英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料
具有时间敏感性的移动机会数据采集激励机制设计
摘要: 移动众感知系统旨在通过使用移动设备招募普及用户来提供各种新的感知应用，这些设备现在配备了丰富的内置传感器（比如，GPS、麦克风、摄像机、陀螺仪、加速度计等）。实现该系统的一个关键因素是大量移动用户的广泛参与。本文中，我们主要关注移动机会性众感知中的数据采集，即通过机会性设备到设备的通信在移动用户之间传输数据。其目标是将从收集器感知到的数据传递给相应的请求者，从而使收集器的收益最大化。在这里，我们假设数据收集具有时间敏感特性，即回报是时间敏感的。我们考虑到具有理性行为的独立移动用户，提出了一种基于信用的激励感知机制，以激励移动用户参与移动机会主义众感知的数据收集。特别地，我们提出了一种有效的机制来定义感测数据的期望报酬，并将感测数据交易描述为一个二人合作博弈，其解通过Nash讨价还价理论得到。为了验证我们的激励感知机制的有效性，我们基于合成和真实世界的移动轨迹进行了大量的仿真模拟。
第一节：导言
移动众感知是一种新的研究范式，它涉及到大量的移动普及设备来提供复杂的计算和感知服务。近年来，我们目睹了智能设备（如智能手机、智能手表、可穿戴设备、车载电子设备等）的迅速发展。例如，根据国际数据公司的报告，2016年智能手机的出货量达到14亿部，这意味着MCS在智能手机领域拥有着巨大潜力。假设世界上所有的智能设备都构建了MCS网络，它将成为最大的传感网络。因此，在不需要部署大量特定传感器网络的情况下，利用普适智能设备来完成大规模的传感任务是可能的。MCS在城市Wi-Fi特性描述、交通监控、噪声监测、3G/Wi-Fi发现等方面有着广泛的应用前景。
考虑移动用户具有一定的独立MCS任务，如流量监测、噪声监测、Wi-Fi发现等。然而，这些任务超出了发行人自身的处理能力，或者他们很少有机会访问相应的感知区域。因此，他们需要请求其他移动用户的帮助来执行MCS。在移动机会众感知系统中，这些感知任务首先被分配给相应的采集器，然后采集器在到达感知区域并生成感知数据时执行任务，最后系统（或请求者）需要从采集器收集感知数据。MCS面临的挑战之一是，海量的传感数据可能超出4G网络的现有容量。因此，可能的解决方案之一是利用短距离无线通信技术（例如，设备到设备（D2D）、蓝牙甚至Wi-Fi）而不是蜂窝网络。
图1示出了这样的移动机会性众测的简单示例，其中任务分配和数据收集都以机会性方式执行。当其他移动用户遇到对方时，请求者移动并通过直接通信将任务发送给其他移动用户，或者当他们同时访问访问访问点时分别通过Wi-Fi发送任务。采集器执行感知任务后，将感知到的数据直接或通过其他移动用户的机会中继发送给相应的请求者。在本文中，我们没有重点研究任务分配过程，因为这已经被充分研究。相反，我们关注的是重要的数据收集问题：收集者如何选择初始中继转发感测数据，以最大化自身的回报。移动机会性数据采集的主要挑战不仅在于如何选择初始中继，还在于如何在这种具有间歇性接触的独特网络设置下跟踪每个感测数据的值。此外，移动用户个人性的，在数据收集过程中关心自己的回报。采集器只有在满足最佳初始中继时才能使其自身的报酬最大化。为了解决这个复杂的问题，我们首先提出了一种基于Nash协商的离线初始中继选择机制。采集器总是将感测数据转发给最优初始中继，即，帮助转发感测数据的用户将提供最大化采集器报酬的传输成本。此外，通过扩展离线中继选择机制，我们提出了一种有效的基于NBS的在线初始中继选择机制（NBN），在该机制中，当收集器遇到每个移动用户时，它反复执行协商过程，直到感测到的数据被转发到初始中继。注意，在本文中，我们假设所有的讨价还价过程都可以通过蜂窝网络完成，而成本可以忽略不计，因为控制消息的大小和传输价格比数据消息小得多。总的来说，本文的主要贡献可以概括如下：
- 针对移动机会性数据采集中的时间敏感应用，提出了一种基于信用的激励感知机制来激励移动用户之间的合作。我们利用新的模式来降低数据价值和移动用户的间歇性接触。
- 我们提出了一种基于NBS的离线数据采集机制（NBF），在产生感测数据时，采集器立即做出决策，并采用NBS来解决采集器与初始中继候选者之间的交互问题。
- 我们还提出了一个NBN，通过扩展NBF，收集器只有在遇到其他移动用户时才做出决定。
- 基于合成跟踪和真实跟踪进行了大量的仿真模拟，以评估我们的激励机制。其研究结果验证了我们激励意识机制的有效性。
本文的其余部分安排如下：第二节简要回顾了相关文献。第三节给出了系统模型和数据收集问题，第四节给出了机会主义数据收集的激励机制，第五节对我们提出的机制进行了基于仿真的评估。最后，我们在第六节对本文进行了总结。
第二节：相关工作
移动机会性众感知中的数据收集与其他一些广泛的研究领域密切相关，如延迟容忍网络（DTNs）、无线传感器网络（WSNs）和MCS。在MCS系统中，参与者需要消耗电池电量、存储容量、计算能力等资源，此外，当感测数据与敏感信息（如位置标签等）一起提交时，由于潜在的隐私威胁，移动用户也不愿意参与MCS。因此，如果没有足够的激励措施，移动用户将拒绝参与MCS。为MCS设计了一些激励机制，如[18]-[20]。数据采集在无线传感器网络环境下得到了广泛的研究，并设计了大量的技术来有效地在这些资源受限的环境中采集数据。然而，与移动机会性众感知中的数据采集相比，以往的无线传感器网络数据采集工作大多没有考虑传感器的移动性，或是依赖于无线传感器网络中所有节点都是静态的假设，或是依赖于控制汇点轨迹的可能性。由于汇节点的移动性，网络拓扑结构不断变化，因此移动无线传感器网络中的数据采集问题类似于DTN中的路由问题。Vahdat和Becker首先提出了基于泛洪机制的流行路由，这是DTNs中第一个具有开创性意义的路由方法。为了优化DTN路由的性能，人们提出了许多后续工作。例如，Gao等人提出了一种基于社会接触和用户兴趣的社会中心度度量方法，以提高数据传播的效率。肖等人提出了一种新的零知识多副本路由方法，用于同质msn。这些DTN解决方案为移动机会数据收集奠定了坚实的基础。Karaliopoulos等人和Wang等人都考虑了传感和数据收集的联合用户招募问题，其中数据收集是通过D2D通信完成的。他们将用户的选择作为优化问题来描述，并提出贪婪的启发式算法来解决这些问题。虽然这些解决方案为MCS中的数据收集提供了另一种解决方案，但所有这些机制都假定用户在底层DTN或机会网络中进行合作。针对DTN或机会主义网络环境，提出了多种激励机制。例如，Buttyan等人提出了一种基于物物交换的方案，以刺激DTN中从固定源节点到所有移动节点的下行广播传输中的协作。Ning等人考虑了类似的多播传输下行链路场景，其中不同类别的数据发送到不同的组。谢等人提出了一种机会主义网络中数据聚合的激励机制。文[33]-[35]提出了一种基于成对针锋相对的激励机制，其中节点为邻居转发的内容与为邻居转发的内容一样多。Ning等人提出了一种自利驱动的激励机制，以激励节点在自主移动社交网络中合作传播广告。Xu等人提出了一种博弈论激励方案，以激励节点参与移动社交网络中的捆绑交付。Zhan等人提出了一种用于移动机会主义众感知的时间敏感激励感知（TSIA）数据收集机制。然而，与本文相比，文献[38]中的收藏家在与移动用户即时见面时总是做出决策，而没有考虑未来遇到移动用户的情况。与以往的工作不同，本文考虑了一种更为实用的时间敏感的MCS数据采集应用。对于收藏者来说，他们更倾向于选择最初的接力者，他们将自己的回报最大化。
第三节：系统模型与数据采集问题
A：时间敏感数据收集
MCS系统由概率联系的移动用户N={1，2，hellip;，N}组成，通过D2D通信进行数据采集。由于存储和转发感测数据所需的能量消耗，移动用户将拒绝参与数据收集过程，而无需支付报酬。因此，有必要通过精心设计激励感知机制来激励移动用户参与D2D转发。我们使用信用卡来刺激移动用户，信用卡可以用于以后获得服务。为了实现信用支付，我们可以使用信用结算中心（CCC）来管理本文范围之外的信用。
在本文中，我们考虑时间敏感的应用，其中每个数据m包含一个值gamma;m（t）。它意味着将这些数据传递给相应的请求者所得到的回报。每个数据以初始值eta;m开始，在时间流逝期间，我们假设该值线性减小。这里，我们使用beta;m来表示感测数据m的值衰减系数。设Tm=（eta;m/beta;m），这是感测数据的截止日期。因此，感测数据m的值满足：
B. 用户联系模型
用网络联系图G（V，E）描述移动社交网络中的用户联系以及用户N之间的社会关系。这里，顶点集V=N。将用户i与j之间的接触建模为边eijisin;E，我们假设G（V，E）是无向图，这意味着用户接触是对称的。在这里，用户之间的联系时间决定了特征。此外，已有大量的研究工作对两个移动用户之间的交互时间特性进行了研究。
Cai和Eun从理论上证明了在具有代表性的移动模型（如随机路径点）中，两个用户之间的联系是指数分布的。Karagiannis等人验证了两个用户之间的联系的总体分布遵循幂律和指数分布的混合。因此，在本文中，我们也假设两个用户在现实世界中的交互时间服从指数分布。让lambda;i j表示用户i和j之间的接触率，并且可以通过历史信息来计算。假设T1ij，T2ij，hellip;，Tnij是用户i和j之间的成对相互接触采样时间，则lambda;ij可以计算为：
因此，两个用户i和j相互接触时间Tij的概率分布函数可以计算为：
在知道成对接触时间fij（t）后，我们还可以在G（V，E）中对沿特定路径的延迟进行建模。假设在G（V，E）中有一条从p0到pk的路径l，传递以下用户{p1，p2，hellip;，pkminus;1}。由于tpipi 1和tpi 1pi 2是独立的，我们可以得到t l（l在上小标） p0pk的概率分布函数（PDF）为：
其中otimes;是卷积算子且ci满足：
注意，如果lambda;pi-1pi=lambda;pj-1pj，则（5）不成立。由于卷积的交换和结合定律，我们可以首先计算满足以下条件的fpi-1piotimes;fpj-1pj：
然后将方程式（6）代入（4）。
C. 数据评价
定义1：每一个数据都与一个数据评价相关联，这表明将数据传递给相应的请求者d的潜在价值可以从收集器获得回报。例如，用户i有一个数据m，当它将这个数据传递给相应的请求者时，它将从请求者那里得到一个支付gamma;m，且Am（m上标） id表示m的评价。
通过考虑上述的用户联系模型和收集者将支付的报酬，对用户i中的数据m的评价定义如下：
其中，gamma;m表示当请求者d成功地收到m时，收集器最终将支付的报酬。然后我们可以重写（7）如下：
这里，l代表i和d之间传递数据m的最佳路径。稍后，我们将讨论如何计算它。
D. 问题描述
在不损失通用性的情况下，让d表示请求者，它有一个感知任务s，将被发送给其他移动用户。我们假设s将仅分配给一个移动用户i。在收集器i完成感测任务s之后，它将生成感测数据m。然后收集器i将尝试通过机会中继将感测数据m传输回请求者d。在本文中，我们只关注数据收集过程，而不是任务分配过程，这是近年来研究的热点。
在本文中，每个感测数据m的值是其载波在成功地将其传送给相应的请求者之后能够获得的期望信用。记住，Am（m上标）id表示数据m从m的载体i到相应请求者d的期望信用。例如，在时间T时，收集器i完成感知任务s，并生成感知数据m。现在，我们希望通过能够最大化自身回报的路径将m传递给相应请求者d。
如图2所示，我试图选择一个最佳的第一跳中继用户Rjisin;R，其中R={R1，R2，hellip;，Rk}是i的领域集，它指向m 在 G中的相应请求者。由于网络中的移动用户都是私人的，用户i不仅需要考虑自身与其他移动用户之间的协商过程，以帮助其传递感知结果，还需要考虑时间敏感特性。在一个案例中，我可以在与移动用户Rj的协商中获得主导地位，但是Rj不能快速地将m传递给相应的请求者，这使得Rj获得较低的期望回报，从而成功地将m传递给d。显然，在这种情况下，我不能得到完美的回报。在另一种情况下，虽然Rj可以很快地将m交付给相应的请求者，这使得成功地将m交付给d会获得更高的预期回报，但在与Rj的谈判过程中，我无法发挥主导作用。在这种情况下，我也不能得到完美的成果。
如上所述，收集器i可以与R中的所有用户协商处理感测数据m。如果我与Rjisin;R达成协议，Rj将向i支付一个传输价格tiRj。然后，对于收集器i，它将选择初始中继Rj，该中继Rj可以使其自身的回报最大化：
Tm（m上标）iRj的详细计算程序将在第四节中介绍。
从图2可以看出，从收集器i到请求者d有多条路径，每条边的权重是两个移动用户的联系率。然后在每一路径下，通过相应的延迟预算，计算从采集器到相应请求者的感知数据的成功概率。例如，有一个路径l={i，p1，p2，hellip;，px，d}，其中p1，p2，hellip;，pxisin;N。那么t l id的PDF是fI（I上标）p1otimes;fp1p2otimes;···otimes;fpxd。然而，基于网络中的fij，搜索从收集器i到相应请求者d的最佳路径的计算和存储复杂性分别为（-）（N3uarr;）和（-）（N2uarr;）。对于一个大规模的移动机会主义网络来说，它们将是巨大的。此外，文献[42]中的分析表明，两跳中继对于信息的机会性中继是足够的。因此，在本文中，我们只考虑两跳方案，即采集器将感测数据发送到初始中继，然后初始中继将感测数据直接发送到相应的请求者。这将大大降低计算和存储的复杂性，使之达到（-）（N）。
总之，我们的目标是确定一个中继选择机制，以最大限度地回报收藏家。在下一节中，我们将分别提出两种基于
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[236704]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
