边缘环境下的移动群智感知任务在线分发算法

闫琳琳 邹国红

(鞍山师范学院数学与信息科学学院,辽宁鞍山 114007)

0 引言

移动群智感知是一种结合移动智能终端设备和“众包”的新型感知模式,由多名用户利用嵌入式传感器作为感知节点,完成对本地各类数据的采集,并通过相关平台完成对数据的融合,最终实现整个区域内所有用户的感知[1]。由于移动群智感知具备灵活性、低成本、范围广等优势,因此被广泛应用于各类环境感知、基础设施感知等领域当中[2]。但由于当前移动群智感知任务的分发算法存在诸多问题,限制了其发展,例如存在过渡获取用户信息问题;无法为用户隐私信息提供保障;分发任务与用户实际需求不符等问题[3]。基于此,本文开展边缘环境下的移动群智感知任务在线分发算法研究。

1 边缘环境下的移动群智感知任务在线分发算法设计

1.1 任务分发轨迹隐私定义

为确保在对移动群智感知任务进行在线分发的过程中,用户参与者的隐私信息不被泄漏,本文首先对任务分发进行轨迹隐私定义[4]。

首先将目的地的隐私定义为非法攻击者根据观察获取到目的地的概率,其计算公式为:

其次,在对位置差分隐私进行定义。针对用户参与者选择的每一个位置,实现差分隐私保护,将区域划分为网格结果,用户参与者上报的位置为网格上的一个点,其在手打扰动后的位置也在网格上[5]。在网格当中将扰动网格集构造、上报概率等进行标记。根据扰动网格分布函数引入到网格当中,最终数据实际落点即为差分隐私位置节点。

1.2 基于边缘环境的移动群智感知分布式任务获取

1.2.1 移动群智感知任务竞争热度预估

引进DTA数据分布方式,并认为提出的每项工作均具备一定竞争关系,只有通过对最大化收益进行热度预估的方式,才能解决竞争者热度不均的问题。

为解决此问题的直接方式,对历史数据位置进行定位,即按照群智感知方式,假定所有参与者在进行任务获取中,只能按照规定要求选择一个任务内容,以贪心策略作为选择依据[6]。对任务竞争热度进行预估,此行为的实施可用如下计算公式表示。

公式(2)中:tj表示为预估的任务竞争热度;Bj表示为用户贪心指数;nj表示为任务发生实际需求人数;βj表示为任务竞争人数。输出tj实际值,完成对竞争热度的预估。

1.2.2 分发参与者任务获取

根据上述输出的tj值,对分发的参与者任务进行获取,此过程中,应考虑到实际需求人数与竞争人数之间的关系,并将任务实际收益值进行期望评估,根据参与者的参与情况进行数据获取。

此时,可从任务的隐私性层面进行考虑,选择具备自我约束能力的路径进行执行任务的获取,确保获取的参与者任务数据在满足隐私路径的前提下,进行任务数据获取[7]。此行可用如下计算公式表示。

按照上述计算公式,综合参与者的分布概率,完成对分发参与者任务的获取。

1.2.3 参与者选择与支付决策

为了实现对任务获取的最优化,应从全局优化角度考虑,假定存在第三个可信任方,此时可要求任务参与者将有关任务以资源公开的方式上传到CTA平台,根据平台提供的多种决策性行为,进行任务的分配,以此确保任务分配的合理化[8]。在此基础上,追踪任务在平台上的完成方式,假定任务者或参与者的选择与支付决策受到一定行为的约束,此时决策行为的发生也将发生对应的转变[9]。针对每一个参与者者对任务的完成度,对其进行决策阈值与隐私阈值的划分,最大执行任务的能力作为路径任务能力,此时约束条件成立[10]。此外,为了确保每个参与者的收益是均等的,应根据任务数量进行最终的决策。此时决策行为表示为如下。

公式(4)中:γ表示为支付决策行为;T表示为任务矩阵;f表示为执行任务的隐私行为。根据上述计算公式,当γ=1时,即可认为任务存在有效执行行为。

1.3 集中式在线任务分配

通过上述研究,本文通过移动群智感知任务预分配的方式,提取任务在线分发轨迹中的隐私阈值。基于上述获取的移动群智感知任务,在边缘环境下进行寻优分配[11]。在此基础上,通过边缘检测的方式,集中式在线任务分配,以分配收益最高的最优分配结果,反复迭代,直至移动群智感知任务待分发数量与目标在线分发能够完全匹配时,输出任务在线分发结果[12]。在此过程中,一旦出现存在未分发移动群智感知任务时,必须进行第二阶段的在线分发,保证全部移动群智感知任务能够在被分发完毕的情况下,结束在线分发算法迭代求解。以此,实现集中式在线任务分配。

表1 两种分发算法实验结果对比表Tab.l Comparison of experimental results of two distribution algorithms

2 对比实验

本文选择真实的数据集和人工合成数据集作为对比实验的测试案例,分别利用本文提出的移动群智感知任务在线分发算法和传统分发算法,将数据集分发给各个参与者,最后总结两种分发算法的实际应用效果。将真实数据集设置为F,分别抽取N和T两个地区用户的checkin数据。实验过程中移动群智感知数据采集场景为平台需要对不同区域的实施任务进行调查。在数据集当中共包含600个用户地址以及400个移动群智感知任务。实验开始时,随机在数据集当中选取一个用户参与者和一个任务,为增强本文对比实验的鲁棒性,每组实验需要重复10次,并取10次结果的均值作为最终的实验结果。将正确中选概率作为对比实验的评价指标,正确中选概率计算公式为:

公式(5)中,δ表示为正确中选概率;W表示为10次用户参与者被正确分配任务的总数之和;χ表示为实验中用户地址总数,χ取值为600。根据公式(5),计算得出两种分发算法的正确中选概率,并将其结果分别进行记录,绘制成如表1所示的实验结果对比表。

由表1中的数据可以看出,本文分发算法正确中选概率明显高于传统分发算法正确中选概率。同时通过正确中选概率也能够进一步反映出用户参与者对任务分发结果的满意度。因此,本文分发算法与传统分发算法相比可让更多用户参与者得到满意的任务。因此,通过对比实验证明,本文提出的边缘环境下的移动群智感知任务在线分发算法,在实际应用中能够有效提高分发的精度,将其应用于实际能够有效提高各类资源的利用效果。

3 结语

通过设计实例分析的方式,证明了设计任务在线分发算法在实际应用中的适用性,以此为依据,证明此次基于边缘环境下优化设计的必要性。因此,有理由相信通过本文设计,能够解决传统移动群智感知任务在线分发中存在的缺陷,以此为提高移动群智感知任务在线分发质量提供建议。