移動(dòng)群智感知中面向任務(wù)需求的用戶選擇激勵(lì)機(jī)制

陳秀華 劉慧 熊金波 馬蓉

摘 要：有的移動(dòng)群智感知激勵(lì)機(jī)制大多以平臺(tái)為中心或是以用戶為中心進(jìn)行設(shè)計(jì)，缺乏對(duì)感知任務(wù)需求的多維考慮，從而無(wú)法切實(shí)地以任務(wù)為中心進(jìn)行用戶選擇，導(dǎo)致無(wú)法滿足任務(wù)需求的最大化和多樣化。針對(duì)上述問(wèn)題，提出一種面向任務(wù)需求的用戶選擇激勵(lì)機(jī)制TRIM，這是一種以任務(wù)為中心的設(shè)計(jì)方法。首先，感知平臺(tái)根據(jù)任務(wù)需求發(fā)布感知任務(wù)，并從任務(wù)類(lèi)型、時(shí)空特性以及感知報(bào)酬等多維度構(gòu)建任務(wù)向量以最大化滿足任務(wù)需求，而感知用戶則基于意愿偏好、個(gè)人貢獻(xiàn)值以及期望報(bào)酬等屬性構(gòu)建用戶向量，實(shí)現(xiàn)個(gè)性化選擇感知任務(wù)參與響應(yīng);然后，通過(guò)引入高效且隱私保護(hù)的余弦相似度計(jì)算協(xié)議（PCSC），計(jì)算任務(wù)和用戶的相似度并根據(jù)相似度高低進(jìn)行用戶匹配篩選得到目標(biāo)用戶集，更好地滿足感知任務(wù)需求的同時(shí)保護(hù)用戶隱私不泄露;最后，通過(guò)仿真實(shí)驗(yàn)表明，在感知任務(wù)和感知用戶的匹配過(guò)程中，與采用Paillier加密協(xié)議的激勵(lì)機(jī)制相比，TRIM縮短了指數(shù)級(jí)增量的計(jì)算時(shí)間開(kāi)銷(xiāo)，提高了計(jì)算效率;與采用直接余弦相似度計(jì)算協(xié)議的激勵(lì)機(jī)制相比，TRIM保證了感知用戶的隱私安全，達(dá)到了98%的匹配精確度。

關(guān)鍵詞：移動(dòng)群智感知;任務(wù)需求;余弦相似度;用戶選擇;激勵(lì)機(jī)制

中圖分類(lèi)號(hào)：?TP309

文獻(xiàn)標(biāo)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(dòng)群智感知服務(wù)將普通用戶的移動(dòng)終端（手機(jī)、平板電腦、智能可穿戴設(shè)備等）作為基本感知單元，通過(guò)移動(dòng)互聯(lián)網(wǎng)有意識(shí)或無(wú)意識(shí)的協(xié)作，實(shí)現(xiàn)感知任務(wù)的分配與感知數(shù)據(jù)的收集[1]，然后經(jīng)由云端對(duì)感知數(shù)據(jù)的提取和分析，最終廣泛服務(wù)于各大應(yīng)用領(lǐng)域，如環(huán)境監(jiān)測(cè)[2-3]、智能交通[4-5]、移動(dòng)社交[6-7]、公共服務(wù)[8-9]、智能醫(yī)療等。然而，移動(dòng)群智感知應(yīng)用的實(shí)現(xiàn)依賴于廣大感知用戶的積極參與，而用戶在參與感知任務(wù)過(guò)程中會(huì)消耗大量移動(dòng)設(shè)備的電池電量、數(shù)據(jù)流量等資源，且存在數(shù)據(jù)傳輸成本增加的問(wèn)題[10]和個(gè)人隱私信息泄露的風(fēng)險(xiǎn)[11-12]，因此用戶往往不愿意無(wú)償參與感知任務(wù)。為了激勵(lì)感知用戶積極參與任務(wù)并長(zhǎng)期提供高質(zhì)量的感知數(shù)據(jù)，需要設(shè)計(jì)合理的激勵(lì)機(jī)制對(duì)感知用戶的消耗代價(jià)進(jìn)行補(bǔ)償[13-14]。

在移動(dòng)群智感知系統(tǒng)中，感知任務(wù)具有類(lèi)型多、范圍廣、數(shù)量大等基本特性。面向不同的任務(wù)需求，任務(wù)發(fā)布者主要選擇能夠滿足任務(wù)要求的移動(dòng)終端作為執(zhí)行者完成感知任務(wù)。因此，移動(dòng)群智感知系統(tǒng)的工作核心在于用戶激勵(lì)機(jī)制的設(shè)計(jì)。目前，針對(duì)不同的研究?jī)?nèi)容和關(guān)注重點(diǎn)，用戶激勵(lì)機(jī)制大多以用戶為中心或以平臺(tái)為中心進(jìn)行設(shè)計(jì)。以用戶為中心的激勵(lì)機(jī)制主要研究如何確定贏標(biāo)集以及考慮用戶特征和數(shù)據(jù)質(zhì)量等問(wèn)題。Sun等[15]提出了一種基于用戶行為的激勵(lì)機(jī)制，將用戶行為能力進(jìn)行形式化定義并作為衡量用戶的指標(biāo)，具有高行為能力的用戶往往會(huì)提供更高的數(shù)據(jù)質(zhì)量，因而在用戶選擇中，該用戶將優(yōu)先被選中參與感知任務(wù)并獲得報(bào)酬獎(jiǎng)勵(lì)。

Feng等[16]基于逆向競(jìng)拍框架設(shè)計(jì)激勵(lì)機(jī)制，考慮任務(wù)與位置的相關(guān)性進(jìn)行用戶選擇，用戶根據(jù)自身所在位置響應(yīng)感知任務(wù)并上報(bào)競(jìng)價(jià)，感知平臺(tái)通過(guò)贏標(biāo)價(jià)決策算法決定贏標(biāo)價(jià)以最小化預(yù)算成本。該機(jī)制的設(shè)計(jì)主要考慮用戶和任務(wù)的位置關(guān)聯(lián)，未考慮惡意用戶故意上報(bào)錯(cuò)誤位置信息的情形。

Xiao等[17]提出了一種離線任務(wù)分配算法，用戶響應(yīng)任務(wù)并等待感知平臺(tái)招募，而感知平臺(tái)以最小化平均完工時(shí)間為目的，優(yōu)先選擇花費(fèi)時(shí)間較少的用戶參與任務(wù)，該機(jī)制主要考慮用戶的感知時(shí)間對(duì)任務(wù)完成周期的影響。

以平臺(tái)為中心的激勵(lì)機(jī)制則側(cè)重于研究平臺(tái)預(yù)算成本最小化以及平臺(tái)效用最大化等問(wèn)題。Koutsopoulos等[18]考慮平臺(tái)的預(yù)算條件約束，以最小化平臺(tái)預(yù)算成本為目的，基于逆向競(jìng)拍模型設(shè)計(jì)激勵(lì)機(jī)制，該機(jī)制結(jié)合用戶貢獻(xiàn)的數(shù)據(jù)量以及數(shù)據(jù)質(zhì)量進(jìn)行用戶選擇與報(bào)酬支付。Yang等[19]針對(duì)以平臺(tái)為中心的激勵(lì)模型采用SG （Stackelberg Game）來(lái)最大化平臺(tái)效用。首先，平臺(tái)作為帶頭人公布支付報(bào)酬;然后，用戶作為跟隨者調(diào)整自己的感知時(shí)間來(lái)最大化個(gè)人收益。Luo等[20]為鼓勵(lì)用戶積極參與感知任務(wù)并達(dá)到服務(wù)器平臺(tái)利益最大化的目的，提出一種全付拍賣(mài)的方式來(lái)激勵(lì)用戶參與，全付拍賣(mài)只對(duì)參與任務(wù) 中貢獻(xiàn)最大的用戶進(jìn)行報(bào)酬支付，并且支付給用戶的報(bào)酬不是一個(gè)固定的值，而是關(guān)于所有感知用戶最大貢獻(xiàn)的函數(shù)。因此，被平臺(tái)選中的用戶將獲得較大的報(bào)酬金額，從而實(shí)現(xiàn)用戶參與度的提高和平臺(tái)效用的最大化。

所述激勵(lì)機(jī)制主要以用戶或平臺(tái)為中心進(jìn)行設(shè)計(jì)，雖然在一定的使用場(chǎng)景下均能產(chǎn)生相應(yīng)的激勵(lì)效果，但是缺乏對(duì)面向多維任務(wù)需求的用戶選擇方式的考慮，從而無(wú)法滿足任務(wù)需求的最大化和多樣化。針對(duì)不同的感知任務(wù)類(lèi)型，不同的感知用戶利用不同的感知設(shè)備進(jìn)行感知，他們提交的感知數(shù)據(jù)質(zhì)量也不盡相同。因此，如何構(gòu)建一種有效的面向任務(wù)需求的激勵(lì)機(jī)制，以任務(wù)為中心選擇合適的用戶參與任務(wù)感知以及最大化滿足任務(wù)需求等問(wèn)題有著重要的研究意義。針對(duì)以任務(wù)為中心的用戶選擇問(wèn)題，本文提出一種面向任務(wù)需求的用戶選擇激勵(lì)機(jī)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(wù)的類(lèi)型和報(bào)酬、用戶和任務(wù)的時(shí)空關(guān)聯(lián)以及任務(wù)的需求值和用戶的質(zhì)量貢獻(xiàn)值，多維度考慮任務(wù)需求和用戶特性并分別形式化構(gòu)建任務(wù)向量和用戶向量。感知平臺(tái)以最大化滿足任務(wù)需求為目的發(fā)布感知任務(wù)，而用戶則根據(jù)意愿偏好和自身能力條件個(gè)性化選擇任務(wù)參與響應(yīng)。

2）安全且高效的任務(wù)與用戶匹配：以任務(wù)為中心并通過(guò)高效且隱私保護(hù)的余弦相似度計(jì)算（Privacy-preserving Cosine Similarity Computation， PCSC）協(xié)議計(jì)算任務(wù)和用戶的相似度，篩選和任務(wù)最具匹配的目標(biāo)用戶集，從而實(shí)現(xiàn)面向任務(wù)需求的用戶選擇。

3）仿真實(shí)驗(yàn)表明，TRIM激勵(lì)機(jī)制在任務(wù)和用戶匹配過(guò)程中具有可行性和高效性，同時(shí)保證了用戶的隱私安全，從而激勵(lì)更多的感知用戶積極參與感知任務(wù)。

1 系統(tǒng)模型和問(wèn)題描述

1.1 系統(tǒng)模型

移動(dòng)群智感知系統(tǒng)包括參與最終數(shù)據(jù)交易的服務(wù)提供商、感知平臺(tái)以及大量參與感知任務(wù)的感知用戶，如圖1所示。

服務(wù)提供商根據(jù)感知用戶的不同服務(wù)請(qǐng)求向感知平臺(tái)購(gòu)買(mǎi)感知數(shù)據(jù)，感知平臺(tái)則基于不同的任務(wù)需求向攜帶移動(dòng)智能終端的感知用戶發(fā)布感知任務(wù)，而感知用戶可選擇性地參與任務(wù)響應(yīng)。感知平臺(tái)通過(guò)計(jì)算任務(wù)和用戶的相似度實(shí)現(xiàn)目標(biāo)用戶集選擇，并收集感知用戶上傳的感知數(shù)據(jù)從而進(jìn)行與服務(wù)提供商的數(shù)據(jù)買(mǎi)賣(mài)交易。感知平臺(tái)根據(jù)數(shù)據(jù)買(mǎi)賣(mài)的交易金額對(duì)參與任務(wù)的目標(biāo)用戶進(jìn)行報(bào)酬支付以激勵(lì)感知用戶積極參與下一次的感知任務(wù)。

1）服務(wù)提供商。對(duì)感知數(shù)據(jù)感興趣或者有一定需求的組織或個(gè)人，并根據(jù)不同的應(yīng)用需求向感知平臺(tái)購(gòu)買(mǎi)感知數(shù)據(jù)。服務(wù)提供商希望以合理的價(jià)格購(gòu)買(mǎi)質(zhì)量可靠的感知數(shù)據(jù)，并將獲得的感知數(shù)據(jù)應(yīng)用于數(shù)據(jù)分析、機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘等領(lǐng)域，為用戶提供各種類(lèi)型的應(yīng)用服務(wù)，以最大化滿足用戶的應(yīng)用需求。

2）感知平臺(tái)。感知平臺(tái)根據(jù)不同的任務(wù)需求向感知用戶發(fā)布感知任務(wù)，任務(wù)需求包含任務(wù)的時(shí)間、地點(diǎn)以及愿意為獲得感知數(shù)據(jù)所提供的支付報(bào)酬等信息，感知平臺(tái)與參與任務(wù)響應(yīng)的感知用戶進(jìn)行任務(wù)和用戶的相似度計(jì)算從而選擇合適的目標(biāo)用戶集。感知平臺(tái)收集廣大目標(biāo)用戶上傳的感知數(shù)據(jù)，與服務(wù)提供商進(jìn)行數(shù)據(jù)交易并獲得相應(yīng)質(zhì)量的報(bào)酬。

3）感知用戶。感知用戶是使用手機(jī)、平板電腦、智能可穿戴設(shè)備以及高端感知設(shè)備等移動(dòng)智能終端的普通用戶，通過(guò)無(wú)線/有線網(wǎng)絡(luò)與感知平臺(tái)進(jìn)行交互。用戶可以根據(jù)個(gè)人意愿偏好和自身能力條件，個(gè)性化選擇感興趣的任務(wù)進(jìn)行響應(yīng)。和任務(wù)相匹配的感知用戶執(zhí)行感知任務(wù)，向感知平臺(tái)上傳感知數(shù)據(jù)并獲得相應(yīng)的報(bào)酬獎(jiǎng)勵(lì)。

1.2 問(wèn)題描述

1.2.1? 任務(wù)需求

不同的感知應(yīng)用需求的感知數(shù)據(jù)不同，感知平臺(tái)基于感知應(yīng)用的多樣性，發(fā)布不同類(lèi)型的感知任務(wù)，意味著不同的任務(wù)需求。只有從任務(wù)需求的角度發(fā)布不同的感知任務(wù)，從而尋求和感知任務(wù)最具匹配的感知用戶參與感知任務(wù)，才能最大限度上保證任務(wù)的完成率和感知數(shù)據(jù)的可用性，使得資源利用最大化。本文以感知任務(wù)為中心描述任務(wù)屬性，不同的任務(wù)需求可形式化描述為一個(gè)任務(wù)五元組以進(jìn)行感知任務(wù)的發(fā)布，同時(shí)構(gòu)建以任務(wù)屬性值為元素的任務(wù)向量。感知用戶可根據(jù)個(gè)人意愿偏好和自身能力條件自主選擇感興趣的任務(wù)參與響應(yīng)。本文同樣對(duì)用戶屬性進(jìn)行形式化描述，參與任務(wù)響應(yīng)的用戶以五元組形式進(jìn)行標(biāo)識(shí)，同時(shí)構(gòu)建以用戶屬性值為元素的用戶向量。面向不同的任務(wù)需求，本文通過(guò)計(jì)算任務(wù)和用戶之間的余弦相似度來(lái)實(shí)現(xiàn)任務(wù)和用戶的匹配。

1.2.2? 隱私保護(hù)

本文將任務(wù)向量和用戶向量二者之間的余弦相似度計(jì)算結(jié)果作為目標(biāo)用戶選擇的指標(biāo)，感知平臺(tái)通過(guò)比較相似度閾值與任務(wù)和用戶的相似度大小進(jìn)行目標(biāo)用戶選擇。參與任務(wù)響應(yīng)的感知用戶不希望自身的屬性信息被公開(kāi)，而用戶向量包含了用戶的屬性信息，直接的余弦相似度計(jì)算可能導(dǎo)致用戶隱私泄露的問(wèn)題。為了保護(hù)感知用戶的個(gè)人隱私，本文采用PCSC計(jì)算任務(wù)和用戶之間的相似度，從而匹配和任務(wù)相似度高的用戶作為目標(biāo)用戶。本文提出的TRIM激勵(lì)機(jī)制不僅實(shí)現(xiàn)任務(wù)和用戶之間有效的相似度匹配，同時(shí)保證了用戶屬性信息的隱私安全，從而激勵(lì)更多的感知用戶積極參與感知任務(wù)。

2 面向任務(wù)需求的用戶選擇激勵(lì)機(jī)制

面向不同的感知任務(wù)需求，感知平臺(tái)以任務(wù)為中心匹配最大化滿足任務(wù)需求的用戶參與感知任務(wù)，而感知用戶根據(jù)自身興趣自主選擇性地參與任務(wù)響應(yīng)。本文通過(guò)形式化描述任務(wù)向量和用戶向量，并結(jié)合PCSC進(jìn)行任務(wù)和用戶的匹配分析，從而構(gòu)建一種面向任務(wù)需求的用戶選擇激勵(lì)機(jī)制TRIM。

2.1 屬性描述

2.1.1? 時(shí)空感知任務(wù)

每一個(gè)時(shí)空感知任務(wù) t i可表示為一個(gè)五元組〈type， t i.bt， t i.et，prew，r〉，其中type表示任務(wù)類(lèi)型，本文根據(jù)感知任務(wù)的語(yǔ)義要求將任務(wù)類(lèi)型以樹(shù)的形式進(jìn)行表示。為了形式化描述一個(gè)任務(wù)類(lèi)型，本文采取格雷編碼對(duì)不同語(yǔ)義要求的組合結(jié)果進(jìn)行編碼，根據(jù)每個(gè)父類(lèi)節(jié)點(diǎn)屬性先前設(shè)定的子類(lèi)節(jié)點(diǎn)屬性取值數(shù)N，確定編碼的位數(shù)n以包含其子類(lèi)屬性所有取值個(gè)數(shù)，然后依次串聯(lián)從父節(jié)點(diǎn)遍歷到子節(jié)點(diǎn)的一組取值編碼，該編碼串則為帶有語(yǔ)義要求的任務(wù)類(lèi)型的形式化表示。假設(shè)所有的任務(wù)可根據(jù)任務(wù)類(lèi)型{環(huán)境E，交通T，醫(yī)療H，社交S，公共P}進(jìn)行劃分，進(jìn)一步地，針對(duì)任務(wù)類(lèi)型，本文根據(jù)時(shí)空感知任務(wù)對(duì)感知數(shù)據(jù)精度的要求進(jìn)行條件約束。本文以環(huán)境類(lèi)型的時(shí)空感知任務(wù)為例，根據(jù)任務(wù)類(lèi)型的語(yǔ)義要求畫(huà)出任務(wù)類(lèi)型樹(shù)，如圖2所示。

假設(shè)一個(gè)環(huán)境類(lèi)型的時(shí)空感知任務(wù)，可以具體劃分為{空氣00，水質(zhì)01，土壤11，噪聲10}四個(gè)子類(lèi)型。根據(jù)感知任務(wù)對(duì)數(shù)據(jù)精度的要求，可將采集數(shù)據(jù)的感知設(shè)備具體劃分為{低端設(shè)備00，中端設(shè)備10，高端設(shè)備11}三個(gè)子類(lèi)型，相應(yīng)的設(shè)備等級(jí)與其采集的感知數(shù)據(jù)精度等級(jí)幾近匹配，如低端設(shè)備采集的數(shù)據(jù)主要為低精度數(shù)據(jù)，高端設(shè)備采集的數(shù)據(jù)主要為高精度數(shù)據(jù)。一個(gè)環(huán)境類(lèi)型的所有感知任務(wù)可以用矩陣 E 進(jìn)行描述：

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

其中：E0011可表示為該時(shí)空感知任務(wù) t i屬于環(huán)境類(lèi)型任務(wù)，需要收集空氣測(cè)量方面的高精度數(shù)據(jù)，即任務(wù)類(lèi)型type可表示為E0011，其他類(lèi)型的時(shí)空感知任務(wù)則以此類(lèi)推; t i.bt和 t i.et分別表示為時(shí)空感知任務(wù) t i的開(kāi)始時(shí)間和截止時(shí)間;prew為感知平臺(tái)所提供的任務(wù)總報(bào)酬;r表示為任務(wù)需求值。感知平臺(tái)希望獲得的感知數(shù)據(jù)滿足一定的質(zhì)量要求，任務(wù)需求值則反映感知平臺(tái)所期望的感知數(shù)據(jù)的質(zhì)量水平均值。

2.1.2? 感知用戶

每一個(gè)感知用戶 u i可以表示為一個(gè)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(jù)任務(wù)類(lèi)型的形式化描述，感知用戶可根據(jù)任務(wù)類(lèi)型樹(shù)以及自身所具備的能力條件選擇意愿偏好值。假設(shè)感知用戶 u i對(duì)環(huán)境類(lèi)型的任務(wù)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(wù)開(kāi)始時(shí)間和最晚結(jié)束時(shí)間，rrew則為感知用戶完成相應(yīng)任務(wù)所期望獲得的報(bào)酬，c表示為感知用戶的質(zhì)量貢獻(xiàn)值。感知用戶 u i的質(zhì)量貢獻(xiàn)值c取決于以下三個(gè)主要因素：

1）感知用戶 u i的信譽(yù)度rep。信譽(yù)度rep可以衡量將一個(gè)感知任務(wù)分配給一個(gè)感知用戶以后，感知用戶 u i執(zhí)行該任務(wù)并成功提交結(jié)果的可能性。一個(gè)信譽(yù)度高的感知用戶提供滿足任務(wù)要求的數(shù)據(jù)結(jié)果的概率通常會(huì)高于信譽(yù)度低的感知用戶。感知用戶完成任務(wù)并成功提交結(jié)果后，感知平臺(tái)根據(jù)用戶提交的數(shù)據(jù)進(jìn)行滿意度評(píng)分，評(píng)分取值范圍為[1，5]，信譽(yù)度rep的具體數(shù)值可以根據(jù)感知用戶 u i的歷史評(píng)分s進(jìn)行計(jì)算。本文采用極差標(biāo)準(zhǔn)化的方式根據(jù)感知用戶的歷史評(píng)分計(jì)算用戶的信譽(yù)度，計(jì)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(wù)的總數(shù)量;s（i）為感知用戶完成任務(wù) t i所獲得的評(píng)分;min（i）和max（i）分別表示感知平臺(tái)對(duì)完成感知任務(wù) t i的所有感知用戶所給評(píng)分的最小值和最大值。假設(shè)感知用戶 u i有兩個(gè)已完成的感知任務(wù) t 1和 t 2，對(duì)于任務(wù) t 1和 t 2，感知平臺(tái)給出的最大評(píng)分和最小評(píng)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(wù)評(píng)分分別為s（1）=4，s（2）=3，則根據(jù)式（1）計(jì)算可得到感知用戶 u i的信譽(yù)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(wù)之間距離的遠(yuǎn)近程度。感知用戶距離感知任務(wù)位置越近，感知用戶花費(fèi)在交通行程上的消耗則越少。感知平臺(tái)希望選擇距離感知任務(wù)位置較近的感知用戶參與任務(wù)從而減少任務(wù)的預(yù)算開(kāi)銷(xiāo)，同樣對(duì)于感知用戶而言，感知用戶通常會(huì)更傾向于選擇距離自身位置較近的感知任務(wù)。感知用戶的距離匹配值可根據(jù)式（2）[21]計(jì)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(dāng)前位置lui到感知任務(wù)位置lti的歐氏距離;D為感知平臺(tái)設(shè)定的感知任務(wù)區(qū)域半徑，感知平臺(tái)希望在任務(wù)區(qū)域范圍內(nèi)的感知用戶積極參與任務(wù)。ω（lui，lti）∈[0，1]，若感知用戶距離感知任務(wù)位置越近，ω（lui，lti）越接近于1;相反，距離感知任務(wù)位置越遠(yuǎn)或超出了任務(wù)區(qū)域半徑，則ω（lui，lti）越接近于0。

3）感知用戶 u i的時(shí)間差值θ。用戶時(shí)間差值可以衡量感知用戶和感知任務(wù)之間的時(shí)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(shí)間差值計(jì)算函數(shù)，計(jì)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(kāi)始時(shí)間 u i.bt和感知任務(wù)的開(kāi)始時(shí)間 t i.bt的時(shí)間差異程度; f（ u i.et， t i.et）表示感知用戶 u i的最晚結(jié)束時(shí)間 u i.et和感知任務(wù)的截止時(shí)間 t i.et的時(shí)間差異程度。本文采用文獻(xiàn)[22]中數(shù)值型屬性的取值方式計(jì)算開(kāi)始時(shí)間的差異程度f(wàn)（ u i.bt， t i.bt）：首先，將感知任務(wù)的開(kāi)始時(shí)間 t i.bt和各個(gè)感知用戶的開(kāi)始時(shí)間 u i.bt轉(zhuǎn)換為時(shí)間戳;然后計(jì)算感知任務(wù)和不同感知用戶之間開(kāi)始時(shí)間的絕對(duì)差值‖d‖= | ?t i.bt- u i.bt | ，感知任務(wù)和不同感知用戶之間開(kāi)始時(shí)間的絕對(duì)差值的最小和最大差距為[λ1，λz]，將這個(gè)區(qū)間平均劃分為z-1個(gè)等距的小區(qū)間{[λ1，λ2]，[λ2，λ3]，…，[λz-1，λz];λ∈[0，+∞]}，當(dāng)感知用戶和感知任務(wù)之間開(kāi)始時(shí)間的絕對(duì)差值落在其中的某個(gè)小區(qū)間，對(duì)每個(gè)小區(qū)間依次給定差異程度值{0，1，…，z-1，z};最后，根據(jù)不同區(qū)間得到感知用戶和感知任務(wù)開(kāi)始時(shí)間的差異程度值。同理，采取相同的計(jì)算方式可以得到感知用戶和感知任務(wù)截止時(shí)間的差異程度f(wàn)（ u i.et， t i.et），從而根據(jù)式（3）計(jì)算得到感知用戶的時(shí)間差值θ。

本文采用c=f（rep，ω（lui，lti），θ）表示質(zhì)量貢獻(xiàn)值計(jì)算函數(shù)，計(jì)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(gè)隨機(jī)因子，且α+β=1。

2.2 任務(wù)和用戶的匹配分析

從感知任務(wù)需求角度出發(fā)，判斷感知用戶是否適合完成某項(xiàng)感知任務(wù)取決于任務(wù)和用戶之間的相似度大小。任務(wù)和用戶之間的相似度越大，表示任務(wù)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(xiàng)感知任務(wù)。因此，本文采用余弦相似度的方法計(jì)算任務(wù)和用戶之間的相似度，感知平臺(tái)以感知任務(wù)為中心，基于任務(wù)的需求篩選與任務(wù)相似度高的感知用戶，這些感知用戶將作為目標(biāo)用戶參與本次的感知任務(wù)。

感知任務(wù)與感知用戶之間的相似度計(jì)算過(guò)程如下：

步驟1

任務(wù)向量的構(gòu)建。一個(gè)時(shí)空感知任務(wù) t i可表示為一個(gè)五元組〈type， t i.bt， t i.et，prew，r〉。為了簡(jiǎn)化計(jì)算，本文以格雷編碼的形式表示任務(wù)類(lèi)型type，并設(shè)定任務(wù)類(lèi)型type的基準(zhǔn)值為1;將開(kāi)始時(shí)間 t i.bt和截止時(shí)間 t i.et分別格式化轉(zhuǎn)換為時(shí)間戳，同時(shí)設(shè)置開(kāi)始時(shí)間和截止時(shí)間的基準(zhǔn)值為2。感知平臺(tái)為每一個(gè)時(shí)空感知任務(wù)提供任務(wù)報(bào)酬prew，在任務(wù)完成人數(shù)NUM的限制下，一個(gè)時(shí)空任務(wù) 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(tái)提供的任務(wù)報(bào)酬prew與任務(wù)完成人數(shù)NUM的比值，即感知任務(wù) t i的平均報(bào)酬;r為感知平臺(tái)設(shè)定的任務(wù)需求值。

步驟2

用戶向量的構(gòu)建。感知用戶 u i同樣可表示為一個(gè)五元組〈pre， u i.bt， u i.et，rrew，c〉。意愿偏好pre與時(shí)空感知任務(wù) t i的任務(wù)類(lèi)型的取值范圍一致。感知用戶 u i可根據(jù)個(gè)人興趣愛(ài)好和能力條件，選擇其中一個(gè)帶有格雷編碼表示的任務(wù)類(lèi)型作為意愿偏好，計(jì)算時(shí)空感知任務(wù) t i的任務(wù)類(lèi)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(kāi)始時(shí)間 u i.bt和最晚結(jié)束時(shí)間 u i.et分別轉(zhuǎn)換格式為時(shí)間戳，根據(jù)2.1.2 節(jié)中時(shí)間差異程度的計(jì)算方法，得到感知用戶開(kāi)始時(shí)間和感知任務(wù)開(kāi)始時(shí)間的差異程度f(wàn)（ u i.bt， t i.bt）以及感知用戶最晚結(jié)束時(shí)間和感知任務(wù)截止時(shí)間的差異程度f(wàn)（ u i.et， t i.et）。在設(shè)置感知任務(wù)開(kāi)始時(shí)間和截止時(shí)間的基準(zhǔn)值的基礎(chǔ)上，感知用戶開(kāi)始時(shí)間 u i.bt的屬性值可表示為f（ u i.bt， t i.bt）+2，最晚結(jié)束時(shí)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(yīng)感知任務(wù)所期望獲得的報(bào)酬，感知用戶的質(zhì)量貢獻(xiàn)值c可根據(jù)質(zhì)量貢獻(xiàn)值函數(shù)c=f（rep，ω（lui，lti），θ）計(jì)算得到。

步驟3

任務(wù)與用戶的相似度計(jì)算。本文采用余弦相似度計(jì)算方法得到任務(wù)和用戶的相似度，其計(jì)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(guān)屬性信息，直接地計(jì)算任務(wù)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(wèn)題。為了實(shí)現(xiàn)隱私保護(hù)余弦相似度計(jì)算，本文引入文獻(xiàn)[23]中提出的PCSC。PCSC的關(guān)鍵在于如何以隱私保護(hù)的方式計(jì)算 t i· u i，詳細(xì)描述如圖3所示。

本文通過(guò)PCSC進(jìn)行任務(wù)和用戶的相似度計(jì)算，并將計(jì)算結(jié)果cos（ t i， u i）表示為sim u i以得到感知任務(wù)和各個(gè)感知用戶之間的相似度集合 Sim={simu1，simu2，…，sim u i}。感知平臺(tái)設(shè)置相似度閾值δ作為相似度高低的評(píng)定標(biāo)準(zhǔn)，感知平臺(tái)根據(jù)δ進(jìn)行用戶篩選。若感知用戶 u i和感知任務(wù) t i的相似度sim u i≥δ，則感知用戶 u i將加入目標(biāo)用戶集W，參與本次的感知任務(wù)。

2.3 面向任務(wù)需求的用戶選擇激勵(lì)機(jī)制

根據(jù)上述的分析，本文提出的面向任務(wù)需求的用戶選擇激勵(lì)機(jī)制TRIM流程如圖4所示，具體設(shè)計(jì)步驟如下所示：

1）感知平臺(tái)根據(jù)任務(wù)需求向感知用戶發(fā)布感知任務(wù)，并構(gòu)建任務(wù)向量 t i。

2）感知用戶根據(jù)個(gè)人意愿偏好和自身能力條件選擇性地參與任務(wù)響應(yīng)，并構(gòu)建用戶向量 u i。

3）感知平臺(tái)采用PCSC計(jì)算感知任務(wù)和各個(gè)感知用戶的相似度sim u i，并實(shí)現(xiàn)任務(wù)和用戶匹配過(guò)程中感知用戶的隱私保護(hù)。

4）基于各感知用戶與感知任務(wù)的相似度sim u i和相似度閾值δ，感知平臺(tái)進(jìn)行用戶篩選得到目標(biāo)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(wù)。

針對(duì)不同的任務(wù)需求，本文通過(guò)編碼以及函數(shù)計(jì)算將帶有不同語(yǔ)義的任務(wù)需求進(jìn)行形式化表示。接受任務(wù)消息的感知用戶根據(jù)個(gè)人意愿和自身能力條件進(jìn)行個(gè)性化選擇，選擇合適的任務(wù)參與響應(yīng)，而感知平臺(tái)利用隱私保護(hù)余弦相似度協(xié)議計(jì)算任務(wù)和用戶間的相似度，實(shí)現(xiàn)用戶和任務(wù)的雙向匹?配。感知平臺(tái)在相似度閾值約束下選擇和任務(wù)有高相似度的用戶構(gòu)成目標(biāo)用戶集以參與最終的感知任務(wù)，因此本文所提的TRIM激勵(lì)機(jī)制既滿足了感知任務(wù)的不同需求，又保證了感知用戶的屬性隱私安全。

3 性能評(píng)估

在感知任務(wù)和感知用戶的匹配過(guò)程中，本文所提的TRIM激勵(lì)機(jī)制采用隱私保護(hù)余弦相似度計(jì)算協(xié)議PCSC[23]進(jìn)行余弦相似度計(jì)算，達(dá)到較好的用戶屬性隱私保護(hù)效果。為了驗(yàn)證TRIM激勵(lì)機(jī)制在用戶選擇方面的可行性、高效性以及精確性，在相同實(shí)驗(yàn)環(huán)境下，將TRIM激勵(lì)機(jī)制與采用直接余弦相似度計(jì)算（Direct Cosine Similarity Computation， DCSC）協(xié)議的激勵(lì)機(jī)制和采用Pallier[24]加密協(xié)議的PE-based （Pallier Encryption）激勵(lì)機(jī)制進(jìn)行實(shí)驗(yàn)比較。

實(shí)驗(yàn)采用Java實(shí)現(xiàn)，在Intel Core i5-6200U CPU@2.30GHz處理器、8GB內(nèi)存的Windows 7平臺(tái)上運(yùn)行。實(shí)驗(yàn)數(shù)據(jù)集均由偽隨機(jī)數(shù)生成器產(chǎn)生并進(jìn)行相應(yīng)的數(shù)據(jù)預(yù)處理，每次隨機(jī)生成一個(gè)任務(wù)向量 t i={ti1，ti2，ti3，ti4，ti5}和Q個(gè)用戶向量 u i={ui1，ui2，ui3，ui4，ui5}。本文通過(guò)分析相似度計(jì)算時(shí)間開(kāi)銷(xiāo)time進(jìn)行實(shí)驗(yàn)效果評(píng)估，具體的實(shí)驗(yàn)參數(shù)為k1=512，k2=200，k3=k4=128，δ=0.96，Q={100，300，500，700，900}。相同實(shí)驗(yàn)環(huán)境下，每次實(shí)驗(yàn)執(zhí)行50次，并取其平均相似度計(jì)算時(shí)間開(kāi)銷(xiāo)作為最終實(shí)驗(yàn)結(jié)果，本文假設(shè)實(shí)驗(yàn)過(guò)程中的通信時(shí)間開(kāi)銷(xiāo)忽略不計(jì)。

3.1 可行性

為驗(yàn)證TRIM激勵(lì)機(jī)制在用戶選擇方面的可行性，假設(shè)任務(wù)向量 t i={ti1，ti2，ti3，ti4，ti5}={10，20，20，8，8}，并隨機(jī)生成5個(gè)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(lì)機(jī)制、采用DCSC協(xié)議的激勵(lì)機(jī)制和采用PE-based協(xié)議的激勵(lì)機(jī)制在任務(wù)和用戶匹配過(guò)程中的余弦相似度計(jì)算結(jié)果如表2所示，可以發(fā)現(xiàn)針對(duì)同一個(gè)感知任務(wù) t i，對(duì)于同一感知用戶 u i使用不同的方法進(jìn)行余弦相似度計(jì)算不僅可以得到相同的計(jì)算結(jié)果，而且結(jié)果表明若用戶屬性值與任務(wù)屬性值越相近，則感知用戶 u i相應(yīng)具有較高的相似度，故感知平臺(tái)可根據(jù)相似度閾值δ進(jìn)行目標(biāo)用戶選擇。因此，上述三者激勵(lì)機(jī)制在任務(wù)和用戶的匹配過(guò)程中均具有可行性，相比采用DCSC協(xié)議的激勵(lì)機(jī)制，TRIM激勵(lì)機(jī)制和采用PE-based協(xié)議的激勵(lì)機(jī)制在相似度計(jì)算過(guò)程中還實(shí)現(xiàn)了感知用戶的隱私保護(hù)。

3.2 高效性

在不同的實(shí)驗(yàn)參數(shù)Q下對(duì)TRIM激勵(lì)機(jī)制、采用DCSC協(xié)議的激勵(lì)機(jī)制和采用PE-based協(xié)議的激勵(lì)機(jī)制的相似度計(jì)算時(shí)間開(kāi)銷(xiāo)進(jìn)行對(duì)比，結(jié)果如圖5所示。

圖5表明隨著用戶量Q的增加，三種激勵(lì)機(jī)制在計(jì)算時(shí)間開(kāi)銷(xiāo)方面均呈上升趨勢(shì)。顯然，隨著用戶數(shù)量Q的增加，采用PE-based協(xié)議的激勵(lì)機(jī)制在時(shí)間開(kāi)銷(xiāo)方面呈現(xiàn)指數(shù)級(jí)的增量變化，其時(shí)間開(kāi)銷(xiāo)遠(yuǎn)大于采用DCSC協(xié)議的激勵(lì)機(jī)制和TRIM激勵(lì)機(jī)制。雖然PE-based激勵(lì)機(jī)制采用加密方式實(shí)現(xiàn)了用戶隱私保護(hù)，但相比同樣具有用戶隱私保護(hù)的TRIM激勵(lì)機(jī)制，其計(jì)算時(shí)間開(kāi)銷(xiāo)增大導(dǎo)致計(jì)算效率降低。相比采用DCSC協(xié)議的激勵(lì)機(jī)制，TRIM激勵(lì)機(jī)制在相似度計(jì)算時(shí)間方面的開(kāi)銷(xiāo)缺乏明顯優(yōu)勢(shì)，但TRIM激勵(lì)機(jī)制在保證計(jì)算時(shí)間開(kāi)銷(xiāo)盡可能小的同時(shí)，實(shí)現(xiàn)了計(jì)算過(guò)程中感知用戶的隱私保護(hù)，這樣既使得感知用戶免于擔(dān)心隱私泄露問(wèn)題而積極參與自身感興趣的任務(wù)，又在一定程度上滿足了任務(wù)需求最大化，提高了任務(wù)完成率。因此，TRIM激勵(lì)機(jī)制在用戶選擇方面具有可行性與高效性，不僅實(shí)現(xiàn)了感知用戶的隱私保護(hù)，而且具有相對(duì)較高的計(jì)算效率。

3.3 精確性

為了驗(yàn)證TRIM激勵(lì)機(jī)制在任務(wù)與用戶匹配過(guò)程中的精確性，在相同的相似度閾值δ和不同的用戶數(shù)量Q下進(jìn)行任務(wù)與用戶的匹配精確度實(shí)驗(yàn)。感知平臺(tái)基于任務(wù)與用戶的余弦相似度和相似度閾值的大小比較關(guān)系進(jìn)行目標(biāo)用戶選擇，任務(wù)與用戶的余弦相似度越大，則表明該用戶與任務(wù)的屬性值越匹配，即該用戶在任務(wù)完成方面的優(yōu)勢(shì)越大。因此，本文以目標(biāo)用戶集與感知任務(wù)的余弦相似度的平均值作為任務(wù)與用戶匹配精確度的衡量指標(biāo)。圖6表明隨著用戶數(shù)量Q的增大，三種激勵(lì)機(jī)制在匹配精確度方面變化不大，這是因?yàn)橄嗨贫乳撝荡笮∮绊懩繕?biāo)用戶集與任務(wù)相似度的整體情況;在相同的高相似度閾值下，用戶數(shù)量的增加不會(huì)明顯影響目標(biāo)用戶集與任務(wù)的匹配精確性。由于三種激勵(lì)機(jī)制采用不同的計(jì)算方式得到相同的余弦相似度結(jié)果，因此基于相同的相似度閾值，三種激勵(lì)機(jī)制選擇的目標(biāo)用戶集相同，故圖6中三條曲線具有一致的形態(tài)變化。隨著用戶數(shù)量Q的增大，TRIM激勵(lì)機(jī)制的匹配精確度均達(dá)98%左右。TRIM激勵(lì)機(jī)制相比采用PE-based的激勵(lì)機(jī)制具有較高的計(jì)算效率，相比采用DCSC的激勵(lì)機(jī)制具備隱私保護(hù)特性，因此，TRIM激勵(lì)機(jī)制在用戶選擇方面具有較高的優(yōu)勢(shì)。

3.4 隱私性

在用戶與感知平臺(tái)交互過(guò)程中，若感知用戶上傳的屬性信息被惡意公開(kāi)或竊取，可能造成直接或間接的隱私泄露問(wèn)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(xiàn)值等信息。能力貢獻(xiàn)值的高低反映了用戶的信譽(yù)值以及業(yè)務(wù)能力水平的優(yōu)良情況，公開(kāi)用戶的能力貢獻(xiàn)值意味著公開(kāi)用戶的聲譽(yù)情況，容易造成用戶間消極的攀比問(wèn)題，進(jìn)而影響用戶參與積極性。意愿偏好值則可用于推測(cè)用戶興趣愛(ài)好等關(guān)聯(lián)信息。惡意用戶甚至還可以竊取其他用戶的屬性信息進(jìn)行身份頂替以成為目標(biāo)用戶，從而導(dǎo)致感知數(shù)據(jù)質(zhì)量下降，用戶參與度降低。為了保護(hù)感知用戶的個(gè)人隱私，本文采用PCSC計(jì)算任務(wù)和用戶之間的相似度，從而匹配和任務(wù)相似度高的用戶作為目標(biāo)用戶。在用戶選擇過(guò)程中，通過(guò)采用多方隨機(jī)屏蔽和多項(xiàng)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(tái)共同完成任務(wù)與用戶的相似度計(jì)算，且計(jì)算過(guò)程中不存在用戶屬性信息損失的問(wèn)題。感知平臺(tái)可以得到正確的余弦相似度計(jì)算結(jié)果，卻無(wú)法根據(jù)計(jì)算過(guò)程中的任何中間值推測(cè)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(tái)通過(guò)相似度閾值δ進(jìn)行目標(biāo)用戶篩選，并對(duì)目標(biāo)用戶的任務(wù)完成情況進(jìn)行評(píng)分，進(jìn)一步更新用戶的信譽(yù)度以防止不誠(chéng)實(shí)用戶虛報(bào)屬性信息，從而提高用戶質(zhì)量水平和感知數(shù)據(jù)質(zhì)量水平。

隱私性的實(shí)現(xiàn)關(guān)鍵在于采取不同的隱私保護(hù)技術(shù)，綜合考慮方法的計(jì)算開(kāi)銷(xiāo)，從而達(dá)到不同強(qiáng)度的隱私保護(hù)效果，實(shí)現(xiàn)隱私安全性與數(shù)據(jù)可用性之間的均衡。在用戶屬性隱私保護(hù)方面，本文所提的TRIM激勵(lì)機(jī)制采取非加密的形式進(jìn)行用戶屬性隱私保護(hù)。為了體現(xiàn)TRIM激勵(lì)機(jī)制的隱私保護(hù)效果，將TRIM激勵(lì)機(jī)制與同樣采取非加密方式的激勵(lì)機(jī)制（Dou-l）-匿名[25]以及DPLK-means（Differential Privacy K-means）[26]方案進(jìn)行對(duì)比。對(duì)比主要立足于隱私性的實(shí)現(xiàn)關(guān)鍵，綜合性評(píng)估各個(gè)激勵(lì)機(jī)制的隱私保護(hù)效果，包括技術(shù)、隱私保護(hù)強(qiáng)度、計(jì)算開(kāi)銷(xiāo)和數(shù)據(jù)可用性四個(gè)方面，結(jié)果如表3所示。

（Dou-l）-匿名基于k-anonymity匿名的思想，結(jié)合多維分桶技術(shù)進(jìn)行用戶屬性的隱私保護(hù)[27]，雖然具備較高的隱私保護(hù)強(qiáng)度，計(jì)算開(kāi)銷(xiāo)為O（n），但是數(shù)據(jù)的可用性受屬性取值多樣化程度和數(shù)據(jù)量大小的影響較大。

DPLK-means采取差分隱私的方法實(shí)現(xiàn)高強(qiáng)度的隱私保護(hù)效果，但添加噪聲的方式在一定程度上影響了原始數(shù)據(jù)集，而相關(guān)的優(yōu)化算法也只能保證最大限度地降低數(shù)據(jù)的損失率，而且其計(jì)算開(kāi)銷(xiāo)在三種激勵(lì)機(jī)制中相對(duì)較高。

相比（Dou-l）-匿名和DPLK-means，本文所提的TRIM機(jī)制以高強(qiáng)度的隱私保護(hù)性和較小的計(jì)算開(kāi)銷(xiāo)，有效保護(hù)了用戶的屬性信息安全。在用戶選擇過(guò)程中，TRIM機(jī)制采用多方隨機(jī)屏蔽和多項(xiàng)式聚合的方法進(jìn)行任務(wù)與用戶的相似度計(jì)算，而該過(guò)程不會(huì)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(shí)性和計(jì)算結(jié)果的正確性。因此，TRIM機(jī)制既實(shí)現(xiàn)了用戶的屬性隱私保護(hù)，又保證了較高的數(shù)據(jù)可用性。

4 結(jié)語(yǔ)

在移動(dòng)群智感知的用戶激勵(lì)方面，大多數(shù)的激勵(lì)機(jī)制以用戶或平臺(tái)為中心進(jìn)行目標(biāo)用戶選擇，由于未考慮任務(wù)的需求，導(dǎo)致目標(biāo)用戶與感知任務(wù)的匹配度較低，從而影響任務(wù)的完成效果和感知數(shù)據(jù)的質(zhì)量。針對(duì)現(xiàn)有激勵(lì)機(jī)制在用戶選擇上缺乏以任務(wù)為中心的方式多維度考慮任務(wù)需求，導(dǎo)致無(wú)法滿足任務(wù)個(gè)性化需求的問(wèn)題，本文提出了一種在移動(dòng)群智感知中面向任務(wù)需求的用戶選擇激勵(lì)機(jī)制TRIM。一方面，感知平臺(tái)根據(jù)不同的任務(wù)需求發(fā)布感知任務(wù)，構(gòu)建任務(wù)向量;而感知用戶按照個(gè)人意愿偏好個(gè)性化選擇感興趣的任務(wù)參與響應(yīng)，并構(gòu)建用戶向量。通過(guò)引入余弦相似度計(jì)算協(xié)議PCSC計(jì)算任務(wù)向量和用戶向量間的相似度，本文方法能實(shí)現(xiàn)任務(wù)和用戶的雙邊匹配。

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

仿真實(shí)驗(yàn)結(jié)果表明，在用戶選擇方面，TRIM激勵(lì)機(jī)制相比采用DCSC協(xié)議的激勵(lì)機(jī)制和采用PE-based協(xié)議的激勵(lì)機(jī)制更具優(yōu)勢(shì)，不僅成功實(shí)現(xiàn)了感知平臺(tái)的目標(biāo)用戶選擇，而且能以較少的計(jì)算時(shí)間開(kāi)銷(xiāo)相對(duì)高效地完成任務(wù)和用戶的匹配，且達(dá)到較高的匹配精確度，同時(shí)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(wù)需求，如何評(píng)估用戶選擇標(biāo)準(zhǔn)以更好地適應(yīng)任務(wù)的動(dòng)態(tài)變化以及進(jìn)一步考慮平臺(tái)的任務(wù)預(yù)算以降低預(yù)算開(kāi)銷(xiāo)，將是下一步研究工作的重點(diǎn)。

參考文獻(xiàn)

[1]?劉云浩.群智感知計(jì)算[J].中國(guó)計(jì)算機(jī)學(xué)會(huì)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(dòng)群智感知的多任務(wù)分發(fā)算法[J].計(jì)算機(jī)應(yīng)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(dòng)群智感知中用戶隱私度量與隱私保護(hù)研究[J].信息網(wǎng)絡(luò)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(lì)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.）

[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(zhì)量和預(yù)算感知的移動(dòng)眾包任務(wù)分配方法研究[D]. 濟(jì)南：山東大學(xué)，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(xié)同過(guò)濾推薦算法[J]. 通信學(xué)報(bào)，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(hù)數(shù)據(jù)發(fā)布方法[J].計(jì)算機(jī)工程與應(yīng)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(rèn)知無(wú)線電網(wǎng)絡(luò)中基于SpaceTwist的位置隱私保護(hù)方案[J]. 信息網(wǎng)絡(luò)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.）