移動群智感知質(zhì)量度量與保障

1、移動群智感知質(zhì)量度量與保障摘要：認(rèn)為移動群智感知網(wǎng)絡(luò)的感知質(zhì)量包含時空覆 蓋質(zhì)量和數(shù)據(jù)質(zhì)量兩個層面，前者關(guān)注是否能采集到足夠多 的數(shù)據(jù)，而后者關(guān)注數(shù)據(jù)是否足夠準(zhǔn)確和可信。分別從這兩 個層面討論了感知質(zhì)量度量和保障的方法，對移動群智感知 網(wǎng)絡(luò)的部署和應(yīng)用具有一定的指導(dǎo)意義和實用價值。關(guān)鍵詞： 移動群智感知；感知質(zhì)量度量；感知質(zhì)量保 障目前，物聯(lián)網(wǎng)已經(jīng)進入深度發(fā)展階段，對物理環(huán)境更大 規(guī)模、更復(fù)雜、更全面的感知需求越來越強烈。在過去十多 年內(nèi)，人們主要關(guān)注以無線傳感網(wǎng)為代表的固定部署感知網(wǎng) 絡(luò)，用來對森林、海洋、火山等自然環(huán)境進行監(jiān)測。然而， 這種傳統(tǒng)感知模式的網(wǎng)絡(luò)部署和維護成本很高，不適宜進行

2、大規(guī)模的城市感知。近幾年來，人們開始關(guān)注一種新型物聯(lián) 網(wǎng)感知模式，即“移動群智感知 1-3 ”，或者叫 “以人為中心 的感知 4 ”、“參與感知 5 ”、“機會感知 6 ”等。這種感知模 式的產(chǎn)生一方面是由于現(xiàn)實世界中存在著大量的移動感知 節(jié)點，例如，具有多達十幾種傳感器的智能手機、各種可穿 戴設(shè)備（如智能手環(huán)、智能手表、智能眼鏡等） 、車載感知 設(shè)備（如全球定位系統(tǒng)（GPS、第2代車載自動診斷系統(tǒng)（OBD-II）、車載二氧化碳傳感器等）或其他便攜式電子設(shè)備（如 Intel 的空氣質(zhì)量傳感器） 。這些感知節(jié)點通常由移動的 人或車攜帶，因而更容易實現(xiàn)對整個城市的覆蓋，我們將其 稱之為“移動感知”

3、 。另一方面，最近學(xué)術(shù)界和工業(yè)界流行 一種“眾包”思想，它是一種新的分布式的問題解決模式， 就是將一個復(fù)雜的問題分解成很多個簡單的問題，然后外包 給大量的普通用戶來協(xié)同完成。于是，移動感知與眾包思想 的結(jié)合，就產(chǎn)生了這種新型物聯(lián)網(wǎng)感知模式一一移動群智感 知，它將普通用戶的移動設(shè)備作為基本感知單元，通過移動 互聯(lián)網(wǎng)進行有意識或無意識的協(xié)作，實現(xiàn)感知任務(wù)分發(fā)與感 知數(shù)據(jù)收集，完成大規(guī)模的、復(fù)雜的社會感知任務(wù) 3。與傳統(tǒng)的固定部署感知模式相比，移動群智感知有三大 優(yōu)點：網(wǎng)絡(luò)部署成本更低、網(wǎng)絡(luò)維護更容易、系統(tǒng)更具有可 擴展性 7，因此更適合完成一些大規(guī)模的、 復(fù)雜的感知任務(wù)， 可應(yīng)用于城市環(huán)境監(jiān)測、智

4、能交通、城市管理、公共安全等 領(lǐng)域。然而，很少有人關(guān)注移動群智感知網(wǎng)絡(luò)的感知質(zhì)量問題。 我們認(rèn)為，移動群智感知網(wǎng)絡(luò)的感知質(zhì)量包含時空覆蓋質(zhì)量 和數(shù)據(jù)質(zhì)量兩個層面，前者關(guān)注是否能采集到足夠多的數(shù)據(jù)， 而后者關(guān)注數(shù)據(jù)是否足夠準(zhǔn)確和可信。然而，在移動群智感知模式下，用戶的屬性、位置、情境等方面的動態(tài)變化性使得我們很難對時空覆蓋質(zhì)量進行 度量和保障；而用戶感知設(shè)備、感知方式、主觀認(rèn)知能力、 參與態(tài)度等方面的異構(gòu)性也使得我們很難對感知數(shù)據(jù)的質(zhì) 量進行相關(guān)的度量和保障。因此，文章分別從時空覆蓋質(zhì)量和數(shù)據(jù)兩個層面討論感 知質(zhì)量度量與保障的問題以及對應(yīng)的解決方法，對移動群智 感知網(wǎng)絡(luò)的部署和應(yīng)用具有一定的指導(dǎo)

5、意義和實用價值。1 時空覆蓋質(zhì)量度量與保障 隨著移動感知設(shè)備的持有者隨機地到達城市的各個地 方，這些節(jié)點即可隨時隨地進行感知。這種移動性對許多應(yīng) 用的感知質(zhì)量起著重要的作用。以城市空氣質(zhì)量監(jiān)測為例， 假定我們計劃使用大量的出租車攜帶空氣質(zhì)量傳感器，對北 京的五環(huán)內(nèi)區(qū)域進行監(jiān)測，構(gòu)建每天早上 6 點到晚上 12 點 時間段的空氣質(zhì)量感知地圖。事實上，有兩個基本問題有待 解決：怎樣度量這些出租車提供的感知機會以及它們能達到 的感知質(zhì)量？需要部署多少輛出租車能達到所需的感知質(zhì) 量？首先，我們從時間維度來考慮。在傳統(tǒng)的固定部署的傳 感網(wǎng)中，研究者常常使用覆蓋率來度量感知質(zhì)量，通常需要 監(jiān)測區(qū)域內(nèi)每個點

6、總是被至少一個傳感器節(jié)點覆蓋，這種網(wǎng) 絡(luò)的覆蓋質(zhì)量一般不會隨著時間而改變。然而，由于人的移 動性，移動群智感知網(wǎng)絡(luò)的覆蓋質(zhì)量是動態(tài)變化的?？紤]到 感知覆蓋的時空變化因素，我們將整個監(jiān)測區(qū)域劃分為多個 網(wǎng)格單元，將每個網(wǎng)格單元被連續(xù)覆蓋兩次的間隔時間作為 一個新的度量指標(biāo)，稱之為覆蓋間隔時間，用來描述每個網(wǎng) 格單元被覆蓋的機會。通過對北京和上海兩個城市的出租車 移動軌跡數(shù)據(jù)集進行分析，我們發(fā)現(xiàn)覆蓋間隔時間服從截斷 的帕累托分布。 進一步地， 我們提出一個稱作 “機會覆蓋率” 的度量指標(biāo)來表示城市監(jiān)測區(qū)域的整體感知質(zhì)量與節(jié)點個 數(shù)之間的關(guān)系，其定義為在特定時間間隔內(nèi)能被覆蓋的網(wǎng)格 單元占所有網(wǎng)格單

7、元的比例的期望值，可以表示成關(guān)于覆蓋 間隔時間分布的函數(shù)。圖 1 顯示基于北京和上海兩個出租車 移動軌跡數(shù)據(jù)集的機會覆蓋率與節(jié)點個數(shù)和時間間隔呈單 調(diào)遞增關(guān)系。于是，我們可以推導(dǎo)出至少需要多少節(jié)點能使 在特定的時間間隔內(nèi)機會覆蓋率不小于指定的閾值。例如， 根據(jù)對兩個出租車移動軌跡數(shù)據(jù)集的分析，我們需要分別在 北京和上海 900平方千米的區(qū)域內(nèi)至少部署 1 700輛和 1 900 輛出租車，才能保證其在 1 個小時的時間間隔內(nèi)機會覆蓋率 不小于 50%。更詳細(xì)的分析方法和結(jié)果請見文獻 8 。盡管不 同城市可能需要不同的節(jié)點個數(shù)滿足所需的機會覆蓋率，我 們提出的模型和方法可以對網(wǎng)絡(luò)規(guī)劃問題提供一般

8、性的指 導(dǎo)。其次，我們從空間維度考慮。一個監(jiān)測區(qū)域的環(huán)境現(xiàn)象 （如 PM 2.5 濃度、二氧化碳濃度、 噪音等） 可以表示為一個 二維信號，類似于一個圖像。在大部分環(huán)境監(jiān)測應(yīng)用中，移動感知節(jié)點將采集到的感知數(shù)據(jù)發(fā)送到數(shù)據(jù)中心，然后數(shù)據(jù) 中心匯集現(xiàn)有數(shù)據(jù)，并利用空間插值技術(shù)估計未知數(shù)據(jù)，從 而得到一個完整的感知地圖，相當(dāng)于一個感知圖像。如圖 2 所示，移動群智感知網(wǎng)絡(luò)就像一個“城市攝像機” ，而每個 移動感知節(jié)點就相當(dāng)于這個攝像機的每個“像素” 。在傳統(tǒng) 的圖像系統(tǒng)中，分辨率是度量圖像質(zhì)量的一個重要指標(biāo)。從 這個概念得到啟發(fā)，我們利用群智感知分辨率作為指標(biāo)來度 量感知圖像的質(zhì)量。分辨率越高，則代

9、表所部署的移動群智 感知網(wǎng)絡(luò)越能準(zhǔn)確地捕獲到環(huán)境現(xiàn)象的變化。然而，與傳統(tǒng) 數(shù)字圖像系統(tǒng)中的分辨率定義不同，我們不能簡單地將像素 數(shù)（即移動感知節(jié)點個數(shù)） 看做群智感知分辨率。 這是因為， 數(shù)字?jǐn)z像機的像素會形成一個精細(xì)的網(wǎng)格，而城市攝像機的 像素在城市中則呈現(xiàn)分散化的動態(tài)化分布。為了解決這個問 題，我們首次提出“城市分辨率”這一新的指標(biāo)來度量城市 感知圖像的質(zhì)量。簡單地說，我們分別基于移動群智感知網(wǎng) 絡(luò)和n x n網(wǎng)格化部署的感知網(wǎng)絡(luò)采集到的部分感知數(shù)據(jù)， 利用空間插值技術(shù)來估計未知數(shù)據(jù)，得到兩個完整的監(jiān)測區(qū) 域感知數(shù)據(jù)矩陣，然后利用相關(guān)系數(shù)來評估兩個矩陣的相似 性，如果它們的相似性足夠高，則

10、認(rèn)為該移動群智感知網(wǎng)絡(luò) 的城市分辨率是r=n x n。我們分別使用3種不同變化度的 二維信號，通過蒙特卡羅仿真研究了分辨率 r 與移動感知節(jié) 點個數(shù)s之間的關(guān)系，發(fā)現(xiàn)它們之間存在一個近似的線性關(guān)系：r= a 2S，其中，在真實的人或車移動模型下，a 的參考值范圍是 0.5， 0.6。一方面，基于該線性關(guān)系，我們就可 以根據(jù)移動群智感知網(wǎng)絡(luò)的節(jié)點個數(shù)推出所能達到的感知 質(zhì)量；另一方面，我們也可以反過來推出，需要部署多少移 動感知節(jié)點能達到所需的城市分辨率需求。同樣以北京和上 海兩個出租車移動軌跡數(shù)據(jù)集為例，圖 3 顯示了其城市分辨 率分布情況?？梢钥闯觯嘶蜍嚸芗植嫉膮^(qū)域具有更高的 城市分辨率

11、，例如北京的中心和東部區(qū)域，以及上海的中心 和西南區(qū)域。更詳細(xì)的介紹請見文獻9。上面提到的方法主要適用于城市環(huán)境監(jiān)測、交通擁堵狀況和道路健康 狀況監(jiān)測等需要對整個城市的每個區(qū)域進行連續(xù)監(jiān)測的大 規(guī)模城市感知應(yīng)用。 與此不同， Chon 等人則研究了 “以地方 為中心”的移動群智感知應(yīng)用的覆蓋質(zhì)量10 。所謂以地方為中心的應(yīng)用，就是自動識別或跟蹤用戶每天訪問的不同地 方（如咖啡館、超市、辦公室、家、學(xué)校等） ，來幫助用戶 認(rèn)識和分析自己的日常行為模式，或者獲取基于位置的搜索 和信息推薦等服務(wù)。構(gòu)建和部署這些應(yīng)用的前提是對用戶訪 問的每個地方采集足夠的感知數(shù)據(jù)（如GPS位置、聲音、圖像、光照、 W

12、i-Fi 信號指紋等）來建立各種模型。這里的覆蓋 問題就是：多長時間內(nèi)多少用戶采集數(shù)據(jù)能覆蓋到多少人們 經(jīng)常訪問的地方？為此，Chon等人在韓國招募了 85人并在兩個月時間內(nèi)收集了大約 4.8 萬次用戶訪問不同地方的感知 數(shù)據(jù)然后進行分析，得到了一些有趣的結(jié)果：僅僅利用少量 的用戶（ 85 人），就能對人們常去的地方提供高覆蓋率（最 流行的地方的 15%）；用戶訪問地方的個數(shù)服從冪律分布， 基于該模型可估計出需要多少用戶能達到所需的地方覆蓋 率；用戶對泄露個人隱私的擔(dān)心并沒有帶來太大的影響，例 如，用戶允許在 93%的食物相關(guān)的地方收集聲音數(shù)據(jù)， 在 82% 的所有類型的地方收集聲音數(shù)據(jù)。以上

13、方法主要用來度量時空覆蓋質(zhì)量，而保障時空覆蓋 質(zhì)量則需要綜合利用多種方法： （ 1）可以將固定部署感知模 式和移動群智感知模式相結(jié)合，在移動用戶很難到達的空白 區(qū)域，通過優(yōu)化部署固定的感知網(wǎng)絡(luò)來保障時空覆蓋質(zhì)量； （2）利用空間插值、壓縮感知等方法來彌補感知數(shù)據(jù)的缺 失，也可以利用感知現(xiàn)象的時空相關(guān)性，或者天氣、交通、 重大事件等外部因素與感知現(xiàn)象的關(guān)聯(lián)性，采用機器學(xué)習(xí)的 方法來實現(xiàn)未知數(shù)據(jù)的準(zhǔn)確估計； （ 3）設(shè)計合適的激勵機制 來鼓勵更多的用戶來參與這些感知活動。2 感知數(shù)據(jù)質(zhì)量度量與保障 感知數(shù)據(jù)質(zhì)量受很多方面因素的影響，主要包括： ?用戶所使用的感知設(shè)備類型。例如，價格高昂的高端 手機

14、的傳感器一般比那些價格低廉的低端手機的傳感器精 度要高。?用戶采集數(shù)據(jù)的環(huán)境和方式。例如，把手機拿在手里 采集環(huán)境噪聲的數(shù)據(jù)質(zhì)量比把手機放在衣服口袋或手提包 里采集環(huán)境噪聲的數(shù)據(jù)質(zhì)量高。?用戶的主觀認(rèn)知能力。例如，基于移動群智感知的圖 像搜索應(yīng)用依賴用戶對圖像的識別能力，而不同用戶對同一 圖像的認(rèn)知可能是不一樣的。?用戶的參與態(tài)度。例如，有的用戶會嚴(yán)格按照要求來 采集數(shù)據(jù)，而有些用戶會比較隨意，甚至有些惡意用戶會上 傳虛假偽造的數(shù)據(jù)。以上因素都會造成感知數(shù)據(jù)質(zhì)量的參差不齊。下面，我 們首先根據(jù)感知任務(wù)或?qū)ο蟮念愋蛠斫榻B幾種典型的感知 數(shù)據(jù)的質(zhì)量度量和保障的方法：?面向二進制型任務(wù)的方法。二進制

15、型任務(wù)的結(jié)果只有 兩種。事件檢測是一種典型的二進制型任務(wù)，即判斷某種事 件是否發(fā)生。最簡單的方法是投票，即當(dāng)判定事件發(fā)生的用 戶數(shù)量超過特定閾值的時候，才最終確定事件發(fā)生。?面向多類別型任務(wù)的方法。多類別型任務(wù)的結(jié)果多于 兩種，例如，用戶對某個事物的評價可以打分為15的某個分?jǐn)?shù)。投票法雖然也可以用來度量結(jié)果的不確定性，但還 不夠準(zhǔn)確。最大期望法是一種常用的更準(zhǔn)確的方法，它采用 迭代的方式工作，即首先根據(jù)用戶的感知數(shù)據(jù)來估計用戶的 可靠性，然后根據(jù)用戶的可靠性來估計最終的任務(wù)結(jié)果，并 不斷重復(fù)上述過程。?面向連續(xù)信號型任務(wù)的方法。對區(qū)域環(huán)境現(xiàn)象的連續(xù) 監(jiān)測屬于連續(xù)信號型任。 Koutsopoul

16、os 針對這類任務(wù)提出了 一種感知數(shù)據(jù)質(zhì)量度量方法，即計算某個用戶提交的歷史數(shù) 據(jù)與所有用戶數(shù)據(jù)的平均值之間的累積誤差作為該用戶的 感知數(shù)據(jù)質(zhì)量指標(biāo) 11 。以上 3 種方法的基本思想都是發(fā)揮集體的智慧來抵御個 人數(shù)據(jù)不準(zhǔn)確的影響，從而提高整體數(shù)據(jù)的可靠性。然而， 這些方法并不能充分應(yīng)對惡意用戶的攻擊。 Mousa 等人總結(jié) 了串謀攻擊、女巫攻擊、GPS欺騙等11種可能的惡意用戶攻 擊方式 1 2 。面對這些攻擊，一般有兩類方法解決感知數(shù)據(jù) 的可信性問題：?可信平臺模塊。這類方法是在用戶的移動感知設(shè)備設(shè) 置專門的硬件模塊，保證用戶感知和上報到數(shù)據(jù)中心的數(shù)據(jù) 是由真實的、授權(quán)的感知設(shè)備所采集，還

17、可以采用簽名和硬 件加密機制來保護感知數(shù)據(jù)只能由授權(quán)用戶訪問。與此類似， 我們基于“安全數(shù)碼相機”的思想，利用 MD5 算法和基于 隨機數(shù)的加密算法設(shè)計了一個圖像篡改檢測方法來保障用 戶上傳圖像數(shù)據(jù)的真實性 13。?信譽系統(tǒng)。這類方法是評估和記錄用戶的歷史感知數(shù) 據(jù)的可信性，并將其用在未來的系統(tǒng)交互過程中，對于信譽 度低的用戶感知數(shù)據(jù)采用的可能性也比較低，同時也會采用 相應(yīng)的激勵或懲罰措施。貝葉斯系統(tǒng)是一種常用的具體方法14。3 結(jié)束語作為物聯(lián)網(wǎng)的新型感知模式，移動群智感知促進了大量 創(chuàng)新應(yīng)用的出現(xiàn)，同時也面臨一系列新的問題與挑戰(zhàn)。文章 分別從時空覆蓋質(zhì)量和數(shù)據(jù)質(zhì)量兩個層面分析了移動群智 感知

18、網(wǎng)絡(luò)中感知質(zhì)量度量和保障的各種問題，并提供了一些 對應(yīng)的解決方法。隨著相關(guān)技術(shù)的不斷進步和成熟，移動群 智感知質(zhì)量度量與保障將對移動群智感知網(wǎng)絡(luò)的快速發(fā)展 和廣泛應(yīng)用提供重要的支撐作用。參考文獻1 GANTI R K， YE F， and LEI H. Mobile Crowdsensing ： Current State and Future Challenges J. IEEE Communications Magazine， 2011， 49 （ 11）： 32-392 MA H D， ZHAO D， and YUAN P. Opportunities in Mobile Crowd S

19、ensing J. IEEE Communications Magazine， 2014， 52（8）： 29-353 劉云浩 . 群智感知計算 J.中國計算機學(xué)會通訊， 2012， 8 （10）： 38-414 CAMPBELL A， EISENMAN S， LANE N， et al. The Rise of People-Centric Sensing J. IEEE Internet Computing， 2008 ， 12 （ 4）： 12-215 BURKE J， ESTRIN D， HANSEN M， et al. Participatory Sensing C / Worksh

20、op on World-Sensor-Web ， Co-Locatedwith ACM SenSys， Boulder ， Colorado， USA， 2006： 1-56 LANE N， EISENMAN S， MUSOLESI M， et al. Urban Sensing Systems： Opportunistic or Participatory ？ C / in Proceedings of HotMobile ， Silverado Resort， Napa Valley， USA， 2008： 11-167 趙東，馬華東 . 群智感知網(wǎng)絡(luò)的發(fā)展及挑戰(zhàn) J. 信息 通信技術(shù)，

21、2014（ 05）： 66-708 ZHAO D， MA H D， LIU L， and LI X Y. Opportunistic Coverage for Urban Vehicular Sensing J. Computer Communications ， 2015： 71-85. doi ： 10.1016/com.2015.01.0189 LIU L， WEI W， ZHAO D， and MA H D. Urban Resolution ： New metric for Measuring the Quality of Urban Sensing J. IEEE Transation on Mobile Computing， 2015（ 09）： 21-25. doi： 10.1109/TMC.2015.240478610 CHON Y， LANE N， KIM Y， et al. Understanding the Coverage and Scalability of Place-Centric Crowd SensingC/ in Proceedings of ACM UbiComp， Zurich， Switzerland