群智感知中的參與者信譽評估方案

王濤春，劉婷婷，劉 申，何國棟

(1.安徽師范大學 數學計算機科學學院 安徽 蕪湖 241002; 2.網絡與信息安全安徽省重點實驗室(安徽師范大學)，安徽 蕪湖 241002)

0 引言

群智感知(Crowd Sensing)是一種新型的基于移動智能設備的感知方式，被稱為“以人為中心的感知”[1]，由大量參與者完成收集數據的任務。與傳統的利用傳感器節點感知的方式相比，該方式節省了部署和管理節點的開銷，并且解決了傳感器節點位置固定的問題。由于群智感知低成本、高參與度的特點，這種感知已被廣泛應用，如交通信息采集系統[2]、噪聲采集系統[3]以及景點環境監測系統等。

然而，在各種實時信息的采集系統中，參與者提交數據的時間存在延遲、數據覆蓋率不高以及提交的數據與任務所需數據不相關等因素直接影響提交數據的質量，進而影響任務完成的質量。因此，提高數據質量是保證群智感知系統服務質量的關鍵因素。為了提高感知數據的質量，研究人員提出了許多相關的激勵機制[4-6]、信譽評估模型[6-10]以及相關隱私保護方法[11],但現有的信譽評估模型大多計算影響因素和信譽度的等級，而非具體數值。例如：文獻[9]在信譽評估模型設計時，考慮了參與者能力、響應時間、位置以及參與者和任務請求者的聯系等因素，得出T(信譽) = {VL,L,M,H,VH}，將參與者信譽分為5個等級，未將信譽度數值化，導致評估準確度不高。為了解決上述問題，本文提出基于邏輯回歸模型的參與者信譽評估方案(Participant Reputation Evaluation Scheme, PRES)。該方法將響應時間、距離、歷史信譽度這3個自變量定義為[0,100]的數值，將數據相關性和數據質量定義為表示等級的數值，并且將參與者本次提交數據后的信譽度表示為[0.0,1.0]的概率值。方法基本思想為：根據參與者歷史信譽度和本次提交數據的質量對參與者信譽度進行評估，綜合考慮響應時間、距離、歷史信譽度、數據相關性以及數據質量5個方面的因素，計算出參與者本次提交數據能夠被信任的概率，并根據任務請求者的要求對參與者進行選擇，保證參與者提交數據的質量。

相比現有的用戶信譽評估模型，本文提出的PRES的優點在于：1)綜合考慮影響數據質量的多方面因素，并且將歷史信譽度作為計算依據，以激勵用戶持續提交高質量數據。2)PRES基于邏輯回歸模型對參與者信譽度進行計算，得出的信譽度分布具有邊緣化的特征，便于感知網絡選擇合適的參與者。3)將任務根據時間緊急程度分類，任務請求者可以選擇任務要求提交的時間范圍，系統根據不同的時間要求，調整邏輯回歸參數。4)相比用等級表示響應時間、距離和歷史信譽度，將自變量數值化，方便利用邏輯回歸模型，確定回歸方程，將自變量的微小變化反映在參與者信譽度上，使得對參與者本次提交數據的質量作出精確評估。

1 相關工作

數據質量是保證感知系統服務質量的關鍵，很多學者提出了許多方案，這些方案根據其目的分為激勵機制和參與者信譽評估模型兩類。

激勵機制即通過設計合理的激勵方式來鼓勵更多的參與者參與感知任務，并提交高質量可靠的感知數據。Guo等[1]提出通過一定的激勵手段提高用戶意識、環境意識和社會意識，這樣可以有效地提高用戶的參與度，但這種依靠提高意識來約束參與者的方式，很難從根本上保證數據的質量。吳垚等[4]對各種激勵方式進行了分析，在報酬支付激勵方式中，利用博弈論的機制能夠解決參與者之間的沖突以及合作關系，并且可以分析參與者的行為。社會關系激勵是針對機會感知網絡，建立參與者之間的信任體系，從用戶行為、貢獻和信譽等方面保證數據質量。

參與者信譽評估模型方面，南文倩等[6]設計出基于采集數據的響應時間、覆蓋率、相關性以及歷史信譽4個方面的信譽評估模型CSII，對參與者提交的數據進行分析，利用模糊化的方式計算用戶信譽。CSII中規定“時間因子”“地點因子”和“相關性”這個3個自變量的取值為“高”“中”“低”，分別對應于H、M、L這3個等級，而這3個因素共同影響的輸出變量“數據質量”的取值為“非常高”“高”“中”“低”“非常低”，分別對應于VH、H、M、L、VL 5個等級。Amintoosi等[7]提出參與者提名模型和參與者選擇模型，在某參與者被提名后，再根據其信譽值、距離任務截止時間、提交數據及時性這3個因素選擇最終參與者。經過兩次選擇，可在一定程度上保證優選參與者，但最終的信譽評估也是利用模糊化的方法，將T(信譽度)設定為{VL,L,M,H,VH}5個等級。這種模糊化的方式將導致計算出的參與者信譽多數分布在[0.4,0.6]區間內，若以信譽度為0.5作為評價信譽優劣的分界線，則對某參與者信譽度是否判定為“優”存在不確定性，從而使評估準確率降低。劉琰等[12]提出一種面向多任務并發的參與者優選方法，但該方法僅根據參與者完成任務所需移動的總距離最短來選擇合適的參與者，具有局限性。

綜合以上因素，我們發現現有研究存在評估結果集中化和評估準確率低的問題。為了便于感知網絡選擇合適的參與者，并且提高評估準確率，本文提出了基于邏輯回歸模型的參與者信譽評估系統PRES，考慮響應時間、距離、歷史信譽度、數據相關性和數據質量五個方面的因素，通過回歸分析，計算出每一個影響因素的系數，形成回歸方程，作為評估參與者信譽度的標準。

2 預備知識

2.1 群智感知系統結構

群智感知網絡體系結構由五部分組成[13]，包括任務請求者(Task Requester, TR)、注冊驗證者(Registration Authority, RA)、參與者(Mobile Node, MN)、服務提供者(Service Provider, SP)和外圍組件，如圖1所示。

圖1 群智感知網絡體系結構 Fig. 1 Architecture of mobile crowd sensing network

首先，任務請求者TR向RA提交需要參與者完成的任務，該任務經過RA的檢查和加密后，由RA將加密任務發送給SP。參與者即移動智能設備，具有感知能力，可以向RA注冊以參與感知任務，若參與者想要參與一個任務，則可從SP獲取任務，完成感知任務后，將感知數據提交給SP，并由SP分析參與者提交的數據以及其歷史信譽度，根據信譽評估方程計算本次提交數據的信譽度，若符合要求，則將數據轉換為請求者需要的信息，反饋給任務請求者。這一過程，能夠在一定程度上解決用戶隱私的問題。本文主要研究的是SP如何選擇最合適的n個參與者。

2.2 信譽評估標準

PRES對參與者信譽評估的標準包括5個方面：響應時間x1，即任務請求者要求的時間和參與者提交任務的時間差值，單位：min；距離x2，即任務請求者要求感知任務的地理位置與參與者提交任務的地理位置的距離，單位：m；歷史信譽度x3，即參與者的歷史信譽度；數據相關性x4，即參與者提交的數據與要求數據的相關程度；數據質量x5，在本系統中采集任務主要是收集圖片和聲音，而數據質量則可以認定為圖片的像素以及聲音的純凈度。系統中使用的數據來自真實數據集Dartmouth College Wi-Fi campus trace[14]，該數據集中包含時間戳、測試點和其他感知節點的距離(單位：km)、感知聲音質量(分為4個等級，分別是：QUIET、 NORMAL、ALERT和NOISY)以及感知節點的狀態(包括STATIONARY、WALKING和RUNNING)，本文以收集聲音為例，定義數據集中的時間戳為參與者提交任務的響應時間；將數據集中的測試點和其他感知節點的距離單位轉換為“m”來表示任務請求者要求感知任務的地理位置與參與者提交任務的地理位置的距離；數據相關性則是根據參與者執行感知任務時的狀態確定，若狀態為“STATIONARY”，則認為該參與者能夠準確地感知其所在位置的信息，x4=100，“WALKING”表示x4=70，“RUNNING”表示x4=50；將感知聲音質量等級轉換為表示等級的數值，即“QUIET”表示x5=100，“NORMAL”表示x5=70，“ALERT”表示x5=50；在參與者第一次參與任務時，無歷史信譽度，則根據以上4個因素計算本次信譽度。 在上述五個因素的共同作用下，參與者的信譽度Y表現為：數據質量高、可信任(Y=1)和數據質量低、不可信任(Y=0)兩個層次。

3 參與者信譽評估方法

針對群智感知網絡中參與者眾多、數據量巨大的問題，提出參與者信譽評估方法PRES，為感知網絡選擇合適的參與者，以保證數據質量。該方法綜合分析響應時間、距離、歷史信譽度、數據相關性和數據質量這5個方面的因素，同時，允許任務請求者選擇設置任務完成時間，根據不同的任務時間限制，利用邏輯回歸方法計算出5個影響因素分別對信譽度的影響，得出參與者信譽評估方程，作為評估依據。

3.1 邏輯回歸模型

在參與者信譽評估問題中，參與者的信譽可分為可信任和不可信任兩種，對于這種二項分布的判別，邏輯回歸模型可以方便地判斷參與者屬于哪種類型。邏輯回歸模型的主要特點是：由若干個自變量x影響一個因變量y，且y的值為0或1。在PRES中，有5個自變量，分別為：響應時間x1；距離x2；歷史信譽度x3；數據相關性x4；數據質量x5。因變量為y，y=1表示參與者可信任，y=0表示參與者不可信任。

3.1.1 基本模型概述

設y是0-1型變量，表示信譽度值，x1,x2,…,xn是決定yi取值的確定性變量，則yi與xi1,xi2,…,xin的關系可表示為：

E(yi)=pi=f(β0+β1xi1+β2xi2+…+βnxin)

其中:f(z)為LOGISTIC函數，基本形式為：

f(z)=p=1/(1+e-z)

在本系統中:

z=β0+β1xi1+β2xi2+…+βnxin

對上式進行轉換并取對數，得到邏輯回歸模型：

3.1.2 邏輯回歸模型參數估計

模型中的參數β0,β1,…,βn利用最大似然估計進行計算，記用戶可信任時y=1，此時的條件概率為P(yi=1)=pi，P(yi=0)=1-pi，于是得到一個信譽度值的概率為：

P(yi)=piyi·(1-pi)1-yi

因為各個參與者信譽度值相互獨立，故似然函數為：

對該似然函數等式兩邊取對數，得到對數似然函數為：

ln(1+e(β0+β1x1+…+βnxn))]

3.2 邏輯回歸模型

3.2.1 確定評估方程

針對Dartmouth3College Wi-Fi campus trace數據集，對數據集中的數據進行采樣并利用SPSS軟件求解各個影響因素的系數。實驗根據任務請求者對于時間的不同限制給出了不同的信譽評估方程，從而保證任務的時效性，進一步滿足用戶需求。根據群智感知用戶參與一個任務的一般時長，分別將任務時間限制設為30 min、1 h和2 h來求解評估方程參數,同時，為平衡各變量的系數，將歷史信譽度作乘以100的處理，將其范圍設定在[0,100]，結果如表1。

表1 不同時間限制時的評估方程參數Tab. 1 Parameters of evaluation equation with different time limit

從表1(時間限制為30 min)得出信譽評估的回歸方程為：

ln(yi)=-19.269-0.150x1-0.016x2+0.142x3+

0.150x4+0.108x5

(1)

從表1(時間限制為1 h)得出信譽評估的回歸方程為：

ln(yi)=-9.668-0.104x1-0.015x2+0.123x3+

0.139x4+0.021x5

(2)

從表1(時間限制為2 h)得出信譽評估的回歸方程為：

ln(yi)=-28.890-0.040x1-0.026x2+0.189x3+

0.155x4+0.143x5

(3)

3.2.2 算法描述

信譽度評估算法包括3個進程，分別為任務請求者進程、參與者進程和群智感知系統進程。其中，任務請求者設置時間限制、提交任務請求；參與者獲取和完成感知任務，并提交包含響應時間、距離、歷史信譽度、數據相關性和數據質量的任務報告；系統根據上述5個因素計算出參與者信譽度，通過判斷信譽度是否大于0.5，選擇合適的參與者，具體見算法1。

算法1 信譽度評估(reputation evaluation)。

符號說明：TLimit為任務請求者設置的時間限制，T為時間差，L為距離，H為歷史信譽度，R為數據相關性，Q為數據質量，RP為參與者信譽度；

//任務請求者活動

Requester： setTLimit(TLimit);

submitTask();

//參與者活動

Participant： getTask();

//采集的5個評估參數

T← time;L← locality;H← HistReputation;R← relation;

Q← quality;

//計算信譽度

System：RP←w1*T+w2*L+w3*H+w4*R+w5*Q;

//判斷是否被信任

ifRP> 0.5

then select;

//可信任：選擇；

else discard;

//不可信任：丟棄

4 實驗驗證

4.1 實驗結果

在實驗數據集中抽取數據進行評估，將任務提交時間限制分別設置為30 min、1 h、2 h，設評估正確的總體百分比表示為E，對第i個樣本點的觀測值為Yi1，預測值為Yi2，總的實驗數目為n，則：

其中，I(*)為指示函數：當*為真時，函數值為1；否則為0。表2中顯示了這3種情況下對應的評估正確率。

表2 不同時間限制下的評估準確率Tab. 2 Evaluation accuracy under different time constraints

根據實驗，得到結果：利用該方法進行信譽度評估時，評估正確的總體百分比達到90%以上。本節從數據集中隨機抽取10位參與者提交的數據，設定任務提交時間限制為30 min，則根據信譽評估的回歸方程(1)，綜合響應時間、距離、歷史信譽度、相關性和數據質量對他們的信譽度進行了評估，得出的結果如表3所示。

表3 信譽度評估結果Tab. 3 Results of reputation evaluation

4.2 實驗驗證

本節從參與者信譽度分布和評估準確率兩個方面來驗證PRES性能，并與CSII方法進行比較。為了保證實驗結果的真實性，本實驗隨機抽取Dartmouth College Wi-Fi campus trace數據集中的數據。

4.2.1 參與者信譽分布

PRES假設信譽度大于0.5即為該參與者的信譽較高，可作為感知網絡的待選參與者。參與者信譽度分布對于選擇合適的參與者具有很大意義，若評估出的參與者信譽度集中在[0.4, 0.6]區間內，參與者信譽度無明顯差異，則感知網絡很難選擇合適的參與者。若評估出的參與者信譽度集中于[0.0, 0.3]和[0.7, 1.0]時，參與者的信譽度差異非常明顯，感知網絡可以很方便地選擇較為合適的參與者。

圖2 參與者信譽度分布區間 Fig. 2 Interval of participant’s reputation distribution

CSII系統根據參與者歷史收集數據的質量來計算參與者信譽，同時也考慮了時間因子、地點因子和相關性的影響，利用模糊化的方法將影響因素分為若干等級，假定CSII模型中的VH=0.9,H=0.7,M=0.5,L=0.3,VL=0.1。而在PRES中，數據質量等因素都由具體數值表示，PRES和CSII關于參與者信譽度分布比較如圖2。從圖2可以看出，PRES評估出的參與者信譽度集中分布在[0.0,0.2]和[0.8,1.0]區間內。而CSII評估出的參與者信譽度集中分布在[0.4,0.6]區間內，使群智感知系統難以選擇合適的參與者。CSII模型利用模糊化的方法，將各個影響因素劃分為L、M、H 3個等級，再根據這些影響因素的不同等級組合，映射出數據質量的等級，而在這個映射過程中，40.1%的組合都映射為M等級(即信譽度為0.5)，所以導致該系統的信譽度分布集中在[0.4,0.6]區間，數據質量不易判斷。

4.2.2 評估準確率

評估準確率是衡量信譽評估方法的最重要因素之一，評估的準確率高就可以保證數據質量。對于已存在歷史信譽度的參與者，影響其本次信譽度的因素包括響應時間、距離、歷史信譽度、數據相關性和數據質量。在任務請求者設定的不同限制時間下，PRES和CSII對用戶信譽度評估的準確性比較如圖3所示。假設參與者信譽度大于0.5表示可信任，從圖3可以得知：在不同的時間限制下，PRES對信譽度評估的準確性均大于90%，而CSII不能適應可變的時間限制，準確率明顯低于PRES。

圖3 評估準確率 Fig. 3 Accuracy of evaluation

4.2.3 復雜度分析

設已在系統中注冊的參與者人數為n，SP接收到參與者提交的數據為m份，則SP逐一對參與者進行信譽評估，這一過程需要在系統中查找該參與者的歷史信譽度，若使用二分查找方法，則時間復雜度為O(logn)，再將該參與者提交數據的響應時間、距離、歷史信譽度、數據相關性和數據質量輸入系統，系統則根據對應的信譽評估方程，計算出參與者本次提交數據后的信譽度。該算法的復雜度為O(nlogn)。

5 結語

針對群智感知網絡中數據質量難以保證、參與者信譽度評估不準確的問題，本文提出了參與者信譽評估方法PRES，綜合考慮響應時間、距離、歷史信譽度、數據相關性和數據質量五個方面的因素，利用邏輯回歸模型計算出每一個因素對用戶信譽度的影響程度，得出信譽評估方程。分析表明，PRES能夠降低群智感知網絡選擇合適的參與者的難度，也能較為準確地對參與者本次提交數據后的信譽度進行計算。接下來將對信譽評估的回歸方程進一步研究和改進，使其適應于更多的環境。

參考文獻(References)

[1] GUO B, YU Z, ZHOU X, et al. From participatory sensing to mobile crowd sensing [C]// PerCom 2014: Proceedings of the 2014 IEEE International Conference on Pervasive Computing and Communications Workshops. Piscataway, NJ: IEEE, 2014: 593-598.

[2] THIAGARAJAN A, RAVINDRANATH L, LACURTS K, et al. VTrack: accurate, energy-aware road traffic delay estimation using mobile phones [C]// SenSys ’09: Proceedings of the 7th ACM Conference on Embedded Networked Sensor Systems. New York: ACM, 2009: 85-98.

[3] STEVENS M, D’HONDT E. Crowdsourcing of pollution data using smartphones [EB/OL]. [2017- 04- 03]. https://www.researchgate.net/publication/228911632_Crowdsourcing_of_Pollution_Data_using_Smartphones.

[4] 吳垚,曾菊儒,彭輝,等.群智感知激勵機制研究綜述[J].軟件學報,2016,27(8):2025-2047.(WU Y, ZENG J R, PENG H, et al. Survey on incentive mechanisms for crowd sensing [J]. Journal of Software, 2016, 27(8): 2025-2047)

[5] KAWAJIRI R, SHIMOSAKA M, KASHIMA H. Steered crowdsensing: incentive design towards quality-oriented place-centric crowdsensing [C]// UbiComp 2014: Proceedings of the 16th ACM International Joint Conference on Ubiquitous Computing. New York: ACM, 2014: 691-701

[6] 南文倩,郭斌,陳薈慧,等.基于跨空間多元交互的群智感知動態激勵模型[J].計算機學報,2015,38(12):2412-2425.(NAN W Q, GUO B, CHEN H H. et al. A cross-space, multi-interaction-based dynamic incentive mechanism for mobile crowd sensing [J]. Chinese Journal of Computers, 2015,38(12):2412-2425.)

[7] AMINTOOSI H, KANHERE S S, ALLAHBAKHSH M. Trust-based privacy-aware participant selection in social participatory sensing [J]. Journal of Information Security and Applications, 2015, 20(C):11-25.

[8] TORSHIZ M N, AMINTOOSI H. Collusion-resistant worker selection in social crowdsensing systems [J]. Computer and Knowledge Engineering, 2017, 1(2): 9-20.

[9] AMINTOOSI H, KANHERE S S. A reputation framework for social participatory sensing systems [J]. Mobile Networks and Applications, 2014,19(1): 88-100.

[10] 張濤,馬建峰,習寧,等. 面向服務移動社交網絡中基于信任的分布式服務組合方法[J].電子學報,2016,44(2):258-267.(ZHANG T, MA J F, XI N, et al. Trust-based decentralized service composition approach in service-oriented mobile social networks [J]. Acta Electronica Sinica, 2016, 44(2): 258-267.)

[11] MA R, XIONG J, LIN M, et al. Privacy protection-oriented mobile crowdsensing analysis based on game theory [C]// IEEE TrustCom 2017: Proceedings of the 16th IEEE International Conference on Trust, Security and Privacy in Computing and Communications. Piscataway, NJ: IEEE, 2017: 990-995.

[12] 劉琰,郭斌,吳文樂,等.移動群智感知多任務參與者優選方法研究[J].計算機學報,2017,40(8):1872-1887.(LIU Y, GUO B, WU W L, et al. Multitask-oriented participant selection in mobile crowd sensing [J]. Chinese Journal of Computers, 2017,40(8):1872-1887.)

[13] SHIN M, CORNELIUS C, PEEBLES D, et al. Anonysense: a system for anonymous opportunistic sensing [J]. Pervasive & Mobile Computing, 2011, 7(1):16-30.

[14] CRAWDAD. Dartmouth College Wi-Fi campus trace [DB/OL]. [2017- 01- 29]. http://crawdad.org/unauthorized.html.

This work is partially supported by the National Natural Science Foundation of China (61402014).

WANGTaochun, born in 1979, Ph. D., associate professor. His research interests include privacy preserving, wireless sensor network.

LIUTingting, born in 1996, B.S. candidate. Her research interests include crowd sensing.

LIUShen, born in 1996, B.S. candidate. His research interests include wireless sensor network.

HEGuodong, born in 1980, Ph. D., associate professor. His research interests include signal processing.