一种面向边缘计算数据质量感知的区别化激励方法技术

本发明专利技术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。本发明专利技术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。

【技术实现步骤摘要】
一种面向边缘计算数据质量感知的区别化激励方法
本专利技术涉及群智感知的边缘计算
，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。
技术介绍
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”。YangDequan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。YandDi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。ZhangYu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。
技术实现思路
本专利技术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，本专利技术采用以下技术方案：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。进一步的，所述步骤S1中采用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，表示为：其中，LOFk(A)表示数据A的离群因子；A表示用户上传的其中一个数据；lrdk(A)表示点A的第k邻域内的点的平均可达距离的倒数；表示点A第k邻域内所有的点；lrd(O)表示点O的平均可达距离的倒数；Nk(A)表示点A的第k邻域。进一步的，所述步骤S2中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之后还包括：S21.若离群因子和标准值1的差值小于预设范围时，得到所述离群因子中对应的数据为高质量数据，将所述高质量数据对应的用户保存至集合Ug中；S22.若离群因子和标准值1的差值大于等于预设范围时，得到所述离群因子对应的数据为低质量数据，将所述低质量数据对应的用户保存至集合Um中。进一步的，所述步骤S22中得到离群因子对应的数据为低质量数据之后还包括：判断所述低质量数据的准确度是否高于预设阈值，若是，则将所述低质量数据中准确度高于预设阈值的数据相对应的用户保存于集合中；若否，则将所述低质量数据中准确度低于预设阈值的数据对应的用户保存于集合Um中。进一步的，所述步骤S3具体包括：若用户处于集合Um中，则不提供回报；若用户处于集合中，则用户获得的基础回报δ；若用户处于集合Ug中，则用户获得回报ri。进一步的，所述用户获得的基础回报δ，表示为：其中，R表示服务器所给出的总回报；表示为集合中的用户数量；ri表示用户获得的回报。进一步的，所述用户获得的回报ri具体包括：计算用户的信誉度，表示为：ρi＝k/LOF(i)其中，ρi表示用户i的信誉度；k表示由特定的应用定义的常量；用户获得的回报ri，表示为：其中，表示用户所获得回报的估计值；W表示Ug集合中用户所获得总回报的估计值。进一步的，所述步骤S3中提供与所述用户等级相对应的回报信息，表示为：其中，ri表示用户获得的回报。与现有技术相比，本专利技术具有以下有益效果：(1)本专利技术创新性地提出基于数据质量感知的区别化激励机制，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；(2)本专利技术在挑选群智感知数据来源过程中基于数据质量进行，使得边缘服务器所收集到用户上传的数据准确性大大提高；(3)本专利技术在系统分配回报时，考虑到用户的惰性与自私性，采用多分类、多(信用)等级的分配模式，并运用两阶段斯坦伯格博弈，优化分配方式，使得用户的积极性大幅度提高。附图说明图1是实施例一提供的一种面向边缘计算数据质量感知的区别化激励方法流程图；图2是实施例一提供的两阶段斯坦伯格博弈示意图；图3是实施例一提供单边缘服务器多任务多用户示意图。具体实施方式以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。本专利技术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。实施例一本实施例提供一种面向边缘计算数据质量感知的区别化激励方法，如图1所示，包括步骤：S11.提取用户上传的群智感知数据，根据所述群本文档来自技高网...

【技术保护点】
1.一种面向边缘计算数据质量感知的区别化激励方法，其特征在于，包括步骤：/nS1.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；/nS2.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；/nS3.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。/n

【技术特征摘要】
1.一种面向边缘计算数据质量感知的区别化激励方法，其特征在于，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。


2.根据权利要求1所述的一种面向边缘计算数据质量感知的区别化激励方法，其特征在于，所述步骤S1中采用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，表示为：



其中，LOFk(A)表示数据A的离群因子；A表示用户上传的其中一个数据；lrdk(A)表示点A的第k邻域内的点的平均可达距离的倒数；表示点A第k邻域内所有的点；lrd(O)表示点O的平均可达距离的倒数；Nk(A)表示点A的第k邻域。


3.根据权利要求1所述的一种面向边缘计算数据质量感知的区别化激励方法，其特征在于，所述步骤S2中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之后还包括：
S21.若离群因子和标准值1的差值小于预设范围时，得到所述离群因子中对应的数据为高质量数据，将所述高质量数据对应的用户保存至集合Ug中；
S22.若离群因子和标准值1的差值大于等于预设范围时，得到所述离群因子对应的数据为低质量数据，将所述低质量数据对应的用户保存至集合Um中。


4.根据权利要求3所述的一种面向边缘计算数据质量感知的区别化激励...

【专利技术属性】
技术研发人员：骆淑云，李逸飞，徐伟强，
申请(专利权)人：浙江理工大学，
类型：发明
国别省市：浙江;33