[发明专利]一种基于QL学习策略面向MDU隐私数据保护的流量补偿激励方法

说明书

一种基于QL学习策略面向MDU隐私数据保护的流量补偿激励方法。设计MCS与MEC相结合的系统架构，通过EC将感知结果上传到MCS云，减少MCS云开销。构建一种基于MCMC的本地差分隐私属性相关性保护模型，生成属性相关性精确度更高的感知结果，并保护MDU隐私数据安全。设计基于QL机会协作传输的MDU隐私数据保护的流量补偿激励架构，减少MCS云的流量补偿开销，提高MDU参与积极性。与现有的高维属性数据隐私保护、机会中继感知激励等方法实验比较，QLPPIA方法平均提高感知结果准确性29.4％，降低MCS云开销89.92％，减少流量补偿开销19.03％。

技术领域

本发明属于物联网领域，具体涉及一种基于QL(Q学习)学习策略面向MDU(移动设备用户)隐私数据保护的流量补偿激励方法。

背景技术

智能移动设备的使用给人们的生活带来极大的便利，移动设备配备各种各样的传感器，不可避免存在MDU数据隐私泄露的问题。MCS(移动群智感知)在环境气象监测，智能交通安全，医疗卫生保健、智慧城市管理等方面都发挥重要作用。MDU使用智能移动设备完成感知任务。任务发布者创建感知任务并向MCS云发布感知任务请求。MCS云招募MDU，并将感知任务分配给MDU。MDU收集多维属性数据记录，执行感知任务并将感知数据上传到MCS云。MCS云完成数据收集、处理、任务请求响应。

但是，MDU把感知数据直接上传给MCS云极易泄露其个人隐私。因此，需要在上传感知数据前，将收集到的感知数据本地私有化，完成MDU隐私数据保护。私有化策略会对数据集中的部分数据随机化，得到的感知数据会和原始数据有细微差别，降低感知数据的质量。所以，需要大量的MDU参与，提供更多的感知数据，这会导致MDU的数据量和MCS网络开销增加。设计MCS-MEC(移动边缘计算)架构可以减少MCS云和MDU的开销(包括存储、传输、计算等开销)。EC(边缘中心)在本地完成私有化感知数据、聚合和恢复感知数据的工作，不需要将全部的感知数据都上传给MCS云处理，而是将聚合、恢复的感知数据上传，不仅减少MCS云大量的工作，还避免MDU的隐私泄露。MCS网络需要收集具备丰富功能传感器的智能手机、可穿戴设备、智能家电等设备的感知数据。但是当MDU需要传输的感知数据量较大时，会造成MDU消耗更多的流量、电量以及数据隐私问题的担忧。因此需要设计有效的面向MDU数据隐私保护的激励方法，满足MDU在个性化隐私保护的前提下，更愿意参与MCS感知任务。

发明内容

本文提出一种基于QL(Q学习)学习策略面向MDU隐私数据保护的流量补偿激励方法(QLPPIA)。针对多维属性的MDU设计MCS-MEC系统模型，保护MDU个人隐私并且减少MCS云开销。通过私有化算法、聚合算法保护MDU的隐私数据，同时提高MCS云接收的感知结果的准确性。设计一种基于QL学习的流量补偿激励模型。迭代更新路径价值，通过QL机会协作传输，找到从IMDU到MMDU最小化流量补偿开销的最优路径，提高MDU的参与积极性。实验证明，本文提出的QLPPIA方法提高感知数据的准确性，保护MDU隐私数据，实现MCS云最小化流量补偿开销，提高MDU的感知任务参与积极性。

本发明的基于QL学习策略面向MDU隐私数据保护的流量补偿激励方法，主要包括如下关键步骤：

第1、系统模型的构建：

第1.1、MCS-MEC隐私保护系统模型；

第1.2、差分隐私保护策略；

第1.3、机会协作传输；

第1.4、问题描述；

第2、QLPPIA方法：

第2.1、属性相关性估计；

第2.2、私有化策略；

第2.3、恢复、聚合策略；

第2.4、基于QL协作上传的流量补偿激励策略。