绿色群智计算中的可信任务分配与数据定价技术研究

Energy-efficient crowd computing has huge potentials for many applications, where credible participant selection, task assignment and data pricing mechanisms are key to support these application operations. We aim to propose a method that defines and extracts multivariate quality-of-information (QoI) and a mechanism that defines, calculates and updates a participant’s reputation value. Then, according to the economic theories we plan to investigate the data dynamic pricing schemes in the data market. We also will fully consider the task publisher’s multiple QoI requirements spatiotemporally, participants’ willingness, reputation, privacy, energy costs, and their mobility pattern, by using game theory, graph theory and optimization theory, to establish theoretical models to select credible participants to enhance the degree of QoI satisfactions. In order to verify the validity and performance of the proposed theory and algorithms, both computer based simulations on real data sets and a big data crowdsourcing system will be deployed.

绿色群智计算蕴藏着巨大的潜在应用价值，可信任务分配、可靠参与者选择与数据定价机制是众多应用的核心支撑技术。为了提高感知数据的多元信息质量，本研究拟旨在提出一种对多元信息质量的定义、提取、精粹方法和参与者信誉度的定义、计算与更新机制，并根据经济学原理研究数据市场中的数据动态定价机制。研究还将考虑到参与者信誉度、感知数据的定价、参与者的设备能耗、意愿和移动轨迹，基于博弈论、图论和优化理论，研究可靠参与者选择机制以及数据传输传输过程中的隐私保护技术。最后，本研究将通过完整的计算机仿真实验和大数据众筹系统部署验证所提出理论和算法的有效性及系统性能。

移动群体感知在智能交通、城市管理和公共安全等领域具有广泛应用，同时面临诸多挑战，如：感知数据量大、种类多；参与者数量多、意愿未知，感知设备能量受限；参与者隐私保障难、任务完成质量参差不齐、数据定价方式不一等。针对上述挑战，本项目在如下四方面开展研究，取得了学术贡献：（1）在多元信息质量和参与者信誉度的定义、计算与更新方法方面，构建了区域栅格化、时间片段化的移动群体轨迹序列模型，提出了基于深度强化学习的移动感知群体互联与覆盖机制；（2）在可靠参与者选择算法和激励机制方面，提出了考虑群体意愿与能耗的感知任务分配技术和面向多任务的感知群体路径规划方法，构建了基于探索性策略内部奖励的激励机制；（3）在参与者隐私保护机制方面，提出了区块链与深度强化学习融合的数据采集与共享机制；（4）在数据市场的建模和定价机制方面，提出了基于自由市场社交关系的在线群体激励定价机制。项目形成学术论文17篇，其中CCF-A类论文12篇，SCI一区论文4篇。项目负责人刘驰教授于2020年获得国家优秀青年科学基金资助，并于2021年新增主持国家重点研发计划“工业软件”重点专项项目1项（1958.8万元）、国家自然科学基金联合基金重点支持项目（260万元）、国防科技173计划技术领域基金重点项目（150万元）、科技部高端外国专家引进计划项目（40万元）；同时培养了陈喆毓、朴成哲、戴子彭等6名学生，其中3人获得北京理工大学优秀硕士论文、1人获得北京市优秀本科毕业设计论文。