边缘辅助群智感知位置隐私保护多任务分配机制

为了解决群智感知中隐私泄露和多任务分配的问题,提出了一种边缘辅助群智感知位置隐私保护(EALP)多任务分配机制。首先,考虑群感知任务具有地理相近特征,利用改进的模糊聚类(FCM)算法对任务位置进行聚类组合,改进聚类数目指标,提高多任务分配的合理性。接着,为了防止云平台和感知用户之间的共谋,在任务分配阶段,提出一种位置隐私保护协议,在感知用户、云服务器和边缘节点之间部署同态加密,云感知平台能够安全地计算感知用户的移动距离,而不知道感知用户的位置和任务聚类中心位置。最后,提出了一种基于蚁群算法多任务分配优化方案,兼顾平台和感知用户两者利益,优化感知用户执行任务路径。实验结果表明,与同类方法相比,所提机制在保护位置隐私的前提下提高了任务完成率,降低了系统的感知成本和用户移动成本。

基于深度强化学习和隐私保护的群智感知动态任务分配策略

在移动群智感知(Mobile Crowd Sensing,MCS)中,动态任务分配的结果对提高系统效率和确保数据质量至关重要。然而,现有的大部分研究在处理动态任务分配时,通常将其简化为二分匹配模型,该简化模型未充分考虑任务属性与工人属性对匹配结果的影响,同时忽视了工人位置隐私的保护问题。针对这些不足,文章提出一种基于深度强化学习和隐私保护的群智感知动态任务分配策略。该策略首先通过差分隐私技术为工人位置添加噪声,保护工人隐私;然后利用深度强化学习方法自适应地调整任务批量分配;最后使用基于工人任务执行能力阈值的贪婪算法计算最优策略下的平台总效用。在真实数据集上的实验结果表明,该策略在不同参数设置下均能保持优越的性能,同时有效地保护了工人的位置隐私。

面向异构效用的移动群智感知多目标任务分配

当前移动群智感知(MCS)任务分配往往只考虑工人或平台单方面的效用,并且效用的构成也不够全面。因此基于工人信誉指数和任务熟练指数,设计了工人和平台两方面的异构效用机制,并提出一种双种群竞争的多目标进化算法(DCMEA)来获得最优的工人和平台异构效用。该算法首先通过随机贪婪初始化种群,然后使用二元竞标赛算法将种群划分为胜者种群和败者种群,并针对每个种群采用不同的进化策略。最后,通过修复算子使进化过程中的无效个体满足约束条件。在真实场景的数据集上进行实验表明,与基线算法相比,DCMEA收敛速度更快,能够找到精度更优、稳定性更好的任务分配解集,同时在更为复杂的场景中依然能够保持其性能。

基于加密技术的感知结果可验证隐私保护群智感知方案

针对群智感知过程中对于任务服务器和工作者的隐私泄露问题,以及感知反馈结果验证过程中的隐私保护问题,借助于边缘节点和加密技术,基于代理重加密和同态加密算法,提出了一种感知结果可验证的隐私保护群智感知方案.该方案通过两轮对感知结果的加密传递,完成对感知结果的隐私保护传送和结果校验.其次,对所提出的方案的处理过程进行详细描述,并分析了这一方案对任务服务器和工作者的隐私保护情况。最后,通过实验验证比较,进一步证明所提出方案的优越性.

移动群智感知中高效可验证的安全真值发现方法

针对移动群智感知中参与者数据的真值和隐私保护问题,提出了一种高效可验证的安全真值发现方法 EVSTD,通过安全迭代更新参与者权值和评估对象真值,从而得到对象的真实数据。EVSTD中,参与者利用本地随机数和协商随机数对敏感数据进行双掩码数据扰动,使得EVSTD不仅能够保证敏感数据的隐私性,且解决了参与者因延迟发送感知数据而导致的敏感数据泄露问题。同时, EVSTD利用秘密共享协议解决了参与者掉线或失效的问题,且通过动态选择L邻居节点策略让参与者只与其关联邻居进行通信从而大大降低了参与者的计算和通信开销。此外,参与者通过计算敏感数据的同态哈希值以用于数据的验证并上传给服务器,服务器对敏感数据进行聚合和对验证信息进行乘积,并将计算结果发送给参与者,参与者再对聚合结果和证明信息进行验证,验证通过则说明聚合结果正确,进一步保证了真值发现结果的可信性,防止服务器对参与者的敏感数据进行篡改,保证了聚合结果的真实性。实验结果显示所提方法在保证数据隐私的同时获得真实可靠的数据信息,且能够有效的防止服务器篡改数据和共谋攻击。

基于区块链的移动群智感知数据处理研究综述

针对移动群智感知(MCS)数据处理的用户广泛参与性、采集设备灵活移动性与通信环境复杂性的特点,对基于区块链的移动群智感知数据处理进行评估.回顾移动群智感知与区块链的发展历程,总结移动群智感知数据处理面临的挑战与区块链技术的特点;设计基于区块链的移动群智感知体系结构(BMCA),实现数据去中心化管理、数据安全保障、数据质量精准评估与激励可信性增强;从隐私保护、数据质量评估、激励机制3个维度,对比分析现有的数据处理关键技术研究工作;探讨基于区块链的移动群智感知数据处理研究在资源消耗控制、数据精准分析、全周期与差异化隐私保护、融合模式应用等方面存在的问题及未来可能的发展方向.

基于群智感知的交通违章举报系统设计方法

基于群智感知技术设计了一个交通违章举报系统,并对现有的数据选择机制进行了分析。针对这些机制在评价感知数据质量和用户可信程度方面存在的不足,提出一种新的基于信誉模型的数据选择方法,用户的信誉值可以根据其历史感知数据的质量动态计算得出,并将该方法应用于违章举报系统设计之中,有效地限制了恶意举报行为,提高了举报数据的质量和系统运行效率。根据实际性能测试,系统运行稳定可靠,是对现有交通监控系统的一个很好的补充。

PRPS:用于移动群智感知的隐私保护和信誉感知的参与者选择方案

作为一种新兴的感知范式,移动群智感知(mobile crowd sensing,MCS)包括一组移动用户,这些用户利用他们的传感设备有效地执行和发送数据贡献。然而,隐私和信誉机制(可靠性评估)的集成是构建安全可靠的MCS应用程序的关键。首先,即使参与者提供敏感的个人数据,也能确保他们的隐私得到保护。其次,由于有偏见或不准确的贡献可能会降低系统质量,信誉机制允许服务器监控参与者的行为和可靠性,服务器必须对参与者进行验证。将信誉机制与隐私相结合具有挑战性和矛盾性。信誉机制衡量参与者在整个感知活动期间的行为,而隐私旨在保护参与者的身份。因此,提出了一种针对MCS的新型隐私保护和信誉感知的参与者选择(privacy-preserving and reputation-aware participant selection,PRPS)方案。PRPS方案将隐私与信誉机制相结合,使用假名和隐身技术来分别保护参与者身份和信誉值隐私,并保护位置和数据隐私。通过仿真模拟和性能评估,分别比较了PRPS方案、隐私保护和效用感知的参与者选择(privacy-preserving and utility-aware participant selection,PUPS)方案及效用感知的参与者选择(utilityaware participant selection,UPS)方案,证明了PRPS方案的精度、有效性和可扩展性,并证明了隐私和信誉机制对数据贡献的影响。再次,评估了PRPS方案的结果。最后,估计了PRPS方案在评估参与者可靠性和行为方面的效率和准确性。

去中心化移动群智感知系统中可靠和高效的数据交易

移动群智感知(mobile crowd sensing,MCS)系统提供了充分利用人群智慧的机会,具有部署成本低、空间覆盖范围广等优点。由于中央服务器可能存在的故障或风险问题,该研究以分散的方式构建具有不可信参与者的高效MCS系统。基于分布式拍卖过程和区块链系统,提出一种高效实用的去中心化MCS系统。该方法通过一个中立、公开和可信的平台,实现了满足个人理性和保护个人隐私的最优社会利益。理论分析和数值实验均证实该方法的有效性。

基于Tangle网络的群智感知隐私保护激励方法

针对现有群智感知激励方法难以满足分布式环境下用户的隐私需求,该文提出一种基于Tangle网络的群智感知隐私保护激励方法TNIP(tangle network incentive policy)。首先,基于隐私保护思想,感知网络采用Tangle网络框架,分布式记录方式保障网络安全性;其次,为防止恶意竞争和区块链带来的PoW(proof of work)门槛等问题,设计了PoW控制算法,降低参与门槛和恶意竞争;接着,借助基于ECDSA(elliptic curve digital signature algorithm)的数字签名方法增强了感知数据保护,使数据更安全;然后,利用量化评估模型对隐私泄露风险进行量化评估,再通过可信的里程碑交易控制网络风险,增强感知网络隐私性;最后,利用真实数据集,通过仿真试验对该文提出的TNIP方法的激励效果和隐私保护方法进行对比分析,试验结果表明,TNIP方法在三类任务的平均参与率较CSII(cross-space multi-interaction-based-dynamic incentive scheme)方法和TCS(tangle-net crowd sensing)方法分别提高了8.79%和5.93%。

基于群智感知技术的智慧交通状态判断

交通供需矛盾是交通管理中的重要问题之一,而运用人工智能、物联网、大数据等技术解决这一问题已成为研究热点。基于物联网技术中传感技术的研究,针对传统智慧交通中的数据采集问题,提出将群智感知技术应用于智慧交通的数据采集阶段,实现道路交通数据的实时采集,降低了部署和维护成本的同时,提高了覆盖率和交通状态判断准确度。通过引入改进的基于遗传算法的模糊C均值聚类算法来分析采集到的源数据,根据聚类结果对交通状态进行预判,并将结果反馈给用户,可以为用户行车路线的选择提供依据,同时达到缓解或者避免交通拥堵的目的。结合算法原理,给出了算法模型和运行流程,并完整地介绍了基于群智感知技术的智慧交通状态判断系统的实现方法。

群智感知系统中面向高斯差分隐私的数据新鲜度性能分析

群智感知是基于众包思想,利用智能感知终端完成传感数据收集的一种数据获取模式,具有部署成本低、实现方式灵活、可扩展性强等优点。随着6G网络技术的日渐成熟,针对基于6G的群智感知系统中亟需解决的传感数据时效性与隐私安全问题,提出了一种基于高斯差分隐私的传感数据内容保护模型,利用信息年龄(Age of Information, AoI)指标对传感数据的新鲜度进行时效性分析,得到了不同队列模型、服务准则以及传输缓存的数据新鲜度性能表达式,突破了传感数据时效性分析与隐私安全提升研究相互独立的现状,为面向隐私保护的群智感知系统时效性性能评估及优化提供理论支撑。通过不同环境参数设置下的仿真实验,所提方案的正确性与有效性得到了验证。结果表明,在典型参数设置下,高斯机制的差分隐私保护效果与传感数据新鲜度性能呈负相关,即高时效性的传感数据隐私安全风险较高,反之亦然。

能源星火链网络群智感知任务分配仿真

为提升能源星火链网络群智感知效果,降低任务分配成本,提出能源星火链网络群智感知任务分配方法。以最初成本、代价成本、时间成本最低作为目标函数,构建任务分配模型,采用鲸鱼优化算法求解获取最佳任务分配结果。根据任务与感知设备起始位置距离、时间窗大小确定已分配任务优先执行顺序,结合感知设备用户弹性时间限制及信誉水平,弹性调节分配任务,判断感知设备用户是否接收额外任务,完成感知任务分配。实验结果表明:该方法任务分配的成本较低,感知设备用户数量较多、任务执行效率较高。

边云协同群智感知中隐私增强多任务分配机制

在移动群智感知中现有研究普遍基于边缘服务器或云服务器是可信的这一前提假设,无法在提高感知数据质量的同时有效保护参与者隐私。提出一种基于半可信执行环境的隐私增强多任务分配(PEMTA)机制,基于Hilbert曲线特性对任务进行位置聚类,将相邻边缘服务器结合Paillier加密体系的同态特性进行相互协作,根据参与者和任务的匹配度为每个任务挑选最佳参与者集合,完成感知任务且不泄露参与者隐私。设计贪心冲突排除算法,根据任务佣金对冲突任务进行等级划分,按照划分后的任务等级依次为冲突任务挑选最佳的替换参与者,解决了多任务分配产生的参与者匹配冲突问题。利用动态信誉值更新算法,通过量化参与者提交的感知数据与聚合后数据的偏差,动态更新参与者的信誉值,缓解了恶意攻击造成的数据质量损失。实验结果表明,PEMTA机制具有良好的抗恶意攻击性能,感知数据质量和任务完成率相比于同类多任务分配机制平均提升了18.14%和15.47%。

考虑工人培养的移动群智感知任务分配机制

移动群智感知(MCS)通过大量感知工人的移动性和工人随身携带的感知设备来收集数据,是一种新的大规模数据感知范式。现有大量研究致力于解决移动群智感知中的任务分配问题,使感知数据质量得以提高,但忽略了缺乏优质工人的感知任务,导致任务完成质量降低。为了解决上述问题,对于缺乏优质工人的感知任务,该文关注将经验不足的工人培养为优质工人,并令其执行这些感知任务,实现工人的长期复用,提高感知数据质量和长期平台效用。具体来说,该文考虑了缺乏优质工人的感知任务所需的能力和工人的能力类型,并据此应用稳定匹配算法选择待培养工人,提出一种基于能力聚合和半马尔可夫预测的多阶段工人选择培养(MWSD)算法。结果表明,相比基于区块链的非确定团队协作(BNTC)算法,该文所提算法能够有效将缺乏优质工人的感知任务的数据质量提高24%,长期平台效用提高17%。

移动群智感知中基于联邦学习的参与者选择机制

移动群智感知的发展使得一些任务收集的数据量过大,需要在不接收参与者原始数据的情况下评估数据质量并进行参与者选择。针对这一问题,提出一种基于联邦学习的移动群智感知参与者选择机制。考虑参与者智能终端资源水平、所处交互状态构建参与者智能终端资源评价机制,提出基于线性回归和长短期记忆网络的智能终端资源预测模型。通过预训练测试模型,评估参与者提供的数据质量,结合历史任务完成情况建立参与者信誉评价模型,实现对参与者的动态评价选择。仿真实验结果表明,所提的参与者选择机制在任务完成质量、能量消耗、通信轮数及任务完成时间等多方面体现出较好的性能。

面向移动群智感知的两阶段位置隐私保护方法

针对传统移动群智感知中工人的位置隐私泄露问题,提出一种两阶段位置隐私保护方法.首先,设计一种结合区块链和边缘计算的系统模型代替第三方平台;其次,在任务分配阶段基于同态加密提出了密文时间工人选择算法,通过边缘节点的协作高效完成任务分配;最后,在数据上传阶段给出双扰动本地差分隐私算法,工人在本地扰动位置数据,并加入干扰因子ω平衡保护强度和质量损失.仿真实验结果表明,该方法与现有算法相比提高了任务完成率,降低了服务质量损失,并能有效保护工人的位置隐私.

群组协作的移动群智感知任务分配方法

时空覆盖类感知任务对参与者的时间与空间约束使得传统单参与者模式难以适用。为此,该文提出群组协作的移动群智感知任务分配方法,以群组模式替代传统单参与者模式。设计层次化群组协作的任务分配框架,提出偏好感知的社交群组生成方法,引入社交关系生成社交群组,提高任务完成率。提出效用优化的任务群组匹配方法,采用网络流理论进行群组-任务匹配,保证平台效用最大化。仿真结果表明所提方法在任务完成率与平台效用方面均有较大提升。

面向狭小封闭战场环境的群智感知定位算法研究

为解决在狭小封闭的战场环境,如敌方指挥中心、船舱、地下建筑物中,如何快速准确地获取自组织网络或目标对象的位置信息的问题,基于单兵智能终端设备提供的通信模块,利用可见光传感器等硬件设备的支持,通过研究群智感知式的通信信号指纹,结合图像匹配算法,提出了一种定位算法。该算法利用通信指纹数据实现了初步定位,结合融合图像和姿态传感器的加权平均算法,并采用群智感知方式补充与更新定位数据,通过调整图像匹配策略,在保持准确率的前提下,相比单一图像匹配定位算法,降低了算力的需求,在通信条件复杂的战场环境中提高了实时性能。对比标准的WKNN(Weighted K-Nearest Neighbors)算法,提高了在复杂环境下定位的稳定性,且定位误差平均值低于1.72 m,误差降低约50%。

采用离散烟花算法的移动群智感知异构任务分配

建立移动群智感知异构任务分配问题的数学模型,该模型考虑参与者的心理与行为过程,并引入环境信息和参与者健康状况、信誉度和测量时间等因素,通过寻找最优任务分配方案,最小化任务完成的总成本,该总成本包括补偿成本、数据损失成本和距离成本3方面。为求解该模型,提出一种引入了预测信息的离散烟花算法。该算法采用整数编码方式,利用模型中的距离和匹配度2种启发信息设计烟花爆炸算子,提出了爆炸振幅的分组线性预测策略和变异算子的自适应竞争机制。实验结果表明,与已有算法相比,所提算法在移动群智感知异构任务分配问题上能够搜索到更优的分配方案。