Duration-Sensitive Task Allocation for mobile crowdsensing

Duration-Sensitive Task Allocation for Mobile Crowdsensing

From： IEEE SYSTEMS JOURNAL, VOL. 14, NO. 3, SEPTEMBER 2020

Author： Chang Lai and Xinglin Zhang, Member , IEEE

1. Abstract ＆ Introduction

1.1 作者想解决什么问题？

• 定义问题的性质（哪一类问题）：任务分配

  机会式用户任务分配，考虑任务执行时间。

• 问题（矛盾）的描述：

  有些任务需要参与者长时间的来执行即有一定的任务Duration time，系统如何对任务进行分配。

• 难点

  • 如何选择机会式用户执行带有感知时间的任务
  • 如何利用通话记录，获得用户在特定时间、空间下完成该任务的概率
    • 泊松分布只能预测用户有在特定时空但愿出现的概率，而不能预测用户在特定时间间隔出现在特定时空单元的概率（这里指的是在特定时空单元持续一段时间的概率吗？）
  • 如何设计一种算法来进行任务分配？

1.2 作者通过什么理论/模型来解决这个问题？

• How to solve ？

  • 关于用户满足执行时间约束的问题？
    • 利用泊松分布和指数分布，获得用户在感知持续时间要求下完成每个任务的概率。
  • 利用概率模型，设计目标函数评估用户在完成任务的效用。
  • 对于该目标函数，将问题转化为约束子模优化问题，提出贪婪算法进行求解。
  • 设计一个持续时间敏感型的任务分配模型，模型中每个任务都包含一定的持续时间（有的不需要持续时间怎么办？）
  • 模型目标：在用户感知时间和任务能力（怎样定义，是服务质量吗？）的约束条件下，最大化完成任务的数量。
  • 利用指数分布设计了反应任务完成概率的效用函数，提出了一种启发式贪婪算法。

2 问题公式化

2.1 基本变量的定义：

• 时空单元

  • $m$个感知区域， S = { s 1 , s 2 , . . . , s i , . . . , s m } S=\{s_1,s_2,...,s_i,...,s_m\} S={s1​,s2​,...,si​,...,sm​}
  • $n$个感知周期，$c_j$表示
  • cell ：$(s_i,c_j)$

• sensing task

  • 任务对应着时空单元和执行时间$t_k\to (s_i,c_j,\delta )$

• Candidate worker

  • 最多执行L个任务
  • 任务在某个时空单元的持续时间定义为，多次连接信号塔的时间间隔之和（这合理吗？连接到信号塔表示他在这个区域，断开与信号塔的联系不才是他的持续时间吗，也有可能是数据集的原因，只能有某些时间点下，连接信号塔的信息）

• 成本的表示

  • travel cost （一般是指定任务型才有，顺路的没有）
  • basic cost （传感器设备）
  • other cost

• 激励表示

  • 每个任务相同
  • 根据成本计算

2.2 目标函数/约束条件（覆盖率、成本、服务质量）

• 问题重述

关于此处用户执行任务，可以理解为，第一次连接信号塔时，任务被下载到用户的设备中，执行任务之后，再次连接到信号塔（类似于最后一次连接到信号塔），上传任务。

• 问题分析

  • 异质问题
  • 执行任务感知时间问题，用户感知时间如上文所示，任务失败情况如下：
    • 连接信号塔次数小于两次，则视为用户感知时间为零
    • 时间间隔之和小于任务要求的时间

• 优化目标

• 用户执行任务概率的计算

  假设连接序列遵循一个不均匀的泊松过程[33]-[35]，连续连接点之间的时间间隔遵循一个指数分布，这将被证明是我们效用函数的一个关键组成部分。

  用户的出现遵循非均匀泊松分布，用户的时间间隔遵循指数分布。

  进而计算用户能执行相应任务的概率。

• 优化目标的转换

  可以对比一下其他的效用函数

  系统的优化目标转换为max 效用函数

  某一任务对的效用函数表示为：

• 任务分配算法

  • 基于贪婪的算法，满足约束条件下选择效用最大的用户对

3.实验部分

3.1 对比算法

• 1）RxTA：该方法是所提出的DSTA的一个放松版本。RxTA和DSTA的区别在于，RxTA中每个工人允许的最大感应任务数（即每个工人的任务容量）是无限的。因此，RxTA在某些情况下不太实用，因为对于一个给定的传感时间，每个工人无法承担无限的任务。

• 2）NDTA：该方法改编自[33]-[35]。我们根据我们的实验调整了这些论文中常用分配策略的设置。具体来说，NDTA使用泊松分布来构建其效用函数，并利用该效用函数来分配任务。每个工人完成相关任务的感应时间与他上传的样本成正比。

  这个应该是感知时间的另一种表示方法

• 3）RxNDTA：该方法是NDTA的一个放松版本。与RxTA和DSTA类似，RxNDTA与NDTA的区别在于，RxNDTA中每个工作者允许的最大感应任务数（即每个工作者的任务容量）是无限的

3.2 数据集

• 自己生成的数据集
• Nodobo数据集 高中生电话信息

3.3 对比实验的参数

• 候选者人数
• 感知任务数量
• 最大感知数量L
• 每个任务的感知持续时间 $\delta$

4.总结

4.1 文章的优点

• 使用了一个非均匀泊松分布加指数分布的形式构建了用户持续时间预测模型
• 转换了最大化任务执行数量的优化目标为最大化效用[可以看下其他文章怎么构建的效用函数以及对他的解释]

4.2 文章的不足（改进的地方）

• 考虑方面比较单一，未考虑对用户激励、平台的成本等
• 使用的算法较为简单