参与者信誉度感知的MCS数据收集机制

工程科学学报，第39卷，第12期：1922-1934,2017年12月 Chinese Journal of Engineering,Vol.39,No.12:1922-1934,December 2017 D0l:10.13374/j.issn2095-9389.2017.12.020:http://journals..ustb.edu.cn 参与者信誉度感知的MCS数据收集机制 杨静2》，李鹏程2区，闫俊杰12) 1)重庆邮电大学通信与信息工程学院，重庆4000652)重庆邮电大学光通信与网络重点实验室，重庆400065 ☒通信作者，E-mail:2319689173@qq.com 摘要在群智感知(mobile crowd sensing,MCS)数据收集过程中，任务参与者的恶意行为能够显著降低感知结果的真实性. 为解决此问题，提出了一种参与者信誉度感知的数据收集机制，通过意愿程度和数据质量分析信任状态、量化历史信誉度，进 而，根据逻辑回归模型动态更新参与者当前信誉度.同时，为准确衡量感知数据可信程度，利用剩余可发送时间和移动设备 剩余能量将参与者分为直接发送和间接转发两类，从而在多任务并发场景下，服务器根据结果合理地选择任务参与者，达到 准确可靠收集感知数据的目的.结果表明所提出数据收集机制能大幅度提升感知任务实时性，显著提高感知数据质量，有效 降低服务器总奖励开销. 关键词群智感知：数据收集：参与者信誉度：信任状态：多任务并发场景 分类号TP393.04 MCS data collection mechanism for participants'reputation awareness YANG Jing,LI Peng-cheng,YAN Junjie 1)School of Communication and Information Engineering,Chongqing University of Posts and Telecommunications,Chongqing 400065,China 2)Key Laboratory of Optical Communication and Networks,Chongqing University of Posts and Telecommunications,Chongqing 400065,China Corresponding author:E-mail:2319689173@qq.com ABSTRACT Task participants'malicious behavior can significantly reduce the credibility of mobile crowd sensing (MCS).To solve this problem,this paper proposed a data collection mechanism that analyzed and quantified participants'historical reputation ac- cording to their willingness and the quality of data they had shared,and then updated their current reputation through the logistic re- gression model.Simultaneously,to measure the authenticity of the collected data,the participants were divided into two types:those who were related to direct transmission of sensing data and second,those who were involved in indirect forwarding of these,which was based on the remaining transmission time of sensing data and residual energy of mobile equipment.Then the server analyzed the accu- racy of data collected by participants according to the multitasking scenario.Simulation results show that the proposed mechanism can significantly improve the perceived tasks performed in real time,greatly upgrade the quality of sensing data,and effectively reduce the reward expenses KEY WORDS mobile crowd sensing (MCS);data collecting:participant's reputation:reputation state:multitasking scenario 近年来，随着微电子技术的快速发展，移动终端不 据，然后通过蜂窝通信系统或无线局域网等现有通信 仅具有了较大的存储空间，同时也具备了强大的计算 基础设施将数据上传到服务器，进而，服务器分析、处 能力.用户可利用移动设备中的加速度计、数字指南 理来自多个用户的数据后，为用户提供更精准、更智能 针和陀螺仪等传感器口作为感知单元获取周围环境数 的服务，通常将上述过程称为群智感知(mobile crowd 收稿日期：201701-15 基金项目：国家自然科学基金资助项目(61371097,61271261)：重庆市青年科技人才培养计划资助项目(CSTC2014KJRC-QNRC40001):重庆 高校创新团队建设计划资助项目(CXTDX201601020)

工程科学学报，第 39 卷，第 12 期: 1922--1934，2017 年 12 月 Chinese Journal of Engineering，Vol． 39，No． 12: 1922--1934，December 2017 DOI: 10． 13374 /j． issn2095--9389． 2017． 12． 020; http: / /journals． ustb． edu． cn 参与者信誉度感知的 MCS 数据收集机制 杨 静1，2) ，李鹏程1，2) ，闫俊杰1，2) 1) 重庆邮电大学通信与信息工程学院，重庆 400065 2) 重庆邮电大学光通信与网络重点实验室，重庆 400065  通信作者，E-mail: 2319689173@ qq． com 摘 要 在群智感知( mobile crowd sensing，MCS) 数据收集过程中，任务参与者的恶意行为能够显著降低感知结果的真实性． 为解决此问题，提出了一种参与者信誉度感知的数据收集机制，通过意愿程度和数据质量分析信任状态、量化历史信誉度，进 而，根据逻辑回归模型动态更新参与者当前信誉度． 同时，为准确衡量感知数据可信程度，利用剩余可发送时间和移动设备 剩余能量将参与者分为直接发送和间接转发两类，从而在多任务并发场景下，服务器根据结果合理地选择任务参与者，达到 准确可靠收集感知数据的目的． 结果表明所提出数据收集机制能大幅度提升感知任务实时性，显著提高感知数据质量，有效 降低服务器总奖励开销． 关键词 群智感知; 数据收集; 参与者信誉度; 信任状态; 多任务并发场景 分类号 TP393. 04 MCS data collection mechanism for participants’reputation awareness YANG Jing1，2) ，LI Peng-cheng1，2)  ，YAN Jun-jie1，2) 1) School of Communication and Information Engineering，Chongqing University of Posts and Telecommunications，Chongqing 400065，China 2) Key Laboratory of Optical Communication and Networks，Chongqing University of Posts and Telecommunications，Chongqing 400065，China  Corresponding author: E-mail: 2319689173@ qq． com ABSTＲACT Task participants’malicious behavior can significantly reduce the credibility of mobile crowd sensing ( MCS) ． To solve this problem，this paper proposed a data collection mechanism that analyzed and quantified participants’historical reputation ac￾cording to their willingness and the quality of data they had shared，and then updated their current reputation through the logistic re￾gression model． Simultaneously，to measure the authenticity of the collected data，the participants were divided into two types: those who were related to direct transmission of sensing data and second，those who were involved in indirect forwarding of these，which was based on the remaining transmission time of sensing data and residual energy of mobile equipment． Then the server analyzed the accu￾racy of data collected by participants according to the multitasking scenario． Simulation results show that the proposed mechanism can significantly improve the perceived tasks performed in real time，greatly upgrade the quality of sensing data，and effectively reduce the reward expenses． KEY WOＲDS mobile crowd sensing ( MCS) ; data collecting; participant’s reputation; reputation state; multitasking scenario 收稿日期: 2017--01--15 基金项目: 国家自然科学基金资助项目( 61371097，61271261) ; 重庆市青年科技人才培养计划资助项目( CSTC2014KJＲC--QNＲC40001) ; 重庆 高校创新团队建设计划资助项目( CXTDX201601020) 近年来，随着微电子技术的快速发展，移动终端不 仅具有了较大的存储空间，同时也具备了强大的计算 能力． 用户可利用移动设备中的加速度计、数字指南 针和陀螺仪等传感器［1］作为感知单元获取周围环境数 据，然后通过蜂窝通信系统或无线局域网等现有通信 基础设施将数据上传到服务器，进而，服务器分析、处 理来自多个用户的数据后，为用户提供更精准、更智能 的服务，通常将上述过程称为群智感知( mobile crowd

杨静等：参与者信誉度感知的MCS数据收集机制 *1923· sensing,MCS)☒，其中用户称为参与者，用户获取的 实可靠，没有提出衡量感知数据可靠程度的标准，因此 数据称为感知数据，而服务则称为感知任务。群智感 可能导致感知数据与实际情况存在一定偏差，即不能 知可以广泛地应用于超大规模、环境复杂、全面实时的 真实反映感知任务实际执行情况.对于感知数据可靠 环境中，以满足人们的生活需求，例如智能交通四、环 收集方面，文献5]中通过建立概率模型评估感知数 境监测田、个人健康监护可和社交活动等，其相关研 据的可靠性，并结合室内定位应用场景验证了该机制 究也引起了国内外学术界的广泛关注 的合理性，虽然可以有效提高准确性，但是没有考虑感 群智感知中参与者具有较高的移动性和灵活性， 知任务的实时性要求.文献山6]在传统拍卖机制的基 移动设备具有较大的储存空间、强大的计算能力，因 础上综合考虑参与者所获奖励、感知时间以及感知数 此，系统具有较强的稳定性，并且能够准确实时地完成 据总量等因素，提出多属性拍卖机制(muli-attributive 感知任务.同时，移动设备可充电后循环使用，与传统 auctions,MAA),结果表明可有效提高感知数据的可 无线传感器网络可的节点部署方式相比，设备利用率 靠性.尽管现有的研究已经很充分，但是都未从参与 更高、系统成本更低。另外，在整个感知过程中，群智 者信誉度属性考虑感知任务的实时可靠性 感知以大量参与者为基础，地理位置和移动设备等差 针对群智感知中感知数据可靠收集问题，本文提 异导致各参与者信誉度不尽相同圆，而信誉度作为衡 出一种参与者信誉度感知（participants'reputation 量感知数据可靠性的重要参数，意味着信誉度越高感 aware,PRA)的数据收集机制.服务器根据参与者意 知数据可靠性越强，因此如何选择信誉度较高的参与 愿程度和数据质量分析其历史信任状态，评估其历史 者实时准确完成感知任务成为一个关键的技术挑战. 信誉度，进而动态更新其当前信誉度.同时，根据参与 当前，群智感知数据的收集主要包括以参与者为 者剩余可发送时间及其移动设备剩余能量，确定其直 中心和以平台为中心回两种模式。前种模式下，服务 接发送或间接转发感知数据，对于直接发送，参与者直 器根据拍卖理论设计激励机制网，即通过给予一定的 接将感知数据发送到服务器，而对于间接转发，则首先 奖励补偿参与者感知过程中的损耗，以达到激励参与 衡量与其存在朋友关系的参与者间信任程度，然后据 者积极获取数据、激励新用户积极加入感知任务的目 此选择最佳朋友为其转发感知数据.参与者感知数据 的.对于后种模式，服务器根据给定方式如使得感知 发送到服务器后，服务器将当前信誉度作为衡量其感 任务总奖励开销效用最大化，由于参与者之间存在着 知数据可信程度的重要依据，并以此确定是否接收其 竞争总奖励的关系，为了最大化各自所获奖励，各参与 感知数据，从而达到实时准确完成感知任务的目的 者均需积极参与感知任务、发送足量感知数据，故服务 1系统模型 器也能达到收集数据的目的.两种模式下，服务器均 可收集感知数据，不同的是前种模式只考虑最终参与 群智感知系统模型如图1(a)所示.首先，任务请 感知任务的参与者数量，而后种模式仅考虑服务器最 求者将智能交通、环境监测等感知任务信息发送至服 终收集感知数据的总量，两种模式下均没有考虑感知 务器，移动用户接收到服务器广播任务消息并参与后， 数据的可靠性.然而对于实际感知任务，由于参与者 在感知区域内获取相关数据，这些用户包括已有参与 所获取的数据可能包含其地理位置、生活习惯和个人 者和新加入参与者.其次，参与者综合考虑移动设备 兴趣等隐私信息四，出于自身安全考虑，发送的感知 当前剩余能量及剩余可发送时间因素，将感知数据直 数据可能不完整.另外，可能存在恶意参与者发送虚 接发送或通过最佳朋友间接转发到服务器.最后，服 假错误数据骗取奖励，显然不利于服务器分析处理数 务器选择收集数据后，通过处理将结果发送给任务请 据，同时影响结果的真实准确性，故此时难以保证准确 求者，从而完成整个感知任务.在上述过程中，为准确 可靠完成感知任务.因此，如何保证信誉度较高的参 可靠完成感知任务，服务器需要对新加入参与者进行 与者在感知区域内获取和发送真实可靠数据，且以最 注册登记，且本地管理中心需动态管理参与者信誉度， 小总奖励开销完成感知任务至关重要，同时，还需要设 具体过程如图1(b)所示. 计有效的数据收集机制来提高感知任务的实时性和准 新加入参与者注册登记后，本地管理中心初始化 确性. 其信誉度以保证其能够参与到首次感知任务，避免因 关于群智感知中数据收集问题，文献3]中根据 不确定信誉度而无法判断其感知数据可信程度.考虑 状态属性选择任务参与者，虽然此方法可有效激励新 到信誉度连续动态变化的特征，因此可通过参与者历 用户，但由于没有考虑服务器总奖励，因此不能解决开 史感知任务信息动态管理其当前信誉度，并以此作为 销问题.文献D4]中提出效用最大化(profit maximi-- 衡量其下次感知数据可信程度的重要依据.由于感知 zing truthful,ProMoT)的拍卖机制，虽然可以将激励成 任务一般都有较高的实时性要求，显然服务器更倾向 本控制在一定范围，但未考虑参与者感知数据是否真 于选择较积极的参与者，通过意愿程度描述参与者积

杨 静等: 参与者信誉度感知的 MCS 数据收集机制 sensing，MCS) ［2］，其中用户称为参与者，用户获取的 数据称为感知数据，而服务则称为感知任务． 群智感 知可以广泛地应用于超大规模、环境复杂、全面实时的 环境中，以满足人们的生活需求，例如智能交通［3］、环 境监测［4］、个人健康监护［5］和社交活动［6］等，其相关研 究也引起了国内外学术界的广泛关注． 群智感知中参与者具有较高的移动性和灵活性， 移动设备具有较大的储存空间、强大的计算能力，因 此，系统具有较强的稳定性，并且能够准确实时地完成 感知任务． 同时，移动设备可充电后循环使用，与传统 无线传感器网络［7］的节点部署方式相比，设备利用率 更高、系统成本更低． 另外，在整个感知过程中，群智 感知以大量参与者为基础，地理位置和移动设备等差 异导致各参与者信誉度不尽相同［8］，而信誉度作为衡 量感知数据可靠性的重要参数，意味着信誉度越高感 知数据可靠性越强，因此如何选择信誉度较高的参与 者实时准确完成感知任务成为一个关键的技术挑战． 当前，群智感知数据的收集主要包括以参与者为 中心和以平台为中心［9］两种模式． 前种模式下，服务 器根据拍卖理论设计激励机制［10］，即通过给予一定的 奖励补偿参与者感知过程中的损耗，以达到激励参与 者积极获取数据、激励新用户积极加入感知任务的目 的． 对于后种模式，服务器根据给定方式［11］使得感知 任务总奖励开销效用最大化，由于参与者之间存在着 竞争总奖励的关系，为了最大化各自所获奖励，各参与 者均需积极参与感知任务、发送足量感知数据，故服务 器也能达到收集数据的目的． 两种模式下，服务器均 可收集感知数据，不同的是前种模式只考虑最终参与 感知任务的参与者数量，而后种模式仅考虑服务器最 终收集感知数据的总量，两种模式下均没有考虑感知 数据的可靠性． 然而对于实际感知任务，由于参与者 所获取的数据可能包含其地理位置、生活习惯和个人 兴趣等隐私信息［12］，出于自身安全考虑，发送的感知 数据可能不完整． 另外，可能存在恶意参与者发送虚 假错误数据骗取奖励，显然不利于服务器分析处理数 据，同时影响结果的真实准确性，故此时难以保证准确 可靠完成感知任务． 因此，如何保证信誉度较高的参 与者在感知区域内获取和发送真实可靠数据，且以最 小总奖励开销完成感知任务至关重要，同时，还需要设 计有效的数据收集机制来提高感知任务的实时性和准 确性． 关于群智感知中数据收集问题，文献［13］中根据 状态属性选择任务参与者，虽然此方法可有效激励新 用户，但由于没有考虑服务器总奖励，因此不能解决开 销问题． 文献［14］中提出效用最大化( profit maximi￾zing truthful，ProMoT) 的拍卖机制，虽然可以将激励成 本控制在一定范围，但未考虑参与者感知数据是否真 实可靠，没有提出衡量感知数据可靠程度的标准，因此 可能导致感知数据与实际情况存在一定偏差，即不能 真实反映感知任务实际执行情况． 对于感知数据可靠 收集方面，文献［15］中通过建立概率模型评估感知数 据的可靠性，并结合室内定位应用场景验证了该机制 的合理性，虽然可以有效提高准确性，但是没有考虑感 知任务的实时性要求． 文献［16］在传统拍卖机制的基 础上综合考虑参与者所获奖励、感知时间以及感知数 据总量等因素，提出多属性拍卖机制( multi-attributive auctions，MAA) ，结果表明可有效提高感知数据的可 靠性． 尽管现有的研究已经很充分，但是都未从参与 者信誉度属性考虑感知任务的实时可靠性． 针对群智感知中感知数据可靠收集问题，本文提 出一 种 参 与 者 信 誉 度 感 知 ( participants' reputation aware，PＲA) 的数据收集机制． 服务器根据参与者意 愿程度和数据质量分析其历史信任状态，评估其历史 信誉度，进而动态更新其当前信誉度． 同时，根据参与 者剩余可发送时间及其移动设备剩余能量，确定其直 接发送或间接转发感知数据，对于直接发送，参与者直 接将感知数据发送到服务器，而对于间接转发，则首先 衡量与其存在朋友关系的参与者间信任程度，然后据 此选择最佳朋友为其转发感知数据． 参与者感知数据 发送到服务器后，服务器将当前信誉度作为衡量其感 知数据可信程度的重要依据，并以此确定是否接收其 感知数据，从而达到实时准确完成感知任务的目的． 1 系统模型 群智感知系统模型如图 1( a) 所示． 首先，任务请 求者将智能交通、环境监测等感知任务信息发送至服 务器，移动用户接收到服务器广播任务消息并参与后， 在感知区域内获取相关数据，这些用户包括已有参与 者和新加入参与者． 其次，参与者综合考虑移动设备 当前剩余能量及剩余可发送时间因素，将感知数据直 接发送或通过最佳朋友间接转发到服务器． 最后，服 务器选择收集数据后，通过处理将结果发送给任务请 求者，从而完成整个感知任务． 在上述过程中，为准确 可靠完成感知任务，服务器需要对新加入参与者进行 注册登记，且本地管理中心需动态管理参与者信誉度， 具体过程如图 1( b) 所示． 新加入参与者注册登记后，本地管理中心初始化 其信誉度以保证其能够参与到首次感知任务，避免因 不确定信誉度而无法判断其感知数据可信程度． 考虑 到信誉度连续动态变化的特征，因此可通过参与者历 史感知任务信息动态管理其当前信誉度，并以此作为 衡量其下次感知数据可信程度的重要依据． 由于感知 任务一般都有较高的实时性要求，显然服务器更倾向 于选择较积极的参与者，通过意愿程度描述参与者积 · 3291 ·

·1924· 工程科学学报，第39卷，第12期 心新加入参与者 心已有参与者 4基站 本地数据库 通平台中心 心本地管理中心 ●环境监测 ●智能交通 信誉度初始化 历史信誉度动态更新 意愿程度 数据质量 服务器本地数据库患本地管理中心鱼平台中心 图1群智感知系统模型()及参与者信誉度更新流程(b) Fig.I MCS system model (a)and participants'reputation update process (b) 极特性.同时，结合感知任务可靠性要求，仅仅分析参 度，将信誉值归一化在0,1]范围内，其中0表示完全 与者意愿程度远远不够，还需考虑感知数据的质量. 不可信，0.5表示不确定，1表示完全可信.同时，为了 根据以上分析，假设参与者集合为U={山，u2, 让新加入参与者能够参与到首次感知任务，本地管理 …,u},其中u:历史感知任务按时间顺序排列为O= 中心将其初始信誉值设置为0.5，表示初始时其信 {0102…,0n},即0n为最近参与的感知任务.另外， 誉度不确定. 假设山，对历史感知任务·：的意愿程度和数据质量分 2.1历史信誉度评估 别为心，和9，则可量化历史信任状态，结合其初始 考虑到意愿程度和数据质量是描述感知任务实时 信誉值：可得历史信誉度，此时根据各历史信誉度 性和可靠性的重要因素，其中意愿程度是参与者特有 动态更新u:当前信誉度，从而准确量化其下次感知 的社会属性，表示其参与感知任务的积极程度，而数据 数据的可信程度.综上，可将“：信誉度动态更新方法 质量则反映其感知数据的准确程度.故此处先根据历 模型化为r:=r:(),其中雪=r(rir(w9)为历 史感知任务o:的意愿程度w:和数据质量q信息量化 史信誉评估方法，(w,9)为4：量化历史信任状态 山：历史信任状态，然后结合初始信誉值确定感知任务 方法 o的历史信誉度r 2.1.1参与者意愿程度 2信誉度感知与动态更新 假设时服务器开始广播历史感知任务·，消息， 如前所述，参与者信誉度具有连续变化的特征，为 (时结束收集感知数据，则服务器允许参与者感知时 了满足感知任务的实时性和可靠性要求，需对参与者 间为-同时假设参与者山：在时刻接收到广播 信誉度进行动态更新.本部分平台中心首先为新加入 任务0，消息，在号时刻开始参与任务，则称号-为山 参与者初始化信誉值，然后根据历史感知任务中意愿 对任务的响应时间，此时可知4：响应时间，越小， 程度和数据质量信息评估其历史信誉度，最后提出信 其参与任务的积极性越高，从而其意愿程度越高. 誉度动态更新方法.另外，为较好的确定参与者信誉 另外，为了避免单因素衡量意愿程度带来的片面性，考

工程科学学报，第 39 卷，第 12 期 图 1 群智感知系统模型( a) 及参与者信誉度更新流程( b) Fig． 1 MCS system model ( a) and participants' reputation update process ( b) 极特性． 同时，结合感知任务可靠性要求，仅仅分析参 与者意愿程度远远不够，还需考虑感知数据的质量． 根据以上分析，假设参与者集合为 U = { u1，u2， …，um } ，其中 ui 历史感知任务按时间顺序排列为 Oi = { oi1，oi2，…，oin } ，即 oin为最近参与的感知任务． 另外， 假设 ui 对历史感知任务 oij的意愿程度和数据质量分 别为 wij和 qij，则可量化历史信任状态 r f ij，结合其初始 信誉值 r'i 可得历史信誉度 r h ij，此时根据各历史信誉度 动态更新 ui 当前信誉度 ri，从而准确量化其下次感知 数据的可信程度． 综上，可将 ui 信誉度动态更新方法 模型化为 ri = ri ( r h ij) ，其中 r h ij = r h ij ( r'i，r f ij ( wij，qij ) ) 为历 史信誉评估方法，r f ij ( wij，qij ) 为 ui 量化历史信任状态 方法． 2 信誉度感知与动态更新 如前所述，参与者信誉度具有连续变化的特征，为 了满足感知任务的实时性和可靠性要求，需对参与者 信誉度进行动态更新． 本部分平台中心首先为新加入 参与者初始化信誉值，然后根据历史感知任务中意愿 程度和数据质量信息评估其历史信誉度，最后提出信 誉度动态更新方法． 另外，为较好的确定参与者信誉 度，将信誉值归一化在［0，1］范围内，其中 0 表示完全 不可信，0. 5 表示不确定，1 表示完全可信． 同时，为了 让新加入参与者能够参与到首次感知任务，本地管理 中心将其初始信誉值 r'i 设置为 0. 5，表示初始时其信 誉度不确定． 2. 1 历史信誉度评估 考虑到意愿程度和数据质量是描述感知任务实时 性和可靠性的重要因素，其中意愿程度是参与者特有 的社会属性，表示其参与感知任务的积极程度，而数据 质量则反映其感知数据的准确程度． 故此处先根据历 史感知任务 oij的意愿程度 wij和数据质量 qij信息量化 ui 历史信任状态，然后结合初始信誉值确定感知任务 oij的历史信誉度 r h ij． 2. 1. 1 参与者意愿程度 假设 t s j 时服务器开始广播历史感知任务 oij消息， t e j 时结束收集感知数据，则服务器允许参与者感知时 间为 t e j － t s j ． 同时假设参与者 ui 在 t r ij时刻接收到广播 任务 oij消息，在 t p ij时刻开始参与任务，则称 t p ij － t r ij为 ui 对任务 oij的响应时间 tij，此时可知 ui 响应时间 tij越小， 其参与任务 oij 的积极性越高，从而其意愿程度越高． 另外，为了避免单因素衡量意愿程度带来的片面性，考 · 4291 ·

杨静等：参与者信誉度感知的MCS数据收集机制 ·1925· 虑到“：移动设备当前剩余能量E占总能量E比例 量，达到以最小总奖励开销实时准确完成感知任务的 越大时，其参与感知任务的积极程度越高叨.综合分 目的. 析：响应时间和当前剩余能量因素，因此可根据当前 参与者山，感知数据时效性k表示其在服务器规 利余能量与响应时间比，衡量其对任务，的意慰 定感知时间内将感知数据发送到服务器的及时程度 -写 由于山，在时刻开始参与历史感知任务0g,假设在 程度w特别的，当山：接收消息时刻和参与任务时 时刻将数据发送到服务器，则可得山：总感知时间 刻相等时，即响应时间，等于0，此时判断w等于1， 为兮-，因此可根据总感知时间来量化山，对任务 表示山一旦接收任务消息就立即参与：而一般的，为 0的时效性k·根据以上定义，显然山：总感知时间越 避免参与者感知能力、移动设备等差异，通过当前剩余 小，其感知数据时效性越高，且最小总感知时间为 能量与响应时间比量化心·综上可得，山：对任务o:的 min(t),因此可量化4，感知数据时效性km如下式 意愿程度w,如下式所示： 所示： 号=写： min ( (2) 1 E· (1) p 此外，参与者u:感知数据完整性k2表示其获取感 E(5-) 雪≠ 知数据总量情况.假设山：实际获取感知数据量为dg, 式中，P为最终参与历史感知任务0，的参与者总数，且 其理论可获取感知数据总量为“，此时可通过归一 根据群智感知以大量参与者为基础的特点以及感知任 化数据总量dg/d来量化4，对任务o,的完整性k2, 务较高的实时准确性要求可知P>1,而 表示u:实际获取感知数据量占理论可获取感知数据 p g为历 总量的比例.故山：实际获取的数据总量越大时，其感 史感知任务：平均响应时间 知数据越完整，且最大归一化数据总量可表示为 2.1.2参与者数据质量 max(d,/d),从而：感知数据完整性k2量化为下 参与者意愿程度只反映了感知任务的实时性，然 式所示： 而可能存在某些参与者的感知数据与任务需求无关， d/d e=max (d/d) (3) 或者与实际执行情况存在较大偏差，故还需从参与者 数据质量角度描述感知任务的可靠性.服务器收集感 同时通过量化准确度ke描述感知数据与实际情 知数据后对比分析任务需求，虽然可确定各参与者数 况的相符程度.对于历史感知任务0，参与者山：实际 据质量情况，但由于实际中感知任务具有较高的实时 获取感知数据为d,而利用服务器所存储信息可得任 性要求，而此方法得到的数据质量结果在时域内存在 务o实际情况数据d,因此可通过绝对误差1d,-d1 明显滞后，因此，本文对影响参与者数据质量的因素进 量化山：对任务0的准确度k·考虑到u,绝对误差越 行分析以解决上述问题 小时，其感知数据准确度越高，而最小绝对误差为 由于感知任务具有较高的实时准确性要求，服务 min(1d。-d1),因此u,感知数据的准确度可量化 器不仅希望参与者积极参与任务，还希望能够及时收 为如下式所示： 集可靠数据完成感知任务，因此需考虑感知数据的时 min (Id-d) 效性.然而，时效性只是保证数据质量的前提条件，时 ki= (4) Idy diea 效性较高的参与者不能说明其数据质量也越高，由于 由于不确定因素的影响导致各参与者理论可获取 移动设备、所处地理环境、感知数据能力等不确定因素 感知数据总量并非完全相同，服务器对参与者感知数 的影响，可能导致不同参与者发送数据总量存在差异 据实际使用量也不尽相同，此处通过归一化感知数据 而无法统一衡量数据质量，故通过感知数据完整性避 使用量d/进行统一衡量.同时，服务器收集参与 免上述问题.另外，参与者所获得的数据量越大、越准 者u:感知数据后将给予其一定的奖励c,然而历史感 确，则感知数据在一定程度上越有利于全面反映实际 知任务0，总奖励有限，另外各参与者所获取感知数据 情况，也越能可靠完成感知任务，因此，需要将准确度 可能存在一定的冗余，对服务器而言冗余数据降低了 作为衡量感知数据反映真实情况的因素.最后结合群 感知数据的价值，因此℃，越低、冗余数据越少，服务器 智感知以大量参与者为基础的特点，当服务器收集到 对其感知数据实际使用量也越大.可见，服务器通过 参与者感知数据时，将给予其适当的奖励，然而服务器 参与者感知数据实际使用量效用d/(d·c)来衡 收集各参与者的感知数据可能存在一定冗余，为尽量 量“对任务O的价值k,可达到既能减少感知任务 减少服务器开销，故还需考虑感知数据价值.综上，根 总奖励，又能收集足够多的非冗余感知数据的目的，同 据感知数据时效性、完整性、准确度和价值衡量数据质 时感知数据实际使用量效用越高，则价值越大，且最大

杨 静等: 参与者信誉度感知的 MCS 数据收集机制 虑到 ui 移动设备当前剩余能量 Er i 占总能量 Etotal i 比例 越大时，其参与感知任务的积极程度越高［17］． 综合分 析 ui 响应时间和当前剩余能量因素，因此可根据当前 剩余能量与响应时间比 Er i t p ij － t r ij 衡量其对任务 oij的意愿 程度 wij． 特别的，当 ui 接收消息时刻 t r ij和参与任务时 刻 t p ij相等时，即响应时间 tij等于 0，此时判断 wij等于 1， 表示 ui 一旦接收任务消息就立即参与; 而一般的，为 避免参与者感知能力、移动设备等差异，通过当前剩余 能量与响应时间比量化 wij． 综上可得，ui 对任务 oij的 意愿程度 wij，如下式所示: wij = 1， t p ij = tr ij; Er i· 1 p ∑ p i = 1 tij Etotal i ( t p ij － tr ij) ， t p ij ≠ t r { ij． ( 1) 式中，p 为最终参与历史感知任务 oij的参与者总数，且 根据群智感知以大量参与者为基础的特点以及感知任 务较高的实时准确性要求可知 p ＞ 1，而 1 p ∑ p i = 1 tij为历 史感知任务 oij平均响应时间． 2. 1. 2 参与者数据质量 参与者意愿程度只反映了感知任务的实时性，然 而可能存在某些参与者的感知数据与任务需求无关， 或者与实际执行情况存在较大偏差，故还需从参与者 数据质量角度描述感知任务的可靠性． 服务器收集感 知数据后对比分析任务需求，虽然可确定各参与者数 据质量情况，但由于实际中感知任务具有较高的实时 性要求，而此方法得到的数据质量结果在时域内存在 明显滞后，因此，本文对影响参与者数据质量的因素进 行分析以解决上述问题． 由于感知任务具有较高的实时准确性要求，服务 器不仅希望参与者积极参与任务，还希望能够及时收 集可靠数据完成感知任务，因此需考虑感知数据的时 效性． 然而，时效性只是保证数据质量的前提条件，时 效性较高的参与者不能说明其数据质量也越高，由于 移动设备、所处地理环境、感知数据能力等不确定因素 的影响，可能导致不同参与者发送数据总量存在差异 而无法统一衡量数据质量，故通过感知数据完整性避 免上述问题． 另外，参与者所获得的数据量越大、越准 确，则感知数据在一定程度上越有利于全面反映实际 情况，也越能可靠完成感知任务，因此，需要将准确度 作为衡量感知数据反映真实情况的因素． 最后结合群 智感知以大量参与者为基础的特点，当服务器收集到 参与者感知数据时，将给予其适当的奖励，然而服务器 收集各参与者的感知数据可能存在一定冗余，为尽量 减少服务器开销，故还需考虑感知数据价值． 综上，根 据感知数据时效性、完整性、准确度和价值衡量数据质 量，达到以最小总奖励开销实时准确完成感知任务的 目的． 参与者 ui 感知数据时效性 kij1表示其在服务器规 定感知时间内将感知数据发送到服务器的及时程度． 由于 ui 在 t p ij时刻开始参与历史感知任务 oij，假设在 t u ij 时刻将数据发送到服务器，则可得 ui 总感知时间 t total ij 为 t u ij － t p ij，因此可根据总感知时间 t total ij 来量化 ui 对任务 oij的时效性 kij1 ． 根据以上定义，显然 ui 总感知时间越 小，其感 知 数 据 时 效 性 越 高，且 最 小 总 感 知 时 间 为 min ( t total ij ) ，因此可量化 ui 感知数据时效性 kij1如下式 所示: kij1 = min ( t total ij ) t total ij ． ( 2) 此外，参与者 ui 感知数据完整性 kij2表示其获取感 知数据总量情况． 假设 ui 实际获取感知数据量为 dij， 其理论可获取感知数据总量为 dtotal ij ，此时可通过归一 化数据总量 dij / dtotal ij 来量化 ui 对任务 oij的完整性 kij2， 表示 ui 实际获取感知数据量占理论可获取感知数据 总量的比例． 故 ui 实际获取的数据总量越大时，其感 知数据 越 完 整，且 最 大 归 一 化 数 据 总 量 可 表 示 为 max ( dij / dtotal ij ) ，从而 ui 感知数据完整性 kij2 量化为下 式所示: kij2 = dij / dtotal ij max ( dij / dtotal ij ) ． ( 3) 同时通过量化准确度 kij3 描述感知数据与实际情 况的相符程度． 对于历史感知任务 oij，参与者 ui 实际 获取感知数据为 dij，而利用服务器所存储信息可得任 务 oij实际情况数据 dreal j ，因此可通过绝对误差| dij － dreal j | 量化 ui 对任务 oij的准确度 kij3 ． 考虑到 ui 绝对误差越 小时，其 感 知 数 据 准 确 度 越 高，而 最 小 绝 对 误 差 为 min ( | dij － dreal j | ) ，因此 ui 感知数据的准确度可量化 为如下式所示: kij3 = min ( | dij － dreal j | ) | dij － dreal j | ． ( 4) 由于不确定因素的影响导致各参与者理论可获取 感知数据总量并非完全相同，服务器对参与者感知数 据实际使用量也不尽相同，此处通过归一化感知数据 使用量 duse ij / dtotal ij 进行统一衡量． 同时，服务器收集参与 者 ui 感知数据后将给予其一定的奖励 cij，然而历史感 知任务 oij总奖励有限，另外各参与者所获取感知数据 可能存在一定的冗余，对服务器而言冗余数据降低了 感知数据的价值，因此 cij越低、冗余数据越少，服务器 对其感知数据实际使用量也越大． 可见，服务器通过 参与者感知数据实际使用量效用 duse ij /( dtotal ij ·cij ) 来衡 量 ui 对任务 oij的价值 kij4，可达到既能减少感知任务 总奖励，又能收集足够多的非冗余感知数据的目的，同 时感知数据实际使用量效用越高，则价值越大，且最大 · 5291 ·

·1926· 工程科学学报，第39卷，第12期 价值为max[dg/(d·ca)],因此4：感知数据价值 法可量化山：历史信任状态「对服务器而言，山：意愿 k可量化为如下式所示： 程度，和数据质量q越高，则越有利于准确可靠完成 a灯 d(dc) (5) 感知任务，故此时山：历史信任状态值越高。另外，若 4,所获奖励c,越高，服务器总奖励开销将急剧增加，因 综上，在衡量参与者山，发送感知数据及时程度的 此不利于的顺利完成，故此时判断“历史信任状态 基础上，从获取感知数据总量程度和反映真实情况的 值较低.此外，当新加入参与者参与首次感知任务时， 角度，借助感知数据价值大小分析：对历史感知任务 不存在历史感知任务，故服务器将意愿程度和数据质 0g的数据质量q,即根据u:感知数据时效性k、完整 量均设置为零，此时历史信任状态值也为零.综上，历 性k2、准确度k和价值k量化其数据质量，表示成向 史信任状态衡量方法如式(12)所示： 量形式为K=,kp,k,k].由于不同因素对山： 数据质量q:的影响程度不同，假设任务，各因素权重 的向量形式为A,=[a,a2,apa4]T,且满足a+ap+ (12) a3+a4=1,从而4：对历史感知任务0g的数据质量9 式中，互+心1为山，对历史感知任务，的信任状态值， 可量化为KgA 为避免主观因素导致A,不准确，从而影响数据质 而红+心则为全部参与者总历史信任状态值。 量结果，此处采用熵权法确定各因素权重.为避免 cg 各因素数据量纲和数量级所带来的误差，首先将参与 按照上述方式，可得参与者山：历史信任状态值 者“：各因素数据进行标准化，如下式所示： 「，同时，结合信誉度初始值和历史信誉度评估方法 n=7-,i=12,…p,T=1,2,34. (r(w,9)）可得u:对历史感知任务的历史信 (6) 誉度首先，当山：为新加入参与者时，其初始信誉值 式中，以，和sr分别表示山：对历史感知任务0第T个因 r:等于0.5，信任状态值r等于0，即r+r等于0.5，此 素的均值和标准差，如下式所示： 时难以确定其信誉程度，故等于0.5.其次，4：在感 4,=含7=124， 知区域中持续参与感知任务时，其历史信誉值随着历 (7) 史信任状态值的变化而变化，当信任状态值增加时，历 =会-47=1234 史信誉值也随之增加，即山：历史信誉值随着+ 的增加而增加.最后，由于u,信誉度，在D,1]范围 其次，求得各因素的信息熵，如下式所示： 内，若∈D,0.5),此时u通过提高意愿程度或数据 质量，其历史信誉度可较容易提高，且增加速率越来越 Hn=- In p ,T=1,2,3,4 (8) 快：反之若r:∈D.5,1],则由于历史信誉度提高空间 式中，r为历史感知任务，中，参与者山：第T个因素 有限，故此时增加速率越来越慢且历史信誉值几乎保 数据标准化后所占的比重，如下式所示： 持稳定不变.即山：历史信誉值较低时其增加速度快、 红，T=1,234 增长空间大，而信誉值较高时其增加速度慢、增长空间 (9) 小.根据上述变化趋势，本文选择岭型分布中的偏大 型网评估山，历史信誉度，结合+∈D,1]约束条 最后，求得各因素对应的归一化权重，如下式 件，可得评估方法如下式所示： 所示： (r+)= a卫，T=1,2,3,4. (10) 0 r+ri≤0， m=4 1 0<ri+rg≤1， 其中，a为第T个因素信息熵对应的熵权，如下式 +rg>1. 所示： (13) 1-H @T=4 —,T=1,2,3,4. (11) 2.2信誉度动态更新 (1-Hz) 当参与者“：接收到服务器广播任务og消息、参与 2.1.3历史信誉度评估 并完成该历史感知任务之后，此时其相应的历史信誉 根据以上分析，可得参与者山：对历史感知任务， 度为结合参与者信誉度动态连续变化特性，可根 的意愿程度心，和数据质量9信息，结合t（0g'9)方 据山：历史信誉度动态更新其当前信誉度，从而准

工程科学学报，第 39 卷，第 12 期 价值为 max ［duse ij /( dtotal ij ·cij ) ］，因此 ui 感知数据价值 kij4可量化为如下式所示: kij4 = duse ij /( dtotal ij ·cij) max ［duse ij /( dtotal ij ·cij) ］． ( 5) 综上，在衡量参与者 ui 发送感知数据及时程度的 基础上，从获取感知数据总量程度和反映真实情况的 角度，借助感知数据价值大小分析 ui 对历史感知任务 oij的数据质量 qij，即根据 ui 感知数据时效性 kij1、完整 性 kij2、准确度 kij3和价值 kij4量化其数据质量，表示成向 量形式为 Kij =［kij1，kij2，kij3，kij4］． 由于不同因素对 ui 数据质量 qij的影响程度不同，假设任务 oij各因素权重 的向量形式为 Aj =［aj1，aj2，aj3，aj4］T ，且满足 aj1 + aj2 + aj3 + aj4 = 1，从而 ui 对历史感知任务 oij的数据质量 qij 可量化为 Kij·Aj ． 为避免主观因素导致 Aj 不准确，从而影响数据质 量结果，此处采用熵权法［18］确定各因素权重． 为避免 各因素数据量纲和数量级所带来的误差，首先将参与 者 ui 各因素数据进行标准化，如下式所示: k^ ijT = kijT － μjT sjT ，i = 1，2，…，p，T = 1，2，3，4． ( 6) 式中，μjT和 sjT分别表示 ui 对历史感知任务 oij第 T 个因 素的均值和标准差，如下式所示: μjT = 1 p ∑ p i = 1 kijT T = 1，2，3，4， s 2 jT = 1 p － 1 ∑ p i = 1 ( kijT － μjT ) 2 { T = 1，2，3，4． ( 7) 其次，求得各因素的信息熵，如下式所示: HjT = － ∑ p i = 1 vijT ln vijT ln p ，T = 1，2，3，4． ( 8) 式中，vijT为历史感知任务 oij中，参与者 ui 第 T 个因素 数据标准化后所占的比重，如下式所示: vijT = k^ ijT ∑ p i = 1 k^ ijT ，T = 1，2，3，4． ( 9) 最后，求 得 各 因 素 对 应 的 归 一 化 权 重，如 下 式 所示: ajT = a'jT ∑ 4 T = 1 a'jT ，T = 1，2，3，4. ( 10) 其中，a'jT 为第 T 个 因 素 信 息 熵 对 应 的 熵 权，如 下 式 所示: a'jT = 1 － HjT ∑ 4 T = 1 ( 1 － HjT ) ，T = 1，2，3，4. ( 11) 2. 1. 3 历史信誉度评估 根据以上分析，可得参与者 ui 对历史感知任务 oij 的意愿程度 wij和数据质量 qij信息，结合 r f ij ( wij，qij) 方 法可量化 ui 历史信任状态 r f ij． 对服务器而言，ui 意愿 程度 wij和数据质量 qij越高，则越有利于准确可靠完成 感知任务，故此时 ui 历史信任状态值 r f ij越高． 另外，若 ui 所获奖励 cij越高，服务器总奖励开销将急剧增加，因 此不利于 oij的顺利完成，故此时判断 ui 历史信任状态 值较低． 此外，当新加入参与者参与首次感知任务时， 不存在历史感知任务，故服务器将意愿程度和数据质 量均设置为零，此时历史信任状态值也为零． 综上，历 史信任状态衡量方法如式( 12) 所示: r f ij = log2 ( qij + wij cij ) + 1 － log2 ( ∑ p i = 1 qij + wij cij ) + 1 ． ( 12) 式中， qij + wij cij 为 ui 对历史感知任务 oij 的信任状态值， 而 ∑ p i = 1 qij + wij cij 则为全部参与者总历史信任状态值． 按照上述方式，可得参与者 ui 历史信任状态值 r f ij，同时，结合信誉度初始值 r'i 和历史信誉度评估方法 r h ij( r'i，r f ij( wij，qij) ) 可得 ui 对历史感知任务 oij的历史信 誉度 r h ij． 首先，当 ui 为新加入参与者时，其初始信誉值 r'i 等于 0. 5，信任状态值 r f ij等于 0，即 r'i + r f ij等于 0. 5，此 时难以确定其信誉程度，故 r h ij等于 0. 5． 其次，ui 在感 知区域中持续参与感知任务时，其历史信誉值随着历 史信任状态值的变化而变化，当信任状态值增加时，历 史信誉值也随之增加，即 ui 历史信誉值 r h ij随着 r'i + r f ij 的增加而增加． 最后，由于 ui 信誉度 ri 在［0，1］范围 内，若 r h ij∈［0，0. 5) ，此时 ui 通过提高意愿程度或数据 质量，其历史信誉度可较容易提高，且增加速率越来越 快; 反之若 r h ij∈［0. 5，1］，则由于历史信誉度提高空间 有限，故此时增加速率越来越慢且历史信誉值几乎保 持稳定不变． 即 ui 历史信誉值较低时其增加速度快、 增长空间大，而信誉值较高时其增加速度慢、增长空间 小． 根据上述变化趋势，本文选择岭型分布中的偏大 型［19］评估 ui 历史信誉度，结合 r'i + r f ij∈［0，1］约束条 件，可得评估方法如下式所示: r h ij( r'i + r f ij) = 0 r'i + r f i≤0， 1 2 sin π ( r'i + r f ij － ) 1 2 + 1 2 0 ＜ r'i + r f ij≤1， 1 r'i + r f ij      ＞ 1. ( 13) 2. 2 信誉度动态更新 当参与者 ui 接收到服务器广播任务 oij消息、参与 并完成该历史感知任务之后，此时其相应的历史信誉 度为 r h ij． 结合参与者信誉度动态连续变化特性，可根 据 ui 历史信誉度 r h ij动态更新其当前信誉度 ri，从而准 · 6291 ·