王濤春，劉婷婷，劉 申，何國棟

(1.安徽師范大學(xué) 數(shù)學(xué)計(jì)算機(jī)科學(xué)學(xué)院 安徽 蕪湖 241002; 2.網(wǎng)絡(luò)與信息安全安徽省重點(diǎn)實(shí)驗(yàn)室(安徽師范大學(xué))，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(shè)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(shù)據(jù)的任務(wù)。與傳統(tǒng)的利用傳感器節(jié)點(diǎn)感知的方式相比，該方式節(jié)省了部署和管理節(jié)點(diǎn)的開銷，并且解決了傳感器節(jié)點(diǎn)位置固定的問題。由于群智感知低成本、高參與度的特點(diǎn)，這種感知已被廣泛應(yīng)用，如交通信息采集系統(tǒng)[2]、噪聲采集系統(tǒng)[3]以及景點(diǎn)環(huán)境監(jiān)測系統(tǒng)等。

然而，在各種實(shí)時(shí)信息的采集系統(tǒng)中，參與者提交數(shù)據(jù)的時(shí)間存在延遲、數(shù)據(jù)覆蓋率不高以及提交的數(shù)據(jù)與任務(wù)所需數(shù)據(jù)不相關(guān)等因素直接影響提交數(shù)據(jù)的質(zhì)量，進(jìn)而影響任務(wù)完成的質(zhì)量。因此，提高數(shù)據(jù)質(zhì)量是保證群智感知系統(tǒng)服務(wù)質(zhì)量的關(guān)鍵因素。為了提高感知數(shù)據(jù)的質(zhì)量，研究人員提出了許多相關(guān)的激勵機(jī)制[4-6]、信譽(yù)評估模型[6-10]以及相關(guān)隱私保護(hù)方法[11],但現(xiàn)有的信譽(yù)評估模型大多計(jì)算影響因素和信譽(yù)度的等級，而非具體數(shù)值。例如：文獻(xiàn)[9]在信譽(yù)評估模型設(shè)計(jì)時(shí)，考慮了參與者能力、響應(yīng)時(shí)間、位置以及參與者和任務(wù)請求者的聯(lián)系等因素，得出T(信譽(yù)) = {VL,L,M,H,VH}，將參與者信譽(yù)分為5個(gè)等級，未將信譽(yù)度數(shù)值化，導(dǎo)致評估準(zhǔn)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(yù)評估方案(Participant Reputation Evaluation Scheme, PRES)。該方法將響應(yīng)時(shí)間、距離、歷史信譽(yù)度這3個(gè)自變量定義為[0,100]的數(shù)值，將數(shù)據(jù)相關(guān)性和數(shù)據(jù)質(zhì)量定義為表示等級的數(shù)值，并且將參與者本次提交數(shù)據(jù)后的信譽(yù)度表示為[0.0,1.0]的概率值。方法基本思想為：根據(jù)參與者歷史信譽(yù)度和本次提交數(shù)據(jù)的質(zhì)量對參與者信譽(yù)度進(jìn)行評估，綜合考慮響應(yīng)時(shí)間、距離、歷史信譽(yù)度、數(shù)據(jù)相關(guān)性以及數(shù)據(jù)質(zhì)量5個(gè)方面的因素，計(jì)算出參與者本次提交數(shù)據(jù)能夠被信任的概率，并根據(jù)任務(wù)請求者的要求對參與者進(jìn)行選擇，保證參與者提交數(shù)據(jù)的質(zhì)量。

相比現(xiàn)有的用戶信譽(yù)評估模型，本文提出的PRES的優(yōu)點(diǎn)在于：1)綜合考慮影響數(shù)據(jù)質(zhì)量的多方面因素，并且將歷史信譽(yù)度作為計(jì)算依據(jù)，以激勵用戶持續(xù)提交高質(zhì)量數(shù)據(jù)。2)PRES基于邏輯回歸模型對參與者信譽(yù)度進(jìn)行計(jì)算，得出的信譽(yù)度分布具有邊緣化的特征，便于感知網(wǎng)絡(luò)選擇合適的參與者。3)將任務(wù)根據(jù)時(shí)間緊急程度分類，任務(wù)請求者可以選擇任務(wù)要求提交的時(shí)間范圍，系統(tǒng)根據(jù)不同的時(shí)間要求，調(diào)整邏輯回歸參數(shù)。4)相比用等級表示響應(yīng)時(shí)間、距離和歷史信譽(yù)度，將自變量數(shù)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(yù)度上，使得對參與者本次提交數(shù)據(jù)的質(zhì)量作出精確評估。

1 相關(guān)工作

數(shù)據(jù)質(zhì)量是保證感知系統(tǒng)服務(wù)質(zhì)量的關(guān)鍵，很多學(xué)者提出了許多方案，這些方案根據(jù)其目的分為激勵機(jī)制和參與者信譽(yù)評估模型兩類。

激勵機(jī)制即通過設(shè)計(jì)合理的激勵方式來鼓勵更多的參與者參與感知任務(wù)，并提交高質(zhì)量可靠的感知數(shù)據(jù)。Guo等[1]提出通過一定的激勵手段提高用戶意識、環(huán)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(shù)據(jù)的質(zhì)量。吳垚等[4]對各種激勵方式進(jìn)行了分析，在報(bào)酬支付激勵方式中，利用博弈論的機(jī)制能夠解決參與者之間的沖突以及合作關(guān)系，并且可以分析參與者的行為。社會關(guān)系激勵是針對機(jī)會感知網(wǎng)絡(luò)，建立參與者之間的信任體系，從用戶行為、貢獻(xiàn)和信譽(yù)等方面保證數(shù)據(jù)質(zhì)量。

參與者信譽(yù)評估模型方面，南文倩等[6]設(shè)計(jì)出基于采集數(shù)據(jù)的響應(yīng)時(shí)間、覆蓋率、相關(guān)性以及歷史信譽(yù)4個(gè)方面的信譽(yù)評估模型CSII，對參與者提交的數(shù)據(jù)進(jìn)行分析，利用模糊化的方式計(jì)算用戶信譽(yù)。CSII中規(guī)定“時(shí)間因子”“地點(diǎn)因子”和“相關(guān)性”這個(gè)3個(gè)自變量的取值為“高”“中”“低”，分別對應(yīng)于H、M、L這3個(gè)等級，而這3個(gè)因素共同影響的輸出變量“數(shù)據(jù)質(zhì)量”的取值為“非常高”“高”“中”“低”“非常低”，分別對應(yīng)于VH、H、M、L、VL 5個(gè)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(jù)其信譽(yù)值、距離任務(wù)截止時(shí)間、提交數(shù)據(jù)及時(shí)性這3個(gè)因素選擇最終參與者。經(jīng)過兩次選擇，可在一定程度上保證優(yōu)選參與者，但最終的信譽(yù)評估也是利用模糊化的方法，將T(信譽(yù)度)設(shè)定為{VL,L,M,H,VH}5個(gè)等級。這種模糊化的方式將導(dǎo)致計(jì)算出的參與者信譽(yù)多數(shù)分布在[0.4,0.6]區(qū)間內(nèi)，若以信譽(yù)度為0.5作為評價(jià)信譽(yù)優(yōu)劣的分界線，則對某參與者信譽(yù)度是否判定為“優(yōu)”存在不確定性，從而使評估準(zhǔn)確率降低。劉琰等[12]提出一種面向多任務(wù)并發(fā)的參與者優(yōu)選方法，但該方法僅根據(jù)參與者完成任務(wù)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(fā)現(xiàn)現(xiàn)有研究存在評估結(jié)果集中化和評估準(zhǔn)確率低的問題。為了便于感知網(wǎng)絡(luò)選擇合適的參與者，并且提高評估準(zhǔn)確率，本文提出了基于邏輯回歸模型的參與者信譽(yù)評估系統(tǒng)PRES，考慮響應(yīng)時(shí)間、距離、歷史信譽(yù)度、數(shù)據(jù)相關(guān)性和數(shù)據(jù)質(zhì)量五個(gè)方面的因素，通過回歸分析，計(jì)算出每一個(gè)影響因素的系數(shù)，形成回歸方程，作為評估參與者信譽(yù)度的標(biāo)準(zhǔn)。

2 預(yù)備知識

2.1 群智感知系統(tǒng)結(jié)構(gòu)

群智感知網(wǎng)絡(luò)體系結(jié)構(gòu)由五部分組成[13]，包括任務(wù)請求者(Task Requester, TR)、注冊驗(yàn)證者(Registration Authority, RA)、參與者(Mobile Node, MN)、服務(wù)提供者(Service Provider, SP)和外圍組件，如圖1所示。

圖1 群智感知網(wǎng)絡(luò)體系結(jié)構(gòu) Fig. 1 Architecture of mobile crowd sensing network

首先，任務(wù)請求者TR向RA提交需要參與者完成的任務(wù)，該任務(wù)經(jīng)過RA的檢查和加密后，由RA將加密任務(wù)發(fā)送給SP。參與者即移動智能設(shè)備，具有感知能力，可以向RA注冊以參與感知任務(wù)，若參與者想要參與一個(gè)任務(wù)，則可從SP獲取任務(wù)，完成感知任務(wù)后，將感知數(shù)據(jù)提交給SP，并由SP分析參與者提交的數(shù)據(jù)以及其歷史信譽(yù)度，根據(jù)信譽(yù)評估方程計(jì)算本次提交數(shù)據(jù)的信譽(yù)度，若符合要求，則將數(shù)據(jù)轉(zhuǎn)換為請求者需要的信息，反饋給任務(wù)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(gè)參與者。

2.2 信譽(yù)評估標(biāo)準(zhǔn)

PRES對參與者信譽(yù)評估的標(biāo)準(zhǔn)包括5個(gè)方面：響應(yīng)時(shí)間x1，即任務(wù)請求者要求的時(shí)間和參與者提交任務(wù)的時(shí)間差值，單位：min；距離x2，即任務(wù)請求者要求感知任務(wù)的地理位置與參與者提交任務(wù)的地理位置的距離，單位：m；歷史信譽(yù)度x3，即參與者的歷史信譽(yù)度；數(shù)據(jù)相關(guān)性x4，即參與者提交的數(shù)據(jù)與要求數(shù)據(jù)的相關(guān)程度；數(shù)據(jù)質(zhì)量x5，在本系統(tǒng)中采集任務(wù)主要是收集圖片和聲音，而數(shù)據(jù)質(zhì)量則可以認(rèn)定為圖片的像素以及聲音的純凈度。系統(tǒng)中使用的數(shù)據(jù)來自真實(shí)數(shù)據(jù)集Dartmouth College Wi-Fi campus trace[14]，該數(shù)據(jù)集中包含時(shí)間戳、測試點(diǎn)和其他感知節(jié)點(diǎn)的距離(單位：km)、感知聲音質(zhì)量(分為4個(gè)等級，分別是：QUIET、 NORMAL、ALERT和NOISY)以及感知節(jié)點(diǎn)的狀態(tài)(包括STATIONARY、WALKING和RUNNING)，本文以收集聲音為例，定義數(shù)據(jù)集中的時(shí)間戳為參與者提交任務(wù)的響應(yīng)時(shí)間；將數(shù)據(jù)集中的測試點(diǎn)和其他感知節(jié)點(diǎn)的距離單位轉(zhuǎn)換為“m”來表示任務(wù)請求者要求感知任務(wù)的地理位置與參與者提交任務(wù)的地理位置的距離；數(shù)據(jù)相關(guān)性則是根據(jù)參與者執(zhí)行感知任務(wù)時(shí)的狀態(tài)確定，若狀態(tài)為“STATIONARY”，則認(rèn)為該參與者能夠準(zhǔn)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(zhì)量等級轉(zhuǎn)換為表示等級的數(shù)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(wù)時(shí)，無歷史信譽(yù)度，則根據(jù)以上4個(gè)因素計(jì)算本次信譽(yù)度。 在上述五個(gè)因素的共同作用下，參與者的信譽(yù)度Y表現(xiàn)為：數(shù)據(jù)質(zhì)量高、可信任(Y=1)和數(shù)據(jù)質(zhì)量低、不可信任(Y=0)兩個(gè)層次。

3 參與者信譽(yù)評估方法

針對群智感知網(wǎng)絡(luò)中參與者眾多、數(shù)據(jù)量巨大的問題，提出參與者信譽(yù)評估方法PRES，為感知網(wǎng)絡(luò)選擇合適的參與者，以保證數(shù)據(jù)質(zhì)量。該方法綜合分析響應(yīng)時(shí)間、距離、歷史信譽(yù)度、數(shù)據(jù)相關(guān)性和數(shù)據(jù)質(zhì)量這5個(gè)方面的因素，同時(shí)，允許任務(wù)請求者選擇設(shè)置任務(wù)完成時(shí)間，根據(jù)不同的任務(wù)時(shí)間限制，利用邏輯回歸方法計(jì)算出5個(gè)影響因素分別對信譽(yù)度的影響，得出參與者信譽(yù)評估方程，作為評估依據(jù)。

3.1 邏輯回歸模型

在參與者信譽(yù)評估問題中，參與者的信譽(yù)可分為可信任和不可信任兩種，對于這種二項(xiàng)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(diǎn)是：由若干個(gè)自變量x影響一個(gè)因變量y，且y的值為0或1。在PRES中，有5個(gè)自變量，分別為：響應(yīng)時(shí)間x1；距離x2；歷史信譽(yù)度x3；數(shù)據(jù)相關(guān)性x4；數(shù)據(jù)質(zhì)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(shè)y是0-1型變量，表示信譽(yù)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(guān)系可表示為：

E(yi)=pi=f(β0+β1xi1+β2xi2+…+βnxin)

其中:f(z)為LOGISTIC函數(shù)，基本形式為：

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

在本系統(tǒng)中:

z=β0+β1xi1+β2xi2+…+βnxin

對上式進(jìn)行轉(zhuǎn)換并取對數(shù)，得到邏輯回歸模型：

3.1.2 邏輯回歸模型參數(shù)估計(jì)

模型中的參數(shù)β0,β1,…,βn利用最大似然估計(jì)進(jìn)行計(jì)算，記用戶可信任時(shí)y=1，此時(shí)的條件概率為P(yi=1)=pi，P(yi=0)=1-pi，于是得到一個(gè)信譽(yù)度值的概率為：

P(yi)=piyi·(1-pi)1-yi

因?yàn)楦鱾€(gè)參與者信譽(yù)度值相互獨(dú)立，故似然函數(shù)為：

對該似然函數(shù)等式兩邊取對數(shù)，得到對數(shù)似然函數(shù)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(shù)據(jù)集，對數(shù)據(jù)集中的數(shù)據(jù)進(jìn)行采樣并利用SPSS軟件求解各個(gè)影響因素的系數(shù)。實(shí)驗(yàn)根據(jù)任務(wù)請求者對于時(shí)間的不同限制給出了不同的信譽(yù)評估方程，從而保證任務(wù)的時(shí)效性，進(jìn)一步滿足用戶需求。根據(jù)群智感知用戶參與一個(gè)任務(wù)的一般時(shí)長，分別將任務(wù)時(shí)間限制設(shè)為30 min、1 h和2 h來求解評估方程參數(shù),同時(shí)，為平衡各變量的系數(shù)，將歷史信譽(yù)度作乘以100的處理，將其范圍設(shè)定在[0,100]，結(jié)果如表1。

表1 不同時(shí)間限制時(shí)的評估方程參數(shù)Tab. 1 Parameters of evaluation equation with different time limit

從表1(時(shí)間限制為30 min)得出信譽(yù)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(shí)間限制為1 h)得出信譽(yù)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(shí)間限制為2 h)得出信譽(yù)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(yù)度評估算法包括3個(gè)進(jìn)程，分別為任務(wù)請求者進(jìn)程、參與者進(jìn)程和群智感知系統(tǒng)進(jìn)程。其中，任務(wù)請求者設(shè)置時(shí)間限制、提交任務(wù)請求；參與者獲取和完成感知任務(wù)，并提交包含響應(yīng)時(shí)間、距離、歷史信譽(yù)度、數(shù)據(jù)相關(guān)性和數(shù)據(jù)質(zhì)量的任務(wù)報(bào)告；系統(tǒng)根據(jù)上述5個(gè)因素計(jì)算出參與者信譽(yù)度，通過判斷信譽(yù)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(yù)度評估(reputation evaluation)。

符號說明：TLimit為任務(wù)請求者設(shè)置的時(shí)間限制，T為時(shí)間差，L為距離，H為歷史信譽(yù)度，R為數(shù)據(jù)相關(guān)性，Q為數(shù)據(jù)質(zhì)量，RP為參與者信譽(yù)度；

//任務(wù)請求者活動

Requester： setTLimit(TLimit);

submitTask();

//參與者活動

Participant： getTask();

//采集的5個(gè)評估參數(shù)

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

Q← quality;

//計(jì)算信譽(yù)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(shí)驗(yàn)驗(yàn)證

4.1 實(shí)驗(yàn)結(jié)果

在實(shí)驗(yàn)數(shù)據(jù)集中抽取數(shù)據(jù)進(jìn)行評估，將任務(wù)提交時(shí)間限制分別設(shè)置為30 min、1 h、2 h，設(shè)評估正確的總體百分比表示為E，對第i個(gè)樣本點(diǎn)的觀測值為Yi1，預(yù)測值為Yi2，總的實(shí)驗(yàn)數(shù)目為n，則：

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

表2 不同時(shí)間限制下的評估準(zhǔn)確率Tab. 2 Evaluation accuracy under different time constraints

根據(jù)實(shí)驗(yàn)，得到結(jié)果：利用該方法進(jìn)行信譽(yù)度評估時(shí)，評估正確的總體百分比達(dá)到90%以上。本節(jié)從數(shù)據(jù)集中隨機(jī)抽取10位參與者提交的數(shù)據(jù)，設(shè)定任務(wù)提交時(shí)間限制為30 min，則根據(jù)信譽(yù)評估的回歸方程(1)，綜合響應(yīng)時(shí)間、距離、歷史信譽(yù)度、相關(guān)性和數(shù)據(jù)質(zhì)量對他們的信譽(yù)度進(jìn)行了評估，得出的結(jié)果如表3所示。

表3 信譽(yù)度評估結(jié)果Tab. 3 Results of reputation evaluation

4.2 實(shí)驗(yàn)驗(yàn)證

本節(jié)從參與者信譽(yù)度分布和評估準(zhǔn)確率兩個(gè)方面來驗(yàn)證PRES性能，并與CSII方法進(jìn)行比較。為了保證實(shí)驗(yàn)結(jié)果的真實(shí)性，本實(shí)驗(yàn)隨機(jī)抽取Dartmouth College Wi-Fi campus trace數(shù)據(jù)集中的數(shù)據(jù)。

4.2.1 參與者信譽(yù)分布

PRES假設(shè)信譽(yù)度大于0.5即為該參與者的信譽(yù)較高，可作為感知網(wǎng)絡(luò)的待選參與者。參與者信譽(yù)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(yù)度集中在[0.4, 0.6]區(qū)間內(nèi)，參與者信譽(yù)度無明顯差異，則感知網(wǎng)絡(luò)很難選擇合適的參與者。若評估出的參與者信譽(yù)度集中于[0.0, 0.3]和[0.7, 1.0]時(shí)，參與者的信譽(yù)度差異非常明顯，感知網(wǎng)絡(luò)可以很方便地選擇較為合適的參與者。

圖2 參與者信譽(yù)度分布區(qū)間 Fig. 2 Interval of participant’s reputation distribution

CSII系統(tǒng)根據(jù)參與者歷史收集數(shù)據(jù)的質(zhì)量來計(jì)算參與者信譽(yù)，同時(shí)也考慮了時(shí)間因子、地點(diǎn)因子和相關(guān)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(shù)據(jù)質(zhì)量等因素都由具體數(shù)值表示，PRES和CSII關(guān)于參與者信譽(yù)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(yù)度集中分布在[0.0,0.2]和[0.8,1.0]區(qū)間內(nèi)。而CSII評估出的參與者信譽(yù)度集中分布在[0.4,0.6]區(qū)間內(nèi)，使群智感知系統(tǒng)難以選擇合適的參與者。CSII模型利用模糊化的方法，將各個(gè)影響因素劃分為L、M、H 3個(gè)等級，再根據(jù)這些影響因素的不同等級組合，映射出數(shù)據(jù)質(zhì)量的等級，而在這個(gè)映射過程中，40.1%的組合都映射為M等級(即信譽(yù)度為0.5)，所以導(dǎo)致該系統(tǒng)的信譽(yù)度分布集中在[0.4,0.6]區(qū)間，數(shù)據(jù)質(zhì)量不易判斷。

4.2.2 評估準(zhǔn)確率

評估準(zhǔn)確率是衡量信譽(yù)評估方法的最重要因素之一，評估的準(zhǔn)確率高就可以保證數(shù)據(jù)質(zhì)量。對于已存在歷史信譽(yù)度的參與者，影響其本次信譽(yù)度的因素包括響應(yīng)時(shí)間、距離、歷史信譽(yù)度、數(shù)據(jù)相關(guān)性和數(shù)據(jù)質(zhì)量。在任務(wù)請求者設(shè)定的不同限制時(shí)間下，PRES和CSII對用戶信譽(yù)度評估的準(zhǔn)確性比較如圖3所示。假設(shè)參與者信譽(yù)度大于0.5表示可信任，從圖3可以得知：在不同的時(shí)間限制下，PRES對信譽(yù)度評估的準(zhǔn)確性均大于90%，而CSII不能適應(yīng)可變的時(shí)間限制，準(zhǔn)確率明顯低于PRES。

圖3 評估準(zhǔn)確率 Fig. 3 Accuracy of evaluation

4.2.3 復(fù)雜度分析

設(shè)已在系統(tǒng)中注冊的參與者人數(shù)為n，SP接收到參與者提交的數(shù)據(jù)為m份，則SP逐一對參與者進(jìn)行信譽(yù)評估，這一過程需要在系統(tǒng)中查找該參與者的歷史信譽(yù)度，若使用二分查找方法，則時(shí)間復(fù)雜度為O(logn)，再將該參與者提交數(shù)據(jù)的響應(yīng)時(shí)間、距離、歷史信譽(yù)度、數(shù)據(jù)相關(guān)性和數(shù)據(jù)質(zhì)量輸入系統(tǒng)，系統(tǒng)則根據(jù)對應(yīng)的信譽(yù)評估方程，計(jì)算出參與者本次提交數(shù)據(jù)后的信譽(yù)度。該算法的復(fù)雜度為O(nlogn)。

5 結(jié)語

針對群智感知網(wǎng)絡(luò)中數(shù)據(jù)質(zhì)量難以保證、參與者信譽(yù)度評估不準(zhǔn)確的問題，本文提出了參與者信譽(yù)評估方法PRES，綜合考慮響應(yīng)時(shí)間、距離、歷史信譽(yù)度、數(shù)據(jù)相關(guān)性和數(shù)據(jù)質(zhì)量五個(gè)方面的因素，利用邏輯回歸模型計(jì)算出每一個(gè)因素對用戶信譽(yù)度的影響程度，得出信譽(yù)評估方程。分析表明，PRES能夠降低群智感知網(wǎng)絡(luò)選擇合適的參與者的難度，也能較為準(zhǔn)確地對參與者本次提交數(shù)據(jù)后的信譽(yù)度進(jìn)行計(jì)算。接下來將對信譽(yù)評估的回歸方程進(jìn)一步研究和改進(jìn)，使其適應(yīng)于更多的環(huán)境。

參考文獻(xiàn)(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(jī)制研究綜述[J].軟件學(xué)報(bào),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(tài)激勵模型[J].計(jì)算機(jī)學(xué)報(bào),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(xí)寧,等. 面向服務(wù)移動社交網(wǎng)絡(luò)中基于信任的分布式服務(wù)組合方法[J].電子學(xué)報(bào),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(wù)參與者優(yōu)選方法研究[J].計(jì)算機(jī)學(xué)報(bào),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.