基于平台兴趣度的移动群智感知激励机制模型_万涛.pdf

基金项目:国家自然科学基金项目(61962022)收稿日期:2021-02-24 修回日期:2021-05-20 第 40 卷 第 4 期计 算 机 仿 真2023 年 4 月 文章编号:1006-9348(2023)04-0305-05基于平台兴趣度的移动群智感知激励机制模型万 涛1,王璐瑶1,岳世鑫1,廖维川2(1.华东交通大学信息工程学院,江西 南昌 330013;2.华东交通大学理学院,江西 南昌 330013)摘要:针对移动群智感知系统中参与者积极性和数据质量不够高的问题,提出一种基于平台兴趣度的移动群智感知激励机制模型。上述机制根据感知平台对感知任务的候选参与者上传感知数据的质量以及他们完成任务时的努力程度来量化评估感知平台对该候选人产生的兴趣度。通过离线和在线结合的两步骤动态拍卖方法竞选出获胜者参与感知任务并予以相应报酬。实验结果表明,与现有方法相比,上述模型在数据集中能产生更大的平台效益以及消耗更少的运行时间。关键词:移动群智感知;激励机制;兴趣度;动态拍卖中图分类号:391.9 文献标识码:BIncentive Mechanism Model Based on PlatformInterest for Mobile Crowd SensingWAN Tao1,WANG Lu-yao1,YUE Shi-xin1,LIAO Wei-chuan2(1.School of Information Engineer,East China Jiaotong University,Nanchang Jiangxin 330013,China;2.School of Science,East China Jiaotong University,Nanchang Jiangxin 330013,China)ABSTRACT:Aiming at the problem of insufficient enthusiasm and data quality of participants in the mobile crowdsensing system,this paper proposes an incentive mechanism model based on platform interest for mobile crowd sens-ing.The mechanism quantifies and evaluates the interest of the perception platform for the candidate according to thequality of the perception data uploaded by the candidate participants of the perception task to the perception platformand their efforts to complete the task.The winner is selected through a two-step dynamic auction method combiningoffline and online to participate in the perception task and be paid accordingly.Experimental results show that,com-pared with the existing methods,the model can generate greater platform benefits and consume less running time inthe data set.KEYWORDS:Mobile crowd sensing;Incentive mechanism;Interest;Dynamic auction1 引言近年来,移动群智感知(Mobile Crowd Sensing,MCS)作为一种新的感知模式,在学术界和工业界受到了越来越广泛的关注。与传统的传感器网络相比,群智感知由于其突出的优势而具有巨大的潜力,如时空覆盖范围广,成本低,具有良好的可扩展性等1。因此,移动群智感知技术被广泛应用于多个领域。例如,用于检测城市空气污染的参与式传感器系统HazeWatch2;用于提供道路交通信号时间表相关信息并建议有效的道路规划的服务软件 SignalGuru3;用于对移动目标的轨迹预测和跟踪的解决方案 CrowdTracker4等。然而,在感知数据的过程中,用户将消耗如电源,网络流量和时间等资源。此外,信息共享还将带来潜在的隐私威胁,从而导致用户参与度降低5。因此在移动群智感知中,为了招募足够数量的参与者去提供有效的感知数据,合理的激励机制的设计变得尤为重要。目前,激励机制可以主要分为离线激励和在线激励。离线激励机制要求感知平台等待足够的用户提交其投标,然后选择中标者来完成感知任务。Yang 等人6提出一种采用Stackelberg 博弈的基于拍卖的离线激励机制,但是离线激励机制需要等待所有用户出价,并且不能接受新用户的出价。随即 Zhao 等人7根据在线多阶段拍卖模型设计了两种在线激励机制,该机制通过设定初始门槛来选择赢家。但是,在503线激励机制需要通过历史经验设置阈值来选择赢家。Long等人8应用离线和在线两种方法相结合的两阶段拍卖激励机制来选择获奖者,该机制设置了静态选择获奖者并动态支付奖励,以克服不公平现象并激励用户及时完成任务。离线和在线激励分别有各自的不足之处,且由于已有激励机制中,感知平台大多根据预算和报价来选出获胜者用户,无法确定用户上传的感知数据的价值。因此,本文提出了一种基于平台兴趣度的移动群智感知激励机制模型(Plat-form-interest-based Incentive Policy for Mobile Crowd Sensing,PIP)。本文的主要贡献有以下三点:1)通过对任务候选参与者们兴趣度的评估来确定参与者们的自身价值以及对平台的吸引力,不仅考虑了任务开支对选择获胜者的参考价值,同时从更多维度去提供选择参与者的依据。2)由于平台对兴趣度的评估由所提供数据的质量以及参与者努力度直接决定,且兴趣度直接影响任务报酬的分配,因此,为了获取更多的任务报酬,候选参与者将会不断提高自身努力程度以及提升上传数据的质量。3)通过将离线和在线拍卖结合的两步骤拍卖激励机制不仅能吸引更多数量的参与者,还能够有效的避免由于参与者接收任务是动态随机的,不同用户到达时间可能不同以及必须通过历史经验阈值来选择赢家等问题。2 系统框架本文提出的 PIP 模型系统框架和感知流程如图 1 所示。该系统包括服务请求者、感知平台(服务器)以及任务参与者这 3 个部分。服务请求者结合自身情况向感知平台发出任务请求,感知平台将感知任务以及预算下达给候选参与者们并产生对候选参与者的兴趣度,在目标感知区域内候选参与者们将收集到的感知数据以及所需开支汇报给感知平台,感知平台结合离线和在线机制,通过两步骤动态拍卖的方法对获胜者进行选择,并给与其相应的激励,最后服务器将数据处理后返回感知结果给服务请求者。3 PIP 模型构建在本节中,具体介绍基于兴趣度的感知激励机制的模型构建。PIP 模型构建包括两个阶段:第一阶段感知平台通过任务候选参与者们上传的数据质量与努力度对他们进行兴趣度评估;第二阶段候选参与者通过两步骤动态拍卖的方法竞选出获胜者,并由感知平台向其支付相应报酬。3.1 兴趣度评估感知任务发布后,感知平台将会考虑候选任务参与者是否符合该任务需求,并计算他们各自的兴趣度的值。假设感知平台在观察任务参与者时将会产生一个对该任务参与者的兴趣度 Ii,这个值反映出每个候选参与者 Ui(iN)在返回感知数据之后获得的感知平台对其价值的评估,兴趣度计算如下图 1 PIP 激励机制模型Ii=QiEi(1)式中,Qi和 Ei分别表示的是该任务候选参与者 Ui上传的数据质量与努力度。候选参与者的质量和努力度越高,平台对其产生的兴趣越大。感知数据质量 Qi将由其发布感知数据的可信度、完整性和时效性来决定。将参与者上传的数据质量因子 Ci用其完整性和时效性表示为 Ci=Ci1,Ci2,并与他们对应的各因素权重 Wi=Wi1,Wi2T相乘进行质量 Qi的计算,即 Qi=CiWi。其中,数据的完整性 Ci1体现了候选参与者上传感知数据的完整程度,计算为Ci1=didai(2)式中,di表示候选参与者实际上传数据量,dai为感知平台期望获取的数据总量。由 Ui发布的数据的完整性随上传数据量的增加而增高。数据的时效性体现的是在有限的任务时间范围内任务参与者上传数据的及时程度,假设规定在有限的时间范围0,Tn内必须上传感知数据,参与者接受任务的起始时刻为 Ts,上传感知数据至服务器的时刻为 Tu,则任务感知历时 Tall=Tu-Ts,计算如下Ci2=Tn-TallTn(3)式中,参与者 Ui的任务感知历时总时长越短,其工作的时效性就越高。本文将采用熵权法进行不同指标的权重确定。熵权法的基本思路是根据指标变异性的大小来确定客观权重。一般来说,若某个指标的信息熵越小,表明指标值得变异程度越大,提供的信息量越多,在综合评价中所能起到的作用也603越大,其权重也就越大。相反,某个指标的信息熵越大,表明指标值得变异程度越小,提供的信息量也越少,在综合评价中所起到的作用也越小,其权重也就越小。熵权法赋权首先进行数据标准化,将各个指标的数据进行标准化处理。假设对质量因子 Ci数据标准化后的值 Yi=Yi1,Yi2,其中Yik=Cik-min(Ci)max(Ci)-min(Ci)(4)根据信息论中信息熵的定义,一组数据的信息熵 Eik计算为Eik=-ln(n)-13k=1PiklnPik(5)其中 Pik=Yik/2k=1Yi,根据信息熵的计算公式,计算出各个指标的信息熵为Ei1,Ei2;最后通过信息熵计算各指标的权重为Wik=1-Eikk-2k=1Eik(i=1,2)(6)努力度 Ei代表该候选参与者 Ui在接收感知任务以后所付出努力的程度,计算为Ei=TR?Di=(Ts-Tp)diTu-Ts(7)式中,努力度由 Ui对感知任务的反应时间 TR以及单位时间上传的数据量?Di 决定。感知平台在 Tp时刻发布感知任务后,任务参与者在 Ts时刻接受该任务,任务感知历时 Tu-Ts,候选参与者的努力程度与他们对任务的反应时间以及单位时间内上传的数据量成正相关。3.2 参与者竞选与激励本文采用两个步骤的动态拍卖的方法竞选出获胜者并支付报酬。感知平台将结合离线和在线机制,将拍卖过程分为两个步骤。其中第一步是样本初筛,此步骤采用离线机制接收一组候选参与者。当候选者出价不符合平台的标准时,将会被初步淘汰。第二步是候选者竞争及报酬支付,采取在线机制,通过候选者带来的平台效益计算出平均平台效益,作为获胜者选拔的一个重要指标。最终将报酬分发给竞选中的获胜者。奖励分配的具体步骤如下:第一步时间周期设置为 t=T/2InT,候选参与者获取返回感知数据之后,平台将会考虑参与者出价是否合理,只有当候选参与者报价 Bi小于等于平台支付给他的报酬 Ri,感知平台才会将其纳入考量范围,出价不合理者将会面临淘汰。候选参与者将获得的报酬 Ri为Ri=Bpre Ii(8)式中,Bpre表示平台预算。Bi=Bpre/2In(Bpre),当达到ni=1RiBi时,候选者将被初步淘汰。第二步将计算候选者带来的平台效益 E(W),根据平均平台效益 E(W)/W 来竞选出该步骤的获胜者并给予报酬。感知平台为了找到能带来平台效益高的候选参与者,先将时间周期 t 内所有参与者汇总到集合 W 中去,平台效益 E(W)计算为E(W)=log(1+C(W)-R(W)(9)式中,表示一个可以确定收益递减梯度的参数,对数函数体现了平台对获胜者的边际收益递减。参与者对平台的整体贡献 C(W)