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 ·