[发明专利]一种面向边缘计算数据质量感知的区别化激励方法

说明书

本发明公开了一种面向边缘计算数据质量感知的区别化激励方法，包括步骤：S11.提取用户上传的群智感知数据，根据所述群智感知数据建立二维数据坐标，并采用LOF算法计算建立的二维数据坐标中每个点相对于其他点的离群因子；S12.将每个数据的离群因子和标准值1的差值与预设范围进行比较，得到每个数据的质量等级；S13.根据每个数据的质量等级，得到所述质量等级相对应的用户等级，并提供与所述用户等级相对应的回报信息。本发明基于数据质量提出满足任务要求的最优激励机制以及用于边缘计算中群智感知用户的挑选。

技术领域

本发明涉及群智感知的边缘计算技术领域，尤其涉及一种面向边缘计算数据质量感知的区别化激励方法。

背景技术

在大数据时代的背景下，随着移动端功能的迅速发展，群智感知逐渐出现在人们的视野中，已经获得了学术界和工业界的广泛关注。群智感知的实质就是利用广泛的、符合条件的智能手机，在使用者的日常生活中收集诸如所在地温度、湿度、二氧化碳含量等用于科研的数据，由此可以大量节省安排专人进行数据收集的时间和金钱花费。

但是群智感知同样存在一些难题亟待解决。首先，大部分群智感知的个体是以志愿者的形式参与收集，所收集数据的数量和质量都得不到保障。而参与群智感知的数据收集会存在一定的消耗(如时间、流量、带宽等)，甚至于某些个人隐私也存在泄露的可能性(如个人地理位置等)。因此，需要有一种合适的激励机制，为参与群智感知的个体提供一定的回报，维持个体参与群智感知应用的积极性，同时对某些恶意个体(或者说持续提供不准确数据的用户)进行甄别。

现存对于激励机制的研究，其主要目的是为了促使用户愿意打开共享自己资源的大门，其作用主要为“敲门”。Yang Dequan等人早在2012年就提出了分别以平台和用户为中心的激励模型，但其前提是用户和平台都知道所有用户的服务代价，这在群智感知的实际运用中是不现实的；同时，以平台为中心的模型只考虑了单个任务、以用户为中心的模型也只考虑了独立任务而没有考虑到任务之间的关联。Yand Di和Amintoosi,Haleh等人分别提出了考虑信誉更新的移动群智感知在线激励机制和基于信誉度的参与式感知系统，同时考虑用户所提交的数据质量和社交网络中其可信任水平。Zhang Yu等人运用重复博弈的方法，提出了基于报酬的合作机制。还有许多学者在研究多个随机用户的在线激励机制，以确保机制能够满足实时动态的用户需求。

但是以上这些激励机制其关注点都是在单个合作任务上，没有将多合作任务与多用户结合起来，也缺乏关于数据质量甄别方面的考虑，这样会导致所收集到的数据有可能会被“掺水”，从而导致基于这些数据所进行研究的不准确。在实际应用中，低质量数据的可能来源于多方面：一方面可能是由于用户自身网络的原因而产生如丢包之类的问题，导致出现不完整数据；另一方面可能是某一个用户本身存在恶意，故意上传一些恶意数据，而通常用于边缘计算的数据，其数据量相较于云计算来说通常会小很多，恶意数据带来的影响也相对较大，这些恶意数据会直接干扰上层应用的正常进行，从而影响应用的服务质量。针对以上这些问题，考虑到用户本身的自私性以及惰性，有必要设计一种基于数据质量感知的区别化激励方法来对用户进行甄别并分级给予回报。

发明内容

本发明的目的是针对现有技术的缺陷，提供了一种面向边缘计算数据质量感知的区别化激励方法。

为了实现以上目的，本发明采用以下技术方案：

一种面向边缘计算数据质量感知的区别化激励方法，包括步骤：

S1.提取用户上传的群智感知数据，根据所述群智感知数据建立二维数据坐标，并采用LOF算法计算建立的二维数据坐标中每个点相对于其他点的离群因子；

S2.将每个数据的离群因子和标准值1的差值与预设范围进行比较，得到每个数据的质量等级；

S3.根据每个数据的质量等级，得到所述质量等级相对应的用户等级，并提供与所述用户等级相对应的回报信息。