移動群智感知中面向任務需求的用戶選擇激勵機制

陳秀華 劉慧 熊金波 馬蓉

摘 要：有的移動群智感知激勵機制大多以平臺為中心或是以用戶為中心進行設計，缺乏對感知任務需求的多維考慮，從而無法切實地以任務為中心進行用戶選擇，導致無法滿足任務需求的最大化和多樣化。針對上述問題，提出一種面向任務需求的用戶選擇激勵機制TRIM，這是一種以任務為中心的設計方法。首先，感知平臺根據任務需求發布感知任務，并從任務類型、時空特性以及感知報酬等多維度構建任務向量以最大化滿足任務需求，而感知用戶則基于意愿偏好、個人貢獻值以及期望報酬等屬性構建用戶向量，實現個性化選擇感知任務參與響應;然后，通過引入高效且隱私保護的余弦相似度計算協議（PCSC），計算任務和用戶的相似度并根據相似度高低進行用戶匹配篩選得到目標用戶集，更好地滿足感知任務需求的同時保護用戶隱私不泄露;最后，通過仿真實驗表明，在感知任務和感知用戶的匹配過程中，與采用Paillier加密協議的激勵機制相比，TRIM縮短了指數級增量的計算時間開銷，提高了計算效率;與采用直接余弦相似度計算協議的激勵機制相比，TRIM保證了感知用戶的隱私安全，達到了98%的匹配精確度。

關鍵詞：移動群智感知;任務需求;余弦相似度;用戶選擇;激勵機制

中圖分類號：?TP309

文獻標志碼：A

Task requirement-oriented user selection incentive mechanism in mobile crowdsensing

CHEN Xiuhua1， LIU Hui1， XIONG Jinbo1，2*， MA Rong1

1.College of Mathematics and Informatics， Fujian Normal University， Fuzhou Fujian 350117， China?;

2.Fujian Provincial Key Laboratory of Network Security and Cryptology （Fujian Normal University）， Fuzhou Fujian 350007， China

Abstract：?Most existing incentive mechanisms in mobile crowdsensing are platform-centered design or user-centered design without multidimensional consideration of sensing task requirements. Therefore， it is impossible to make user selection effectively based on sensing tasks and meet the maximization and diversification of the task requirements. To solve these problems， a Task Requirement-oriented user selection Incentive Mechanism （TRIM） was proposed， which is a task-centered design method. Firstly， sensing tasks were published by the sensing platform according to task requirements. Based on multiple dimensions such as task type， spatio-temperal characteristic and sensing reward， the task vectors were constructed to optimally meet the task requirements. To implement the personalized sensing participation， the user vectors were constructed based on the user preferences， individual contribution value， and expected reward by the sensing users. Then， by introducing Privacy-preserving Cosine Similarity Computation protocol （PCSC）， the similarities between the sensing tasks and the sensing users were calculated. In order to obtain the target user set， the user selection based on the similarity comparison results was performed by the sensing platform. Therefore， the sensing task requirements were better met and the user privacy was protected. Finally， the simulation experiment indicates that TRIM shortens the computational time overhead of exponential increments and improves the computational efficiency compared with incentive mechanism using Paillier encryption protocol in the matching process between sensing tasks and sensing users; compared with the incentive mechanism using direct PCSC ， the proposed TRIM guarantees the privacy of the sensing users and achieves 98% matching accuracy.

Key words：?mobile crowdsensing; task requirement; cosine similarity; user selection; incentive mechanism

0 引言

移動群智感知服務將普通用戶的移動終端（手機、平板電腦、智能可穿戴設備等）作為基本感知單元，通過移動互聯網有意識或無意識的協作，實現感知任務的分配與感知數據的收集[1]，然后經由云端對感知數據的提取和分析，最終廣泛服務于各大應用領域，如環境監測[2-3]、智能交通[4-5]、移動社交[6-7]、公共服務[8-9]、智能醫療等。然而，移動群智感知應用的實現依賴于廣大感知用戶的積極參與，而用戶在參與感知任務過程中會消耗大量移動設備的電池電量、數據流量等資源，且存在數據傳輸成本增加的問題[10]和個人隱私信息泄露的風險[11-12]，因此用戶往往不愿意無償參與感知任務。為了激勵感知用戶積極參與任務并長期提供高質量的感知數據，需要設計合理的激勵機制對感知用戶的消耗代價進行補償[13-14]。

在移動群智感知系統中，感知任務具有類型多、范圍廣、數量大等基本特性。面向不同的任務需求，任務發布者主要選擇能夠滿足任務要求的移動終端作為執行者完成感知任務。因此，移動群智感知系統的工作核心在于用戶激勵機制的設計。目前，針對不同的研究內容和關注重點，用戶激勵機制大多以用戶為中心或以平臺為中心進行設計。以用戶為中心的激勵機制主要研究如何確定贏標集以及考慮用戶特征和數據質量等問題。Sun等[15]提出了一種基于用戶行為的激勵機制，將用戶行為能力進行形式化定義并作為衡量用戶的指標，具有高行為能力的用戶往往會提供更高的數據質量，因而在用戶選擇中，該用戶將優先被選中參與感知任務并獲得報酬獎勵。

Feng等[16]基于逆向競拍框架設計激勵機制，考慮任務與位置的相關性進行用戶選擇，用戶根據自身所在位置響應感知任務并上報競價，感知平臺通過贏標價決策算法決定贏標價以最小化預算成本。該機制的設計主要考慮用戶和任務的位置關聯，未考慮惡意用戶故意上報錯誤位置信息的情形。

Xiao等[17]提出了一種離線任務分配算法，用戶響應任務并等待感知平臺招募，而感知平臺以最小化平均完工時間為目的，優先選擇花費時間較少的用戶參與任務，該機制主要考慮用戶的感知時間對任務完成周期的影響。

以平臺為中心的激勵機制則側重于研究平臺預算成本最小化以及平臺效用最大化等問題。Koutsopoulos等[18]考慮平臺的預算條件約束，以最小化平臺預算成本為目的，基于逆向競拍模型設計激勵機制，該機制結合用戶貢獻的數據量以及數據質量進行用戶選擇與報酬支付。Yang等[19]針對以平臺為中心的激勵模型采用SG （Stackelberg Game）來最大化平臺效用。首先，平臺作為帶頭人公布支付報酬;然后，用戶作為跟隨者調整自己的感知時間來最大化個人收益。Luo等[20]為鼓勵用戶積極參與感知任務并達到服務器平臺利益最大化的目的，提出一種全付拍賣的方式來激勵用戶參與，全付拍賣只對參與任務 中貢獻最大的用戶進行報酬支付，并且支付給用戶的報酬不是一個固定的值，而是關于所有感知用戶最大貢獻的函數。因此，被平臺選中的用戶將獲得較大的報酬金額，從而實現用戶參與度的提高和平臺效用的最大化。

所述激勵機制主要以用戶或平臺為中心進行設計，雖然在一定的使用場景下均能產生相應的激勵效果，但是缺乏對面向多維任務需求的用戶選擇方式的考慮，從而無法滿足任務需求的最大化和多樣化。針對不同的感知任務類型，不同的感知用戶利用不同的感知設備進行感知，他們提交的感知數據質量也不盡相同。因此，如何構建一種有效的面向任務需求的激勵機制，以任務為中心選擇合適的用戶參與任務感知以及最大化滿足任務需求等問題有著重要的研究意義。針對以任務為中心的用戶選擇問題，本文提出一種面向任務需求的用戶選擇激勵機制（Task Requirement-oriented user selection Incentive Mechanism， TRIM），主要工作如下：

1）屬性形式化描述：基于任務的類型和報酬、用戶和任務的時空關聯以及任務的需求值和用戶的質量貢獻值，多維度考慮任務需求和用戶特性并分別形式化構建任務向量和用戶向量。感知平臺以最大化滿足任務需求為目的發布感知任務，而用戶則根據意愿偏好和自身能力條件個性化選擇任務參與響應。

2）安全且高效的任務與用戶匹配：以任務為中心并通過高效且隱私保護的余弦相似度計算（Privacy-preserving Cosine Similarity Computation， PCSC）協議計算任務和用戶的相似度，篩選和任務最具匹配的目標用戶集，從而實現面向任務需求的用戶選擇。

3）仿真實驗表明，TRIM激勵機制在任務和用戶匹配過程中具有可行性和高效性，同時保證了用戶的隱私安全，從而激勵更多的感知用戶積極參與感知任務。

1 系統模型和問題描述

1.1 系統模型

移動群智感知系統包括參與最終數據交易的服務提供商、感知平臺以及大量參與感知任務的感知用戶，如圖1所示。

服務提供商根據感知用戶的不同服務請求向感知平臺購買感知數據，感知平臺則基于不同的任務需求向攜帶移動智能終端的感知用戶發布感知任務，而感知用戶可選擇性地參與任務響應。感知平臺通過計算任務和用戶的相似度實現目標用戶集選擇，并收集感知用戶上傳的感知數據從而進行與服務提供商的數據買賣交易。感知平臺根據數據買賣的交易金額對參與任務的目標用戶進行報酬支付以激勵感知用戶積極參與下一次的感知任務。

1）服務提供商。對感知數據感興趣或者有一定需求的組織或個人，并根據不同的應用需求向感知平臺購買感知數據。服務提供商希望以合理的價格購買質量可靠的感知數據，并將獲得的感知數據應用于數據分析、機器學習、數據挖掘等領域，為用戶提供各種類型的應用服務，以最大化滿足用戶的應用需求。

2）感知平臺。感知平臺根據不同的任務需求向感知用戶發布感知任務，任務需求包含任務的時間、地點以及愿意為獲得感知數據所提供的支付報酬等信息，感知平臺與參與任務響應的感知用戶進行任務和用戶的相似度計算從而選擇合適的目標用戶集。感知平臺收集廣大目標用戶上傳的感知數據，與服務提供商進行數據交易并獲得相應質量的報酬。

3）感知用戶。感知用戶是使用手機、平板電腦、智能可穿戴設備以及高端感知設備等移動智能終端的普通用戶，通過無線/有線網絡與感知平臺進行交互。用戶可以根據個人意愿偏好和自身能力條件，個性化選擇感興趣的任務進行響應。和任務相匹配的感知用戶執行感知任務，向感知平臺上傳感知數據并獲得相應的報酬獎勵。

1.2 問題描述

1.2.1? 任務需求

不同的感知應用需求的感知數據不同，感知平臺基于感知應用的多樣性，發布不同類型的感知任務，意味著不同的任務需求。只有從任務需求的角度發布不同的感知任務，從而尋求和感知任務最具匹配的感知用戶參與感知任務，才能最大限度上保證任務的完成率和感知數據的可用性，使得資源利用最大化。本文以感知任務為中心描述任務屬性，不同的任務需求可形式化描述為一個任務五元組以進行感知任務的發布，同時構建以任務屬性值為元素的任務向量。感知用戶可根據個人意愿偏好和自身能力條件自主選擇感興趣的任務參與響應。本文同樣對用戶屬性進行形式化描述，參與任務響應的用戶以五元組形式進行標識，同時構建以用戶屬性值為元素的用戶向量。面向不同的任務需求，本文通過計算任務和用戶之間的余弦相似度來實現任務和用戶的匹配。

1.2.2? 隱私保護

本文將任務向量和用戶向量二者之間的余弦相似度計算結果作為目標用戶選擇的指標，感知平臺通過比較相似度閾值與任務和用戶的相似度大小進行目標用戶選擇。參與任務響應的感知用戶不希望自身的屬性信息被公開，而用戶向量包含了用戶的屬性信息，直接的余弦相似度計算可能導致用戶隱私泄露的問題。為了保護感知用戶的個人隱私，本文采用PCSC計算任務和用戶之間的相似度，從而匹配和任務相似度高的用戶作為目標用戶。本文提出的TRIM激勵機制不僅實現任務和用戶之間有效的相似度匹配，同時保證了用戶屬性信息的隱私安全，從而激勵更多的感知用戶積極參與感知任務。

2 面向任務需求的用戶選擇激勵機制

面向不同的感知任務需求，感知平臺以任務為中心匹配最大化滿足任務需求的用戶參與感知任務，而感知用戶根據自身興趣自主選擇性地參與任務響應。本文通過形式化描述任務向量和用戶向量，并結合PCSC進行任務和用戶的匹配分析，從而構建一種面向任務需求的用戶選擇激勵機制TRIM。

2.1 屬性描述

2.1.1? 時空感知任務

每一個時空感知任務 t i可表示為一個五元組〈type， t i.bt， t i.et，prew，r〉，其中type表示任務類型，本文根據感知任務的語義要求將任務類型以樹的形式進行表示。為了形式化描述一個任務類型，本文采取格雷編碼對不同語義要求的組合結果進行編碼，根據每個父類節點屬性先前設定的子類節點屬性取值數N，確定編碼的位數n以包含其子類屬性所有取值個數，然后依次串聯從父節點遍歷到子節點的一組取值編碼，該編碼串則為帶有語義要求的任務類型的形式化表示。假設所有的任務可根據任務類型{環境E，交通T，醫療H，社交S，公共P}進行劃分，進一步地，針對任務類型，本文根據時空感知任務對感知數據精度的要求進行條件約束。本文以環境類型的時空感知任務為例，根據任務類型的語義要求畫出任務類型樹，如圖2所示。

假設一個環境類型的時空感知任務，可以具體劃分為{空氣00，水質01，土壤11，噪聲10}四個子類型。根據感知任務對數據精度的要求，可將采集數據的感知設備具體劃分為{低端設備00，中端設備10，高端設備11}三個子類型，相應的設備等級與其采集的感知數據精度等級幾近匹配，如低端設備采集的數據主要為低精度數據，高端設備采集的數據主要為高精度數據。一個環境類型的所有感知任務可以用矩陣 E 進行描述：

E = ?E0000 E0010 E0011E0100 E0110 E0111E1100 E1110 E1111E1000 E1010 E1011

其中：E0011可表示為該時空感知任務 t i屬于環境類型任務，需要收集空氣測量方面的高精度數據，即任務類型type可表示為E0011，其他類型的時空感知任務則以此類推; t i.bt和 t i.et分別表示為時空感知任務 t i的開始時間和截止時間;prew為感知平臺所提供的任務總報酬;r表示為任務需求值。感知平臺希望獲得的感知數據滿足一定的質量要求，任務需求值則反映感知平臺所期望的感知數據的質量水平均值。

2.1.2? 感知用戶

每一個感知用戶 u i可以表示為一個五元組的形式〈pre， u i.bt， u i.et，rrew，c〉。其中：pre表示用戶的意愿偏好，根據任務類型的形式化描述，感知用戶可根據任務類型樹以及自身所具備的能力條件選擇意愿偏好值。假設感知用戶 u i對環境類型的任務感興趣，則感知用戶 u i的意愿偏好的取值范圍為矩陣 E 中的元素集合。 u i.bt和 u i.et分別表示為感知用戶可接受的任務開始時間和最晚結束時間，rrew則為感知用戶完成相應任務所期望獲得的報酬，c表示為感知用戶的質量貢獻值。感知用戶 u i的質量貢獻值c取決于以下三個主要因素：

1）感知用戶 u i的信譽度rep。信譽度rep可以衡量將一個感知任務分配給一個感知用戶以后，感知用戶 u i執行該任務并成功提交結果的可能性。一個信譽度高的感知用戶提供滿足任務要求的數據結果的概率通常會高于信譽度低的感知用戶。感知用戶完成任務并成功提交結果后，感知平臺根據用戶提交的數據進行滿意度評分，評分取值范圍為[1，5]，信譽度rep的具體數值可以根據感知用戶 u i的歷史評分s進行計算。本文采用極差標準化的方式根據感知用戶的歷史評分計算用戶的信譽度，計算公式如式（1）所示：

rep= 1 m ∑ m i=1? s（i）-min（i） max（i）-min（i）

（1）

其中：m表示感知用戶 u i歷史完成任務的總數量;s（i）為感知用戶完成任務 t i所獲得的評分;min（i）和max（i）分別表示感知平臺對完成感知任務 t i的所有感知用戶所給評分的最小值和最大值。假設感知用戶 u i有兩個已完成的感知任務 t 1和 t 2，對于任務 t 1和 t 2，感知平臺給出的最大評分和最小評分分別為max（1）=5，min（1）=2和max（2）=4，min（2）=2;感知用戶 u i獲得的任務評分分別為s（1）=4，s（2）=3，則根據式（1）計算可得到感知用戶 u i的信譽度rep= 1 2 ×? 4-2 5-2 + 3-2 4-2? =0.58。

2）感知用戶 u i的距離匹配值ω（lui，lti）。感知用戶的距離匹配值可以衡量感知用戶與感知任務之間距離的遠近程度。感知用戶距離感知任務位置越近，感知用戶花費在交通行程上的消耗則越少。感知平臺希望選擇距離感知任務位置較近的感知用戶參與任務從而減少任務的預算開銷，同樣對于感知用戶而言，感知用戶通常會更傾向于選擇距離自身位置較近的感知任務。感知用戶的距離匹配值可根據式（2）[21]計算得出。

ω（lui，lti）=1-min[logDdis（lui，lti），1]

（2）

其中：dis（lui，lti）表示感知用戶當前位置lui到感知任務位置lti的歐氏距離;D為感知平臺設定的感知任務區域半徑，感知平臺希望在任務區域范圍內的感知用戶積極參與任務。ω（lui，lti）∈[0，1]，若感知用戶距離感知任務位置越近，ω（lui，lti）越接近于1;相反，距離感知任務位置越遠或超出了任務區域半徑，則ω（lui，lti）越接近于0。

3）感知用戶 u i的時間差值θ。用戶時間差值可以衡量感知用戶和感知任務之間的時間差異程度。本文采用θ=f（ u i.bt， u i.et， t i.bt， t i.et）表示時間差值計算函數，計算公式如式（3）所示。

θ=[f（ u i.bt， t i.bt）+f（ u i.et， t i.et）]/2

（3）

其中：f（ u i.bt， t i.bt）表示感知用戶 u i的開始時間 u i.bt和感知任務的開始時間 t i.bt的時間差異程度; f（ u i.et， t i.et）表示感知用戶 u i的最晚結束時間 u i.et和感知任務的截止時間 t i.et的時間差異程度。本文采用文獻[22]中數值型屬性的取值方式計算開始時間的差異程度f（ u i.bt， t i.bt）：首先，將感知任務的開始時間 t i.bt和各個感知用戶的開始時間 u i.bt轉換為時間戳;然后計算感知任務和不同感知用戶之間開始時間的絕對差值‖d‖= | ?t i.bt- u i.bt | ，感知任務和不同感知用戶之間開始時間的絕對差值的最小和最大差距為[λ1，λz]，將這個區間平均劃分為z-1個等距的小區間{[λ1，λ2]，[λ2，λ3]，…，[λz-1，λz];λ∈[0，+∞]}，當感知用戶和感知任務之間開始時間的絕對差值落在其中的某個小區間，對每個小區間依次給定差異程度值{0，1，…，z-1，z};最后，根據不同區間得到感知用戶和感知任務開始時間的差異程度值。同理，采取相同的計算方式可以得到感知用戶和感知任務截止時間的差異程度f（ u i.et， t i.et），從而根據式（3）計算得到感知用戶的時間差值θ。

本文采用c=f（rep，ω（lui，lti），θ）表示質量貢獻值計算函數，計算公式如式（4）所示。

c=α·rep+ 1 2 ·β ?θ ω（lui，lti）+1

（4）

其中：α（0<α<1）和β（0<β<1）是兩個隨機因子，且α+β=1。

2.2 任務和用戶的匹配分析

從感知任務需求角度出發，判斷感知用戶是否適合完成某項感知任務取決于任務和用戶之間的相似度大小。任務和用戶之間的相似度越大，表示任務和用戶的匹配程度越高，即感知用戶極大程度上適合完成此項感知任務。因此，本文采用余弦相似度的方法計算任務和用戶之間的相似度，感知平臺以感知任務為中心，基于任務的需求篩選與任務相似度高的感知用戶，這些感知用戶將作為目標用戶參與本次的感知任務。

感知任務與感知用戶之間的相似度計算過程如下：

步驟1

任務向量的構建。一個時空感知任務 t i可表示為一個五元組〈type， t i.bt， t i.et，prew，r〉。為了簡化計算，本文以格雷編碼的形式表示任務類型type，并設定任務類型type的基準值為1;將開始時間 t i.bt和截止時間 t i.et分別格式化轉換為時間戳，同時設置開始時間和截止時間的基準值為2。感知平臺為每一個時空感知任務提供任務報酬prew，在任務完成人數NUM的限制下，一個時空任務 t i的向量可表示為： t i=（ti1，ti2，ti3，ti4，ti5）=（1，2，2，prewave，r）。其中：prewave為感知平臺提供的任務報酬prew與任務完成人數NUM的比值，即感知任務 t i的平均報酬;r為感知平臺設定的任務需求值。

步驟2

用戶向量的構建。感知用戶 u i同樣可表示為一個五元組〈pre， u i.bt， u i.et，rrew，c〉。意愿偏好pre與時空感知任務 t i的任務類型的取值范圍一致。感知用戶 u i可根據個人興趣愛好和能力條件，選擇其中一個帶有格雷編碼表示的任務類型作為意愿偏好，計算時空感知任務 t i的任務類型的格雷編碼和感知用戶 u i的意愿偏好的格雷編碼的漢明距離dHM，dHM+1則作為感知用戶的意愿偏好pre的屬性值。感知用戶的開始時間 u i.bt和最晚結束時間 u i.et分別轉換格式為時間戳，根據2.1.2 節中時間差異程度的計算方法，得到感知用戶開始時間和感知任務開始時間的差異程度f（ u i.bt， t i.bt）以及感知用戶最晚結束時間和感知任務截止時間的差異程度f（ u i.et， t i.et）。在設置感知任務開始時間和截止時間的基準值的基礎上，感知用戶開始時間 u i.bt的屬性值可表示為f（ u i.bt， t i.bt）+2，最晚結束時間 u i.et的屬性值可表示為f（ u i.et， t i.et）+2。因此，用戶 u i的向量可表示為 u i=（ui1，ui2， ui3， ui4， ui5）=（dHM+1， f（ u i.bt，? t i.bt）+2， f（ u i.et，? t i.et）+2， rrew， c），其中，rrew為感知用戶完成相應感知任務所期望獲得的報酬，感知用戶的質量貢獻值c可根據質量貢獻值函數c=f（rep，ω（lui，lti），θ）計算得到。

步驟3

任務與用戶的相似度計算。本文采用余弦相似度計算方法得到任務和用戶的相似度，其計算公式如式（5）所示：

cos（ t i， u i）=∑ q k=1 tik.uik / ?[ ?∑ q k=1 t2ik ?∑ q k=1 u2ik? ]

（5）

用戶向量包含著感知用戶的相關屬性信息，直接地計算任務向量和用戶向量的余弦相似度可能造成感知用戶的隱私泄露問題。為了實現隱私保護余弦相似度計算，本文引入文獻[23]中提出的PCSC。PCSC的關鍵在于如何以隱私保護的方式計算 t i· u i，詳細描述如圖3所示。

本文通過PCSC進行任務和用戶的相似度計算，并將計算結果cos（ t i， u i）表示為sim u i以得到感知任務和各個感知用戶之間的相似度集合 Sim={simu1，simu2，…，sim u i}。感知平臺設置相似度閾值δ作為相似度高低的評定標準，感知平臺根據δ進行用戶篩選。若感知用戶 u i和感知任務 t i的相似度sim u i≥δ，則感知用戶 u i將加入目標用戶集W，參與本次的感知任務。

2.3 面向任務需求的用戶選擇激勵機制

根據上述的分析，本文提出的面向任務需求的用戶選擇激勵機制TRIM流程如圖4所示，具體設計步驟如下所示：

1）感知平臺根據任務需求向感知用戶發布感知任務，并構建任務向量 t i。

2）感知用戶根據個人意愿偏好和自身能力條件選擇性地參與任務響應，并構建用戶向量 u i。

3）感知平臺采用PCSC計算感知任務和各個感知用戶的相似度sim u i，并實現任務和用戶匹配過程中感知用戶的隱私保護。

4）基于各感知用戶與感知任務的相似度sim u i和相似度閾值δ，感知平臺進行用戶篩選得到目標用戶集W，并將W反饋給感知用戶以通知用戶完成感知任務。

針對不同的任務需求，本文通過編碼以及函數計算將帶有不同語義的任務需求進行形式化表示。接受任務消息的感知用戶根據個人意愿和自身能力條件進行個性化選擇，選擇合適的任務參與響應，而感知平臺利用隱私保護余弦相似度協議計算任務和用戶間的相似度，實現用戶和任務的雙向匹?配。感知平臺在相似度閾值約束下選擇和任務有高相似度的用戶構成目標用戶集以參與最終的感知任務，因此本文所提的TRIM激勵機制既滿足了感知任務的不同需求，又保證了感知用戶的屬性隱私安全。

3 性能評估

在感知任務和感知用戶的匹配過程中，本文所提的TRIM激勵機制采用隱私保護余弦相似度計算協議PCSC[23]進行余弦相似度計算，達到較好的用戶屬性隱私保護效果。為了驗證TRIM激勵機制在用戶選擇方面的可行性、高效性以及精確性，在相同實驗環境下，將TRIM激勵機制與采用直接余弦相似度計算（Direct Cosine Similarity Computation， DCSC）協議的激勵機制和采用Pallier[24]加密協議的PE-based （Pallier Encryption）激勵機制進行實驗比較。

實驗采用Java實現，在Intel Core i5-6200U CPU@2.30GHz處理器、8GB內存的Windows 7平臺上運行。實驗數據集均由偽隨機數生成器產生并進行相應的數據預處理，每次隨機生成一個任務向量 t i={ti1，ti2，ti3，ti4，ti5}和Q個用戶向量 u i={ui1，ui2，ui3，ui4，ui5}。本文通過分析相似度計算時間開銷time進行實驗效果評估，具體的實驗參數為k1=512，k2=200，k3=k4=128，δ=0.96，Q={100，300，500，700，900}。相同實驗環境下，每次實驗執行50次，并取其平均相似度計算時間開銷作為最終實驗結果，本文假設實驗過程中的通信時間開銷忽略不計。

3.1 可行性

為驗證TRIM激勵機制在用戶選擇方面的可行性，假設任務向量 t i={ti1，ti2，ti3，ti4，ti5}={10，20，20，8，8}，并隨機生成5個用戶 u i（i=1，2，…，5），其用戶向量 u i={ui1，ui2，ui3，ui4，ui5}取值如表1所示。

TRIM激勵機制、采用DCSC協議的激勵機制和采用PE-based協議的激勵機制在任務和用戶匹配過程中的余弦相似度計算結果如表2所示，可以發現針對同一個感知任務 t i，對于同一感知用戶 u i使用不同的方法進行余弦相似度計算不僅可以得到相同的計算結果，而且結果表明若用戶屬性值與任務屬性值越相近，則感知用戶 u i相應具有較高的相似度，故感知平臺可根據相似度閾值δ進行目標用戶選擇。因此，上述三者激勵機制在任務和用戶的匹配過程中均具有可行性，相比采用DCSC協議的激勵機制，TRIM激勵機制和采用PE-based協議的激勵機制在相似度計算過程中還實現了感知用戶的隱私保護。

3.2 高效性

在不同的實驗參數Q下對TRIM激勵機制、采用DCSC協議的激勵機制和采用PE-based協議的激勵機制的相似度計算時間開銷進行對比，結果如圖5所示。

圖5表明隨著用戶量Q的增加，三種激勵機制在計算時間開銷方面均呈上升趨勢。顯然，隨著用戶數量Q的增加，采用PE-based協議的激勵機制在時間開銷方面呈現指數級的增量變化，其時間開銷遠大于采用DCSC協議的激勵機制和TRIM激勵機制。雖然PE-based激勵機制采用加密方式實現了用戶隱私保護，但相比同樣具有用戶隱私保護的TRIM激勵機制，其計算時間開銷增大導致計算效率降低。相比采用DCSC協議的激勵機制，TRIM激勵機制在相似度計算時間方面的開銷缺乏明顯優勢，但TRIM激勵機制在保證計算時間開銷盡可能小的同時，實現了計算過程中感知用戶的隱私保護，這樣既使得感知用戶免于擔心隱私泄露問題而積極參與自身感興趣的任務，又在一定程度上滿足了任務需求最大化，提高了任務完成率。因此，TRIM激勵機制在用戶選擇方面具有可行性與高效性，不僅實現了感知用戶的隱私保護，而且具有相對較高的計算效率。

3.3 精確性

為了驗證TRIM激勵機制在任務與用戶匹配過程中的精確性，在相同的相似度閾值δ和不同的用戶數量Q下進行任務與用戶的匹配精確度實驗。感知平臺基于任務與用戶的余弦相似度和相似度閾值的大小比較關系進行目標用戶選擇，任務與用戶的余弦相似度越大，則表明該用戶與任務的屬性值越匹配，即該用戶在任務完成方面的優勢越大。因此，本文以目標用戶集與感知任務的余弦相似度的平均值作為任務與用戶匹配精確度的衡量指標。圖6表明隨著用戶數量Q的增大，三種激勵機制在匹配精確度方面變化不大，這是因為相似度閾值大小影響目標用戶集與任務相似度的整體情況;在相同的高相似度閾值下，用戶數量的增加不會明顯影響目標用戶集與任務的匹配精確性。由于三種激勵機制采用不同的計算方式得到相同的余弦相似度結果，因此基于相同的相似度閾值，三種激勵機制選擇的目標用戶集相同，故圖6中三條曲線具有一致的形態變化。隨著用戶數量Q的增大，TRIM激勵機制的匹配精確度均達98%左右。TRIM激勵機制相比采用PE-based的激勵機制具有較高的計算效率，相比采用DCSC的激勵機制具備隱私保護特性，因此，TRIM激勵機制在用戶選擇方面具有較高的優勢。

3.4 隱私性

在用戶與感知平臺交互過程中，若感知用戶上傳的屬性信息被惡意公開或竊取，可能造成直接或間接的隱私泄露問題，比如，用戶上傳的屬性信息包含用戶的意愿偏好、能力貢獻值等信息。能力貢獻值的高低反映了用戶的信譽值以及業務能力水平的優良情況，公開用戶的能力貢獻值意味著公開用戶的聲譽情況，容易造成用戶間消極的攀比問題，進而影響用戶參與積極性。意愿偏好值則可用于推測用戶興趣愛好等關聯信息。惡意用戶甚至還可以竊取其他用戶的屬性信息進行身份頂替以成為目標用戶，從而導致感知數據質量下降，用戶參與度降低。為了保護感知用戶的個人隱私，本文采用PCSC計算任務和用戶之間的相似度，從而匹配和任務相似度高的用戶作為目標用戶。在用戶選擇過程中，通過采用多方隨機屏蔽和多項式聚合，感知用戶可以在不泄露自身屬性信息的前提下與感知平臺共同完成任務與用戶的相似度計算，且計算過程中不存在用戶屬性信息損失的問題。感知平臺可以得到正確的余弦相似度計算結果，卻無法根據計算過程中的任何中間值推測出用戶的具體屬性信息，防止用戶屬性信息泄露而被其他用戶頂替身份，保證了用戶的屬性隱私安全。感知平臺通過相似度閾值δ進行目標用戶篩選，并對目標用戶的任務完成情況進行評分，進一步更新用戶的信譽度以防止不誠實用戶虛報屬性信息，從而提高用戶質量水平和感知數據質量水平。

隱私性的實現關鍵在于采取不同的隱私保護技術，綜合考慮方法的計算開銷，從而達到不同強度的隱私保護效果，實現隱私安全性與數據可用性之間的均衡。在用戶屬性隱私保護方面，本文所提的TRIM激勵機制采取非加密的形式進行用戶屬性隱私保護。為了體現TRIM激勵機制的隱私保護效果，將TRIM激勵機制與同樣采取非加密方式的激勵機制（Dou-l）-匿名[25]以及DPLK-means（Differential Privacy K-means）[26]方案進行對比。對比主要立足于隱私性的實現關鍵，綜合性評估各個激勵機制的隱私保護效果，包括技術、隱私保護強度、計算開銷和數據可用性四個方面，結果如表3所示。

（Dou-l）-匿名基于k-anonymity匿名的思想，結合多維分桶技術進行用戶屬性的隱私保護[27]，雖然具備較高的隱私保護強度，計算開銷為O（n），但是數據的可用性受屬性取值多樣化程度和數據量大小的影響較大。

DPLK-means采取差分隱私的方法實現高強度的隱私保護效果，但添加噪聲的方式在一定程度上影響了原始數據集，而相關的優化算法也只能保證最大限度地降低數據的損失率，而且其計算開銷在三種激勵機制中相對較高。

相比（Dou-l）-匿名和DPLK-means，本文所提的TRIM機制以高強度的隱私保護性和較小的計算開銷，有效保護了用戶的屬性信息安全。在用戶選擇過程中，TRIM機制采用多方隨機屏蔽和多項式聚合的方法進行任務與用戶的相似度計算，而該過程不會造成用戶屬性信息的損失，保證了用戶的原始屬性信息的真實性和計算結果的正確性。因此，TRIM機制既實現了用戶的屬性隱私保護，又保證了較高的數據可用性。

4 結語

在移動群智感知的用戶激勵方面，大多數的激勵機制以用戶或平臺為中心進行目標用戶選擇，由于未考慮任務的需求，導致目標用戶與感知任務的匹配度較低，從而影響任務的完成效果和感知數據的質量。針對現有激勵機制在用戶選擇上缺乏以任務為中心的方式多維度考慮任務需求，導致無法滿足任務個性化需求的問題，本文提出了一種在移動群智感知中面向任務需求的用戶選擇激勵機制TRIM。一方面，感知平臺根據不同的任務需求發布感知任務，構建任務向量;而感知用戶按照個人意愿偏好個性化選擇感興趣的任務參與響應，并構建用戶向量。通過引入余弦相似度計算協議PCSC計算任務向量和用戶向量間的相似度，本文方法能實現任務和用戶的雙邊匹配。

另一方面，在任務和用戶的匹配過程中，本文采用的PCSC保證了感知用戶的隱私安全，能激勵更多的感知用戶積極參與感知任務，一定程度上提高了用戶參與度和任務完成度。

仿真實驗結果表明，在用戶選擇方面，TRIM激勵機制相比采用DCSC協議的激勵機制和采用PE-based協議的激勵機制更具優勢，不僅成功實現了感知平臺的目標用戶選擇，而且能以較少的計算時間開銷相對高效地完成任務和用戶的匹配，且達到較高的匹配精確度，同時使得感知用戶的隱私不被泄露，能保證用戶的隱私安全。面向多樣化的任務需求，如何評估用戶選擇標準以更好地適應任務的動態變化以及進一步考慮平臺的任務預算以降低預算開銷，將是下一步研究工作的重點。

參考文獻

[1]?劉云浩.群智感知計算[J].中國計算機學會通訊， 2012， 8（10）： 38-41. （LIU Y H. Crowd sensing computation [J]. Communications of the CCF， 2012， 8（10）： 38-41.）

[2]?HU Y， DAI G， FAN J， et al. BlueAer： a fine-grained urban? PM2.5 3D monitoring system using mobile sensing [C]// Proceedings of the 35th IEEE International Conference on Computer Communications. Piscataway， NJ： IEEE， 2016： 1-9.

[3]?HASENFRATZ D， SAUKH O， WALSE R C， et al. Deriving high-resolution urban air pollution maps using mobile sensor nodes [J]. Pervasive & Mobile Computing， 2015， 16（B）： 268-285.

[4] ?LIU Z ， JIANG S ， ZHOU P ， et al. A participatory urban traffic monitoring system： the power of bus riders [J]. IEEE Transactions on Intelligent Transportation Systems， 2017， 18（10）： 2851-2864.

[5]?MA S， ZHENG Y， WOLFSON O. T-share： a large-scale dynamic taxi ridesharing service [C]// Proceedings of the 29th IEEE International Conference on Data Engineering. Washington， DC：IEEE Computer Society， 2013： 410-421.

[6]?GUO B， YU Z， ZHANG D， et al. Toward a group-aware smartphone sensing system [J]. IEEE Pervasive Computing， 2014， 13（4） ： 80-88.

[7]?YU Z， FENG Y， XU H， et al. Recommending travel packages based on mobile crowdsourced data [J]. IEEE Communications Magazine， 2014， 52（8）：56-62.

[8]?ZHOU P， ZHENG Y， LI M. How long to wait？ Predicting bus arrival time with mobile phone based participatory sensing [J]. IEEE Transactions on Mobile Computing， 2014， 13（6）： 1228-1241.

[9]?SIMOENS P， XIAO Y， PILLAI P， et al. Scalable crowdsourcing of video from mobile devices [C]// Proceedings of the 11th Annual International Conference on Mobile Systems， Applications， and Services. New York： ACM， 2013：139-152.

[10]?徐哲，李卓，陳昕.面向移動群智感知的多任務分發算法[J].計算機應用，2017，37（1）：18-23. （XU Z， LI Z， CHEN X. Multi-task assignment algorithm for mobile crowdsensing [J]. Journal of Computer Applications， 2017， 37（1）： 18-23.）

[11]?馬蓉，陳秀華，劉慧，等.移動群智感知中用戶隱私度量與隱私保護研究[J].信息網絡安全，2018，18（8）：64-72. （MA R， CHEN X H， LIU H，et al. Research on user privacy measurement and privacy protection in mobile crowdsensing [J]. Netinfo Security， 2018， 18（8）： 64-72.）

[12]?MA R， XIONG J， LIN M， et al. Privacy protection-oriented mobile crowdsensing analysis based on game theory [C]// Proceeding of the 2017 IEEE International Conference on Trust， Security and Privacy in Computing and Communications/Big Data Science and Engineering/Embedded Software and Systems. Piscataway， NJ： IEEE， 2017： 990-995.

[13]?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.）

[14]?XIONG J， CHEN X， TIAN Y， et al. MAIM： a novel incentive mechanism based on multi-attribute user selection in mobile crowdsensing [J]. IEEE Access， 2018， 6：65384-65396.

[15]??SUN J， MA H. Behavior-based online incentive mechanism for? crowd sensing with budget constraints [J]. arXiv E-print， 2014： arXiv：1310.5485.?[EB/OL]. [2018-09-12]. https：//arxiv.org/pdf/1310.5485.pdf.

[16]?FENG Z， ZHU Y， ZHANG Q， et al. TRAC： truthful auction for location-aware collaborative sensing in mobile crowdsourcing[C]// Proceedings of the 33rd IEEE Conference on Computer Communications. Piscataway， NJ： IEEE， 2014： 1231-1239.

[17]??XIAO M， WU J， HUANG L， et al. Multi-task assignment for? crowdsensing in mobile social networks [C]// Proceedings of the 34th IEEE Conference on Computer Communications. Piscataway， NJ： IEEE， 2015： 2227-2235.

[18]?KOUTSOPOULOS I. Optimal incentive-driven design of participatory sensing systems [C]// Proceedings of the 32nd IEEE International Conference on Computer Communications. Piscataway， NJ： IEEE， 2013：1402-1410.

[19]?YANG D， XUE G， FANG X， et al. Crowdsourcing to smartphones： incentive mechanism design for mobile phone sensing [C]// Proceedings of the 18th Annual International Conference on Mobile Computing and Networking. New York： ACM， 2012， 173-184.

[20]?LUO T， TAN H P， XIA L. Profit-maximizing incentive for participatory sensing [C]// Proceedings of the 33rd IEEE International Conference on Computer Communications. Piscataway， NJ： IEEE， 2014： 127-135.

[21]?王青.質量和預算感知的移動眾包任務分配方法研究[D]. 濟南：山東大學，2017：17-18. （WANG Q. Research on quality and budget-aware task assignment for spatial crowdsourcing [D]. Jinan： Shandong University， 2017： 17-18.）

[22]?榮輝桂，火生旭，胡春華，等.基于用戶相似度的協同過濾推薦算法[J]. 通信學報，2014，35（2）：16-24. （RONG H G， HUO S X， HU C H， et al. User similarity-based collaborative filtering recommendation algorithm [J]. Journal on Communications， 2014，35（2）：16-24.）

[23]?LU R， ZHU H ， LIU X ， et al. Toward efficient and privacy-preserving computing in big data era [J]. IEEE Network， 2014， 28（4）：46-50.

[24]?PAILLIER P. Public-key cryptosystems based on composite degree residuosity classes [C]// Proceedings of the 17th International Conference on Theory and Application of Cryptographic Techniques， LNCS 1592. Berlin： Springer， 1999： 223-238.

[25]?王勝和，王佳俊，劉騰騰，等.多維敏感屬性隱私保護數據發布方法[J].計算機工程與應用，2012，48（20）：136-141. （WANG S H， WANG J J， LIU T T， et al. Privacy-preserving data publishing method for dataset with multi-dimensional sensitive attributes [J]. Journal of Computer Engineering and Applications， 2012， 48（20）： 136-141.）

[26]?REN J， XIONG J， YAO Z， et al. DPLK-means：a novel differential privacy k-means mechanism [C]// Proceedings of the 2nd IEEE International Conference on Data Science in Cyberspace. Piscataway， NJ： IEEE， 2017：133-139.

[27]?許力， 朱瑞， 曾雅麗. 認知無線電網絡中基于SpaceTwist的位置隱私保護方案[J]. 信息網絡安全， 2019， 19（2）： 18-27. （XU L， ZHU R， ZENG Y L. Location privacy-preserving scheme based on SpaceTwist in cognitive radio network [J]. Netinfo Security， 2019， 19（2）： 18-27.）