边云协同群智感知中隐私增强多任务分配机制_王辉.pdf

第 49卷 第 4期2023年 4月Computer Engineering 计算机工程边云协同群智感知中隐私增强多任务分配机制王辉1，张玉豪2，申自浩2，刘沛骞1，蔡尚卿2，刘琨1（1.河南理工大学 软件学院，河南 焦作 454000；2.河南理工大学 计算机科学与技术学院，河南 焦作 454000）摘要：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%。关键词：移动群智感知；边缘计算；多任务分配；Hilbert曲线；Paillier加密开放科学（资源服务）标志码（OSID）：中文引用格式：王辉，张玉豪，申自浩，等.边云协同群智感知中隐私增强多任务分配机制 J.计算机工程，2023，49（4）：52-60.英文引用格式：WANG H，ZHANG Y H，SHEN Z H，et al.Privacy-enhanced multi-task allocation mechanism in edge cloud collaborative crowdsening J.Computer Engineering，2023，49（4）：52-60.Privacy-Enhanced Multi-Task Allocation Mechanism in Edge Cloud Collaborative CrowdseningWANG Hui1，ZHANG Yuhao2，SHEN Zihao2，LIU Peiqian1，CAI Shangqing2，LIU Kun1（1.School of Software，Henan Polytechnic University，Jiaozuo 454000，Henan，China；2.School of Computer Science and Technology，Henan Polytechnic University，Jiaozuo 454000，Henan，China）【Abstract】Studies on Mobile Crowdsensing（MCS）are generally based on the premise that the Edge Server（ES）or Cloud Server（CS）is trusted，which can not effectively protect the privacy of participants while improving the perceived data quality.A Privacy-Enhanced Multi-Task Assignment（PEMTA）mechanism based on a semi-trusted execution environment is proposed.The tasks are clustered based on Hilbert curve characteristics.The adjacent ESs are combined with the homomorphic characteristics of the Paillier encryption system for cooperation.The best set of participants is selected for each task based on the matching degree of participants and tasks to complete the perception task without disclosing the privacy of participants.The greedy conflict elimination algorithm is designed，and the conflict tasks are graded according to the task commission.The best replacement participants are selected for the conflict tasks based on the divided task level to resolve the matching participant conflict caused by multi-task allocation.The dynamic reputation value update algorithm is used to dynamically update the reputation value of participants by quantifying the deviation between the perception data submitted by participants and the aggregated data，alleviating data quality loss caused by malicious attacks.The experimental results show that the PEMTA mechanism performs satisfactorily in anti-malicious attacks.The perceived data quality and task completion rate increase by 18.14%and 15.47%，respectively，compared with similar multi-task allocation mechanisms on average.【Key words】Mobile Crowdsensing（MCS）；edge computing；multi-task assignment；Hilbert curve；Paillier encryptionDOI：10.19678/j.issn.1000-3428.0065310基金项目：国家自然科学基金（61300216）；河南省高等学校重点科研项目（23A520033）。作者简介：王辉（1975），男，教授、博士、博士生导师，主研方向为网络安全、智能信息处理；张玉豪，硕士研究生；申自浩（通信作者）、刘沛骞，副教授、博士；蔡尚卿，硕士研究生；刘琨，副教授。收稿日期：2022-07-21 修回日期：2022-11-15 Email：wanghui_热点与综述文章编号：1000-3428（2023）04-0052-09 文献标志码：A 中图分类号：TP393第 49卷 第 4期王辉，张玉豪，申自浩，等：边云协同群智感知中隐私增强多任务分配机制0概述 移动群智感知（Mobile Crowdsensing，MCS）技术作为物联网技术的延伸，拓宽了信息采集的渠道和智能设备的使用场景1，利用用户携带的智能终端设备收集传感数据，广泛应用于疾病控制、智能医疗、交通检测、城市管理、污染跟踪等2-3复杂在线任务。传统 MCS系统由云服务器（Cloud Server，CS）负责任务分配、数据收集等工作，但远程数据传输导致的高时延和带宽浪费问题日益显著4。MARJANOVI等5和BELLI等6通过将MCS的关键特性与移动边缘计算进行结合，构建一种适合大规模MCS服务的移动边缘计算体系结构（Edge Computing-based MCS，EC-MCS）。鉴于 EC-MCS体系结构在分布式计算和隐私保护方面的优势，国内外相关学者进行了大量研究。LAMAAZI等7利用 EC-MCS分布式计算机制和低时延特性优化了参与者选择的过程，提高了感知数据质量。JIANG等8利用边缘节点之间的协作促进了任务分配的效率，避免了复杂的招募过程，但忽略了对参与者的隐私保护。目前，MCS服务普遍需要参与者的位置信息。隐私泄露的风险会极大削减参与者执行感知任务的兴趣，进而阻碍 MCS技术的发展。SHEN等9和QIAN等10基于EC-MCS体系结构实现了任务分配，并使用差分隐私技术保护参与者隐私。ZHOU等11基于树的隐私保护在线学习算法和边云协同策略，有效实时地处理智能城市中的大规模任务。WU等12在利用群签名匿名化用户的同时验证用户身份，并完成任务分配。GANJAVI等13提出边缘辅助 MCS方案，使用Paillier加密算法保护感知数据隐私，并使用群签名进行参与者身份验证，以识别和阻止恶意参与者的攻击。DING等14基于半可信边缘服务器（Edge Server，ES）实现了隐私保护任务分配，并使用 Paillier加密算法和差分隐私技术保护参与者位置和数据隐私。然而，以上方案都是基于边缘服务器或云服务器是可信的这一前提假设。实际上，边缘服务器和云服务器可能隶属不同的组织或机构。因此，它们多数是半可信的实体。在半可信的执行环境中，边缘服务器和云服务器虽然会按照要求完成工作，不会进行主动攻击，但会使用系统管理权限查看参与者提交的各种信息（例如，位置和感知数据信息）。这可能会导致参与者隐私信息泄露给各种服务器提供商。因此，在 EC-MCS场景中认为服务器完全可信是不合理的。在MCS场景中，合理的任务分配能够有效提高任务完成率和感知数据质量，因此如何从庞大的用户群体中选择最佳的参与者去执行感知任务是一个值得研究的问题15。WU等16和XIA等17考虑了感知任务和参与者的社会属性，通过计算参与者与任务的匹配度获得任务的最佳参与者。杨桂松等18同时考虑任务的难度、位置以及工人设备的合理性，提高了感知数据质量。王汝言等19在任务分配时考虑参与者和任务的各自偏好，基于双方的偏好和稳定匹配理论进行任务分配，有效地提高了任务分配的合理性。考虑到多任务分配在处理大规模任务请求时的优越性，LIU等20提出一种TaskMe任务分配机制MT-MCMF，该机制在最大化完成任务数量的同时最小化用户总移动距离。蒋伟进等21采用启发式贪心算法实现多任务分配，有效提高了获取的感知数据质量。ASANZA等22基于粒子群优化的元启发式算法实现多任务分配，并基于任务相似度和任务期望的数据质量进行分组，有效提高了感知数据质量。在现实世界中，根据参与者选择的动态特性，可能存在恶意参与者提交虚假数据破坏平台的正常运行，或者仅以获取任务佣金为目的而忽略感知数据的质量。以上文献所提的任务分配方案由于未考虑参与者信誉，因此可能会给平台造成巨大的损失且无法保证感知数据的质量。为缓解大规模MCS任务给云服务器带来的计算压力，并提高参与者的隐私保护强度，本文利用EC-MCS的分布式计算和隐私保护特性，提出一种边云协同隐私增强多任务分配（Privacy-Enhanced Multi-Task Assignment，PEMTA）机制。PEMTA机制基于半可信的边缘服务器和云服务器，首先由云服务器根据任务位置进行聚类；然后边缘服务器相互配合，在不泄露参与者位置隐私的情况下，根据参与者的属性计算出参与者与任务之间的匹配度，实现多任务分配；最后边缘服务器根据参与者信誉值的权重，在不泄露参与者数据