群智感知网络的发展及挑战

北京邮电大学智能通信软件与多媒体北京市重点实验室 北京 100876

目前物联网已进入深度发展阶段，对物理环境透彻感知的需求越来越强烈，而随着无线通信和传感器技术的进步，市场上的智能手机、平板电脑、可穿戴设备、车载感知设备等移动终端集成了越来越多的传感器，拥有越来越强大的计算、感知、存储和通信能力。随着这些无线移动终端设备的爆炸式普及，在大力发展了十几年如何利用特定的有意识部署的传感器提供感知服务之后，物联网将通过利用这些普适的移动设备提供更大规模的、更复杂的、透彻而全面的感知服务，从而进入一个全新的发展时代[1]。

1 群智感知网络简介

1.1 群智感知网络的基本概念

学术界通常将利用普适的移动设备提供感知服务的物联网新型感知模式称之为“以人为中心的感知”。按照感知对象的类型和规模，这种感知模式的应用可以分为两类：个体感知(Personal Sensing)和社群感知(Community/Social Sensing)。典型的个体感知应用包括对个人的运动模式(如站立、行走、慢跑、快跑等)进行监测来促进身体健康，对个人的日常交通模式(如自行车、汽车、公交车、火车等)进行监测来记录个人的碳排放足迹等。相比而言，社群感知可以完成那些仅依靠个体很难实现的大规模、复杂的社会感知任务。例如，在交通拥堵状况和城市空气质量监测应用中,只有当大量的个体提供行驶速度或空气质量信息，并将这些信息进行汇聚分析，才能了解整个城市的交通状况或空气质量分布。

社群感知又称为“群智感知”(Crowd Sensing)[1-3]。这主要来源于众包(Crowdsourcing)的思想，所以又称之为“众包感知”(Crowdsourced Sensing)。众包是《连线》(Wired)杂志在2006年发明的一个专业术语，用来描述一种新的分布式问题解决和工作模式，即企业利用互联网来将工作分配出去、发现创意或解决技术问题。近年来，人们将众包的思想与移动感知相结合，将普通用户的移动设备作为基本感知单元，通过移动互联网进行有意识或无意识的协作，形成群智感知网络，实现感知任务分发与感知数据收集，完成大规模的、复杂的社会感知任务。

1.2 群智感知网络的基本特征

在传统的无线传感器网络中，人仅仅作为感知数据的最终“消费者”。相比而言，群智感知网络一个最重要的特点是人将参与数据感知、传输、分析、应用等整个系统的每个过程，既是感知数据的“消费者”，也是感知数据的“生产者”，套用一个流行的新造词，可称之为“Prosumer”。这种以人为中心的基本特征为物联网感知和传输手段带来了前所未有的机会，具体表现如下。

1) 网络部署成本更低。首先，城市中已有大量的移动设备或车辆，无需专门部署；其次，人的移动性可以促进感知覆盖与数据传输。一方面，随着移动设备的持有者随机地到达各个地方，这些节点即可随时随地进行感知；另一方面，由于移动节点之间的相互接触，这些节点可以使用“存储—携带—转发”的机会传输模式在间歇性连通的网络环境中传输感知数据。

2) 网络维护更容易。首先，网络中的节点通常具有更好的能量供给，更强的计算、存储和通信能力；其次，这些节点通常由其持有者进行管理和维护，从而处于比较好的工作状态。例如，人们总是可以随时根据需要来对自己的手机等移动设备进行充电。

3) 系统更具有可扩展性。我们只需要招募更多的用户参与即可满足系统应用规模的扩大。

由于上述优点，群智感知网络成为物联网新型的重要感知手段，可利用普适的移动感知设备完成那些仅依靠个体很难实现的大规模、复杂的社会感知任务。

1.3 群智感知网络的系统结构

如图1所示，一个典型的群智感知网络通常由感知平台和移动用户两部分构成。其中，感知平台由位于数据中心的多个感知服务器组成；移动用户可以利用智能手机所嵌入的各种传感器(GPS、加速计、重力感应器、陀螺仪、电子罗盘、光线距离感应器、麦克风、摄像头等)、车载感知设备(GPS、OBD-II等)、可穿戴设备(智能眼镜、智能手表等)或其它便携式电子设备(如Intel的空气质量传感器)等采集各种感知数据，并通过移动蜂窝网络(如GSM、3G/4G)或短距离无线通信的方式(如蓝牙、Wi-Fi)与感知平台进行网络连接，并上报感知数据。系统的工作流程可以描述为以下五个步骤。

1) 感知平台将某个感知任务划分为若干个感知子任务，通过开放呼叫的方式向移动用户发布这些任务，并采取某种激励机制吸引用户参与；

2) 用户得知感知任务后，根据自己的情况决定是否参与感知活动；

3) 参与用户利用所携带移动设备的传感器进行感知，将感知数据进行前端处理，并采用隐私保护手段将数据上报到感知平台；

4) 感知平台对所获得的所有感知数据进行处理和分析，并以此构建环境监测、智能交通、城市管理、公共安全、社交服务等各种群智感知应用；

5) 感知平台对用户数据进行评估，并根据所采用的激励机制对用户感知所付出的代价进行适当补偿。

图1 群智感知网络系统结构

2 群智感知网络的典型应用

目前，群智感知网络已应用到如下典型领域。

1) 环境监测。相比传统的传感器网络，群智感知网络利用普适的移动感知设备，能以较小成本实现对整个城市的自然环境的大规模监测。例如，Common Sense[4]利用手持式的空气质量传感器测量空气污染(例如CO2、NOx)状况，并将其通过蓝牙与手机进行连接上报感知数据；NoiseTube[5]和Ear-Phone[6]利用手机的麦克风测量环境噪音，并汇集大量用户的感知数据构造城市的环境噪音地图；CreekWatch[7]利用用户拍照或文本描述来记录不同地方的水质或垃圾数量，用来跟踪水质污染。

2) 智能交通。利用普适的移动感知设备对路况信息进行收集、处理后反馈给用户，向用户提供更智能的出行路线和驾驶辅助。例如，CarTel[8]和VTrack[9]利用位置传感器采集用户移动轨迹，估计交通拥堵状况、交通延迟等，为用户提供合适的行驶路线；SignalGuru[10]利用手机摄像头感知当前交通灯的颜色，并通过在附近车辆间共享信息来预测交通灯的变化状态，辅助驾驶员正确调整速度，达到减少停车次数、降低燃油消耗的目的，同时也改善了交通状况；GreenGPS[11]采集用户的车载GPS信息，并与车辆的燃油消耗相关联，从而为用户提供燃油消耗更少的绿色出行路线。

3) 城市管理。利用普适的移动感知设备可以方便地对城市的基础设施进行监测，帮助政府决策人员更好地管理和规划城市，也可以辅助企事业单位或个人进行决策。例如Sensorly[12]利用手机测量Wi-Fi或移动蜂窝网络信号质量，并汇集大量用户的感知数据构造城市的网络覆盖地图；Pothole Patrol(P2)[13]和Nericell[14]使用加速计、GPS等传感器估计道路的颠簸状况；ParkNet[15]使用安装在车辆上的超声波传感器联合智能手机来探测城市街道上可用的停车位。

4)公共安全。利用普适的移动感知设备可以及时地发现和预测突发事件，避免事故发生，用户捕获的大量视频、图片等信息可以辅助刑侦人员进行案件调查。例如，文献[16]提出利用手机蓝牙扫描的方法快速估计公共场所的人群密度；文献[17]设计的感知平台Medusa可以用来及时报告和跟踪突发事件(如美国的“占领运动”)；文献[18]设计的感知平台GigaSight可以汇集用户捕获的大量的视频、图片信息，用来从中寻找丢失的孩子，或帮助刑侦人员找到犯罪分子(如美国波士顿爆炸案嫌疑人)。

5) 社交服务。用户可以通过移动社交网络相互分享感知信息，通过感知信息的比较和分析来更加了解自己的行为习惯，获取对自己有用的知识，进而改善自己的行为模式。例如BikeNet[19]使用户在社交网络中分享骑自行车所经道路的状况(如二氧化碳浓度、道路颠簸状况等)，帮助用户找到更好的骑行路线；DietSense[20]使用户对所吃的食物拍照并在社交网络中分享，比较和分析他们的饮食习惯，进而帮助用户合理控制饮食和提供饮食建议。

3 群智感知网络面临的问题与挑战

作为新兴的研究领域，群智感知网络在基础理论、实现技术、实际应用三个层面都面临着许多传统传感器网络不曾遇到的挑战，可概括为以下七个方面。

1) 群智感知网络共性平台。目前，学术界和工业界已经设计和开发了各种各样的群智感知应用，它们通常具有相似或者部分重叠的功能，需要相同的或者相互关联的感知数据，面临着数据收集、资源分配、能量节约、用户激励、安全与隐私等一系列共同的问题与挑战。现阶段这种相互独立的开发模式十分低效，造成了很大的资源浪费。因此，构建群智感知网络共性平台是本领域急需解决的基本问题。

2) 群智感知数据的前端处理。GPS、加速计、麦克风、摄像头等传感器采集的原始感知数据通常存在很大噪声、不完整或具有冗余，难以直接利用；因此，需要设计有效的前端处理算法，主要包括两类：一类是数据质量增强，包括消除噪音、过滤异常数据、恢复丢失数据、低质图像修复和增强等操作；另外一类是情境推断，包括推断用户的交通模式、运动模式、社交场合(如开会、打电话、看电视等)和所处的周围环境(如道路颠簸、噪声级别等)。

3) 群智感知数据的高效传输。很多群智感知应用需要连续地采集感知数据并传输到数据中心，而基于移动蜂窝网络与互联网进行连接来上报感知数据的传输方式将消耗过多的用户设备电量和数据流量，并对移动蜂窝网络造成很大压力；因此，需要设计能量有效的数据传输方法，例如基于短距离无线通讯方式，利用用户之间相互接触或用户与WiFi热点接触的机会来转发数据。

4) 群智感知数据的价值挖掘。群智感知数据来自不同的用户、不同的传感器,具有多模态、多关联等特征，必须将这些海量数据进行智能的分析和挖掘才能有效地发挥价值，形成从数据到信息再到知识的飞跃。涉及的技术包括大数据存储与处理、数据质量管理、多模态数据挖掘等。

5) 群智感知网络的资源优化。克服移动节点在能量、带宽、计算等方面的资源限制是群智感知网络实用化的关键。首先，由于用户数量和传感器的可用性都会随着时间而动态变化，难以准确地对能量和带宽需求进行建模和预测来完成特定的感知任务。其次，需要考虑如何从大量的具有不同感知能力的用户中选择一个有效的用户子集，在资源限制条件下合理调度感知和通信资源。

6) 群智感知网络的激励机制。群智感知应用依赖大量普通用户参与，而用户在参与感知时会消耗自己的设备电量、计算、存储、通信等资源并且承担隐私泄露的威胁，因此必须设计合理的激励机制对用户参与感知所付出的代价进行补偿，才能吸引足够的用户，从而保证所需的数据收集质量。

7) 群智感知网络的安全与隐私保护。感知数据可能泄露用户的隐私和敏感信息，因此必须设计合理的隐私保护机制在确保用户隐私的同时能够尽可能完成数据收集任务。

4 结束语

综上所述，作为物联网的新型感知手段，群智感知网络技术促进了大量创新应用的出现，同时也面临一系列新的问题与挑战。如果能使更多的移动用户参与群智感知应用，基于更多种类的传感器产生更加海量的感知数据，并加以有效挖掘和利用，那么，人民群众的集体智慧必将发挥无穷的价值。

参考文献

[1]刘云浩.群智感知计算[J].中国计算机学会通讯,2012,8(10):38–41

[2]Ganti R K,Ye F,Lei H.Mobile crowdsensing:Current state and future challenges[J].IEEE Communications Magazine,2011,49(11):32–39

[3]Huadong Ma,Dong Zhao,Peiyan Yuan.Opportunities in Mobile Crowd Sensing[J].IEEE Communications Magazine,2014,52(8):29–35

[4]Dutta P,Aoki P,Kumar N,et al.Common Sense:participatory urban sensing using a network of handheld air quality monitors[C]//ACM SenSys,2009: 349–350.

[5]Stevens M,D'Hondt E.Crowdsourcing of pollution data using smartphones[C].In Workshop on Ubiquitous Crowdsourcing,2010

[6]Rana R,Chou C,Kanhere S,et al.Ear-phone:an end-toend participatory urban noise mapping system[C]//ACM/IEEE IPSN,2010:105–116

[7]Kim S,Robson C,Zimmerman T,et al.Creek watch:pairing usefulness and usability for successful citizen science[C]//ACM SIGCHI,2011:2125–2134

[8]Hull B,Bychkovsky V,Zhang Y,et al.CarTel:a distributed mobile sensor computing system[C]//ACM SenSys,2006:125–138

[9]Thiagarajan A,Ravindranath L,LaCurts K,et al.VTrack:accurate,energy-aware road traffic delay estimation using mobile phones[C]//ACM SenSys,2009: 85–98

[10]Koukoumidis E,Peh L-S,Martonosi M R.SignalGuru:leveraging mobile phones for collaborative traffic signal schedule advisory [C]//ACM MobiSys,2011: 127–140

[11]Ganti R,Pham N,Ahmadi H,et al.GreenGPS:A participatory sensing fuel-efficient maps application[C]//ACM MobiSys,2010:151–164

[12]Sensorly [EB/OL].[2014-09-20].http://www.sensorly.com

[13]Eriksson J,Girod L,Hull B,et al.The pothole patrol:using a mobile sensor network for road surface monitoring[C]//ACM MobiSys,2008: 29–39

[14]Mohan P,Padmanabhan V N,Ramjee R.Nericell:rich monitoring of road and traffic conditions using mobile smartphones[C]//ACM SenSys,2008:323–336

[15]Mathur S,Jin T,Kasturirangan N,et al.Parknet:driveby sensing of road-side parking statistics[C]//ACM MobiSys,2010:123–136

[16]Intelligence E.Bluetooth Based Collaborative Crowd Density Estimation with Mobile Phones [C]//IEEE PerCom,2013

[17]Ra M-R,Liu B,La Porta T F,et al.Medusa:A programming framework for crowd-sensing applications[C]//ACM MobiSys,2012:337–350

[18]Simoens P,Xiao Y,Pillai P,et al.Scalable Crowd-Sourcing of Video from Mobile Devices[C]//ACM MobiSys,2013:139–152

[19]Eisenman S B,Miluzzo E,Lane N D,et al.BikeNet:A mobile sensing system for cyclist experience mapping[J].ACM Trans.on Sensor Networks,2009,6(1):6

[20]Reddy S,Parker A,Hyman J,et al.Image browsing,processing,and clustering for participatory sensing: lessons from a DietSense prototype[C]//EmNets,2007:13–17