邊緣輔助群智感知位置隱私保護(hù)多任務(wù)分配機(jī)制

摘 要： 為了解決群智感知中隱私泄露和多任務(wù)分配的問題，提出了一種邊緣輔助群智感知位置隱私保護(hù)（EALP）多任務(wù)分配機(jī)制。首先，考慮群感知任務(wù)具有地理相近特征，利用改進(jìn)的模糊聚類（FCM）算法對(duì)任務(wù)位置進(jìn)行聚類組合，改進(jìn)聚類數(shù)目指標(biāo)，提高多任務(wù)分配的合理性。接著，為了防止云平臺(tái)和感知用戶之間的共謀，在任務(wù)分配階段，提出一種位置隱私保護(hù)協(xié)議，在感知用戶、云服務(wù)器和邊緣節(jié)點(diǎn)之間部署同態(tài)加密，云感知平臺(tái)能夠安全地計(jì)算感知用戶的移動(dòng)距離，而不知道感知用戶的位置和任務(wù)聚類中心位置。最后，提出了一種基于蟻群算法多任務(wù)分配優(yōu)化方案，兼顧平臺(tái)和感知用戶兩者利益，優(yōu)化感知用戶執(zhí)行任務(wù)路徑。實(shí)驗(yàn)結(jié)果表明，與同類方法相比，所提機(jī)制在保護(hù)位置隱私的前提下提高了任務(wù)完成率，降低了系統(tǒng)的感知成本和用戶移動(dòng)成本。

關(guān)鍵詞：群智感知； 任務(wù)分配； 位置隱私保護(hù)； 同態(tài)加密； 模糊聚類

中圖分類號(hào)：TP309文獻(xiàn)標(biāo)志碼： A文章編號(hào)：1001－3695（2024）04－036－1208－06

doi：10.19734/j.issn.1001－3695.2023.07.0382

Edge－assisted crowdsensing location privacy protectionmulti－task allocation mechanism

Ao Shan Chang Xian Wang Huib， Shen Zihao Liu Kunb， Liu Peiqianb

Abstract：To solve the problem of privacy leakage and multi－task allocation in crowdsensing， this paper proposed an edge assisted crowdsensing location privacy protection（EALP） multi－task allocation mechanism. Firstly， considering the geography of tasks， this paper used improved fuzzy clustering（FCM） algorithm to cluster tasks locations， improved the clustering index， and enhanced the rationality of multi－task allocation. Secondly， to prevent collusion between the cloud and perceived users， it proposed a location privacy protection protocol in the task allocation phase. It deployed homomorphic encryption among the perceived users， cloud and edge nodes. The cloud could safely calculate the mobile distance of the perceived users without knowing their locations and the location of the task cluster center. Finally， it proposed a multi－task allocation optimization scheme based on ant colony algorithm， it balanced the interests of both platform and perceptive users by optimizing the path of execute tasks. Experiment results show that compared with similar methods， the proposed mechanism improves task completion rate while protecting location privacy， and reduces system perception costs and user mobility costs.

Key words：crowdsensing; task assignment; location privacy protection; homomorphic encryption; fuzzy clustering

0 引言

移動(dòng)群智感知（MCS）是一種使用移動(dòng)設(shè)備（如智能手機(jī)、平板電腦和可穿戴設(shè)備）的低成本、大規(guī)模數(shù)據(jù)收集方法，已成為城市傳感的一種有吸引力的范式［ 2］。受益于高性能CPU、高速5G網(wǎng)絡(luò)、大容量內(nèi)存和強(qiáng)大的嵌入式傳感器，智能手機(jī)現(xiàn)在可以提供比物聯(lián)網(wǎng)中單一功能傳感器更強(qiáng)的計(jì)算、通信、存儲(chǔ)和傳感能力。此外，人類的參與使得收集數(shù)據(jù)更加靈活和高效。所有這些特性催生了各種物聯(lián)網(wǎng)的應(yīng)用，如環(huán)境監(jiān)控［3］、交通監(jiān)控［4］和城市建設(shè)［5］。

傳統(tǒng)的移動(dòng)群智感知多為集中式架構(gòu)，在大規(guī)模MCS中，遠(yuǎn)程數(shù)據(jù)傳輸以及集中式數(shù)據(jù)處理消耗過多的通信計(jì)算資源，導(dǎo)致的時(shí)間效率較低。為了解決這一問題，邊緣計(jì)算被用來將通信和計(jì)算資源部署到離感知用戶更近的地方，從而提高系統(tǒng)效率［6，7］。最近，已有不少學(xué)者提出了基于邊緣計(jì)算的MCS系統(tǒng)。Marjanovi c ＇ 等人［8］提出了一種滿足大規(guī)模MCS服務(wù)的邊緣計(jì)算架構(gòu)EC－MCS，可有效減少數(shù)據(jù)處理的延遲和復(fù)雜性，同時(shí)提高感知服務(wù)質(zhì)量。奚赫然等人［9］提出了一種移動(dòng)群智感知系統(tǒng)邊云協(xié)同工人招募算法，能夠減少數(shù)據(jù)傳輸時(shí)延，降低智能設(shè)備的能耗。Liu等人［10］提出了一種用于邊緣輔助移動(dòng)人群感知的激勵(lì)感知車輛招聘方案，設(shè)計(jì)了一種激勵(lì)機(jī)制來激勵(lì)邊緣服務(wù)器和智能車輛之間的合作，并應(yīng)用納什均衡理論來獲得最優(yōu)的合作決策。然而，上述方案均沒有考慮隱私保護(hù)問題，事實(shí)上在MCS的任務(wù)分配過程中，用戶經(jīng)常需要向服務(wù)器提供自己的位置信息，以便將一些合適的任務(wù)發(fā)送給他們。但是，惡意服務(wù)器可能會(huì)根據(jù)用戶的位置推斷出一些敏感信息，如用戶的家庭住址或軌跡等，從而導(dǎo)致嚴(yán)重的隱私問題［11］。因此，隱私保護(hù)下的任務(wù)分配得到關(guān)注。Shen等人［12］提出了一種用于邊緣計(jì)算增強(qiáng)型MCS的隱私保護(hù)任務(wù)分配框架（P2TA），通過引入邊緣節(jié)點(diǎn)來優(yōu)化任務(wù)接受率，工人上傳混淆位置到邊緣節(jié)點(diǎn)來實(shí)現(xiàn)隱私保護(hù)和獲取任務(wù)。Ma等人［13］提出了兩種用于邊緣計(jì)算增強(qiáng)型MCS的隱私保護(hù)聲譽(yù) 管理方案，用戶的信譽(yù)值依據(jù)傳感數(shù)據(jù)與最終聚合結(jié)果的偏差進(jìn)行更新，該方案能夠保護(hù)感知數(shù)據(jù)隱私的同時(shí)處理惡意任務(wù)參與者。Ding 等人［14］基于半可信邊緣節(jié)點(diǎn)實(shí)現(xiàn)了隱私保護(hù)任務(wù)分配，使用同態(tài)加密和差分隱私來保護(hù)參與者位置隱私和數(shù)據(jù)隱私。萬濤等人［15］基于區(qū)塊鏈的邊緣移動(dòng)群智感知系統(tǒng)，提出一種感知數(shù)據(jù)隱私保護(hù)的聲譽(yù)更新方案，采用輕量級(jí)的隱私保護(hù)方法聚合感知數(shù)據(jù)，根據(jù)數(shù)據(jù)質(zhì)量和歷史任務(wù)表現(xiàn)更新聲譽(yù)，該方案可有效抵抗惡意用戶，降低時(shí)延，避免單點(diǎn)故障并保護(hù)數(shù)據(jù)隱私。Wang等人［16］提出任務(wù)分配時(shí)在邊緣節(jié)點(diǎn)輔助下將用戶聚類成組，利用差分隱私保護(hù)工人位置隱私實(shí)現(xiàn)任務(wù)分配。以上方案都依賴于一些強(qiáng)有力的假設(shè)，云服務(wù)器或者邊緣節(jié)點(diǎn)是可信的，沒有考慮任務(wù)位置隱私也會(huì)受到威脅。實(shí)際上，云服務(wù)器和邊緣節(jié)點(diǎn)可能會(huì)泄露用戶位置等敏感信息來獲利，同時(shí)攻擊者可以由任務(wù)位置和分配情況推斷出完成任務(wù)的用戶位置，因此，保護(hù)任務(wù)位置隱私也是需要解決的問題。

此外，當(dāng)前群智感知的任務(wù)分配策略大多是針對(duì)單任務(wù)設(shè)計(jì)的，每個(gè)任務(wù)都被認(rèn)為是獨(dú)立完成的。然而，事實(shí)上是多個(gè)任務(wù)共享同一個(gè)資源池，而且它們會(huì)互相影響。目前，已有許多工作圍繞群智感知多任務(wù)分配進(jìn)行研究。Tao等人［17］考慮了任務(wù)的聚類效應(yīng)，提出用K－means算法先將多任務(wù)聚類成組，之后結(jié)合遺傳算法提出多任務(wù)質(zhì)量最大化的任務(wù)分配機(jī)制。蔣偉進(jìn)等人［18］利用密度聚類對(duì)同類多個(gè)任務(wù)進(jìn)行聚類，根據(jù)各聚類中心與現(xiàn)有地鐵站點(diǎn)的距離，為每個(gè)子任務(wù)區(qū)域分配所屬最近的地鐵站點(diǎn)，通過優(yōu)化任務(wù)分發(fā)降低了感知任務(wù)成本。Yin等人［19］基于位置和任務(wù)特征提出了一種改進(jìn)的貪婪算法，解決了多感知任務(wù)路徑規(guī)劃優(yōu)化問題，提高了群智感知服務(wù)質(zhì)量。事實(shí)上，多數(shù)現(xiàn)有的群智感知任務(wù)分配忽略了多任務(wù)的地理特性，多個(gè)任務(wù)在地理分布和感知需求方面具有聚類特性（如收集商場(chǎng)附近的停車位信息，或者收集某個(gè)路段附近的交通信息）。如果能把多個(gè)任務(wù)聚類成組合，然后分配給單個(gè)感知用戶，多個(gè)距離感知用戶相近的聚類任務(wù)組合分配方式比單個(gè)任務(wù)更容易以較高獎(jiǎng)勵(lì)吸引感知用戶參與，系統(tǒng)的任務(wù)完成率會(huì)明顯提高。

為了解決上述問題，本文提出了一種邊緣輔助群智感知位置隱私保護(hù) （edge－assisted crowdsensing location privacy protection，EALP）多 任務(wù)分配機(jī)制。本文的主要貢獻(xiàn)如下：a）結(jié)合感知任務(wù)的位置特征，基于模糊聚類（fuzzy C－means clustering，F(xiàn)CM）算法，將多個(gè)地理位置靠近的任務(wù)聚類成組，一起分配給感知用戶，提高任務(wù)分配效率；b）解決了云感知平臺(tái)與感知用戶合謀攻擊泄露位置隱私的問題，基于加法同態(tài)加密提出EALP分配機(jī)制，通過云感知平臺(tái)，邊緣節(jié)點(diǎn)和感知用戶合作，保護(hù)感知用戶和任務(wù)的位置隱私；c）兼顧云感知平臺(tái)和感知用戶兩者利益，提出一種基于蟻群算法的聚類組內(nèi)多任務(wù)分配優(yōu)化算法，降低了群智感知系統(tǒng)的感知成本；d）仿真實(shí)驗(yàn)表明，與現(xiàn)有機(jī)制相比，EALP任務(wù)分配方案在保護(hù)位置隱私的前提下提高了任務(wù)完成率，降低了總感知成本和移動(dòng)成本。

1 預(yù)備知識(shí)

本章介紹邊緣輔助群智感知的系統(tǒng)模型和同態(tài)加密的相關(guān)知識(shí)。表1對(duì)自定義的參數(shù)進(jìn)行了解釋。

1.1 系統(tǒng)模型

如圖1所示，邊緣計(jì)算輔助群智感知系統(tǒng)模型有四種實(shí)體，分別是任務(wù)請(qǐng)求者、云感知平臺(tái)、邊緣節(jié)點(diǎn)和感知用戶。

a）任務(wù)請(qǐng)求者。任務(wù)請(qǐng)求者是指打算從特定位置收集數(shù)據(jù)并執(zhí)行數(shù)據(jù)挖掘以支持智能應(yīng)用程序的個(gè)人或組織。例如，公司可以感知旅游區(qū)的空間數(shù)據(jù)，用于平面重建和客流管理。然而，可能任務(wù)請(qǐng)求者用于部署和維護(hù)大規(guī)模傳感器設(shè)備的預(yù)算有限，或者對(duì)海量數(shù)據(jù)執(zhí)行數(shù)據(jù)挖掘的計(jì)算能力有限。因此，任務(wù)請(qǐng)求者將任務(wù)外包給服務(wù)提供商。

b）云感知平臺(tái)。云感知平臺(tái)扮演著服務(wù)提供商的角色，擁有強(qiáng)大的計(jì)算和存儲(chǔ)資源。它向公眾發(fā)布任務(wù)，并招募感知用戶從任務(wù)區(qū)域收集數(shù)據(jù)。

c）邊緣節(jié)點(diǎn)。邊緣節(jié)點(diǎn)部署在離感知用戶更近的地方，協(xié)助云感知平臺(tái)進(jìn)行任務(wù)發(fā)布、感知用戶招募、數(shù)據(jù)傳輸。本文假設(shè)邊緣節(jié)點(diǎn)具有足夠的通信和計(jì)算資源。

d）感知用戶。配備智能設(shè)備，感知用戶能夠收集環(huán)境數(shù)據(jù)。當(dāng)用戶對(duì)某項(xiàng)任務(wù)感興趣時(shí)，它會(huì)將其位置發(fā)送到云端，等待分配任務(wù)。

1.2 Paillier加密

作為一種經(jīng)典的加法同態(tài)加密系統(tǒng)，Paillier密碼系統(tǒng)能夠?qū)γ芪倪M(jìn)行運(yùn)算，從而實(shí)現(xiàn)對(duì)明文的加法運(yùn)算。其主要分為三個(gè)階段：

a）密鑰生成階段。令n=p·q。其中p、q為兩個(gè)大素?cái)?shù)，選擇g∈Euclid ExtrabBpn2，使得gcd=（L（gλmod n2），n）= 公鑰為pk=（n，g），私鑰為sk=（p，q）。

b）加密階段。對(duì)于明文m∈Euclid ExtrabBpn，且mlt;n。選擇一個(gè)隨機(jī)數(shù)rlt;n， 則密文為c=gm×rnmod n2。

c） 解密階段。對(duì)于密文clt;n2，則明文為m= L（cλmod n2）/L（gλmod n2）mod n。

設(shè)有明文m1、m2，使用Paillier加密方案對(duì)兩個(gè)明文進(jìn)行加密，得到E（m1）=gm1×rn1 mod n2，E（m2）=gm2×rn2 mod n2，則E（m1）×E（m2）=gm1+m2（r1r2）n mod n2=E（m1+m2）。即兩個(gè)密文乘積的解密值，與兩密文對(duì)應(yīng)明文的和相等。此表達(dá)式滿足加法同態(tài)的性質(zhì)，因此Paillier是加法同態(tài)。

2 EALP任務(wù)分配機(jī)制設(shè)計(jì)

2.1 EALP機(jī)制工作步驟

EALP任務(wù)分配機(jī)制主流程如圖2所示，分為以下七個(gè)步驟：

a）發(fā)布感知任務(wù)。任務(wù)請(qǐng)求者將感知任務(wù)（感知任務(wù)位置、感知數(shù)據(jù)質(zhì)量標(biāo)準(zhǔn)、任務(wù)報(bào)酬）發(fā)布給云感知平臺(tái)。

b）云感知平臺(tái)將感知任務(wù)進(jìn)行模糊聚類，先用自己公鑰加密任務(wù)聚類中心位置，再用邊緣節(jié)點(diǎn)公鑰再次加密，最后將兩次位置加密的感知任務(wù)和任務(wù)內(nèi)容發(fā)送到邊緣節(jié)點(diǎn)。

c）邊緣節(jié)點(diǎn)將位置加密的感知任務(wù)和任務(wù)內(nèi)容發(fā)送給感知用戶。

d）感知用戶查看任務(wù)內(nèi)容，若愿意執(zhí)行任務(wù)，先將位置在本地轉(zhuǎn)換，然后用云平臺(tái)公鑰加密，最后發(fā)送到邊緣節(jié)點(diǎn)。

e）邊緣節(jié)點(diǎn)計(jì)算加密的任務(wù)聚類中心位置與加密感知用戶位置的距離，之后將加密的距離發(fā)送給云平臺(tái)。

f）云平臺(tái)用私鑰解密距離并結(jié)合信譽(yù)值計(jì)算感知用戶招募成本，選出招募成本最小的感知用戶。最后為選出的感知用戶優(yōu)化多任務(wù)執(zhí)行順序，將選出的感知用戶與任務(wù)聚類組合發(fā)送至對(duì)應(yīng)邊緣節(jié)點(diǎn)。

g）邊緣節(jié)點(diǎn)通知對(duì)應(yīng)的感知用戶完成指定任務(wù)。

2.2 群智感知多任務(wù)模糊聚類

假設(shè)系統(tǒng)在時(shí)間t存在由任務(wù)請(qǐng)求者發(fā)布的n個(gè)任務(wù)和r個(gè)感知用戶，感知任務(wù)集合為St={s s2，…，si，…，sn}，對(duì)于任務(wù)si，位置表示為sli=（slxi，slyi），slxi是任務(wù)位置的經(jīng)度，slyi是任務(wù)位置的維度，任務(wù)數(shù)據(jù)質(zhì)量用sri表示，任務(wù)預(yù)算用spi表示。感知用戶的集合是Pt={p p2，…，pj，…，pr}，對(duì)于pj，位置表示為plj=（plxj，plyj），信譽(yù)為prj。

把t時(shí)刻的任務(wù)屬性構(gòu)造成一個(gè)n×3的矩陣 X t，其中第i行是xi={slxi，slyi，sri}。將 X t聚類成 個(gè)任務(wù)組合，因此得到Rt=C1∪C2∪…∪Ck∪…∪C 。于是相應(yīng)聚類任務(wù)組的位置聚類中心和感知任務(wù)數(shù)據(jù)質(zhì)量中心為Q={q q2，…，qk，…，q }和CR={Cr Cr2，…，Crk，…，Cr }。Crk代表Ck中的任務(wù)質(zhì)量閾值。

使用模糊聚類（FCM）這種軟劃分聚類算法來進(jìn)行多任務(wù)聚類。對(duì)于任務(wù)屬性矩陣 X t中的每個(gè)數(shù)據(jù)，通過x′ij=xij/max（x1j，x2j，…，xnj）得到正則化數(shù)據(jù)矩陣 X ′t。然后根據(jù)算法1實(shí)現(xiàn)多任務(wù)聚類組合。

算法1的步驟o）計(jì)算當(dāng)前聚類數(shù)下的ICH，通過與上一次迭代比較，得到當(dāng)前最優(yōu)聚類數(shù)。經(jīng)過第b）～s）行的迭代，可以找到給定范圍內(nèi)的最佳聚類數(shù) 。然后重復(fù)第c）～o）行，得到最終的P和U，并根據(jù)U將感知任務(wù)分成適當(dāng)?shù)娜蝿?wù)組合。

2.3 邊緣輔助位置隱私保護(hù)協(xié)議

本文認(rèn)為多任務(wù)聚類中心的位置信息屬于敏感信息，任務(wù)內(nèi)容信息屬于不敏感信息。感知用戶可以通過邊緣節(jié)點(diǎn)廣播來獲取聚類任務(wù)組的內(nèi)容。下面將詳細(xì)介紹本文位置隱私保護(hù)協(xié)議。

為了不泄露任務(wù)和工人的位置隱私，任務(wù)請(qǐng)求者和感知用戶需對(duì)位置進(jìn)行轉(zhuǎn)換，轉(zhuǎn)換公式如式（5）～（8）所示。其中，位置坐標(biāo)轉(zhuǎn)換的角度φ由任務(wù)請(qǐng)求者與感知用戶共享，而且兩者均不會(huì)將其泄露給任何第三方。

如式（11）所示，感知用戶uj與Ck的招聘成本由兩部分組成：第一部分由uj和多任務(wù)聚類中心Ck的聚類中心pk之間的距離決定，λ1是距離因子系數(shù)；第二個(gè)部分是由感知用戶信譽(yù)值決定，其中r（Ck，uj）可以通過式（12）計(jì)算，λ2代表質(zhì)量因子系數(shù)。

感知用戶選擇問題實(shí)際上是一種指派問題。因此，感知用戶選擇問題可以轉(zhuǎn)換為以下0－1整數(shù)規(guī)劃問題，由式（13）可求得，其中X表示聚類任務(wù)組和感知用戶之間的匹配結(jié)果。

結(jié)合式（11）中移動(dòng)距離和感知用戶信譽(yù)值，可得到被選出的感知用戶集合為W={w w2，…，wc}?；谌蝿?wù)預(yù)算和招聘成本，得到多任務(wù)聚類組與感知用戶最優(yōu)匹配對(duì)CW={（C w1），（C2，w2），…，（Cc，wc）}。對(duì)于wk，需要按照一定的順序πk 在Ck中執(zhí)行任務(wù)，π={π π2，…，πc}表示多任務(wù)組合的執(zhí)行順序。

得到多任務(wù)聚類組和感知用戶的匹配組后，最后對(duì)每個(gè)用戶任務(wù)執(zhí)行過程進(jìn)一步優(yōu)化，可以將任務(wù)執(zhí)行順序問題等效為最優(yōu)路徑規(guī)劃問題。使用最大最小螞蟻系統(tǒng)（MMAS）優(yōu)化算法解決多任務(wù)執(zhí)行順序問題。

3 安全性分析

本文提出的邊緣輔助群智感知位置隱私保護(hù)（EALP）多任務(wù)分配機(jī)制，目標(biāo)是保護(hù)感知任務(wù)和感知用戶的位置隱私，從而能在安全的情況下完成多任務(wù)分配。

a）EALP多任務(wù)分配機(jī)制可以保護(hù)感知任務(wù)的位置隱私。

在任務(wù)分配的過程中，云感知平臺(tái)獲得的任務(wù)位置是任務(wù)發(fā)布者在本地進(jìn)行位置轉(zhuǎn)換后的感知任務(wù)位置，云平臺(tái)無法獲取位置轉(zhuǎn)換角度，因此保護(hù)了任務(wù)位置隱私；多任務(wù)聚類中心位置用云的公鑰加密后發(fā)送到邊緣節(jié)點(diǎn)，邊緣節(jié)點(diǎn)沒有云平臺(tái)私鑰，無法解密，因此感知任務(wù)位置得到保護(hù)。

b）EALP多任務(wù)分配機(jī)制可以保護(hù)感知用戶的位置隱私。

在所提出的協(xié)議中，感知用戶用云的公鑰加密位置生成Twx、Twy。對(duì)于系統(tǒng)中的其他實(shí)體，只有相應(yīng)的邊緣節(jié)點(diǎn)可以訪問。 但由于Paillier同態(tài)加密是語義安全的，可以抵抗選擇明文攻擊［20］，所以可以認(rèn)為攻擊者無法通過密文直接獲取感知用戶的位置信息。邊緣節(jié)點(diǎn)沒有云平臺(tái)的私鑰，因此邊緣節(jié)點(diǎn)無法解密密文，可以確保感知用戶位置信息的機(jī)密性。邊緣節(jié)點(diǎn)僅能計(jì)算加密后的多感知任務(wù)聚類中心與感知用戶位置的距離，且云平臺(tái)僅能獲取私鑰解密后的距離，無法獲取感知用戶位置，因此保護(hù)了感知用戶的位置隱私。

4 EALP機(jī)制性能分析

4.1 實(shí)驗(yàn)設(shè)置

為了評(píng)估EALP任務(wù)分配機(jī)制的性能，與基于邊緣計(jì)算的隱私保護(hù)任務(wù)分配機(jī)制［14］以及基于蟻群優(yōu)化算法的多任務(wù)分配機(jī)制［21］進(jìn)行對(duì)比。文獻(xiàn)［14］提出的隱私保護(hù)任務(wù)分配機(jī)制與EALP機(jī)制類似，同樣使用同態(tài)加密保護(hù)用戶位置隱私，但是僅以最短距離分配任務(wù)。文獻(xiàn)［21］提出結(jié)合Cobb－Douglas生產(chǎn)函數(shù)的經(jīng)濟(jì)模型來使用蟻群算法進(jìn)行多任務(wù)分配機(jī)制，綜合考慮時(shí)間、距離和獎(jiǎng)勵(lì)多因素來實(shí)現(xiàn)感知用戶利益最大化的任務(wù)分配。實(shí)驗(yàn)數(shù)據(jù)采取公開的Gowalla數(shù)據(jù)集。在Gowalla數(shù)據(jù)集中，每位用戶會(huì)在多個(gè)地點(diǎn)簽到，實(shí)驗(yàn)過程中假設(shè)Gowalla數(shù)據(jù)集中的用戶是群智感知系統(tǒng)中的感知用戶，并將其最近的簽到地點(diǎn)作為當(dāng)前位置，在最近的簽到地點(diǎn)附近隨機(jī)生成群智感知任務(wù)位置。為了避免實(shí)驗(yàn)的偶然性，本文進(jìn)行了100組實(shí)驗(yàn)，并選取這100組實(shí)驗(yàn)結(jié)果的平均值作為最終的實(shí)驗(yàn)結(jié)果。實(shí)驗(yàn)具體參數(shù)設(shè)置如表2所示。

4.2 總感知成本

總感知成本包括平臺(tái)的招聘成本和參與者的移動(dòng)距離成本兩部分。

圖3是EALP機(jī)制、文獻(xiàn)［14，21］方案總感知成本的比較。從圖3可以看出，隨著感知用戶人數(shù)的增加，EALP和文獻(xiàn)［14，21］的任務(wù)分配總感知成本都先上升，但是本文EALP機(jī)制的總感知成本始終低于文獻(xiàn)［14，21］的任務(wù)分配。這是因?yàn)镋ALP機(jī)制同時(shí)考慮了感知平臺(tái)和感知用戶兩者的利益。其中，文獻(xiàn)［14］的總感知成本最高，因?yàn)樵摍C(jī)制只考慮了平臺(tái)的利益，可以用最低的成本招募參與者。文獻(xiàn)［21］結(jié)合經(jīng)濟(jì)理論模型，將多個(gè)任務(wù)同時(shí)分配給感知用戶，之后指導(dǎo)感知用戶按照一定的順序完成所分配的多個(gè)任務(wù)，實(shí)現(xiàn)感知用戶利益最大化，因此用戶移動(dòng)成本低于文獻(xiàn)［14］，但也沒有考慮感知平臺(tái)的利益。因此，EALP機(jī)制的總感知成本比文獻(xiàn)［14，21］分別降低了14.21%和23.54%。

4.3 任務(wù)完成率

任務(wù)完成率是感知用戶完成感知任務(wù)數(shù)量與云服務(wù)器接受任務(wù)數(shù)量的比例。任務(wù)完成率從側(cè)面反映了感知用戶執(zhí)行任務(wù)的積極性。

如圖4所示，將任務(wù)數(shù)量設(shè)置為80，隨著感知用戶數(shù)量上升，三種機(jī)制的任務(wù)完成率都在逐步上升。EALP機(jī)制是將多個(gè)距離感知用戶很近的任務(wù)聚類成組分配給一個(gè)感知用戶，多個(gè)任務(wù)完成的獎(jiǎng)勵(lì)對(duì)感知用戶吸引力更大，并且同時(shí)考慮移動(dòng)距離和用戶信譽(yù)值來選擇感知用戶，最后使用蟻群算法對(duì)多任務(wù)執(zhí)行順序進(jìn)行優(yōu)化，降低感知用戶移動(dòng)距離，所以在三種機(jī)制中任務(wù)完成率最高。文獻(xiàn)［21］進(jìn)行多任務(wù)分配時(shí)以用戶利益最大化為目標(biāo)，但是沒有提供隱私保護(hù)，任務(wù)完成率次之。文獻(xiàn)［14］對(duì)感知用戶提供了隱私保護(hù)，但僅以最短移動(dòng)距離選擇任務(wù)執(zhí)行者，沒有優(yōu)化任務(wù)分配，所以任務(wù)完成率低于文獻(xiàn)［21］，任務(wù)完成率最低。

圖5中，將感知用戶數(shù)量設(shè)置為80，隨著任務(wù)數(shù)量增加，三種機(jī)制任務(wù)完成率都有所下降，這是因?yàn)楫?dāng)用戶數(shù)量不變時(shí)，感知系統(tǒng)中的任務(wù)越多，任務(wù)完成的幾率越小。但是由于EALP和文獻(xiàn)［14］的機(jī)制在分配任務(wù)時(shí)提供隱私保護(hù)，所以感知用戶執(zhí)行任務(wù)的意愿更大；同時(shí)由于EALP機(jī)制結(jié)合聚類算法分配較近的任務(wù)并基于蟻群算法對(duì)多任務(wù)執(zhí)行順序進(jìn)行優(yōu)化，所以任務(wù)完成率高于文獻(xiàn)［14］。無隱私保護(hù)的文獻(xiàn)［21］的任務(wù)完成率最低。

4.4 平均移動(dòng)距離

平均移動(dòng)距離是指所有執(zhí)行任務(wù)的用戶移動(dòng)到任務(wù)位置的平均距離，是評(píng)估任務(wù)分配算法的一個(gè)重要指標(biāo)。

圖6將任務(wù)數(shù)量設(shè)置為固定值80，感知用戶數(shù)量從90遞增到240。EALP任務(wù)分配機(jī)制在三種機(jī)制中平均移動(dòng)距離最低。這是因?yàn)楫?dāng)感知用戶數(shù)量變大時(shí)，文獻(xiàn)［14，21］的任務(wù)分配機(jī)制中沒有考慮多任務(wù)之間的地理關(guān)聯(lián)性，同一個(gè)用戶會(huì)執(zhí)行多個(gè)距離很遠(yuǎn)的任務(wù)，所以感知用戶的平均移動(dòng)距離會(huì)更大，而EALP分配的多個(gè)任務(wù)均在用戶附近。文獻(xiàn)［14］分配任務(wù)優(yōu)先選擇距離最短的用戶，而文獻(xiàn)［21］結(jié)合時(shí)間、獎(jiǎng)勵(lì)和距離分配任務(wù)，旨在最大化感知用戶收益，感知用戶會(huì)結(jié)合其他因素執(zhí)行距離當(dāng)前位置較遠(yuǎn)但收益多的任務(wù)，所以平均移動(dòng)距離高于文獻(xiàn)［14］。EALP任務(wù)分配機(jī)制在平均距離方面與文獻(xiàn)［14，21］相比，分別下降了9.39%和15.71%。

圖7將感知用戶數(shù)量設(shè)置為60，可以看出，在平均移動(dòng)距離方面，EALP機(jī)制和文獻(xiàn)［14］的性能均優(yōu)于文獻(xiàn)［21］。這是由于EALP機(jī)制對(duì)任務(wù)分配進(jìn)行優(yōu)化，EALP機(jī)制先通過模糊聚類將地理位置相近的多個(gè)任務(wù)同時(shí)分配給感知用戶，然后蟻群算法優(yōu)化多任務(wù)執(zhí)行順序，實(shí)現(xiàn)感知用戶執(zhí)行任務(wù)的路徑最短。文獻(xiàn)［21］綜合時(shí)間成本、距離成本和任務(wù)獎(jiǎng)勵(lì)多因素，使用蟻群算法優(yōu)化多任務(wù)執(zhí)行順序，以工人收益優(yōu)先，因此文獻(xiàn)［21］中感知用戶的平均移動(dòng)距離高于僅以距離為判斷條件的文獻(xiàn)［14］的任務(wù)分配機(jī)制，在三種方案中平均移動(dòng)距離最高。

4.5 算法運(yùn)行時(shí)間

算法運(yùn)行時(shí)間直接反映位置隱私保護(hù)任務(wù)分配機(jī)制的有效性和可用性。

算法運(yùn)行時(shí)間包括云平臺(tái)聚類任務(wù)時(shí)間、邊緣節(jié)點(diǎn)計(jì)算加密的距離所消耗的時(shí)間以及感知用戶加密位置的時(shí)間三部分。圖8顯示了在不同工人數(shù)量下花費(fèi)在程序上的時(shí)間。圖8中感知用戶數(shù)量從200增加到1 000時(shí)，步長為200。可以看到，算法運(yùn)行時(shí)間隨著感知用戶數(shù)量的增加而不斷增加。這是因?yàn)檫吘壒?jié)點(diǎn)都需要計(jì)算感知用戶到任務(wù)聚類中心位置的距離，這是基于加密數(shù)據(jù)的。在感知用戶交互時(shí)，感知用戶加密位置的時(shí)間不受工人數(shù)量的影響?？梢钥闯觯用芗夹g(shù)會(huì)不可避免地消耗一定的運(yùn)行時(shí)間。然而，當(dāng)工人人數(shù)為1 000人時(shí)，運(yùn)行時(shí)間約為28 s。正如預(yù)期，當(dāng)感知用戶數(shù)量增加時(shí)，云平臺(tái)和邊緣節(jié)點(diǎn)的CPU時(shí)間也增加，但是以線性方式，因?yàn)樗鼈兊挠?jì)算成本主要是密文上的操作，這與感知用戶的數(shù)量成正比。另一方面，感知用戶的計(jì)算成本幾乎是恒定的，例如，在手機(jī)中計(jì)算約為0.2 s，盡管感知用戶數(shù)量很多。就總運(yùn)行時(shí)間而言，協(xié)議只需不到30 s即可實(shí)現(xiàn)超過1 000名員工的隱私保護(hù)任務(wù)分配。本文進(jìn)行聚類多任務(wù)分配感知用戶數(shù)量在200名左右，運(yùn)行時(shí)間約為5 s，從實(shí)驗(yàn)結(jié)果看，隱私保護(hù)協(xié)議所增加的時(shí)間是可接受的。

5 結(jié)束語

本文提出了一種邊緣輔助群智感知隱私保護(hù)多任務(wù)分配機(jī)制。利用模糊聚類算法將地理位置相近任務(wù)聚類成組，使用同態(tài)加密將聚類中心位置和感知用戶位置加密，邊緣節(jié)點(diǎn)計(jì)算加密距離，云感知平臺(tái)僅能通過解密任務(wù)與用戶之間的距離來分配任務(wù)，保護(hù)任務(wù)位置隱私和感知用戶位置隱私，最后同時(shí)考慮平臺(tái)與感知用戶兩者利益，通過啟發(fā)式算法優(yōu)化任務(wù)執(zhí)行順序。實(shí)驗(yàn)結(jié)果表明，與同類方法相比，EALP任務(wù)分配機(jī)制在總感知成本、任務(wù)完成率和平均移動(dòng)距離方面有所提升。

盡管本文解決了群智感知位置隱私保護(hù)下的多任務(wù)分配問題，但是沒有考慮感知用戶的隱私偏好與興趣，下一步擬提出一種群智感知個(gè)性化隱私保護(hù)任務(wù)分配機(jī)制。

參考文獻(xiàn)：

［1］Capponi Fiandrino C， Kantarci B，et al.A survey on mobile crowdsensing systems： challenges， solutions， and opportunities［J］.IEEE Communications Surveys and Tutorials，2019， 21 （3）： 2419－2465.

［2］Fu Yuchuan， Li Changle， Yu F R，et al.A survey of driving safety with sensing， vehicular communications， and artificial intelligence－based collision avoidance［J］.IEEE Trans on Intelligent Transportation Systems ， 2022， 23 （7）： 6142－6163.

［3］Ganti R K， Ye Fan， Lei Hui. Mobile crowdsensing： current state and future challenges［J］.IEEE Communications Magazine ， 201 49 （11）： 32－39.

［4］Bock F， Di Martino S， Origlia A. Smart parking： using a crowd of taxis to sense on－street parking space availability［J］.IEEE Trans on Intelligent Transportation Systems ， 2019 ，21 （2）： 496－508.

［5］Wang En， Yang Yongjian， Wu Jie，et al.User recruitment system for efficient photo collection in mobile crowdsensing［J］.IEEE Trans on Human－Machine Systems ， 2019， 50 （1）： 1－12.

［6］Li Jiliang， Su Zhou， Guo Deke，et al.Secure data deduplication protocol for edge－assisted mobile crowdsensing services［J］.IEEE Trans on Vehicular Technology ， 202 70 （1）： 742－753.

［7］Ni Jianbing， Zhang Aiqing， Lin Xiaodong，et al.Security， privacy， and fairness in fog－based vehicular crowdsensing［J］.IEEE Communications Magazine ， 2017， 55 （6）： 146－152.

［8］Marjanovi c ＇M， Antoni c ＇ Z ˇ arko I P. Edge computing architecture for mobile crowdsensing［J］.IEEE Access ， 2018， 6 ：10662－10674.

［9］奚赫然， 朱敬華， 李金寶. 移動(dòng)群智感知系統(tǒng)邊云協(xié)同工人招募算法［J］. 北京郵電大學(xué)學(xué)報(bào)， 2022，45 （4）： 77－83.（Xi Heran，Zhu Jinghua，Li Jinbao. Edge－cloud collaborative worker recruitment algorithm in mobile crowd sensing system［J］. Journal of Beijing University of Posts and Telecommunications，2022，45 （4）： 77－83.）

［10］Liu Luning， Wen Xianming， Wang Luhan，et al.Incentive－aware recruitment of intelligent vehicles for edge－assisted mobile crowdsensing［J］.IEEE Trans on Vehicular Technology ， 2020， 69 （10）： 12085－12097.

［11］Li Qinghu Cao Guohong， La Porta T F. Efficient and privacy－aware data aggregation in mobile sensing［J］.IEEE Trans on Dependable and Secure Computing ， 2013，11 （2）： 115－129.

［12］Shen Hang， Bai Guangwei， Hu Yujia，et al.P2TA： privacy－preserving task allocation for edge computing enhanced mobile crowdsensing［J］.Journal of Systems Architecture ， 2019，97 ： 130－141.

［13］Ma Lichuan， Liu Xuefeng， Pei Qingqi，et al.Privacy－preserving reputation management for edge computing enhanced mobile crowdsensing［J］.IEEE Trans on Services Computing ， 2019， 12 （5）： 786－799.

［14］Ding Xuyang， Lyu Ruizhao， Pang Xiaoyi，et al.Privacy－preserving task allocation for edge computing－based mobile crowdsensing［J］.Computers amp; Electrical Engineering ， 2022，97 ： 107528－107541.

［15］萬濤， 李婉琦， 葛晶晶. 基于區(qū)塊鏈的邊緣移動(dòng)群智感知聲譽(yù)更新方案［J］. 計(jì)算機(jī)應(yīng)用研究， 2022， 44 （6）： 1－6. （Wan Tao， Li Wanqi， Ge Jingjing. Reputation update scheme for blockchain－based edge mobile crowdsensing［J］.Application Research of Compu－ters，2022， 44 （6）： 1－6.）

［16］Wang Zhihu Guo Chaoqi， Liu Jiahao，et al.Accurate and privacy－preserving task allocation for edge computing assisted mobile crowdsensing［J］.IEEE Trans on Computational Social Systems ， 202 9 （1）： 120－133.

［17］Tao Xi， Song Wei. Location－dependent task allocation for mobile crowdsensing with clustering effect［J］.IEEE Internet of Things Journal ， 2018， 6 （1）： 1029－1045.

［18］蔣偉進(jìn)， 呂斯健， 劉躍華， 等. 基于城市軌道交通的群智感知任務(wù)分發(fā)方法［J］. 電子與信息學(xué)報(bào)， 202 43 （10）： 3035－3042. （Jiang Weijin， Lyu Sijian， Liu Yuehu et al. Task distribution method of participatory sensing based on urban rail transit［J］.Journal of Electronics amp; Information Technology ， 202 43 （10）： 3035－3042.）

［19］Yin Bo， Li Jiaqi， Wei Xuetao. Rational task assignment and path planning based on location and task characteristics in mobile crowdsensing［J］.IEEE Trans on Computational Social Systems，202 9 （3）： 781－793.

［20］Paillier P.Public－key cryptosystems based on composite degree residuosity classes［C］//Proc of the 7th International Conference on the Theory and Application of Cryptographic Techniques. Berlin： Springer， 1999： 223－238.

［21］Li W Y G， Jia Bing， Xu Haotian，et al.A multi－task scheduling mechanism based on ACO for maximizing workers’ benefits in mobile crowdsensing service markets with the Internet of Things［J］.IEEE Access ， 2019，7 ： 41463－41469.

收稿日期：2023－07－07；修回日期：2023－09－01基金項(xiàng)目：國家自然科學(xué)基金資助項(xiàng)目（61300216）；河南省高等學(xué)校重點(diǎn)科研資助項(xiàng)目（23A520033）；河南理工大學(xué)博士基金資助項(xiàng)目（B2020－32，B2022－16）

作者簡介：敖山（1971—），男，四川豐都人，副教授，碩導(dǎo)，博士，主要研究方向?yàn)榫W(wǎng)絡(luò)信息安全、系統(tǒng)仿真建模；?，F(xiàn)（1998—），男，河南平頂山人，碩士研究生，主要研究方向?yàn)榫W(wǎng)絡(luò)信息安全、群智感知；王輝（1975—），男，河南焦作人，博導(dǎo)，博士，主要研究方向?yàn)榫W(wǎng)絡(luò)安全、信息仿真；申自浩（1980—），男，河南南陽人，碩導(dǎo)，博士，主要研究方向?yàn)榫W(wǎng)絡(luò)信息安全、信息仿真；劉琨（1978—），女，河南焦作人，碩導(dǎo)，碩士，主要研究方向?yàn)榫W(wǎng)絡(luò)信息安全；劉沛騫（1970—），男（通信作者），山西大同人，碩導(dǎo)，博士，主要研究方向?yàn)榫W(wǎng)絡(luò)信息安全、機(jī)器學(xué)習(xí)（liupeiqian@hpu.edu.cn）．