邊緣環境下的移動群智感知任務在線分發算法

閆琳琳 鄒國紅

(鞍山師范學院數學與信息科學學院,遼寧鞍山 114007)

0 引言

移動群智感知是一種結合移動智能終端設備和“眾包”的新型感知模式,由多名用戶利用嵌入式傳感器作為感知節點,完成對本地各類數據的采集,并通過相關平臺完成對數據的融合,最終實現整個區域內所有用戶的感知[1]。由于移動群智感知具備靈活性、低成本、范圍廣等優勢,因此被廣泛應用于各類環境感知、基礎設施感知等領域當中[2]。但由于當前移動群智感知任務的分發算法存在諸多問題,限制了其發展,例如存在過渡獲取用戶信息問題;無法為用戶隱私信息提供保障;分發任務與用戶實際需求不符等問題[3]。基于此,本文開展邊緣環境下的移動群智感知任務在線分發算法研究。

1 邊緣環境下的移動群智感知任務在線分發算法設計

1.1 任務分發軌跡隱私定義

為確保在對移動群智感知任務進行在線分發的過程中,用戶參與者的隱私信息不被泄漏,本文首先對任務分發進行軌跡隱私定義[4]。

首先將目的地的隱私定義為非法攻擊者根據觀察獲取到目的地的概率,其計算公式為:

其次,在對位置差分隱私進行定義。針對用戶參與者選擇的每一個位置,實現差分隱私保護,將區域劃分為網格結果,用戶參與者上報的位置為網格上的一個點,其在手打擾動后的位置也在網格上[5]。在網格當中將擾動網格集構造、上報概率等進行標記。根據擾動網格分布函數引入到網格當中,最終數據實際落點即為差分隱私位置節點。

1.2 基于邊緣環境的移動群智感知分布式任務獲取

1.2.1 移動群智感知任務競爭熱度預估

引進DTA數據分布方式,并認為提出的每項工作均具備一定競爭關系,只有通過對最大化收益進行熱度預估的方式,才能解決競爭者熱度不均的問題。

為解決此問題的直接方式,對歷史數據位置進行定位,即按照群智感知方式,假定所有參與者在進行任務獲取中,只能按照規定要求選擇一個任務內容,以貪心策略作為選擇依據[6]。對任務競爭熱度進行預估,此行為的實施可用如下計算公式表示。

公式(2)中:tj表示為預估的任務競爭熱度;Bj表示為用戶貪心指數;nj表示為任務發生實際需求人數;βj表示為任務競爭人數。輸出tj實際值,完成對競爭熱度的預估。

1.2.2 分發參與者任務獲取

根據上述輸出的tj值,對分發的參與者任務進行獲取,此過程中,應考慮到實際需求人數與競爭人數之間的關系,并將任務實際收益值進行期望評估,根據參與者的參與情況進行數據獲取。

此時,可從任務的隱私性層面進行考慮,選擇具備自我約束能力的路徑進行執行任務的獲取,確保獲取的參與者任務數據在滿足隱私路徑的前提下,進行任務數據獲取[7]。此行可用如下計算公式表示。

按照上述計算公式,綜合參與者的分布概率,完成對分發參與者任務的獲取。

1.2.3 參與者選擇與支付決策

為了實現對任務獲取的最優化,應從全局優化角度考慮,假定存在第三個可信任方,此時可要求任務參與者將有關任務以資源公開的方式上傳到CTA平臺,根據平臺提供的多種決策性行為,進行任務的分配,以此確保任務分配的合理化[8]。在此基礎上,追蹤任務在平臺上的完成方式,假定任務者或參與者的選擇與支付決策受到一定行為的約束,此時決策行為的發生也將發生對應的轉變[9]。針對每一個參與者者對任務的完成度,對其進行決策閾值與隱私閾值的劃分,最大執行任務的能力作為路徑任務能力,此時約束條件成立[10]。此外,為了確保每個參與者的收益是均等的,應根據任務數量進行最終的決策。此時決策行為表示為如下。

公式(4)中:γ表示為支付決策行為;T表示為任務矩陣;f表示為執行任務的隱私行為。根據上述計算公式,當γ=1時,即可認為任務存在有效執行行為。

1.3 集中式在線任務分配

通過上述研究,本文通過移動群智感知任務預分配的方式,提取任務在線分發軌跡中的隱私閾值。基于上述獲取的移動群智感知任務,在邊緣環境下進行尋優分配[11]。在此基礎上,通過邊緣檢測的方式,集中式在線任務分配,以分配收益最高的最優分配結果,反復迭代,直至移動群智感知任務待分發數量與目標在線分發能夠完全匹配時,輸出任務在線分發結果[12]。在此過程中,一旦出現存在未分發移動群智感知任務時,必須進行第二階段的在線分發,保證全部移動群智感知任務能夠在被分發完畢的情況下,結束在線分發算法迭代求解。以此,實現集中式在線任務分配。

表1 兩種分發算法實驗結果對比表Tab.l Comparison of experimental results of two distribution algorithms

2 對比實驗

本文選擇真實的數據集和人工合成數據集作為對比實驗的測試案例,分別利用本文提出的移動群智感知任務在線分發算法和傳統分發算法,將數據集分發給各個參與者,最后總結兩種分發算法的實際應用效果。將真實數據集設置為F,分別抽取N和T兩個地區用戶的checkin數據。實驗過程中移動群智感知數據采集場景為平臺需要對不同區域的實施任務進行調查。在數據集當中共包含600個用戶地址以及400個移動群智感知任務。實驗開始時,隨機在數據集當中選取一個用戶參與者和一個任務,為增強本文對比實驗的魯棒性,每組實驗需要重復10次,并取10次結果的均值作為最終的實驗結果。將正確中選概率作為對比實驗的評價指標,正確中選概率計算公式為:

公式(5)中,δ表示為正確中選概率;W表示為10次用戶參與者被正確分配任務的總數之和;χ表示為實驗中用戶地址總數,χ取值為600。根據公式(5),計算得出兩種分發算法的正確中選概率,并將其結果分別進行記錄,繪制成如表1所示的實驗結果對比表。

由表1中的數據可以看出,本文分發算法正確中選概率明顯高于傳統分發算法正確中選概率。同時通過正確中選概率也能夠進一步反映出用戶參與者對任務分發結果的滿意度。因此,本文分發算法與傳統分發算法相比可讓更多用戶參與者得到滿意的任務。因此,通過對比實驗證明,本文提出的邊緣環境下的移動群智感知任務在線分發算法,在實際應用中能夠有效提高分發的精度,將其應用于實際能夠有效提高各類資源的利用效果。

3 結語

通過設計實例分析的方式,證明了設計任務在線分發算法在實際應用中的適用性,以此為依據,證明此次基于邊緣環境下優化設計的必要性。因此,有理由相信通過本文設計,能夠解決傳統移動群智感知任務在線分發中存在的缺陷,以此為提高移動群智感知任務在線分發質量提供建議。