群智感知中基于反拍卖模型的众包激励方法.docVIP

群智感知中基于反拍卖模型的众包激励方法 　　摘要：激励是实现群智感知（CS）众包服务的主要方法，针对现有方法在服务过程中没有充分考虑节点参与数量和恶意竞争对群智感知带来的影响，提出一种基于反拍卖模型的激励（RVAIM）方法。首先，研究众包的激励机制，结合反拍卖与Vickrey拍卖思想，构建面向任务覆盖的反拍卖模型；其次，对模型中涉及的任务覆盖、反拍卖选择和奖励实施等关键技术问题进行深入分析与研究；最后，从计算有效、个人理性、预算平衡、真实性和诚实性五个方面分析RVAIM激励方法的有效性。实验结果表明，与IMCSS和MSensing激励方法相比，RVAIM在有效性和可行性方面均有较好的表现，能够解决现有方法中的恶意竞争问题，并能够平均提升众包服务完成率约21%。 　　关键词： 　　群智感知；众包；激励机制；反拍卖；Vickrey拍卖 　　中图分类号： TP181 文献标志码：A 　　0引言 　　手机和Pad等移动智能终端除了基础信息通信功能外，在搭载摄像头、麦克风、GPS（Global Position System）、加速器、陀螺仪、温湿计等嵌入式传感器设备后还具备强大的数据感知能力。群智感知（Crowd Sensing， CS）[1]即是借助携带此类智能终端的移动用户，实现对用户或其周边环境多维数据的快速收集，包括温度、湿度、地理位置和噪声水平等信息，并基于这些海量感知信息进行统计和分析，进而挖掘出群体的行为模式和服务关联属性等信息。 　　众包[2]是实现CS的主要方法，它通过调动大众的智慧和计算能力来实现感知任务的合理分配和有效覆盖。然而，用户在提供众包服务的过程中会消耗自身资源，如电量、网络流量和时间等；同时因共享位置信息还会带来潜在的隐私威胁，致使用户参与积极性降低。激励[3-7]作为实现CS众包服务的主要方式之一，它通过设计适当的奖酬措施，来激发用户参与众包服务的积极性。进一步分析国内外相关研究[2，8-11]可以看出：1）现有的众包激励模型多数以用户数量满足任务完成要求为前提，并没有充分考虑众包中任务的参与用户数量，在实际应用中可能出现某些任务的用户数量达不到要求的情况，致使此类任务无法得到有效完成；2）现有基于拍卖模型的激励机制并没有深入分析竞争中的恶意行为给众包实现带来的影响，容易出现通过虚报任务竞标值（低于任务开销）增大用户自身效用等问题，任务竞拍过程中公平性的缺失，致使用户参与众包服务的积极性降低。 　　针对上述激励研究中存在的问题，本文提出一种基于反Vickrey拍卖的激励机制（Reverse Vickrey Auction Incentive Mechanism，RVAIM），以此解决众包中服务完成率低和激励机制中恶意竞争的问题。 　　1相关研究 　　激励机制是CS系统的重要组成部分。Doan等[12]对激励机制的设计提出两大挑战：一是如何招募和保持参与用户；二是怎样评估和计算参与用户的贡献。前者是从用户角度，要求参与用户的损耗、兴趣等得到满足；后者是从服务平台角度，要求对感知数据的质量和奖励预算进行权衡。Yang等[2]分别从参与用户和服务平台角度构建了PlatformCentric和UserCentric两种激励模型，前者通过计算唯一Stackelberg Equilibrium，实现服务平台效用的最大化，但用户效用仅依据时间因子进行计算，模型应用范围具有局限性；后者则基于反拍卖模型，通过真实性等四个经济特性保证了模型的有效性，但该模型并未考虑用户可能采用竞标值低于任务开销的恶意竞标方式。Tham等[13]为提高用户参与的公平性和最大化社会效用，分别提出IDF（Incentive with Demand Fairness）和TIF（Iterative Tank Filling）激励机制。Wu等[4]根据用户的历史服务可信度提出一种信誉激励机制。Li等[5]则针对用户隐私保护问题提出两种关于加强隐私安全方面的激励机制。 　　反拍卖模型是经济可行的，可解决用户退出和预算平衡两个典型激励问题[14]。为此，基于反拍卖模型的激励机制得到深入研究与广泛应用。Zhang等[8]考虑用户之间存在合作关系，依据服务平台数量及用户竞标数量的不同，分别提出SSModel（Singlerequester Singlebid）、SMModel（Singlerequester Multiplebid）和MMModel（Multiplerequester Multiplebid）三种激励模型，其中SSModel是UserCentric模型[2]的一个特例，SMModel是SSModel的一般形式，MMModel综合了服务平台与用户两种竞争方式，但三个激励模型均没有考虑任务竞拍过程中的恶意竞争问题。