趙東+馬華東+劉亮

摘要：認(rèn)為移動(dòng)群智感知網(wǎng)絡(luò)的感知質(zhì)量包含時(shí)空覆蓋質(zhì)量和數(shù)據(jù)質(zhì)量兩個(gè)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(gè)層面討論了感知質(zhì)量度量和保障的方法，對移動(dòng)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(shí)用價(jià)值。

關(guān)鍵詞： 移動(dòng)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(jìn)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(qiáng)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(jìn)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(hù)成本很高，不適宜進(jìn)行大規(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(dòng)群智感知[1-3]”，或者叫“以人為中心的感知[4]”、“參與感知[5]”、“機(jī)會(huì)感知[6]”等。這種感知模式的產(chǎn)生一方面是由于現(xiàn)實(shí)世界中存在著大量的移動(dòng)感知節(jié)點(diǎn)，例如，具有多達(dá)十幾種傳感器的智能手機(jī)、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(dòng)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(diǎn)通常由移動(dòng)的人或車攜帶，因而更容易實(shí)現(xiàn)對整個(gè)城市的覆蓋，我們將其稱之為“移動(dòng)感知”。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(gè)復(fù)雜的問題分解成很多個(gè)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(dòng)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——移動(dòng)群智感知，它將普通用戶的移動(dòng)設(shè)備作為基本感知單元，通過移動(dòng)互聯(lián)網(wǎng)進(jìn)行有意識(shí)或無意識(shí)的協(xié)作，實(shí)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(huì)感知任務(wù)[3]。

與傳統(tǒng)的固定部署感知模式相比，移動(dòng)群智感知有三大優(yōu)點(diǎn)：網(wǎng)絡(luò)部署成本更低、網(wǎng)絡(luò)維護(hù)更容易、系統(tǒng)更具有可擴(kuò)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(dòng)群智感知網(wǎng)絡(luò)的感知質(zhì)量問題。我們認(rèn)為，移動(dòng)群智感知網(wǎng)絡(luò)的感知質(zhì)量包含時(shí)空覆蓋質(zhì)量和數(shù)據(jù)質(zhì)量兩個(gè)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(dòng)群智感知模式下，用戶的屬性、位置、情境等方面的動(dòng)態(tài)變化性使得我們很難對時(shí)空覆蓋質(zhì)量進(jìn)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(jìn)行相關(guān)的度量和保障。

因此，文章分別從時(shí)空覆蓋質(zhì)量和數(shù)據(jù)兩個(gè)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(dòng)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(shí)用價(jià)值。

1 時(shí)空覆蓋質(zhì)量度量與保障

隨著移動(dòng)感知設(shè)備的持有者隨機(jī)地到達(dá)城市的各個(gè)地方，這些節(jié)點(diǎn)即可隨時(shí)隨地進(jìn)行感知。這種移動(dòng)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(jì)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(jìn)行監(jiān)測，構(gòu)建每天早上6點(diǎn)到晚上12點(diǎn)時(shí)間段的空氣質(zhì)量感知地圖。事實(shí)上，有兩個(gè)基本問題有待解決：怎樣度量這些出租車提供的感知機(jī)會(huì)以及它們能達(dá)到的感知質(zhì)量？需要部署多少輛出租車能達(dá)到所需的感知質(zhì)量？

首先，我們從時(shí)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(gè)點(diǎn)總是被至少一個(gè)傳感器節(jié)點(diǎn)覆蓋，這種網(wǎng)絡(luò)的覆蓋質(zhì)量一般不會(huì)隨著時(shí)間而改變。然而，由于人的移動(dòng)性，移動(dòng)群智感知網(wǎng)絡(luò)的覆蓋質(zhì)量是動(dòng)態(tài)變化的。考慮到感知覆蓋的時(shí)空變化因素，我們將整個(gè)監(jiān)測區(qū)域劃分為多個(gè)網(wǎng)格單元，將每個(gè)網(wǎng)格單元被連續(xù)覆蓋兩次的間隔時(shí)間作為一個(gè)新的度量指標(biāo)，稱之為覆蓋間隔時(shí)間，用來描述每個(gè)網(wǎng)格單元被覆蓋的機(jī)會(huì)。通過對北京和上海兩個(gè)城市的出租車移動(dòng)軌跡數(shù)據(jù)集進(jìn)行分析，我們發(fā)現(xiàn)覆蓋間隔時(shí)間服從截?cái)嗟呐晾弁蟹植肌＿M(jìn)一步地，我們提出一個(gè)稱作“機(jī)會(huì)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(diǎn)個(gè)數(shù)之間的關(guān)系，其定義為在特定時(shí)間間隔內(nèi)能被覆蓋的網(wǎng)格單元占所有網(wǎng)格單元的比例的期望值，可以表示成關(guān)于覆蓋間隔時(shí)間分布的函數(shù)。圖1顯示基于北京和上海兩個(gè)出租車移動(dòng)軌跡數(shù)據(jù)集的機(jī)會(huì)覆蓋率與節(jié)點(diǎn)個(gè)數(shù)和時(shí)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(diǎn)能使在特定的時(shí)間間隔內(nèi)機(jī)會(huì)覆蓋率不小于指定的閾值。例如，根據(jù)對兩個(gè)出租車移動(dòng)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(gè)小時(shí)的時(shí)間間隔內(nèi)機(jī)會(huì)覆蓋率不小于50%。更詳細(xì)的分析方法和結(jié)果請見文獻(xiàn)[8]。盡管不同城市可能需要不同的節(jié)點(diǎn)個(gè)數(shù)滿足所需的機(jī)會(huì)覆蓋率，我們提出的模型和方法可以對網(wǎng)絡(luò)規(guī)劃問題提供一般性的指導(dǎo)。

其次，我們從空間維度考慮。一個(gè)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(gè)二維信號(hào)，類似于一個(gè)圖像。在大部分環(huán)境監(jiān)測應(yīng)用中，移動(dòng)感知節(jié)點(diǎn)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(jì)未知數(shù)據(jù)，從而得到一個(gè)完整的感知地圖，相當(dāng)于一個(gè)感知圖像。如圖2所示，移動(dòng)群智感知網(wǎng)絡(luò)就像一個(gè)“城市攝像機(jī)”，而每個(gè)移動(dòng)感知節(jié)點(diǎn)就相當(dāng)于這個(gè)攝像機(jī)的每個(gè)“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(gè)重要指標(biāo)。從這個(gè)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，則代表所部署的移動(dòng)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?cái)?shù)（即移動(dòng)感知節(jié)點(diǎn)個(gè)數(shù)）看做群智感知分辨率。這是因?yàn)椋瑪?shù)字?jǐn)z像機(jī)的像素會(huì)形成一個(gè)精細(xì)的網(wǎng)格，而城市攝像機(jī)的像素在城市中則呈現(xiàn)分散化的動(dòng)態(tài)化分布。為了解決這個(gè)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(dòng)群智感知網(wǎng)絡(luò)和[n×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(jì)未知數(shù)據(jù)，得到兩個(gè)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(gè)矩陣的相似性，如果它們的相似性足夠高，則認(rèn)為該移動(dòng)群智感知網(wǎng)絡(luò)的城市分辨率是[r=n×n]。我們分別使用3種不同變化度的二維信號(hào)，通過蒙特卡羅仿真研究了分辨率r與移動(dòng)感知節(jié)點(diǎn)個(gè)數(shù)[s]之間的關(guān)系，發(fā)現(xiàn)它們之間存在一個(gè)近似的線性關(guān)系：[r=α2s]，其中，在真實(shí)的人或車移動(dòng)模型下，[α]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(dòng)群智感知網(wǎng)絡(luò)的節(jié)點(diǎn)個(gè)數(shù)推出所能達(dá)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(dòng)感知節(jié)點(diǎn)能達(dá)到所需的城市分辨率需求。同樣以北京和上海兩個(gè)出租車移動(dòng)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?，人或車密集分布的區(qū)域具有更高的城市分辨率，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(xiàn)[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(gè)城市的每個(gè)區(qū)域進(jìn)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(dòng)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(dòng)識(shí)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(shí)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(gè)地方采集足夠的感知數(shù)據(jù)（如GPS位置、聲音、圖像、光照、Wi-Fi信號(hào)指紋等）來建立各種模型。這里的覆蓋問題就是：多長時(shí)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(gè)月時(shí)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(jìn)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(gè)數(shù)服從冪律分布，基于該模型可估計(jì)出需要多少用戶能達(dá)到所需的地方覆蓋率；用戶對泄露個(gè)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)。

以上方法主要用來度量時(shí)空覆蓋質(zhì)量，而保障時(shí)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(dòng)群智感知模式相結(jié)合，在移動(dòng)用戶很難到達(dá)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(shí)空覆蓋質(zhì)量；（2）利用空間插值、壓縮感知等方法來彌補(bǔ)感知數(shù)據(jù)的缺失，也可以利用感知現(xiàn)象的時(shí)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(jī)器學(xué)習(xí)的方法來實(shí)現(xiàn)未知數(shù)據(jù)的準(zhǔn)確估計(jì)；（3）設(shè)計(jì)合適的激勵(lì)機(jī)制來鼓勵(lì)更多的用戶來參與這些感知活動(dòng)。

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(jià)格高昂的高端手機(jī)的傳感器一般比那些價(jià)格低廉的低端手機(jī)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(jī)拿在手里采集環(huán)境噪聲的數(shù)據(jù)質(zhì)量比把手機(jī)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(dòng)群智感知的圖像搜索應(yīng)用依賴用戶對圖像的識(shí)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(huì)嚴(yán)格按照要求來采集數(shù)據(jù)，而有些用戶會(huì)比較隨意，甚至有些惡意用戶會(huì)上傳虛假偽造的數(shù)據(jù)。

以上因素都會(huì)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(jìn)制型任務(wù)的方法。二進(jìn)制型任務(wù)的結(jié)果只有兩種。事件檢測是一種典型的二進(jìn)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(shí)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(gè)事物的評價(jià)可以打分為1～5的某個(gè)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(jì)用戶的可靠性，然后根據(jù)用戶的可靠性來估計(jì)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(hào)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(hào)型任。Koutsopoulos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(jì)算某個(gè)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(gè)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[12]。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(tái)模塊。這類方法是在用戶的移動(dòng)感知設(shè)備設(shè)置專門的硬件模塊，保證用戶感知和上報(bào)到數(shù)據(jù)中心的數(shù)據(jù)是由真實(shí)的、授權(quán)的感知設(shè)備所采集，還可以采用簽名和硬件加密機(jī)制來保護(hù)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(jī)”的思想，利用MD5算法和基于隨機(jī)數(shù)的加密算法設(shè)計(jì)了一個(gè)圖像篡改檢測方法來保障用戶上傳圖像數(shù)據(jù)的真實(shí)性[13]。

·信譽(yù)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(yù)度低的用戶感知數(shù)據(jù)采用的可能性也比較低，同時(shí)也會(huì)采用相應(yīng)的激勵(lì)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(dòng)群智感知促進(jìn)了大量創(chuàng)新應(yīng)用的出現(xiàn)，同時(shí)也面臨一系列新的問題與挑戰(zhàn)。文章分別從時(shí)空覆蓋質(zhì)量和數(shù)據(jù)質(zhì)量兩個(gè)層面分析了移動(dòng)群智感知網(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(jìn)步和成熟，移動(dòng)群智感知質(zhì)量度量與保障將對移動(dòng)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(xiàn)

[1] GANTI R K， YE F， and LEI H. Mobile Crowdsensing： Current State and Future Challenges [J]. IEEE Communications Magazine， 2011， 49 （11）： 32-39

[2] MA H D， ZHAO D， and YUAN P. Opportunities in Mobile Crowd Sensing [J]. IEEE Communications Magazine， 2014， 52（8）： 29-35

[3] 劉云浩. 群智感知計(jì)算[J]. 中國計(jì)算機(jī)學(xué)會(huì)通訊， 2012， 8 （10）： 38-41

[4] CAMPBELL A， EISENMAN S， LANE N， et al. The Rise of People-Centric Sensing [J]. IEEE Internet Computing， 2008， 12 （4）： 12-21

[5] BURKE J， ESTRIN D， HANSEN M， et al. Participatory Sensing [C] // Workshop on World-Sensor-Web， Co-Located with ACM SenSys， Boulder， Colorado， USA， 2006： 1-5

[6] 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： 11-16

[7] 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)， 2014（05）： 66-70

[8] 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/j.comcom.2015.01.018

[9] 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.2015.2404786

[10] CHON Y， LANE N， KIM Y， et al. Understanding the Coverage and Scalability of Place-Centric Crowd Sensing[C]// in Proceedings of ACM UbiComp， Zurich， Switzerland， 2013： 3-12

[11] KOUSOPOULOS I. Optimal Incentive-Driven Design of Participatory Sensing Systems[C]// Proceedings of IEEE INFOCOM， Turin， Italy， 2013： 1402-1410

[12] MOUSA H， MOKHTAR S B， HASAN O， et al. Trust Management and Reputation Systems in Mobile Participatory Sensing Applications： A Survey [J]. Computer Networks， 2015， 90. doi：10.1016/j.comnet.2015.07.011

[13] QIN T， MA H D， ZHAO D， et al. Crowdsourcing Based Event Reporting System Using Smartphones with Accurate Localization and Photo Tamper Detection[C]// in Proceedings of BIGCOM， Taiyuan， China， 2015： 141-151

[14] TANAS C， HERRERA- JOANCOMARTI J. When Users Become Sensors： Can We Trust Their Readings？ [J]. International Journal of Communication Systems， 2015， 28 （4）： 601-614