户(MU)的活跃性,研究了恶意代码在MCN中传播的动态行为,提出一个新的恶意代码传播模型SIR-M,M节点表示处理节点任务的众包节点。首先,考虑到刚被感染节点的能动性,受感染节点可通过MCN的众包机制寻求MU对此节点进行隔离和免疫强化。其次,通过稳定性分析和数值仿真验证模型有效性,与SIR模型进行比较以分析众包机制对系统的影响。结果表明,移动众包网络的众包机制显著减缓了恶意代码的传播速度,降低了恶意代码在网络中大规模泛滥的风险。

基于声誉的移动众包系统的在线激励机制

在大数据环境下,对移动众包系统的研究已经成为移动社会网络(MSN)的研究热点。然而由于网络个体的自私性,容易导致移动众包系统的不可信问题,为了激励个体对可信策略的选取,提出一种基于声誉的移动众包系统的激励机制——RMI。首先,结合演化博弈理论和生物学中的Wright-Fisher模型研究移动众包系统的可信演化趋势;在此基础上,分别针对free-riding问题和false-reporting问题建立相应的声誉更新方法,从而形成一套完整的激励机制,激励感知用户和任务请求者对可信策略的选取;最后通过模拟实验对提出的激励机制的有效性和适应性进行了验证。结果显示,与传统的基于社会规范的声誉更新方法相比,RMI有效地提高了移动众包系统的可信性。

移动众包环境下一种多阶段质量感知的在线激励机制

随着移动人群感知成为收集数据的一种新范式,越来越多的移动众包应用应运而生.如何有效地激励工人参与任务并提供高质量的传感数据一直是该领域的关键问题,然而在线场景下的移动众包平台往往缺乏真实数据和未来信息,导致工人提交的数据质量参差不齐.所以本文考虑了在线场景下工人选择问题,提出一种多阶段质量感知的在线激励机制(SQOI).在预算和任务时限的约束下将整个活动周期分为多个阶段,每个阶段对上线的工人进行筛选采样、评估质量和更新参数,为下一阶段的选择策略提供依据.本文从理论上证明了该机制具有预算可行性、个体合理性、真实性和计算效率,同时,实验验证了该机制在提升数据质量上的有效性.

移动众包中基于多约束工人择优的激励机制研究

随着移动众包的快速发展,市面上的众包平台如雨后春笋般出现,它们发布任务并利用人群的力量来执行任务、收集数据。此时,移动众包中有效的激励机制变得十分重要。然而现有的激励机制只片面地考虑工人的信誉度、所在位置和执行时间等,这使得众包平台在有限的预算或其他约束的情况下选定优质工人并分配多个任务变得困难。针对以上问题,文中提出了一种基于多约束工人择优的激励机制(Multi-constrained Worker Selection Incentive Mechanism, MSIM),该模型依赖于两个相关算法:一是基于改进逆向拍卖的工人择优算法,该算法综合考虑工人信誉度、地理位置、任务完成度、结果质量等多个重要约束来选择最优的工人执行任务;二是评估和奖惩算法,该算法对任务执行结果和工人信誉度进行评估,从而制定对工人的奖励与惩罚规则。实验结果表明,MSIM可以选出优秀的工人,并提高任务执行结果的可信度和工人信誉度,是一种良好的激励机制。

基于契约理论的移动众包网络长期激励机制研究

针对移动众包网络中网络信息非对称的问题和移动众包任务参与者的自私性,提出一种基于契约的移动众包网络的长期激励机制。考虑到移动众包任务参与者的移动性和环境的动态特性,在建立软件服务商和移动用户模型基础上,研究两阶段动态契约激励模型。在移动用户满足激励相容和参与约束条件下,通过甄别移动用户完成移动众包任务的真实众包任务努力的能力,实现软件服务商期望效用最大化。实验结果表明,该机制能够有效提高移动众包网络的共享性能,为移动众包的发展提供新思路。

口碑参与模式下移动众包网络的用户博弈研究

研究了口碑参与模式下参与用户之间的博弈行为,探究个体利益最大化的最佳策略。首先,给出了口碑参与模式下移动用户行为交互场景和相关定义,提出的移动用户效应函数不仅考虑了用户的数据贡献量,还考虑了用户邀请与合作因素,能激励用户之间相互合作;然后,基于博弈论斯塔克伯格模型分析了口碑参与模式下用户的博弈过程,把用户之间的行为交互分成两级博弈过程,应用逆向归纳法分析得出一级和二级博弈中用户的最佳对策,并获得了斯塔克伯格均衡;最后,证明了斯塔克伯格均衡的存在唯一性,提出了计算斯塔克伯格均衡的算法。数值实验结果验证了用户效应函数的合理性和斯塔克伯格均衡的存在唯一性。

环境信息监控中基于压缩感知的移动众包成本控制研究

基于压缩感知的移动众包模式是解决环境信息监控中成本问题的有效途径.压缩感知能够通过部分采样点恢复出全部数据,而其恢复质量取决于采样点所包含信息与噪声的数量.本文针对这两方面对压缩感知进行了优化,从而进一步减少环境信息监控所需成本.首先,本文提出了一种基于经验的采样点选择算法EBCS(Experience Based Cell Selection),通过选取包含信息更多的采样点,减少了数据恢复所需要的采样点数量.其次,本文提出了一种改进的k-means算法IK(Improved K-means),对参与者提交的任务数据中可能存在的伪造数据进行检测,避免了众包平台为了抵消伪造数据对恢复算法性能造成的负面影响而不得不对更多的采样点进行采样.经实验证明,本文提出的方法在成本控制上有非常好的表现.

基于移动众包的地磁传感器阵列室内指纹定位技术

针对有源的室内定位技术应用场景局限,布置设备成本高昂的现状,提出了一种无源高效的基于移动众包方式的地磁指纹定位技术。创新地提出了基于传感器阵列的地磁指纹采集与匹配方法,通过移动众包的方式来解决指纹采集更新工作量大、专业性强的技术适用性难题。通过基于核模糊C均值地磁指纹聚类算法训练离线指纹库,在20次重复实验的情况下,地磁指纹定位平均定位误差为1. 87 m,90%的定位误差小于3 m,较地磁线图匹配算法定位精度及性能均有较大的提升。

基于最大匹配的移动众包任务分配研究

通过在piFogBedII中引入移动众包资源,解决了雾计算实验平台用户层设备多样性和移动性问题,但也带来移动众包任务分配的问题,而现有移动众包任务分配机制不适合该平台。基于双向拍卖机制,设计了基于最大匹配的任务(MTM)分配算法,考虑移动用户的偏好,以最大化任务匹配数为目标,并满足诚实性、个体理性和预算平衡性。实验表明,该算法在任务匹配数上有很大提高,同时,具有计算高效性。

一种移动众包系统在线激励机制优化算法

为提高移动众包系统的有效性和可靠性,设计了一套完整的在线激励机制优化算法,针对用户到达和参与任务的异步行为,提出一种改进的多阶段反向拍卖算法,通过在线学习自适应确定密度阈值,动态选择最优用户集,并在每次交易后对用户的信誉进行更新,以指导下次任务分配。仿真结果表明,该优化算法满足计算有效性、利益双方正收益性和真实性,能在一定预算和时间约束下获得更好的性能。

移动众包平台的任务定价模型优化策略研究

采用BP神经网络建立基于定位的定价模型,分析任务完成度的影响因素,根据影响因素引入奖励函数和抢任务的概率分布函数以提高会员积极性及改进人力资源匹配,同时采用PID负反馈网络优化完成度优化,最终实现众包双方效益平衡的目标,提出定价调整方案。实验结果对比表明,优化后的任务定价模型有效地降低了任务发布方的成本支出,在提高会员的参与积极性的同时,保证整体任务的完成度。

基于RepVGG和LSTM两阶段移动众包任务分配算法

移动众包是一种新型的感知模式,已被广泛应用于移动计算和城市生活交通服务,任务分配是移动众包中核心研究问题之一。但由于任务是动态到达的,移动众包平台在初始并不了解所有的众包任务,导致任务分配往往会陷入局部最优。为了解决上述问题,本文提出了一种基于深度学习的两阶段预测算法,第一阶段使用基于RepVGG的网络进行任务可用性的预测,第二阶段使用基于LSTM的网络进一步进行任务持续时间的预测。通过实验对比,本文所提出的算法在预测任务可用性上的准确度比传统的机器学习算法提高了32%,比同样基于深度学习的算法提高了14.2%,在预测任务持续性上的准确度相比其他算法提高了10.5%。

移动众包平台的任务酬金定价模型及调控策略研究——以珠三角地区为例

以珠三角地区移动众包平台为研究对象,实证分析了移动众包平台中的任务酬金定价模型和调控策略问题.首先使用GIS软件将移动众包平台中的用户和任务点的位置信息投射到真实地图,定性分析了影响任务点定价模型的交通、商圈等因素.然后建立以任务完成率最大和任务发布者收益最大的多目标任务酬金定价模型,使用熵权法确定模型中交通、商圈等因素的权值.最后借助贪心算法对上述模型进行求解,在分析部分任务未完成原因的基础上,提出了一种基于缓冲区打包的定价调控策略,通过实验分析,这种方法有助于提高任务的完成率和增加任务发布方的收益.

对基于大数据的智能化移动众包方式进行无线电监测的探索

根据当前无线电监测管理工作的需要,本文提出了基于大数据的智能化移动众包监测方式,以进一步挖掘无线电监测数据的价值,提升无线电监测工作的科学化、智能化水平,提高无线电管理决策能力和服务水平。

移动众包平台模式思考与任务定价研究——以“拍拍赚”APP为例

众包平台经营的核心是任务定价问题,文章根据任务地点和参与者考评的综合分析,得出众包网站的产品定价规律。研究模型主要在市场竞争的视角下,以互联网自助式劳务众包平台为研究对象,建立集合覆盖模型,确定任务"打包"方案,以减少参与者对任务的争抢,更好地发挥激励机制和保障较高的任务完成率。模型对定价规律同时作出定性和定量分析,能够灵活地运用在典型的劳务众包网站,为任务发布者今后的出价方案提供参考。

移动应用众包测试质量影响因素分析

针对移动应用众包测试质量影响因素复杂多样致使测试质量难以评估的问题,提出一种基于皮斯尔曼相关系数分析的质量影响因素分析方法。首先,通过对测试平台、任务、人员三方面的分析获取潜在质量影响因素;然后,利用斯皮尔曼相关系数分析法计算潜在因素与测试质量的关联程度并筛选出强关联因素;最后,通过多元逐步回归法建立强关联因素与测试质量间的线性评价关系。实验结果表明,与传统专家人工评价方式相比,所提方法在面向大量测试任务质量评价时,能够保持更小的评价误差波动,可以准确地筛选出移动应用众包测试质量关键影响因素。

基于众包感知的移动网络小区信息侦测方法

基站信息表是电信运营商进行移动网络运营和维护的核心数据资产,对于位置服务提供商具有重要的商业价值,但其存在基站信息更新不及时、不准确、第三方无法获取等问题,限制了基站信息表的应用范围和效果。针对该问题,提出一种基于移动众包感知数据的移动网络小区信息侦测方法。借助于众包感知的方式从海量普通用户智能终端上采集用户真实在网信息,利用数据挖掘算法对各基站小区关键参数进行估算,从而构建能够反映网络真实状态的基站信息表。基于现网真实数据的计算结果表明,与现有移动网络小区信息侦测方法相比,该方法具有更高的准确性和较强的信息侦测能力。

基于众包工人移动轨迹的任务推荐模型

随着移动众包的发展,越来越多的任务被发布在众包平台上。然而,由于移动众包系统中有大量的任务,当众包工人根据自己的兴趣主动选择任务时,选择出适合众包工人执行的任务会花费大量的时间。此外,由于众包工人不能完全了解众包系统中存在的所有任务的信息,他们很难选出最适合自己执行的任务。移动众包系统中的任务具有时间和空间特性,需要众包工人在指定的时间区间内移动到指定的区域完成任务。而众包工人有自己的工作和生活,为了适应众包工人的日常移动规律,提出了一种移动预测模型来预测众包工人的移动行为。基于预测结果和众包工人的需求,提出了一种基于众包工人移动轨迹的任务推荐模型。文章在两个真实数据集上进行了大量的仿真,结果证明所提模型具有较高的准确性和良好的适应性。

移动情景和用户轨迹感知的众包服务推荐

随着移动互联网的快速发展和智能终端设备的迅速普及,服务类型与服务内容的日新月异,为移动用户带来严重的移动信息过载问题,如何为用户提供更好的服务推荐是亟待解决的难题。提出了一个移动情景和用户轨迹感知的众包服务推荐策略,首先对历史日志中的位置坐标通过聚类算法聚合成区域,然后挖掘出用户在不同移动情景下的轨迹模式,进而提取出移动规则并判断每条规则所属的情景;在进行众包服务推荐时,通过实时感知到的位置轨迹和移动情景信息,预测用户即将到达的位置区域,从而将区域内的众包服务推送给该用户。提出的预测方法避免了额外增加用户执行任务的时间、行程、费用等成本,给用户推荐更适合的任务,提高用户服务满意度。

基于移动用户众包数据的室内平面图感知

针对大型室内环境空间结构和对象实体经常变化进而影响提供实时位置服务的问题,设计了一种利用移动用户众包位置数据感知室内平面图的方法。方法使用来自移动用户的众包数据进行室内平面图的重建,首先应用Voronoi图对室内空间进行空间区域划分,以寻找室内环境下空间的拓扑关系;然后利用拓扑关系约束有向无环图支持向量机(DAG-SVM)生成空间对象的几何特征;最后,联结拓扑关系和几何特征构建室内空间平面图。实验结果表明本文的方法能够感知室内空间平面图。