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 ·