第一章-走近群智感知，辨识庐山真面目

最新推荐文章于 2024-09-15 16:52:14 发布

置顶 birduncle

最新推荐文章于 2024-09-15 16:52:14 发布

阅读量2.7w

点赞数 30

分类专栏：群智感知群智感知与边缘计算文章标签：群智感知激励机制

本文链接：https://blog.csdn.net/birduncle/article/details/84173822

版权

群智感知与边缘计算同时被 2 个专栏收录

7 篇文章 81 订阅

订阅专栏

群智感知

3 篇文章 14 订阅

订阅专栏

1.群智感知的基本概念

群智感知(Crowd-Sensing)是结合众包思想和移动设备感知能力的一种新的数据获取模式，是物联网的一种表现形式。群智感知是指通过人们已有的移动设备形成交互式的、参与式的感知网络，并将感知任务发布给网络中的个体或群体来完成，从而帮助专业人员或公众收集数据、分析信息和共享知识。群智感知的理念就是要无意识协作，让用户在不知情的情况下完成感知任务,突破专业人员参与的壁垒。群智感知具有部署灵活经济、感知数据多源异构、覆盖范围广泛均匀和高扩展多功能等诸多优点。

2.众包的基本概念

众包(Crowd-Sourcing)是一种特定的获取资源的模式，这种模式下，个人或组织可以利用大量的网络用户来获取需要的服务和想法。众包是一种分布式的问题解决和生产模式。问题以公开招标的方式传播给未知的解决方案提供者群体。用户（这里指众包里的“众”）典型地组成在线社区并提交方案。群“众”还要审查方案，发现最好的。这些最好的方案最后由最先提出问题的一方（众包人，crowdsourcer）所有，并且群“众”中胜出的个人有时会被奖励。有时，这些工作会有不错的报酬，无论是金钱上的、奖励上的或者只是名声和知名度。另外一些情况，胜出者会有智力上的满足感。众包可以通过业余人士或志愿者利用他们的空余时间提供解决方案，或者让专家或小型企业从无人知晓到初具规模。--------来源于维基百科

3.群智感知的典型系统架构

系统架构包括服务器平台、数据使用者和任务参与者(数据提供者)这 3 部分，分为感知层、网络层和应用层。在云端的服务器接受来自数据使用者的服务请求，将感知任务分配给参与者，处理收集的感知数据，并进行其他的管理功能。参与者接收到感知任务后，进行所需数据的感知，然后将数据返回给服务器，服务器将数据处理后返回给数据使用者。通过整个流程实现数据感知、数据收集和信息服务提供等功能，群智感知是一种分布式的、移动的、基层的、自主的服务模式。

群智感知能够从各地收集海量多维异构数据，解决各种大规模数据需求问题，提供高质量、可靠的数据服务。然而,随着群智感知的流行，新的问题和挑战也逐渐显现出来。其中，限制群智感知发展的最主要原因是参与者积极性不高，服务器平台不能招募到足够多的参与者来获得高质可靠的感知数据。因此，如何激励更多的参与者加入群智感知，提供具有高可靠性和高有效性的感知数据，是促进其发展的关键问题，接下来将重点介绍激励机制。

4.群智感知激励机制概述

在群智感知中,移动用户的普遍参与使得激励的客体具有移动属性，如地理位置和任务覆盖率的影响，这使激励问题变得更加复杂。而且，新的技术和理论也使得群智感知激励机制与传统网络中的激励机制不同，如社交网络关系的影响等。

群智感知激励机制研究的主要目标是在服务器平台的管理下激励具有感知设备的持有者(参与者)加入感知项目,并积极参与感知任务，提交高质可靠的感知数据。激励机制可以用如下模型表示:

$I:M=max(U(S),U(P))$

该模型表示群智感知激励机制(incentive，简称 I)，即通过某种激励方式(mechanism，简称 M)达到服务器平台

(server，简称 S)和参与者(participants，简称 P)的效用(utility,简称 U)最大。

5.群智感知面临的主要问题

（1）群智感知受限于参与者数量不足的原因主要来自两个方面:

一方面是参与者希望从提供数据中得到实际的回报，而不是志愿无偿提供数据。因为数据的感知需要消耗参与者移动设备的电池电量、计算资源和数据流量等资源，在此过程中，参与者也需要付出时间和劳动。没有适当的回报，参与者没有兴趣在群智感知中长期保持积极状态。
另一方面，参与者提供的一些敏感数据会泄露其隐私信息。参与者感知的数据包括文本、图像、音频、视频等多种类型的数据,这些数据大多是时间和位置敏感的，需要用户提供数据的同时提供对应的时间和位置。对因此而泄露的的时空隐私信息，是阻止参与者加入的另一个主要原因。

（2）在群智感知中,参与者是被激励的对象，一般具有以下几种情况:

自私性：不愿无偿使用感知设备资源。
个体理性：希望得到的回报的效用高于付出的时间、资源、行动等代价。
不诚实性：为了以最小代价获得更多报酬，参与者会故意提交低质量或虚假的感知信息。
不确定性：参与者的感知能力取决于感知设备的能力和主观的个人感受等。

对于平台而言，考虑到参与者的这些特性，平台希望在付出最少代价或者代价可控的情况下，招募更多的参与者，而且是高质量可信性数据的提供者。例如，对于位置敏感的数据，感知数据的来源越广泛、越均匀，数据质量越高。对于这种情况，偏僻地区的数据就会更加有价值。平台的激励机制要能激励参与者提供高质量的数据，而不仅仅考虑支付代价。此外，参与者会为获取更多的支付回报而谎报数据信息或者个人信息，因此，激励机制还需要对参与者的可信性进行控制，由此可见，对平台来说，一套合理的激励机制能够保证参与水平，同时保证完成质量。另外，如何实现激励方式的线上实时反馈，并通过实际的应用系统来验证评估激励方式的有效性，都是激励机制值得研究的问题。

6.群智感知激励机制的相关研究

采用适当的激励方式能够达到一定的激励效果，但是激励机制的研究不仅仅是激励方式的研究，更主要的是通过采用合理的激励方式，结合有效的关键技术，解决平台和参与者双方在最大化各自效用时面临的核心问题，以达到激励的作用。这些核心研究问题主要包括参与水平问题、完成质量问题、支付控制问题、效率能耗问题、隐私安全问题、线上实时问题和实际应用等问题。

针对不同的情况，不同的激励方式具有不同的激励作用，对不同的激励方式的优劣并没有形成统一的认识。目前的研究主要可以分为报酬支付激励(monetary reward incentive)、娱乐游戏激励(entertainment & gamification incentive)、社交关系激励(social relation incentive)、虚拟积分激励(virtual credit incentive)和混合激励。虽然激励方式不同，但是这些方式都能通过满足参与者的某种需求来提供激励作用，从而达到激励效果。

在群智感知中，激励方式为激励机制研究提供了基本模型。在此基础上，针对激励机制涉及的不同研究问题，诸多研究工作提出了关键技术和算法来解决这些问题.。在群智感知激励机制中，以下6 点是核心研究问题：

参与水平：激励机制最主要的目标是激励参与者参与感知任务，即提高参与率。同时,从时间维度考虑，保持参与者参与的长期性也是需要考虑的问题。服务器平台不仅希望参与者参与到感知任务中，还希望参与者会长期保持在群智感知系统中，为感知任务提供长期的数据感知。

完成质量：仅依靠提高参与率难以保证完成群智任务的高质完成，还需要考虑用户位置、用户行为和数据质量等对任务完成质量产生的影响.。群智感知任务大多数是位置敏感的，用户的位置将影响整体的数据感知质量，参与者因为其内在的自私性有可能故意上报虚假数据而影响感知数据质量。此外，感知设备本身的灵敏度和参与者自身的局限性也会影响任务完成质量。

支付控制：作为服务器平台，往往要对参与者的感知数据支付一定的报酬,服务器要保证支付代价最小，或者将支付代价控制在固定的预算内。

效率能耗：效率能耗不仅指服务器需要高效的算法处理激励机制，也指参与者希望激励机制能够减少感知设备的资源消耗。感知设备的资源消耗是阻碍参与者参与感知任务的重要原因，激励机制需要尽量减少这些资源消耗，高效的算法是激励机制中提高效率、减少运行时间不可或缺的部分。

隐私安全：隐私安全包括参与者的参与隐私性和服务器的安全性.参与者希望在感知任务上传数据的时候不泄露个人隐私数据,尤其是位置敏感的群智感知.由于参与者可能是不诚实的,因此上传的虚假数据对服务器造成数据安全问题.此外,恶意用户或其他实体的恶意攻击也是需要考虑的.

线上实时：根据处理时间的不同，激励机制的处理可以分为线上处理和线下处理。线下处理指服务器平台需要根据所有参与者的信息才能做出感知任务分配的决定，是一种需要全局信息的方式。而参与者的动态随机加入和对实时反馈的要求，需要提出线上机制来实时激励参与者。

7.群智感知进一步研究方向

隐私安全：隐私安全在各个领域越来越得到研究者的关注,尤其是对位置敏感的群智感知来说,降低由于位置信息泄露造成的隐私风险,可以激励用户积极地参与感知任务.此外,用户提交的数据本身可能会含有敏感信息,如感知设备的状态、用户采集的音视频等.数据安全指参与者的不诚实或者恶意会给服务器的数据质量造成影响,进而降低群智感知提供的数据服务.因此,提高数据的安全可靠性,也是激励机制需要考虑的问题.随着大数据、云计算和物联网的发展,隐私安全问题越来越收到研究者的重视,群智感知激励机制也需要在此方面更多的研究工作.

数据集成：现有的激励机制主要考虑参与者直接将数据提交到服务器平台.而在客户端进行数据集成,可以减少数据上传的代价,进而可以减少用户购买数据流量的费用,激励用户参与到感知任务中. 面向数据集成的激励机制尤其对针对多媒体数据采集的群智感知有重要影响.随着移动设备的计算存储能力的不断增强,对于图片、音频和视频感知也越来越普遍,多媒体数据的集成会成为影响群智感知效率的关键因素.与此同时,数据集成可以减少冗余数据的上传,提高数据精度和完成质量,减少服务器端数据处理和运算.

参与者移动性：目前的激励机制考虑了用户的位置信息,但是对用户位置的移动性研究不足.由于用户的移动性,用户参与感知的范围和能力也会不同.更重要的是,用户的移动不是简单的按照面积范围的活动,而是具有移动的轨迹规律、方向速度和时间周期性的.考虑参与者移动性的不确定信息对群智感知激励机制来说更加现实,同时也更加复杂,研究参与者移动受限的激励机制具有更加现实的意义和挑战.此外,参与者的移动性带来的数据感知和上传的位置不一致性,以及由此引起的数据可靠性和可用性,也是值得研究的课题.

分布式处理模式：集中式的群智感知是当前研究的主流,这里的集中式指的是参与者的信息和提交的数据都是经过统一的服务器平台进行处理.考虑到服务器的不可信性和某些情况下无法部署具有服务器的特点,分布式的激励机制对于参与者来说也是一种有益的尝试.分布式处理的方式更加适合群智感知的网络环境,同时也能通过去中心化来提高参与者的隐私保护的强度.但是如何解决群智感知网络中分布式平台的均衡负载等问题,也是值得研究的.

以参与者为中心：目前,大部分激励机制是在服务器端进行的,因此考虑更多的是服务器的效益最大化,这也是参与者积极性不高的原因.服务器会利用参与者之间的竞争关系来选择报价最低、支付代价最小的参与者子集作为赢标者.这样,以服务器为中心的激励机制没有优先考虑参与者的利益,因此不能更加高效地激励参与者加入感知任务.设计以参与者为中心的激励机制,以最大化参与者效用为目标,会起到更好的激励作用.以参与者为中心的激励机制是从另一个角度设计激励模型,即优先考虑参与者利益,在这方面的研究还有很大的提升空间.

潜在激励因素：激励机制是指通过某种理性化的策略来激励用户进行特定的行为活动.激励机制从不同的角度可以分为外在的和内在的、消极的和积极的、集体的和个体的等.目前的研究主要是集中在个体的、外在的、积极的激励机制,内在的、集体的、消极的策略也是值得研究的.此外,多种激励方式的混合能够弥补不同机制的不足,起到更好的激励作用.

实际应用：现有的群智感知激励机制大部分集中在理论研究阶段,尤其是在报酬支付的方式上.针对不同应用的实际情况,需要将已有的理论工作结合应用,在实践中检验激励机制的可行性.当参与者数量不断增加时,受限于平台的存储和计算能力,现有的激励机制可能难以应对参与者骤增的情况. 如何利用大数据、云计算等处理实时的海量参与者,也是实际部署中值得研究的问题.