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 01. 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 ·

杨静等：参与者信誉度感知的MCS数据收集机制 ·1927· 确量化下次感知数据的可信程度. 式中，参数入满足 入a1-)=1,根据级数相关理 服务器不仅需要动态更新参与者山：当前信誉度， 会 而且还需据此属性对其进行二元分类以判别其是否可 论四，此时可确定入等于0.5. 信，进而确定其下次感知数据的可信程度，考虑到 3 数据收集机制 逻辑回归模型是二元数据判别标准广泛使用的方 法，故信誉度更新方法：()可为逻辑回归函数1/ 由于服务器将参与者当前信誉度作为衡量其下次 (1+e心.如前所述，初始时山：历史信誉度和当前 感知数据可信程度的重要依据，本节先根据参与者剩 信誉度r:均等于0.5，但是当t为0.5时，1/(1+e) 余可发送时间及移动设备剩余能量，将参与者传输感 大于0.5，显然不符合初始条件.另外，根据信誉度定 知数据方式分为直接发送和间接转发两类.在直接发 义知历史信誉度和当前信誉度：均属于0,1]范 送方式下，根据当前信誉度直接衡量参与者下次感知 围，但是当∈0,1]时，1/(1+e)取值范围为 数据可信程度，而在间接转发方式下，则首先根据参与 0.5,1/(1+e)],此时不符合信誉度定义.由于存 者之间信任程度选择最佳朋友来转发感知数据，进而 量化参与者下次感知数据可信程度.此外，在多任务 在上述两个矛盾，因此需对上述信誉度更新方法作进 并发场景下，结合感知数据可信程度建立多目标规划 一步处理，首先在不考虑历史信誉度取值范围影响 的基础上，从整个实数域分析可知，1/(1+e)关于 模型，从而提出相应的数据收集机制，使得服务器以最 小总奖励开销实时准确完成感知任务，同时达到参与 坐标(0,0.5)成中心对称，且在(-3,0)和0，+) 者奖励最大化的目的 范围内：()增长速率先快后慢，此趋势与信誉度变化 3.1感知数据可信程度 相吻合；另外，r:(r)等于0和1为1/(1+e⊙)水平渐 参与者信誉度动态更新后，服务器根据参与者当 近线，此时取值范围也符合信誉度定义.因此根据1/ 前信誉值衡量其下次感知数据可信程度.由于参与者 (1+e在实数域内性质，可将r片∈0,1]映射到整 感知能力不同、携带的移动设备也有所差异，在此情况 个实数域后，再借助逻辑回归模型对山：信誉度进行动 下，为了将感知数据成功发送到服务器，可能需要借助 态更新，然而一方面难以寻找适当的对应法则将：∈ 其他参与者来转发感知数据. D,1]映射到整个实数域，故难以对u,信誉度进行动 假设服务器下次广播感知任务为N={N.1, 态更新，另一方面在[-10,10]范围外逻辑回归函数 N。+2…,N},将参与者4：下次选择参与的感知任务 值几乎保持稳定且变化可忽略不计，因此将历史信誉 记为N0,服务器允许感知总时间为y-,假设 度r∈D,1]映射到r∈[-10,10]范围内也可准确 参与者“：在a切时刻开始参与任务N:a切，在。n 动态更新u:信誉度，映射方法如下式所示： 片.20立-10max(位-10min(2 时刻向服务器发送感知数据，称，-+n为山：对下 (14) max (r)-min (r) 次感知任务N:an的剩余可发送时间an·为保证感 分析上式，当等于0.5时，映射后，等于0且 知数据能及时传输到服务器，当剩余可发送时间i+ 越少时，山：选择直接发送的概率越大.另外，当山：移动 1/(1+e)等于0.5，显然符合初始条件.另外，当 设备剩余能量E不足时，虽然外界能对其进行充电， r号∈[-10,10]时，根据1/(1+e)水平渐近线可知 但由于感知任务较高的实时性要求，可能导致山：错过 1/(1+e)取值几乎近似在0,1]范围内，显然也满 了服务器对任务NaD所允许的感知时间范围，故为 足信誉度定义范围，故将历史信誉度映射到，后， 了将感知数据及时发送到服务器，需其他参与者转发 能够有效避免当前信誉度初始条件和取值范围两个问 感知数据，也意味着山：移动设备剩余能量越充足时， 题同时，为准确衡量参与者“：当前信誉度，结合其历 其直接发送感知数据的概率也越大.根据以上分析， 史感知任务0：={o1,02,…,0},此处将0：中各历史 可通过u:剩余可发送时间及其移动设备剩余能量确 信誉度进行加权求和，如下式所示： 定其传输感知数据的方式. =∑aa1-r (15) 由于山：剩余可发送时间。-an越少，而其移 动设备剩余能量E:越充足时，其直接发送感知数据的 式中，表示”：历史信誉度加权和，A是(0,1]范围内 的常数，归一化权重入a+-》用来区分各历史信誉度重 概率也越大，通过剩余能量时间比E:/(-an）判 断，发送感知数据方式，如下式所示： 要性，表示越接近当前时刻完成的感知任务其历史信 誉度权重越大，因此，对各历史信誉度映射并加权求和 直接发送，EC~n) ≥0.5， 后，可得u,信誉度更新方法，如下式所示： E(-ian） (17) E(G-ap） 1+e (16) 间接转发 E(-n） <0.5

杨 静等: 参与者信誉度感知的 MCS 数据收集机制 确量化下次感知数据的可信程度． 服务器不仅需要动态更新参与者 ui 当前信誉度， 而且还需据此属性对其进行二元分类以判别其是否可 信［20］，进而确定其下次感知数据的可信程度，考虑到 逻辑回归模型［21］是二元数据判别标准广泛使用的方 法，故信誉度更新方法 ri ( r h ij ) 可为逻辑回归函数 1 / ( 1 + e － r h ij) ． 如前所述，初始时 ui 历史信誉度 r h ij和当前 信誉度 ri 均等于 0. 5，但是当 r h ij为 0. 5 时，1 /( 1 + e － r h ij) 大于 0. 5，显然不符合初始条件． 另外，根据信誉度定 义知历史信誉度 r h ij和当前信誉度 ri 均属于［0，1］范 围，但是 当 r h ij ∈［0，1］时，1 /( 1 + e － r h ij ) 取值 范 围 为 ［0. 5，1 /( 1 + e － 1 ) ］，此时不符合信誉度定义． 由于存 在上述两个矛盾，因此需对上述信誉度更新方法作进 一步处理，首先在不考虑历史信誉度 r h ij取值范围影响 的基础上，从整个实数域分析可知，1 /( 1 + e － r h ij) 关于 坐标( 0，0. 5) 成中心对称，且在( － ∞ ，0) 和［0，+ ∞ ) 范围内ri ( r h ij) 增长速率先快后慢，此趋势与信誉度变化 相吻合; 另外，ri ( r h ij) 等于 0 和 1 为 1 /( 1 + e － r h ij) 水平渐 近线，此时取值范围也符合信誉度定义． 因此根据 1 / ( 1 + e － r h ij) 在实数域内性质，可将 r h ij∈［0，1］映射到整 个实数域后，再借助逻辑回归模型对 ui 信誉度进行动 态更新，然而一方面难以寻找适当的对应法则将 r h ij∈ ［0，1］映射到整个实数域，故难以对 ui 信誉度进行动 态更新，另一方面在［－ 10，10］范围外逻辑回归函数 值几乎保持稳定且变化可忽略不计，因此将历史信誉 度 r h ij∈［0，1］映射到 r'ij h ∈［－ 10，10］范围内也可准确 动态更新 ui 信誉度，映射方法如下式所示: r'ij h = 20r h ij － 10max ( r h ij) － 10min ( r h ij) max ( r h ij) － min ( r h ij) ． ( 14) 分析上式，当 r h ij等于 0. 5 时，映射后 r'ij h 等于 0 且 1 /( 1 + e － r'ij h ) 等于 0. 5，显然符合初始条件． 另外，当 r'ij h ∈［－ 10，10］时，根据 1 /( 1 + e － r'ij h ) 水平渐近线可知 1 /( 1 + e － r'ij h ) 取值几乎近似在［0，1］范围内，显然也满 足信誉度定义范围，故将历史信誉度 r h ij映射到 r'ij h 后， 能够有效避免当前信誉度初始条件和取值范围两个问 题． 同时，为准确衡量参与者 ui 当前信誉度，结合其历 史感知任务 Oi = { oi1，oi2，…，oin } ，此处将 Oi 中各历史 信誉度进行加权求和，如下式所示: r s i = ∑ n j = 1 λ( n + 1 － j) r'ij h ． ( 15) 式中，r s i 表示 ui 历史信誉度加权和，λ 是( 0，1］范围内 的常数，归一化权重 λ( n + 1 － j) 用来区分各历史信誉度重 要性，表示越接近当前时刻完成的感知任务其历史信 誉度权重越大，因此，对各历史信誉度映射并加权求和 后，可得 ui 信誉度更新方法，如下式所示: ri = 1 1 + e － r s i ． ( 16) 式中，参数 λ 满足 ∑ n j = 1 λ( n + 1 － j) = 1，根据级数相关理 论［22］，此时可确定 λ 等于 0. 5． 3 数据收集机制 由于服务器将参与者当前信誉度作为衡量其下次 感知数据可信程度的重要依据，本节先根据参与者剩 余可发送时间及移动设备剩余能量，将参与者传输感 知数据方式分为直接发送和间接转发两类． 在直接发 送方式下，根据当前信誉度直接衡量参与者下次感知 数据可信程度，而在间接转发方式下，则首先根据参与 者之间信任程度选择最佳朋友来转发感知数据，进而 量化参与者下次感知数据可信程度． 此外，在多任务 并发场景下，结合感知数据可信程度建立多目标规划 模型，从而提出相应的数据收集机制，使得服务器以最 小总奖励开销实时准确完成感知任务，同时达到参与 者奖励最大化的目的． 3. 1 感知数据可信程度 参与者信誉度动态更新后，服务器根据参与者当 前信誉值衡量其下次感知数据可信程度． 由于参与者 感知能力不同、携带的移动设备也有所差异，在此情况 下，为了将感知数据成功发送到服务器，可能需要借助 其他参与者来转发感知数据． 假设服务器下次广播感知任务为 N = { Nn + 1， Nn + 2，…，N2n } ，将参与者 ui 下次选择参与的感知任务 记为 Ni( n + j) ，服务器允许感知总时间为 t e n + j － t s n + j ，假设 参与者 ui 在 t p i( n + j) 时刻开始参与任务 Ni( n + j) ，在 t u i( n + j) 时刻向服务器发送感知数据，称 t e n + j － t u i( n + j) 为 ui 对下 次感知任务 Ni( n + j) 的剩余可发送时间 t r i( n + j) ． 为保证感 知数据能及时传输到服务器，当剩余可发送时间 t r i( n + j) 越少时，ui 选择直接发送的概率越大． 另外，当 ui 移动 设备剩余能量 Er i 不足时，虽然外界能对其进行充电， 但由于感知任务较高的实时性要求，可能导致 ui 错过 了服务器对任务 Ni( n + j) 所允许的感知时间范围，故为 了将感知数据及时发送到服务器，需其他参与者转发 感知数据，也意味着 ui 移动设备剩余能量越充足时， 其直接发送感知数据的概率也越大． 根据以上分析， 可通过 ui 剩余可发送时间及其移动设备剩余能量确 定其传输感知数据的方式． 由于 ui 剩余可发送时间 t e n + j － t u i( n + j) 越少，而其移 动设备剩余能量 Er i 越充足时，其直接发送感知数据的 概率也越大，通过剩余能量时间比 Er i /( t e n + j － t u i( n + j) ) 判 断 ui 发送感知数据方式，如下式所示: 直接发送，Er i ( t e n + j － t p i( n + j) ) Etotal i ( t e n + j － t u i( n + j) ) ≥0. 5， 间接转发，Er i ( t e n + j － t p i( n + j) ) Etotal i ( t e n + j － t u i( n + j) ) ＜ 0. 5      ． ( 17) · 7291 ·

·1928· 工程科学学报，第39卷，第12期 其中，-n为山：最大可发送时间，E为其移动 L个参与者内选择最佳朋友为。转发感知数据，即 设备总能量 E(C-》为取值在0，】范围内 根据式(19)依次计算u。与U血中参与者之间信任 E(iy-ta+n） 程度R后，u。“选择与其信任程度最大的参与者转发 的归一化剩余能量时间比，且此值越接近1时，“：直接 感知数据，如下式所示： 发送感知数据的概率越大，而越接近0时，间接转发概 u=arg max Ri (20) 率越大，故以0.5作为判别阈值. 根据式(20)可知参与者u可选择u,血为其转发 根据式(17)将参与者进行分类后，用集合U= 感知数据，同时，u,接收到。的感知数据后为其进 {u,,…小和={u,,…小分别表示直接 行标记以示区分，此时感知区域内全部任务参与者均 发送和间接转发参与者，即Um中参与者。需借助 可将感知数据直接发送或间接转发到服务器.为满足 心严中参与者““为其转发感知数据，此处通过衡量 感知任务较高的准确性要求，服务器需要判断是否接 u。和u之间信任程度，选择最佳u为u。转发感 收参与者感知数据，假设参与者“：下次感知任务为 知数据. Va切，由此根据u:当前信誉度定义其下次感知数据 首先，若参与者和。咖之间存在朋友关系，则 的可信程度Da,如下式所示： u更愿意为“转发感知数据，由于朋友间经常保 “:∈U: 持一定的交互，且朋友间交互时间远远多于非朋友间 Di(n+= (21) y",4,e且u,eU. 交互时间，故根据“和“g交互时间量化两者朋友 其中，D,an表示4，下次参与感知任务Nan所获取感 关系F。().将u和u之间朋友关系Fe(t)定义 知数据可信程度，、和r分别为参与者u、u 在D,1]范围内，总体上朋友关系随着两者交互时间 和最佳朋友u“的当前信誉度，上式表示当w:直接发 的增加而增强，并且初期时随着交互时间增加朋友关 送感知数据时，此时感知数据可信程度为其当前信誉 系增强较快，随后朋友关系缓慢增强并保持相对稳定 度：当选择““为其转发感知数据时，则感知数据可信 且稳定期较长.根据以上变化规律，用龚伯兹函数四 程度为·r血.另外，根据参与者当前信誉度取值范 描述两者间朋友关系F(),如下式所示： 围，可知服务器对感知数据的可信程度也在D,1]范 Fg(t）=ae-e. (18) 围内. 式中，a,b,c为函数参数且Fg(t)=a为Fg(t)水平渐 3.2感知数据收集机制 近线，又因为朋友关系F。(）定义在D,1]范围内，故 本节在量化感知数据可信程度的基础上，在多任 可确定参数a等于l.同时由于t=ln/c为Fe(t)拐 务并发场景下通过建立多目标规划模型，分析并提出 点，为简单起见，此处取b=e,c=l,从而将和。 数据收集机制，从而使得服务器以最小总奖励开销实 之间交互时间量化成朋友关系Fa(t)=ee” 时准确完成感知任务，使得参与者所获奖励最大化 其次，参与者当前信誉度越高，越有利于服务器实 3.2.1感知任务的数据收集 时准确完成感知任务，因此。更倾向于选择当前信 同一时刻按照感知任务数量的不同，将其分为单 誉度较高的朋友”为其转发数据.另外当“血移动 任务和多任务并发两种场景.如图2(a)所示，单任务 设备当前剩余能量E有限时，在接收到u的数据 场景表示某时刻最多存在一个感知任务，下次感知任 后，随着耗电的增加难以保证将“。感知数据成功转 务N={Nn1.N.2,,N2}之间在时域内没有冲突，参 发到服务器，反之，若u移动设备当前剩余能量E 与者接收到广播任务消息后，只需决定是否参与任务： 在多任务并发场景下，由于某时刻可能同时存在多个 越大，则被选择为转发数据的概率也越大.综上， 根据u和u。之间朋友关系Fe(),u当前信誉度 感知任务，下次感知任务之间N={N1.N2,…,Nn} 在时域内存在冲突，例如图2(b)中[3,2]时间段 ·及其移动设备当前剩余能量E衡量和。 内下次感知任务N.2和N。以及5，]时间段内 之间的信任程度R,如下式所示： 下次感知任务N.4和N。5·假设在多任务并发场景下 Rg=Fa(i）·r 八 (19) 参与者至多参与一个任务，此时参与者接收到广播任 务消息后，不仅需要决定是否参与，而且还需根据自身 式中，E血为参与者“血移动设备总能量，上式表示当 条件选择适合的感知任务使其奖励最大化. u。与u存在朋友关系时，且u当前信誉度越高、 由于单任务场景是多任务并发场景的特例，因此 移动设备归一化剩余能量越大时，。对越信任. 本文考虑更为普遍的多任务并发场景.用布尔变量 最后，假设U中与存在朋友关系的参与者 xan表示参与者山：是否参与下次感知任务N。y,即当 集合为U血={u,u,…,u},此时需要在血中 山，下次参与Nn时，xa+》=1,否则xa+功=0.当xa+

工程科学学报，第 39 卷，第 12 期 其中，t e n + j － t p i( n + j) 为 ui 最大可发送时间，Etotal i 为其移动 设备总能量，Er i ( t e n + j － t p i( n + j) ) Etotal i ( t e n + j － t u i( n + j) ) 为取值在［0，1］范围内 的归一化剩余能量时间比，且此值越接近 1 时，ui 直接 发送感知数据的概率越大，而越接近 0 时，间接转发概 率越大，故以 0. 5 作为判别阈值． 根据式( 17) 将参与者进行分类后，用集合 Udir = { udir 1 ，udir 2 ，…} 和 Uindir = { uindir 1 ，uindir 2 ，…} 分别表示直接 发送和间接转发参与者，即 Uindir中参与者 uindir β 需借助 Udir中参与者 udir i 为其转发感知数据，此处通过衡量 uindir β 和 udir i 之间信任程度，选择最佳 udir i 为 uindir β 转发感 知数据． 首先，若参与者 udir i 和 uindir β 之间存在朋友关系，则 udir i 更愿意为 uindir β 转发感知数据，由于朋友间经常保 持一定的交互，且朋友间交互时间远远多于非朋友间 交互时间，故根据 udir i 和 uindir β 交互时间量化两者朋友 关系 Fiβ ( t) ． 将 udir i 和 uindir β 之间朋友关系 Fiβ ( t) 定义 在［0，1］范围内，总体上朋友关系随着两者交互时间 的增加而增强，并且初期时随着交互时间增加朋友关 系增强较快，随后朋友关系缓慢增强并保持相对稳定 且稳定期较长． 根据以上变化规律，用龚伯兹函数［23］ 描述两者间朋友关系 Fiβ ( t) ，如下式所示: Fiβ ( t) = ae － be － ct ． ( 18) 式中，a，b，c 为函数参数且 Fiβ ( t) = a 为 Fiβ ( t) 水平渐 近线，又因为朋友关系 Fiβ ( t) 定义在［0，1］范围内，故 可确定参数 a 等于 1． 同时由于 t = lnb / c 为 Fiβ ( t) 拐 点，为简单起见，此处取 b = e，c = 1，从而将 udir i 和 uindir β 之间交互时间量化成朋友关系 Fiβ ( t) = e － ee － t ． 其次，参与者当前信誉度越高，越有利于服务器实 时准确完成感知任务，因此 uindir β 更倾向于选择当前信 誉度较高的朋友 udir i 为其转发数据． 另外当 udir i 移动 设备当前剩余能量 Er_dir i 有限时，在接收到 uindir β 的数据 后，随着耗电的增加难以保证将 uindir β 感知数据成功转 发到服务器，反之，若 udir i 移动设备当前剩余能量 Er_dir i 越大，则被选择为 uindir β 转发数据的概率也越大． 综上， 根据 udir i 和 uindir β 之间朋友关系 Fiβ ( t) ，udir i 当前信誉度 r dir i 及其移动设备当前剩余能量 Er_dir i 衡量 udir i 和 uindir β 之间的信任程度 Ｒiβ，如下式所示: Ｒiβ = Fiβ ( t)·r dir i ·Er_dir i Et_dir i . ( 19) 式中，Et_dir i 为参与者 udir i 移动设备总能量，上式表示当 uindir β 与 udir i 存在朋友关系时，且 udir i 当前信誉度越高、 移动设备归一化剩余能量越大时，uindir β 对 udir i 越信任． 最后，假设 Udir中与 uindir β 存在朋友关系的参与者 集合为 U' dir = { u'1 dir，u'2 dir，…，u'L dir } ，此时需要在 U' dir中 L 个参与者内选择最佳朋友为 uindir β 转发感知数据，即 根据式( 19) 依次计算 uindir β 与 U' dir中参与者之间信任 程度 Ｒ'iβ后，uindir β 选择与其信任程度最大的参与者转发 感知数据，如下式所示: u'i dir = arg max Ｒ'iβ ． ( 20) 根据式( 20) 可知参与者 uindir β 可选择 u'i dir为其转发 感知数据，同时，u'i dir接收到 uindir β 的感知数据后为其进 行标记以示区分，此时感知区域内全部任务参与者均 可将感知数据直接发送或间接转发到服务器． 为满足 感知任务较高的准确性要求，服务器需要判断是否接 收参与者感知数据，假设参与者 ui 下次感知任务为 Ni( n + j) ，由此根据 ui 当前信誉度定义其下次感知数据 的可信程度 Di( n + j) ，如下式所示: Di( n + j) = r dir i ， ui∈Udir ; r indir i ·r'j dir， ui∈Uindir且 u'i dir∈U' { dir ． ( 21) 其中，Di( n + j) 表示 ui 下次参与感知任务 Ni( n + j) 所获取感 知数据可信程度，r dir i 、r indir i 和 r'j dir分别为参与者 udir i 、uindir i 和最佳朋友 u'j dir的当前信誉度，上式表示当 ui 直接发 送感知数据时，此时感知数据可信程度为其当前信誉 度; 当选择 u'j dir为其转发感知数据时，则感知数据可信 程度为 r indir i ·r'j dir ． 另外，根据参与者当前信誉度取值范 围，可知服务器对感知数据的可信程度也在［0，1］范 围内． 3. 2 感知数据收集机制 本节在量化感知数据可信程度的基础上，在多任 务并发场景下通过建立多目标规划模型，分析并提出 数据收集机制，从而使得服务器以最小总奖励开销实 时准确完成感知任务，使得参与者所获奖励最大化． 3. 2. 1 感知任务的数据收集 同一时刻按照感知任务数量的不同，将其分为单 任务和多任务并发两种场景． 如图 2( a) 所示，单任务 场景表示某时刻最多存在一个感知任务，下次感知任 务 N = { Nn + 1，Nn + 2，…，N2n } 之间在时域内没有冲突，参 与者接收到广播任务消息后，只需决定是否参与任务; 在多任务并发场景下，由于某时刻可能同时存在多个 感知任务，下次感知任务之间 N = { Nn + 1，Nn + 2，…，N2n } 在时域内存在冲突，例如图 2( b) 中［t s n + 3，t e n + 2］时间段 内下次感知任务 Nn + 2和 Nn + 3以及［t s n + 5，t e n + 4］时间段内 下次感知任务 Nn + 4和 Nn + 5 ． 假设在多任务并发场景下 参与者至多参与一个任务，此时参与者接收到广播任 务消息后，不仅需要决定是否参与，而且还需根据自身 条件选择适合的感知任务使其奖励最大化． 由于单任务场景是多任务并发场景的特例，因此 本文考虑更为普遍的多任务并发场景． 用布尔变量 xi( n + j) 表示参与者 ui 是否参与下次感知任务 Nn + j ，即当 ui 下次参与 Nn + j时，xi( n + j) = 1，否则 xi( n + j) = 0． 当 xi( n + j) · 8291 ·

杨静等：参与者信誉度感知的MCS数据收集机制 ·1929· a 感知任务V 感知任务N2 感知任务V 感知任务N 2 时间/min 感知任务N2 感知任务Ns 感知任务N 感知任务\ 感知任务N 感知任务八 1f2 5.时间min 图2单任务场景(a)和多任务并发场景(b) Fig.2 Single-ask scenario (a)and multitasking concurreney scenario (b) =1时，假设“：对N的总感知时间为，其所获 具体伪代码如下 奖励为caD,并且对于下次感知任务N.,服务器衡量 1.U=u,,,u set of participants 4,感知数据可信程度和允许最大总奖励分别为D) 2.=,,:set of participants sending 和B。根据感知任务实时准确性要求、服务器总奖 data to server directly 励限制以及参与者期望所获奖励最大化约束，建立以 3.U=,u,:set of U except Uar 下模型如下式所示： 4.U=(u,,u:set of u's friends min (max), 5.(orr):reputation of u(or u) max(min D）, 6.D:trustiness of u of next task N max ci(m+n’ 7.R:the level of trust between and 0≤Euws1, 8.for all u.∈Udo 9. determine sending method of u,according to p含us Eq.(17) 10.end s.t. 豆asBy 11.for all u Utr do 12.D=r min D0·xa0≥0.5， 13.end xa0·(1-xan）=0,i=1,2,…,m, 14.for all udo j=1,2,…,n. 15.for all uU do (22) 16. calculate R;according to Eq.(19) 显然，式(22)是典型的多目标规划(multi-object 17. if R is the maximum then programming,MOP)问题.其中目标函数min(max 18. usends data to u )和max(min D)分别表示服务器对感知任 19. Dir 务N。,的实时性和准确性要求，max c表示山：下次 20. else 参与任务八。期望所获奖励最大化.另外，约束条件 21. Go to Line 15 表示参与者山：至多选择参与某个任务，同时任务N。 22.end 受参与者数量和所获总奖励限制，而要求min D· 23. end 功≥0.5是为了让新加入参与者能够参与首次感知 24.for all u,∈do 任务以及服务器能够实时准确完成感知任务 25.Update u according to Eq.(22) 3.2.2数据的收集机制 26. if D is greater than 0.5 then 动态更新参与者山：信誉度后，通过分析其传输感 27. the server accepts sensing data 知数据的方式，同时结合其当前信誉度，可确定其下 28. else 次感知数据可信程度，从而在多任务并发场景下，通过 29. the server refuses to receive 建立多目标规划模型，提出PRA感知数据收集机制， 30.end

杨 静等: 参与者信誉度感知的 MCS 数据收集机制 图 2 单任务场景( a) 和多任务并发场景( b) Fig． 2 Single-task scenario ( a) and multitasking concurrency scenario ( b) = 1 时，假设 ui 对 Nn + j的总感知时间为 t total i( n + j) ，其所获 奖励为 ci( n + j) ，并且对于下次感知任务 Nn + j服务器衡量 ui 感知数据可信程度和允许最大总奖励分别为 Di( n + j) 和 Bn + j ． 根据感知任务实时准确性要求、服务器总奖 励限制以及参与者期望所获奖励最大化约束，建立以 下模型如下式所示: min ( max t total i( n + j) ) ， max ( min Di( n + j) ) ， max ci( n + j) { ， s． t． 0 ≤ ∑ n j = 1 xi( n +j) ≤ 1， 0 ≤ ∑ m i = 1 xi( n +j) ≤ m， ∑ m i = 1 ci( n +j) ·xi( n +j) ≤ Bn +j， min Di( n +j) ·xi( n +j) ≥ 0. 5， xi( n +j) ·( 1 － xi( n +j) ) = 0，i = 1，2，…，m， j = 1，2，…，              n． ( 22) 显然，式( 22) 是典型的多目标规划( multi-object programming，MOP) 问题［24］． 其中目标函数 min ( max t total i( n + j) ) 和 max ( min Di( n + j) ) 分别表示服务器对感知任 务 Nn + j的实时性和准确性要求，max ci( n + j) 表示 ui 下次 参与任务 Nn + j期望所获奖励最大化． 另外，约束条件 表示参与者 ui 至多选择参与某个任务，同时任务 Nn + j 受参与者数量和所获总奖励限制，而要求 min Di( n + j) · xi( n + j) ≥0. 5 是为了让新加入参与者能够参与首次感知 任务以及服务器能够实时准确完成感知任务． 3. 2. 2 数据的收集机制 动态更新参与者 ui 信誉度后，通过分析其传输感 知数据的方式，同时结合其当前信誉度 ri，可确定其下 次感知数据可信程度，从而在多任务并发场景下，通过 建立多目标规划模型，提出 PＲA 感知数据收集机制， 具体伪代码如下． 1． U = { u1，u2，…，um } : set of participants 2． Udir = { udir 1 ，udir 2 ，…} : set of participants sending data to server directly 3． Uindir = { uindir 1 ，uindir 2 ，…} : set of U except Udir 4． U' dir = { u'1 dir，u'2 dir，u'L dir } : set of uindir j ’s friends 5． rdir i ( or r indir i ) : reputation of udir i ( or uindir j ) 6． Di( n + j) : trustiness of ui of next task Nn + j 7． Ｒij: the level of trust between u'i dir and uindir j 8． for all ui∈U do 9． determine sending method of ui according to Eq． ( 17) 10． end 11． for all udir i ∈Udir do 12． Di( n + j) = r dir i 13． end 14． for all uindir j ∈Uindir do 15． for all u'i dir∈U' dir do 16． calculate Ｒij according to Eq． ( 19) 17． if Ｒij is the maximum then 18． uindir j sends data to u'i dir 19． Di( n + j) = r'i dir·r indir j 20． else 21． Go to Line 15 22． end 23． end 24． for all ui∈U do 25． Update ui according to Eq． ( 22) 26． if Di( n + j) is greater than 0. 5 then 27． the server accepts sensing data 28． else 29． the server refuses to receive 30． end · 9291 ·

·1930. 工程科学学报，第39卷，第12期 4 数值分析 能有效监测噪声，故此时信誉值应逐渐减少：而在接下 来30min时间段内移动设备一直置于手中，即此时对 本文通过OpenSense平台对所提出的PRA数据 噪声较敏感，因此信誉值应开始增加，且信誉值在较低 收集机制进行验证，首先通过对环境噪声进行监测验 时增加速度快，当逐渐增加时，保持缓慢增加而趋于稳 证参与者信誉度变化，然后分别在固定感知任务数量 定，以上变化规律可以通过图3得以验证.其他移动 和固定参与者数量情况下，从感知时间、准确性以及服 设备信誉度变化亦可根据图3得以验证，特别的，根据 务器总奖励开销三方面将PRA机制同ProMoT和MAA 表2可知在40min内5和6移动设备分别放置在口袋 两种机制进行对比.其中感知时间表示完成感知任务 中和手中，则相应的参与者信誉度应表现为相反的变 所需总时间，准确性用均方根误差(root mean square 化趋势，且5设备参与者信誉度应逐渐减少而趋于0， eror,RMSE)描述感知数据与真实数据之间的偏差， 5设备参与者信誉度应逐渐增加逼近于1，此时根据 而服务器总奖励开销则表示完成感知任务服务器需支 图3亦可验证上述变化规律 付的总奖励，仿真参数如表1所示 表2移动设备放置状态 表1仿真参数设置 Table 2 Mobile device placement state Table 1 Simulation parameter settings 移动设备0~10min11~20min21~30min31~40min 参数名称 参数值 1# 0 1 感知区域/(m×m) 250×400 0 0 0 参与者数量 [50,500] 3# 1 0 移动设备感知范围/m 30 4 0 1 0 移动设备剩余能量/(mA 1400,1800] 5# 0 0 0 0 移动设备总能量/(mAh) 2000 6 1 感知任务数量 D,10] 7# 0 感知任务允许最大奖励 10,200 8 0 0 参与者所获奖励 0,5] 4.2不同参与者数量下的性能分析 仿真时间/s 216000 在不同参与者数量情况下对PRA机制进行验证 假设移动设备剩余能量为均匀分布随机变量，运 并与ProMoT和MAA机制进行对比，此处将感知任务 行环境为64位Windows?7系统且中央处理器(central 数量设置为4且相关信息如表3所示. processing unit,CPU)和随机存取存储器(random ac- 表3感知任务信息 cess memory,RAM)分别为2.60GHz和4GB,同时为 Table 3 Sensing task information 方便处理将整个过程开始时间记为00：00：00 感知任务任务开始时刻任务结束时刻允许感知时间/min 4.1噪声监测下参与者信誉度变化 1 01:15:00 01:40:00 子 由于不同参与者携带移动设备方式不同，因此移 2 01:20:00 01:50:00 30 动设备对噪声的识别也存在差异，为方便验证噪声监 3 02:00:00 02:25:00 3 测中参与者信誉度变化，此处用布尔变量1和0分别 02:35:00 03:10:00 35 表示移动设备置于手中和口袋中，且相比于口袋中，置 于手中时移动设备对噪声的识别度更灵敏，同时每10 不同数据收集机制下各感知任务参与者数量如图 min更新参与者随机决定携带移动设备的方式以观察 4所示.由图可知，各感知任务中PRA机制的参与者 参与者信誉度变化，此处随机选择8个参与者且各参 数量明显小于ProMoT和MAA两种机制的参与者数 与者移动设备携带方式更新情况如表2所示 量.这是因为ProMoT机制中服务器只考虑如何以最 根据表2各参与者随机决定携带移动设备方式， 小总奖励开销激励参与者达到收集数据的目的，但未 验证各参与者信誉值变化如图3所示.由于移动设备 考虑感知数据的准确性，因此需要较多的参与者保证 在某种携带方式下监测噪声至少保持l0min,因此各 感知任务的实时可靠性，故此时参与者数量最多.此 参与者信誉值变化应呈现单调增加或减少的规律，观 外相比于MAA机制，PRA机制通过考虑数据质量等 察图3上述变化规律显然可以得以验证.另外以1移 因素衡量参与者信誉度，在此基础上确定感知数据可 动设备为例，初始时刻参与者信誉度为0.5，同时根据 信程度，从而判断是否接收数据，因此PRA机制所需 表2可知，前10min移动设备置于口袋中，由于设备不 要的参与者数量最少

工程科学学报，第 39 卷，第 12 期 4 数值分析 本文通过 OpenSense［25］平台对所提出的 PＲA 数据 收集机制进行验证，首先通过对环境噪声进行监测验 证参与者信誉度变化，然后分别在固定感知任务数量 和固定参与者数量情况下，从感知时间、准确性以及服 务器总奖励开销三方面将 PＲA 机制同 ProMoT 和 MAA 两种机制进行对比． 其中感知时间表示完成感知任务 所需总时间，准确性用均方根误差( root mean square error，ＲMSE) 描述感知数据与真实数据之间的偏差， 而服务器总奖励开销则表示完成感知任务服务器需支 付的总奖励，仿真参数如表 1 所示． 表 1 仿真参数设置 Table 1 Simulation parameter settings 参数名称 参数值 感知区域/( m × m) 250 × 400 参与者数量 ［50，500］ 移动设备感知范围/m 30 移动设备剩余能量/( mA·h) ［1400，1800］ 移动设备总能量/( mA·h) 2000 感知任务数量 ［1，10］ 感知任务允许最大奖励 ［10，200］ 参与者所获奖励 ［0，5］ 仿真时间/ s 216000 假设移动设备剩余能量为均匀分布随机变量，运 行环境为 64 位 Windows7 系统且中央处理器( central processing unit，CPU) 和随机存取存储器( random ac￾cess memory，ＲAM) 分别为 2. 60 GHz 和 4 GB，同时为 方便处理将整个过程开始时间记为 00: 00: 00． 4. 1 噪声监测下参与者信誉度变化 由于不同参与者携带移动设备方式不同，因此移 动设备对噪声的识别也存在差异，为方便验证噪声监 测中参与者信誉度变化，此处用布尔变量 1 和 0 分别 表示移动设备置于手中和口袋中，且相比于口袋中，置 于手中时移动设备对噪声的识别度更灵敏，同时每 10 min 更新参与者随机决定携带移动设备的方式以观察 参与者信誉度变化，此处随机选择 8 个参与者且各参 与者移动设备携带方式更新情况如表 2 所示． 根据表 2 各参与者随机决定携带移动设备方式， 验证各参与者信誉值变化如图 3 所示． 由于移动设备 在某种携带方式下监测噪声至少保持 10 min，因此各 参与者信誉值变化应呈现单调增加或减少的规律，观 察图 3 上述变化规律显然可以得以验证． 另外以 1# 移 动设备为例，初始时刻参与者信誉度为 0. 5，同时根据 表 2 可知，前 10 min 移动设备置于口袋中，由于设备不 能有效监测噪声，故此时信誉值应逐渐减少; 而在接下 来 30 min 时间段内移动设备一直置于手中，即此时对 噪声较敏感，因此信誉值应开始增加，且信誉值在较低 时增加速度快，当逐渐增加时，保持缓慢增加而趋于稳 定，以上变化规律可以通过图 3 得以验证． 其他移动 设备信誉度变化亦可根据图 3 得以验证，特别的，根据 表 2 可知在40 min 内5# 和6# 移动设备分别放置在口袋 中和手中，则相应的参与者信誉度应表现为相反的变 化趋势，且 5# 设备参与者信誉度应逐渐减少而趋于 0， 5# 设备参与者信誉度应逐渐增加逼近于 1，此时根据 图 3 亦可验证上述变化规律． 表 2 移动设备放置状态 Table 2 Mobile device placement state 移动设备 0 ～ 10 min 11 ～ 20 min 21 ～ 30 min 31 ～ 40 min 1# 0 1 1 1 2# 0 0 0 1 3# 1 1 1 0 4# 1 0 1 0 5# 0 0 0 0 6# 1 1 1 1 7# 1 1 0 1 8# 0 1 0 0 4. 2 不同参与者数量下的性能分析 在不同参与者数量情况下对 PＲA 机制进行验证 并与 ProMoT 和 MAA 机制进行对比，此处将感知任务 数量设置为 4 且相关信息如表 3 所示． 表 3 感知任务信息 Table 3 Sensing task information 感知任务 任务开始时刻 任务结束时刻 允许感知时间/min 1 01: 15: 00 01: 40: 00 25 2 01: 20: 00 01: 50: 00 30 3 02: 00: 00 02: 25: 00 25 4 02: 35: 00 03: 10: 00 35 不同数据收集机制下各感知任务参与者数量如图 4 所示． 由图可知，各感知任务中 PＲA 机制的参与者 数量明显小于 ProMoT 和 MAA 两种机制的参与者数 量． 这是因为 ProMoT 机制中服务器只考虑如何以最 小总奖励开销激励参与者达到收集数据的目的，但未 考虑感知数据的准确性，因此需要较多的参与者保证 感知任务的实时可靠性，故此时参与者数量最多． 此 外相比于 MAA 机制，PＲA 机制通过考虑数据质量等 因素衡量参与者信誉度，在此基础上确定感知数据可 信程度，从而判断是否接收数据，因此 PＲA 机制所需 要的参与者数量最少． · 0391 ·

杨静等：参与者信誉度感知的MCS数据收集机制 ·1931· 1.0 1 1.0 新0.5 0.5 0 0 0 20 30 40 0 10 20 40 时间min 时间/min 1:0*样*林平 1.0m 划 素 米米 0.5* 米 米 0 0 0 20 30 40 0 o 20 30 时间/min 时间min 1.0 /5 0.5 延 0 米 0 0 10. 20 30 40 0 10 20 40 时间/min 时间min 1.0 1.0 8 0.5 米 0.5 米米米 20 米* 0 米米 10 30 0 10 20 3 40 时间/in 时间min 图3验证参与者信誉值 Fig.3 Verify participants'reputation 400 90 Z☑ProMoT A-ProMoT 350 图MAA 85 -MAA 一PRA 3D0 80 250 200 70 D 60 550 100150200250300350400450500 感知任务序号 参与者数量 图4参与者数量 图5感知时间随若参与者数量的变化 Fig.4 Number of participants Fig.5 Change of time for sensing with the number of participants 不同数据收集机制的总感知时间如图5所示.由 的增加，能更全面的获取感知任务相关信息，故此时 图可知，三种机制下感知时间均随着参与者数量的增 RMSE随之减少.同时，当参与者继续增加到一定数 加而减少，此变化趋势恰好体现了群智感知以大量参 量时导致数据冗余增加，并且服务器对参与者的选择 与者为基础的特点.同时，相比于ProMoT机制，MAA 达到饱和，故此时RMSE几乎保持稳定.此外，PRA机 机制在分析感知数据质量时考虑了感知时间这一因 制综合考虑感知数据准确度和实际使用量价值，因此 素，因此MAA机制感知时间相比ProMoT机制略少. 相比另外两种机制其RMSE最小. 另外，PRA机制在量化参与者历史信誉度时，通过响 不同数据收集机制下服务器总奖励开销如图7所 应时间衡量参与者意愿程度，同时量化数据质量时还 示.由图可知，3种机制下服务器总奖励开销均随着参 考虑感知数据时效性因素，因此PRA机制感知时间 与者数量的增加而先增加后近似保持稳定，这是因为 最少 开始时参与者数量较少服务器收集的感知数据有限， 不同数据收集机制的准确性如图6所示.由图可 故服务器需给予较高的奖励以激励更多参与者保证实 知，3种机制下均方根误差RMSE均随着参与者数量 时准确完成感知任务，故此时服务器总奖励开销增加. 的增加而先减少后几乎保持稳定，这是因为参与者随 另外，当参与者数量继续增加时，感知任务所需参与者 机分布在感知区域，开始时参与者较少并且随着数量 达到饱和且总奖励有限，故此时服务器总奖励开销近

杨 静等: 参与者信誉度感知的 MCS 数据收集机制 图 3 验证参与者信誉值 Fig． 3 Verify participants’reputation 图 4 参与者数量 Fig． 4 Number of participants 不同数据收集机制的总感知时间如图 5 所示． 由 图可知，三种机制下感知时间均随着参与者数量的增 加而减少，此变化趋势恰好体现了群智感知以大量参 与者为基础的特点． 同时，相比于 ProMoT 机制，MAA 机制在分析感知数据质量时考虑了感知时间这一因 素，因此 MAA 机制感知时间相比 ProMoT 机制略少． 另外，PＲA 机制在量化参与者历史信誉度时，通过响 应时间衡量参与者意愿程度，同时量化数据质量时还 考虑感知数据时效性因素，因此 PＲA 机制感知时间 最少． 不同数据收集机制的准确性如图 6 所示． 由图可 知，3 种机制下均方根误差 ＲMSE 均随着参与者数量 的增加而先减少后几乎保持稳定，这是因为参与者随 机分布在感知区域，开始时参与者较少并且随着数量 图 5 感知时间随着参与者数量的变化 Fig． 5 Change of time for sensing with the number of participants 的增加，能更全面的获取感知任务相关信息，故此时 ＲMSE 随之减少． 同时，当参与者继续增加到一定数 量时导致数据冗余增加，并且服务器对参与者的选择 达到饱和，故此时 ＲMSE 几乎保持稳定． 此外，PＲA 机 制综合考虑感知数据准确度和实际使用量价值，因此 相比另外两种机制其 ＲMSE 最小． 不同数据收集机制下服务器总奖励开销如图 7 所 示． 由图可知，3 种机制下服务器总奖励开销均随着参 与者数量的增加而先增加后近似保持稳定，这是因为 开始时参与者数量较少服务器收集的感知数据有限， 故服务器需给予较高的奖励以激励更多参与者保证实 时准确完成感知任务，故此时服务器总奖励开销增加． 另外，当参与者数量继续增加时，感知任务所需参与者 达到饱和且总奖励有限，故此时服务器总奖励开销近 · 1391 ·