基于機(jī)會(huì)協(xié)作傳輸?shù)娜褐歉兄W(wǎng)絡(luò)激勵(lì)機(jī)制

賈超鵬　孫學(xué)梅　萬(wàn)文杰

(天津工業(yè)大學(xué)計(jì)算機(jī)科學(xué)與軟件學(xué)院　天津 300387)

0　引　言

隨著科技的發(fā)展，各種移動(dòng)設(shè)備大量涌現(xiàn)在人們?nèi)粘Ｉ钪?，如智能手機(jī)、平板電腦和可穿戴設(shè)備等。移動(dòng)設(shè)備的普及催生了移動(dòng)群智感知網(wǎng)絡(luò)，移動(dòng)群智感知[1]是一種新的感知模式，它結(jié)合了眾包思想和移動(dòng)感知，具有人的感知判斷能力和移動(dòng)設(shè)備本身的感知能力進(jìn)行數(shù)據(jù)收集和信息服務(wù)。相較于傳統(tǒng)的傳感器網(wǎng)絡(luò)，移動(dòng)群智感知具有部署靈活、感知數(shù)據(jù)多元異構(gòu)、覆蓋范圍廣泛均勻等諸多優(yōu)點(diǎn)，這使其成為學(xué)術(shù)界的研究熱點(diǎn)[2]。

然而，有些障礙嚴(yán)重阻礙了人們參與到移動(dòng)群智感知實(shí)驗(yàn)任務(wù)中，例如額外的流量、電量使用，這會(huì)給用戶帶來(lái)更多的消耗，這也是移動(dòng)群智感知用戶普遍關(guān)心的問(wèn)題。所以，設(shè)計(jì)合理的數(shù)據(jù)上傳機(jī)制和激勵(lì)機(jī)制減少在整個(gè)任務(wù)中的流量補(bǔ)償預(yù)算是十分重要的問(wèn)題。

目前國(guó)內(nèi)外關(guān)于移動(dòng)群智感知網(wǎng)絡(luò)激勵(lì)機(jī)制已開(kāi)展一部分研究工作，如文獻(xiàn)[4]提出一種 基于質(zhì)量驅(qū)動(dòng)的競(jìng)價(jià)激勵(lì)機(jī)制QDA，該機(jī)制的特點(diǎn)是以用戶的感知數(shù)據(jù)質(zhì)量表示用戶效用值，而不是傳統(tǒng)的使用感知時(shí)間來(lái)表示。文獻(xiàn)[5] 針對(duì)協(xié)作性任務(wù)，以斯塔克伯格博弈為基礎(chǔ)設(shè)計(jì)激勵(lì)框架來(lái)模擬服務(wù)器和用戶之間的相互作用，參考用戶的成本和任務(wù)類型等信息提出四種激勵(lì)機(jī)制來(lái)激勵(lì)用戶。文獻(xiàn)[6]提出一種綜合的群智感知激勵(lì)框架，包括逆向拍賣、游戲化驗(yàn)證和信譽(yù)度更新三部分內(nèi)容，最大化用戶、服務(wù)器和任務(wù)發(fā)布者三者之間的利益。文獻(xiàn)[7]提出一種名為TGBA的團(tuán)購(gòu)型激勵(lì)機(jī)制，拍賣過(guò)程分為服務(wù)器與任務(wù)發(fā)布者競(jìng)拍和服務(wù)器與感知用戶競(jìng)拍兩個(gè)競(jìng)拍階段。文獻(xiàn)[8]提出兩種節(jié)約型在線激勵(lì)機(jī)制Frugal-OMZ和Frugal-OMG，并證明其分別在零“到達(dá)-離開(kāi)”間隔模型和一般間隔模型下滿足計(jì)算效率、個(gè)人理性和真實(shí)性。此類激勵(lì)機(jī)制的研究中多數(shù)存在一個(gè)問(wèn)題，那就是群智感知系統(tǒng)在向用戶提供激勵(lì)報(bào)酬或者用戶向系統(tǒng)提出報(bào)酬估價(jià)時(shí)多是在任務(wù)完成之前就預(yù)估出一個(gè)價(jià)格，此價(jià)格很可能會(huì)導(dǎo)致一些任務(wù)的特殊分配，感知任務(wù)執(zhí)行過(guò)程中數(shù)據(jù)的收集可能會(huì)造成影響。

以上是對(duì)群智感知網(wǎng)絡(luò)激勵(lì)機(jī)制的部分研究，近期研究者針對(duì)原來(lái)激勵(lì)機(jī)制的不足提出一些新的方法。文獻(xiàn)[9]基于機(jī)會(huì)傳輸提出一種名為ecoSense的群智感知數(shù)據(jù)上傳機(jī)制，該機(jī)制直接從用戶的流量分析其在感知任務(wù)中的消耗而不是使用預(yù)估值，并通過(guò)節(jié)省流量花費(fèi)的方式激勵(lì)用戶。其核心是將用戶分為流量可無(wú)限使用的包月用戶和現(xiàn)用現(xiàn)付用戶兩種類型，在數(shù)據(jù)上傳階段通過(guò)包月用戶代傳數(shù)據(jù)來(lái)節(jié)省任務(wù)的整體花費(fèi)。

但是文獻(xiàn)[9]存在一些不足之處。首先，它所針對(duì)的參與用戶是國(guó)外用戶，其資費(fèi)方案是不限流量和現(xiàn)用現(xiàn)付兩種類型，這顯然不符合國(guó)內(nèi)情況；其次，它補(bǔ)償用戶流量的定價(jià)方案是依據(jù)運(yùn)營(yíng)商的流量定價(jià)方案，若感知任務(wù)數(shù)據(jù)量較大時(shí)將產(chǎn)生巨額的費(fèi)用，原方案在預(yù)算控制方面略顯不足；最后，它在激勵(lì)用戶方面僅單一地采用現(xiàn)金返還的方式補(bǔ)償用戶參與任務(wù)所花費(fèi)的流量，對(duì)用戶參與協(xié)作傳輸并無(wú)激勵(lì)措施，這無(wú)疑會(huì)影響感知數(shù)據(jù)的收集。

通過(guò)對(duì)ecoSense機(jī)制的研究和分析，我們?cè)O(shè)計(jì)了C-ecoSense(ecoSense for Chinese User)數(shù)據(jù)上傳機(jī)制。首先，調(diào)查國(guó)內(nèi)運(yùn)營(yíng)商的流量資費(fèi)情況，根據(jù)用戶歷史感知數(shù)據(jù)量和移動(dòng)軌跡預(yù)測(cè)下個(gè)階段的數(shù)據(jù)量和移動(dòng)軌跡，將用戶分為兩種類型：包月型用戶和非包月型用戶，初步擬定兩種類型用戶的流量補(bǔ)償方案；然后，為用戶設(shè)計(jì)POR(User’s Points by Opportunistic Relays)積分激勵(lì)機(jī)制和PIM(Positivity Incentive Mechanism)積極性激勵(lì)機(jī)制；最后，使用機(jī)會(huì)傳輸[3]策略進(jìn)行數(shù)據(jù)上傳。

綜上所述，本文做出以下貢獻(xiàn)：

(1) 首次依據(jù)國(guó)內(nèi)移動(dòng)互聯(lián)網(wǎng)運(yùn)營(yíng)商的流量資費(fèi)，融合機(jī)會(huì)傳輸和移動(dòng)群智感知網(wǎng)絡(luò)數(shù)據(jù)上傳機(jī)制減少任務(wù)發(fā)布者總的流量補(bǔ)償預(yù)算；

(2) 在已有研究的基礎(chǔ)上設(shè)計(jì)并實(shí)現(xiàn)了C-ecoSense數(shù)據(jù)收集機(jī)制，并設(shè)計(jì)了POR和PIM激勵(lì)機(jī)制激勵(lì)用戶完成感知任務(wù)；

(3) 通過(guò)仿真實(shí)驗(yàn)證明，C-ecoSense機(jī)制與傳統(tǒng)數(shù)據(jù)收集和ecoSense機(jī)制相比在預(yù)算控制和用戶激勵(lì)方面都具有較好的表現(xiàn)。

1　C-ecoSense機(jī)制

主要介紹C-ecoSense機(jī)制的總體內(nèi)容，主要包括：?jiǎn)栴}描述和C-ecoSense機(jī)制詳述。

1.1　問(wèn)題描述

在現(xiàn)實(shí)場(chǎng)景中有很多群智感知任務(wù)并不是實(shí)時(shí)任務(wù)，這類任務(wù)不需要立即上傳感知數(shù)據(jù)可在數(shù)據(jù)收集和上傳之間存在一定的延遲，我們稱此類任務(wù)為延遲上傳的群智感知任務(wù)，C-ecoSense機(jī)制可應(yīng)用在此類任務(wù)中。延遲上傳的詳細(xì)定義如下。

定義1延遲上傳如圖1所示，在[T0,T1]時(shí)刻用戶手機(jī)采集產(chǎn)生數(shù)據(jù)，該數(shù)據(jù)可以在[T1,T1+Td]內(nèi)上傳，在延遲上傳周期內(nèi)結(jié)束。如果仍有一些參與者的數(shù)據(jù)依舊沒(méi)有成功上傳至服務(wù)器，那這些用戶將被強(qiáng)制使用移動(dòng)網(wǎng)絡(luò)上傳數(shù)據(jù)，從而確保所有的感知數(shù)據(jù)能夠在允許的延遲時(shí)間Td內(nèi)傳至服務(wù)器。

圖1　感知周期和延遲上傳周期

在群智感知實(shí)驗(yàn)中C-ecoSense機(jī)制的主要目的是減少任務(wù)發(fā)布者對(duì)用戶的流量補(bǔ)償費(fèi)用，從而激勵(lì)用戶。在正式將問(wèn)題公式化之前我們先介紹幾個(gè)關(guān)鍵概念。

定義2用戶類型通過(guò)分析國(guó)內(nèi)運(yùn)營(yíng)商的流量資費(fèi)情況以及用戶的移動(dòng)軌跡預(yù)測(cè)，我們將用戶劃分包月和非包月兩種類型。包月用戶指擁有流量套餐且在其移動(dòng)模式中經(jīng)?？梢允褂妹赓M(fèi)Wi-Fi的用戶；非包月用戶指使用流量較少且移動(dòng)模式中可使用的免費(fèi)網(wǎng)關(guān)較少的用戶。所有用戶為U，P(U) → [UD,UN],這里UD∪UN=U且UD∩UN=Φ。

定義3免費(fèi)事件免費(fèi)事件指的是非包月用戶遇到的免費(fèi)Wi-Fi或者包月用戶,這類事件可以幫助非包月用戶上傳感知數(shù)據(jù)并且不用花費(fèi)自己的流量。

定義4上傳決策當(dāng)一個(gè)擁有感知數(shù)據(jù)Ri(時(shí)間t產(chǎn)生)的非包月用戶Ni，在時(shí)間按t*(t*∈[t,t+Td])遇到免費(fèi)事件e，C-ecoSense將做一個(gè)決策決定數(shù)據(jù)Ri是否需要上傳或者向中繼者傳輸。我們用D(Ni,Ri,t*,e,t,Td)→{true,false}表示這個(gè)決策功能。

所謂上傳策略就是上傳決策的具體實(shí)施措施，我們使用了兩種上傳策略：OneRelay[9]策略和UpEnd[9]策略。OneRelay策略是指NDW用戶在延遲上傳階段將自己的數(shù)據(jù)通過(guò)Wi-Fi自行上傳或者傳遞給DW用戶讓其代為上傳，注意在使用OneRelay傳輸策略時(shí)數(shù)據(jù)在用戶之間最多中轉(zhuǎn)一次。UpEnd策略是指在延遲上傳階段結(jié)束時(shí)，為了確保用戶所收集到的數(shù)據(jù)完成上傳，客戶端會(huì)強(qiáng)制將用戶已整理的數(shù)據(jù)全部上傳。這部分不是該課題的研究重點(diǎn)，因此我們引用了文獻(xiàn)[9]的上傳策略。

在延遲上傳的群智感知任務(wù)中，對(duì)所有感知用戶U針對(duì)不同的流量資費(fèi)方案和移動(dòng)軌跡，我們需要一個(gè)為用戶設(shè)計(jì)的上傳決策Q，和一個(gè)用戶劃分函數(shù)P，這樣就可以最小化群智感知組織者在一個(gè)任務(wù)周期中對(duì)參與用戶的流量補(bǔ)償。

本文主要用到的符號(hào)如表1所示。

表1　主要符號(hào)

1.2　C-ecoSense機(jī)制詳述

現(xiàn)在我們簡(jiǎn)單描述C-ecoSense在群智感知任務(wù)中的工作流程。如圖2所示，在任務(wù)開(kāi)始時(shí)，用戶劃分部分將用戶劃分為包月和非包月兩種類型，隨后進(jìn)行數(shù)據(jù)收集，在數(shù)據(jù)延遲上傳階段用戶使用機(jī)會(huì)傳輸策略進(jìn)行數(shù)據(jù)上傳，在任務(wù)執(zhí)行過(guò)程中使用對(duì)應(yīng)的激勵(lì)機(jī)制對(duì)用戶進(jìn)行激勵(lì)。C-ecoSense機(jī)制的核心思想是通過(guò)包月用戶幫助非包月用戶上傳數(shù)據(jù)來(lái)達(dá)到節(jié)省費(fèi)用的目的，因?yàn)殡S著感知數(shù)據(jù)量的增大，補(bǔ)償非包月用戶的費(fèi)用會(huì)相對(duì)較多，而包月用戶的協(xié)作會(huì)使這部分費(fèi)用大大減少。

圖2　C-ecoSense機(jī)制框架

C-ecoSense機(jī)制主要包括三個(gè)關(guān)鍵模塊：用戶劃分、激勵(lì)機(jī)制和上傳決策。其中上傳決策部分已在問(wèn)題描述部分介紹，這里不再贅述。以下內(nèi)容將詳細(xì)介紹用戶劃分和激勵(lì)機(jī)制設(shè)計(jì)兩部分。

1.2.1用戶劃分

用戶劃分是C-ecoSense機(jī)制可以完整運(yùn)行的關(guān)鍵，影響用戶類型的因素有流量補(bǔ)償定價(jià)方案、感知數(shù)據(jù)量和移動(dòng)軌跡。其中未來(lái)的感知數(shù)據(jù)量和移動(dòng)軌跡我們無(wú)法直接獲得，我們使用這兩類數(shù)據(jù)的預(yù)測(cè)值作為劃分因子。具體用戶劃分流程如圖3所示。

圖3　用戶劃分框架

C-ecoSense機(jī)制針對(duì)的群智感知任務(wù)按收集的數(shù)據(jù)量分為定量感知任務(wù)和非定量感知任務(wù)，我們用公式(1)表示用戶i在周期j中的感知數(shù)據(jù)量。其中k表示訪問(wèn)位置的次數(shù)，li,j表示訪問(wèn)位置所獲取的單位數(shù)據(jù)量。

(1)

本文中的移動(dòng)軌跡指的是用戶在其移動(dòng)模式中所觸發(fā)免費(fèi)時(shí)間的概率。移動(dòng)軌跡的預(yù)測(cè)并不是我們研究的重點(diǎn)，我們使用的預(yù)測(cè)方法是一種基于泊松分布的預(yù)測(cè)方法，這種方法已經(jīng)研究得十分成熟，如文獻(xiàn)[10]，完全可以滿足我們的實(shí)驗(yàn)需求。移動(dòng)軌跡預(yù)測(cè)如下式所示：

(2)

對(duì)于不同類型的用戶我們采用了不同的的流量補(bǔ)償方案，對(duì)于包月用戶來(lái)說(shuō)，我們補(bǔ)償其部分包月套餐費(fèi)用，若其流量超標(biāo)且是用于感知任務(wù)，則我們額外補(bǔ)償其超出流量的費(fèi)用。補(bǔ)償方案如公式所示：

RefundD=M×PriceD+d×PriceN

(3)

對(duì)于非包月用戶我們補(bǔ)償其用于感知任務(wù)的全部流量費(fèi)用，補(bǔ)償方案如下式所示：

RefundN=Dl,j×(1-Pi,j)×PriceN

(4)

綜上所述，我們得出總流量預(yù)算模型如下式所示：

(5)

為了最小化總費(fèi)用Refund，若單純的改變模型中的數(shù)據(jù)很可能產(chǎn)生一系列NP困難問(wèn)題，我們采用一種遺傳算法進(jìn)行尋優(yōu)，得出最優(yōu)劃分。算法1是基于遺傳算法的劃分算法的偽代碼。

算法1基于遺傳算法的用戶劃分算法

輸入：Refund：適應(yīng)度函數(shù)；U：所有用戶

輸出：UD和UN用戶劃分、Refund

1： B ← bivector(U)

2： N(population)← B

3： i ← 0

4： while i < itermaxdo

5： K ← keepbest(N)

6： C ← crossover(N)

7： M ← mutation(N)

8： N ← {K,C,M}

9： i ← i + 1

10：end while

11：UD，UN←U

其中，第1行是將U設(shè)置為雙矢量，0表示非包月用戶，1表示包月用戶；第2行將B種群的每個(gè)用戶隨機(jī)初始化為0或1；第5行獲得使Refund適應(yīng)度函數(shù)獲得最小值的劃分；第6～8行進(jìn)行交叉變異，一直循環(huán)至迭代次數(shù)結(jié)束，本文中實(shí)驗(yàn)均迭代50次。

1.2.2激勵(lì)機(jī)制設(shè)計(jì)

(1) POR激勵(lì)機(jī)制C-ecoSense機(jī)制之所以能夠節(jié)省總流量支出，是因?yàn)槠淅脵C(jī)會(huì)傳輸技術(shù)使用戶之間進(jìn)行協(xié)作傳輸。對(duì)于包月用戶來(lái)說(shuō)，幫助其他用戶上傳數(shù)據(jù)就意味著需要消耗自己的終端資源。雖然原方案中會(huì)對(duì)用戶進(jìn)行流量補(bǔ)償，但是這部分補(bǔ)償是固定的，不論用戶是否協(xié)作都能收到補(bǔ)償，顯而易見(jiàn)，更多的用戶會(huì)選擇拒絕代傳他人數(shù)據(jù)，這無(wú)疑將會(huì)影響整個(gè)機(jī)制的運(yùn)行，進(jìn)而影響感知數(shù)據(jù)的收集。

我們提出的POR激勵(lì)機(jī)制是一種基于積分的激勵(lì)機(jī)制，用戶每代傳一份數(shù)據(jù)，會(huì)相應(yīng)的增加積分，用戶可以使用積分兌換各種獎(jiǎng)勵(lì)(如流量、現(xiàn)金或其他虛擬貨幣等)。具體的積分模型如下式所示：

Ii,j=Ui,j-1

(6)

式中：Ii,j表示用戶i在第j周期中的積分，Ui,j表示用戶i在第j周期中總共上傳的感知數(shù)據(jù)份數(shù)，減1表示去除自己的那一份數(shù)據(jù)，即幫助其他人上傳的數(shù)據(jù)份數(shù)。

(2) PIM激勵(lì)機(jī)制在延遲上傳的群智感知任務(wù)中，用戶可以利用延遲時(shí)間進(jìn)行數(shù)據(jù)傳輸，選擇自己上傳或者由他人代傳，這也是C-ecoSense機(jī)制可以完美運(yùn)行的一個(gè)先決條件，若所有用戶都將數(shù)據(jù)。但是這也存在一些缺點(diǎn)，若所有用戶都在延遲階段的最后時(shí)刻上傳數(shù)據(jù)，將會(huì)為服務(wù)器帶來(lái)巨大的壓力，而服務(wù)器的升級(jí)和維護(hù)會(huì)耗費(fèi)大量的資金。

為了激勵(lì)用戶盡量提前數(shù)據(jù)的上傳時(shí)間，我們提出了PIM上傳積極性激勵(lì)機(jī)制。上傳積極性的衡量公式如下：

(7)

式中：PTi,j表示用戶i在第j個(gè)周期中的上傳積極性，ti,j表示用戶i在第j個(gè)周期的延遲上傳周期上傳數(shù)據(jù)的具體時(shí)間。顯然ti,j越小則對(duì)應(yīng)的積極性越高，積極性越高則獲得的獎(jiǎng)勵(lì)越多，我們用式(8)表示該獎(jiǎng)勵(lì)。

PIMi,j=N×PTi,j

(8)

2　實(shí)驗(yàn)及結(jié)果評(píng)估

2.1　仿真實(shí)驗(yàn)環(huán)境

仿真實(shí)驗(yàn)的語(yǔ)言環(huán)境是Windows XP系統(tǒng)下的Python2.7，包括DEAP[11](Distributed Evolutionary Algorithms in Python)、SciPy科學(xué)計(jì)算、Matplotlib科學(xué)繪圖等組件。本文中的仿真實(shí)驗(yàn)使用的數(shù)據(jù)集是SWIM[12]模擬數(shù)據(jù)集，從中提取48個(gè)具有完整數(shù)據(jù)的對(duì)象作為仿真對(duì)象對(duì)C-ecoSense機(jī)制進(jìn)行有效評(píng)估。

我們調(diào)查了國(guó)內(nèi)移動(dòng)、聯(lián)通和電信三大運(yùn)營(yíng)商的使用最多的流量定價(jià)方案，如表2所示。由于這些資費(fèi)標(biāo)準(zhǔn)對(duì)實(shí)驗(yàn)數(shù)據(jù)的整體走勢(shì)并不會(huì)造成很大的影響，我們的仿真實(shí)驗(yàn)僅采中國(guó)聯(lián)通的資費(fèi)標(biāo)準(zhǔn)來(lái)制定用戶的流量補(bǔ)償方案。由于套餐內(nèi)容涉及通話、短信和來(lái)電顯示等內(nèi)容，所以我們實(shí)驗(yàn)中一律將對(duì)包月用戶的補(bǔ)償基本標(biāo)準(zhǔn)定為30元/月。

表2　三大運(yùn)營(yíng)商流量資費(fèi)表

2.2　結(jié)果評(píng)估

我們采用了以下兩種方案與C-ecoSense機(jī)制進(jìn)行對(duì)比：

1) 直接分配方案這種方案是僅根據(jù)用戶的感知數(shù)據(jù)量直接的將他們定義為包月類型或者非包月類型。與該方案對(duì)比證明我們機(jī)制的節(jié)省效率。

2) 理想化C-ecoSense方案該方案不做移動(dòng)性預(yù)測(cè)，直接將他們上個(gè)月的移動(dòng)蹤跡用在算法中得到用戶劃分。該方案是為了證明我們所選用預(yù)測(cè)方法具有足夠好的性能。

2.2.1定量的感知數(shù)據(jù)

在該實(shí)驗(yàn)中我們假定感知任務(wù)每個(gè)周期所需要收集的數(shù)據(jù)量是一定的，我們實(shí)驗(yàn)了數(shù)據(jù)量在1 000 KB～6 000 KB/周期下的流量費(fèi)用，實(shí)驗(yàn)結(jié)果如圖4所示。與直接分配方案比較C-ecoSense可以節(jié)約40%～56%的費(fèi)用，我們發(fā)現(xiàn)在數(shù)據(jù)量為3 500 KB/周期時(shí)候，相比直接分配方案節(jié)約效果最為顯著，因?yàn)榇藭r(shí)直接分配方案將所有的用戶都定義為了包月類型。與理想化C-ecoSense方案比較僅多了1%～9%費(fèi)用，說(shuō)明生態(tài)感知已經(jīng)具有了很好的性能?？赡芸梢栽O(shè)計(jì)出更好的移動(dòng)性預(yù)測(cè)方法，但是這往往需要更高的精度，這對(duì)于節(jié)省預(yù)算方面并不見(jiàn)得很有意義。

圖4　定量感知數(shù)據(jù)補(bǔ)償預(yù)算

2.2.2非定量感知數(shù)據(jù)

非定量感知任務(wù)實(shí)驗(yàn)中需考慮式(1)中c=0和c≠0兩種情況。當(dāng)c=0時(shí)，假設(shè)用戶僅上傳自己訪問(wèn)位置的感知數(shù)據(jù)；當(dāng)c≠0時(shí)，假設(shè)用戶除了上傳感知數(shù)據(jù)外還上傳一些其他數(shù)據(jù)，如活動(dòng)日志數(shù)據(jù)，實(shí)驗(yàn)中這部分?jǐn)?shù)據(jù)定為500 KB。實(shí)驗(yàn)結(jié)果如圖5和圖6所示，描述了分別把每個(gè)基站的數(shù)據(jù)量單位元k的范圍設(shè)在100～1 200 KB/基站的流量補(bǔ)償預(yù)算。與上述定量感知數(shù)據(jù)和直接使用網(wǎng)絡(luò)方案對(duì)比的一樣，這種情況下生態(tài)感知可以節(jié)省42%～56%(c=0)、40%～56%(c=500 KB)的資費(fèi)。與理想化C-ecoSense對(duì)比，C-ecoSense的耗費(fèi)多了1%～11%(c=0)、1%～12%(c=500 KB)，這為引入更精確的移動(dòng)預(yù)測(cè)的方法提出了改進(jìn)的范圍。

圖5　非定量感知數(shù)據(jù)補(bǔ)償(c=0)

圖6　非定量感知數(shù)據(jù)補(bǔ)償(c=500)

2.2.3PIM激勵(lì)機(jī)制

實(shí)驗(yàn)結(jié)果如圖7所示，描述了48個(gè)用戶在PIM激勵(lì)機(jī)制下的上傳積極性，從實(shí)驗(yàn)結(jié)果可知，在該激勵(lì)機(jī)制下，用戶普遍會(huì)選擇在延遲上傳時(shí)間的38%～60%之間上傳數(shù)據(jù)，顯然沒(méi)有用戶在延遲時(shí)間結(jié)束時(shí)上傳數(shù)據(jù)，38%～60%這段緩沖區(qū)可大大減少服務(wù)器數(shù)據(jù)收集的壓力。

圖7　PIM激勵(lì)機(jī)制

2.2.4POR激勵(lì)機(jī)制

在該實(shí)驗(yàn)中，我們測(cè)試了當(dāng)每周期感知數(shù)據(jù)數(shù)據(jù)量為4 000 KB和6 000 KB時(shí)用戶在一個(gè)月內(nèi)所獲得POR獎(jiǎng)勵(lì)的情況。實(shí)驗(yàn)結(jié)果如圖8所示，雙柱狀圖中可以看到當(dāng)數(shù)據(jù)量為4 000 KB/周期時(shí)，48名用戶中僅有1號(hào)、21號(hào)22號(hào)三名用戶獲得獎(jiǎng)勵(lì)，數(shù)據(jù)量為6 000 KB/周期時(shí)，1～5號(hào)、21～25號(hào)、41號(hào)和43～45號(hào)共14名用戶獲得獎(jiǎng)勵(lì)，顯然在數(shù)據(jù)量較小時(shí)用戶多會(huì)自行上傳。這說(shuō)明在數(shù)據(jù)量較小時(shí)補(bǔ)償流量并不會(huì)消耗過(guò)多，用戶多選擇自己上傳，隨著數(shù)據(jù)量的增加用戶獲得的POR獎(jiǎng)勵(lì)增多，證明用戶之間的機(jī)會(huì)傳輸增多，C-ecoSense機(jī)制的作用也就越明顯。

圖8　POR激勵(lì)機(jī)制

3　結(jié)　語(yǔ)

本文針對(duì)ecoSense群智感知數(shù)據(jù)上傳機(jī)制的不足提出了基于C-ecoSense數(shù)據(jù)上傳機(jī)制。該機(jī)制將用戶劃分類型并通過(guò)POR和PIM激勵(lì)模型用戶進(jìn)行激勵(lì)，且在預(yù)算控制和用戶激勵(lì)方面都有很好的表現(xiàn)。

在未來(lái)的工作中，我們將進(jìn)一步完善該機(jī)制，用戶的電量消耗也是影響用于參與群智感知任務(wù)的一個(gè)重要因素，對(duì)于節(jié)省電量仍是群智感知研究的重點(diǎn)，我們將在此方面繼續(xù)研究。

[1] 張寧,蘇華,孫學(xué)梅,等.基于信譽(yù)模型的群智感知網(wǎng)絡(luò)用戶參與激勵(lì)機(jī)制[J].計(jì)算機(jī)應(yīng)用與軟件,2017,34(5):119-122,152.

[2] 吳垚,曾菊儒,彭輝,等.群智感知激勵(lì)機(jī)制研究綜述[J].軟件學(xué)報(bào),2016,27(8):2025-2047.

[3] 熊永平,劉偉,劉卓華.機(jī)會(huì)群智感知網(wǎng)絡(luò)關(guān)鍵技術(shù)[J].中興通訊技術(shù),2015,21(6):19-22.

[4] Wen Y,Shi J,Zhang Q,et al.Quality-Driven Auction-Based Incentive Mechanism for Mobile Crowd Sensing[J].IEEE Transactions on Vehicular Technology,2015,64(9):4203-4214.

[5] Luo S,Sun Y,Ji Y,et al.Stackelberg Game Based Incentive Mechanisms for Multiple Collaborative Tasks in Mobile Crowdsourcing[J].Mobile Networks and Applications,2016,21(3):506-522.

[6] Dai W,Wang Y,Jin Q,et al.An Integrated Incentive Framework for Mobile Crowdsourced Sensing[J].Tsinghua Science and Technology,2016,21(2):146-156.

[7] Huang L,Zhu Y,Yu J,et al.Group Buying Based Incentive Mechanism for Mobile Crowd Sensing[C]//IEEE International Conference on Sensing,Communication,and NETWORKING.IEEE,2016:1-9.

[8] Zhao D,Ma H,Liu L.Frugal Online Incentive Mechanisms for Mobile Crowd Sensing[J].IEEE Transactions on Vehicular Technology,2017,66(4):3319-3330.

[9] Wang L,Zhang D,Xiong H,et al.ecoSense:Minimize Participants’ Total 3G Data Cost in Mobile Crowdsensing Using Opportunistic Relays[J].IEEE Transactions on Systems Man & Cybernetics Systems,2017,47(6):965-978.

[10] Chon Y,Shin H,Talipov E,et al.Evaluating mobility models for temporal prediction with high-granularity mobility data[C]//Pervasive Computing and Communications (PerCom),2012 IEEE International Conference on.IEEE,2012:206-212.

[11] De Rainville F M,Fortin F A,Gardner M A,et al.DEAP:A Python framework for Evolutionary Algorithms[C]//GECCO’12 Proceedings of the 14th annual conference companion on Genetic and evolutionary computation.Philadelphia,Pennsylvania,USA—July 07-11,2012:85-92.

[12] Kosta S,Mei A,Stefa J.Large-Scale Synthetic Social Mobile Networks with SWIM[J].IEEE Transactions on Mobile Computing,2014,13(1):116-129.