·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 ·