張伯鈞，郭一晨，王子凱，胡 凱

（1.北京航空航天大學 計算機學院，北京 100191；2.云南省區(qū)塊鏈應用技術(shù)重點實驗室，昆明 650233）

0 概述

在大數(shù)據(jù)時代，數(shù)據(jù)流動和信息共享對人類科技進步至關(guān)重要，數(shù)據(jù)共享社區(qū)是促進科學數(shù)據(jù)開放共享的重要載體［1-2］。近年來，我國在促進科學數(shù)據(jù)共享方面出臺了一系列舉措，然而，最近的一項調(diào)查研究結(jié)果表明，我國的研究人員雖有分享數(shù)據(jù)的意愿，但也擔心數(shù)據(jù)被誤用以及版權(quán)和許可受到侵犯［3］，最終絕大多數(shù)學者都不愿意分享自己的數(shù)據(jù)，即無意愿開放共享，導致數(shù)據(jù)缺乏流動性，無法有效發(fā)揮數(shù)據(jù)共享社區(qū)的功能和優(yōu)勢。共享社區(qū)長期缺乏有效且科學的激勵機制，普遍面臨用戶參與積極性低、歸屬感弱、知識生成動力不足、數(shù)據(jù)共享程度低等挑戰(zhàn)，緩解這一問題的關(guān)鍵是構(gòu)建一個合理有效的數(shù)據(jù)共享模型［4］。

區(qū)塊鏈技術(shù)［5-6］的出現(xiàn)為解決數(shù)據(jù)共享所面臨的問題提供了新的思路。區(qū)塊鏈的本質(zhì)是一個分布式賬本，賬本上的每一筆交易都由區(qū)塊鏈網(wǎng)絡(luò)上的各個節(jié)點來查看和驗證。首先，區(qū)塊鏈的分布式特性保證了數(shù)據(jù)共享流通的透明性，用戶可以清晰地看到自己的數(shù)據(jù)流通過程，防止數(shù)據(jù)信息被濫用的情況發(fā)生；再次，利用區(qū)塊鏈智能合約自動執(zhí)行的特性，可以將數(shù)據(jù)共享的激勵機制寫入智能合約，將獎勵與懲罰信息公開，規(guī)范流程從而實現(xiàn)獎懲透明；最后，區(qū)塊鏈也解決了數(shù)據(jù)共享過程中的確權(quán)問題，通過區(qū)塊鏈，所有的數(shù)據(jù)都可以逐一溯源，既可以保證數(shù)據(jù)的歸屬權(quán)，又可以檢驗數(shù)據(jù)信息的真?zhèn)?。因此，將區(qū)塊鏈與數(shù)據(jù)共享相結(jié)合，可以擴大數(shù)據(jù)規(guī)模，規(guī)范數(shù)據(jù)管理流程，實現(xiàn)對共享數(shù)據(jù)的確權(quán)，從而建立一個開放的數(shù)據(jù)共享生態(tài)體系。

當前，數(shù)據(jù)共享被越來越多的學者關(guān)注，其中的一個研究熱點便是激勵機制。莊倩等［7］建立了一種參與科學數(shù)據(jù)共享的科研人員的演化博弈模型，通過該模型分析數(shù)據(jù)共享的演化過程。WEN 等［8］提出一種基于討價還價理論的群智感知激勵機制，其著重研究數(shù)據(jù)質(zhì)量對數(shù)據(jù)收集者的影響。郝世博等［9］使用區(qū)塊鏈以及智能合約，從技術(shù)維度來解決數(shù)據(jù)共享中所存在的信任問題。石進等［10］在其提出的基于區(qū)塊鏈的中小企業(yè)競爭情報共享平臺模型中，采用信用積分制度激勵用戶進行共享。張寶等［11］也提出了基于智能合約的積分激勵體制，當用戶上傳數(shù)據(jù)或數(shù)據(jù)被查看時獎勵用戶積分，以此來激勵用戶共享數(shù)據(jù)。張旺等［12］通過雙向委托代理分析，驗證了在不承擔風險的情況下，選擇不共享策略能夠最大限度地減少共享成本，從而說明了激勵機制在數(shù)據(jù)共享中的重要性。GAN 等［13］提出一種基于區(qū)塊鏈的eHealth 系統(tǒng)，并在該系統(tǒng)中根據(jù)醫(yī)療數(shù)據(jù)的質(zhì)量以及患者參與共享的積極性來對患者進行激勵。SHEN 等［14］在研究多云數(shù)據(jù)共享時，利用Shapley 值構(gòu)建一個動態(tài)公平的激勵方案，為多云數(shù)據(jù)共享協(xié)作提供了一種收入分配方法。SHRESTHA 等［15］在建立一個基于區(qū)塊鏈的共享平臺的基礎(chǔ)上，構(gòu)建一種在以太坊上部署智能合約的用戶激勵模型。LI等［16］在設(shè)計一個基于區(qū)塊鏈的車載人群感知框架時，提出一種基于用戶聲譽的激勵機制，其在確保公平交易的同時提高了數(shù)據(jù)的質(zhì)量。梁小燕［17］為促進醫(yī)療機構(gòu)數(shù)據(jù)共享，提出一種基于信息熵的醫(yī)療數(shù)據(jù)共享激勵機制，通過計算信息熵來判斷信息的價值，并提出基于Shapley 值的利益分配策略。蔡婷等［18］提出一個高效的區(qū)塊鏈物聯(lián)網(wǎng)數(shù)據(jù)激勵共享框架ShareBC，并在此框架中設(shè)計了一種基于層次數(shù)據(jù)拍賣模型的激勵機制。王倩等［19］基于區(qū)塊鏈技術(shù)與演化博弈論，構(gòu)建一種面向科技服務數(shù)據(jù)共享策略的智能合約激勵機制。

雖然已有很多學者提出了各種不同的激勵機制，但是這些激勵機制仍然存在局限性，例如，某些激勵機制不能滿足用戶的需求，導致用戶在該機制下沒有數(shù)據(jù)共享的意愿，或激勵機制的獎勵過多導致社區(qū)通貨膨脹，從而使獎勵貶值，短時間內(nèi)雖然可以激勵用戶進行數(shù)據(jù)共享，但是該激勵并不能長期保持。針對上述問題，本文建立一種基于演化博弈論的數(shù)據(jù)共享激勵模型EGDSI，從數(shù)據(jù)共享社區(qū)的角度設(shè)計合理的激勵機制，以促進數(shù)據(jù)的收集、流通和使用。

1 基于演化博弈論的數(shù)據(jù)共享激勵模型

早期的博弈論認為所有的參與者均是完全理性的［20］，他們總是能思考所有情況，最終選擇對自己最有利的方案。完全理性的人總是會遵行優(yōu)勢策略，即玩家從不會在決策時考慮其他玩家對他們的決定會如何回應。完全理性的人是完全的個人主義者，但在現(xiàn)實生活中，完全理性是很難達到的［21］。

演化博弈論是將達爾文的生物進化論與博弈論相結(jié)合，其不再要求參與人完全理性，而是假定參與人有限理性，所謂的有限理性是指博弈方可以對所處的不同環(huán)境進行學習、試錯和模仿，在這個過程中動態(tài)調(diào)整自己的策略，從而尋找最優(yōu)方案。在數(shù)據(jù)共享社區(qū)中，用戶具有共享與不共享這2 種行為策略，用戶之間會相互影響，即利用有限的認知和信息獲取能力，通過不斷地學習和模仿他人策略來調(diào)整自身策略，以此實現(xiàn)自身利益最大化。

1.1 模型構(gòu)建

數(shù)據(jù)共享是一個動態(tài)選擇及學習調(diào)整的過程，為了構(gòu)建模型和簡化計算，本文進行如下假設(shè)：

1）演化博弈雙方具有相同的主體，即數(shù)據(jù)共享社區(qū)的用戶，他們具有相同的策略空間K，K={K1,K2}=｛參與數(shù)據(jù)共享，不參與數(shù)據(jù)共享｝。

2）在數(shù)據(jù)共享的過程中，用戶需要付出一定的成本，此處的成本包括但不限于數(shù)據(jù)制作的時間成本、數(shù)據(jù)被濫用的經(jīng)濟成本等。在本文模型中，數(shù)據(jù)成本記為G。

3）假定在博弈的初級階段，主體P1參與數(shù)據(jù)共享的概率為p，主體P2不參與數(shù)據(jù)共享的概率為1-p。

4）用戶上傳數(shù)據(jù)會給他們帶來一些效用收益，該效用收益與用戶在社區(qū)內(nèi)的等級以及數(shù)據(jù)成本G有關(guān)，用戶等級越高，說明對社區(qū)的貢獻度越大，所獲得的收益也就越多。該效用收益不一定是金錢收益，可以是上傳數(shù)據(jù)獲得的數(shù)字身份徽章或個人信譽值的提升等。本文效用收益簡稱成本收益，用B表示。

5）假定y為用戶從數(shù)據(jù)共享中獲得的收益，該收益包括但不限于社區(qū)積分的直接收益，也可以是利用共享數(shù)據(jù)解決現(xiàn)實問題而帶來的間接收益，亦或是幫助科研人員解決某一項科研任務而獲得的收益等。上述均屬于共享收益，即從數(shù)據(jù)共享中獲得的收益，此收益與數(shù)據(jù)成本G有關(guān)，其縮放系數(shù)用α表示。

6）收益函數(shù)是指每個參與人在參與博弈時依據(jù)其所屬類型和選擇的策略可獲得的收益。本文采取對數(shù)收益函數(shù)ln（以e 為底數(shù)的對數(shù)函數(shù)）來計算收益，該函數(shù)特征符合現(xiàn)實社會經(jīng)濟學特征，即收益是有一定增長抑制的，不會隨著成本的增加而無限提高，最大收益總會趨近于某一閾值［22］。

7）在數(shù)據(jù)共享社區(qū)中，為了鼓勵用戶共享數(shù)據(jù)，需要一定的外部激勵獎勵I(lǐng)，該激勵獎勵以積分的形式獎勵參與數(shù)據(jù)共享的用戶。但是，該激勵并不是一成不變的，原因是一成不變會導致激勵達到飽和狀態(tài)，從而引起社區(qū)內(nèi)的積分通貨膨脹，這不符合經(jīng)濟學原理，因此，該激勵在一定階段又會變成數(shù)據(jù)共享成本，簡稱激勵/成本I。

本文基于演化博弈論的數(shù)據(jù)共享激勵模型EGDSI 是一個二元組的形式，表示為M=(P,K)，其中：P表示由大量數(shù)據(jù)共享社區(qū)的用戶所組成的一個群體；K為策略空間，K={K1,K2}。用戶有2 種策略：一種是K1（參與數(shù)據(jù)共享），即在數(shù)據(jù)共享社區(qū)中主動貢獻出自己的數(shù)據(jù)，并可以獲得其他共享用戶的數(shù)據(jù)；另一種是K2（不參與數(shù)據(jù)共享），該類用戶既不會分享數(shù)據(jù)，也不會從社區(qū)中獲取共享的數(shù)據(jù)。

根據(jù)上述假設(shè)，成本收益B的表達式如（1）所示：

其中：l為該用戶在社區(qū)內(nèi)的等級；G為數(shù)據(jù)成本。根據(jù)現(xiàn)實中的合理性，成本收益B>0，即l?ln(1+G)>0，l?{1,2,3,4,5}，ln(1+G)可保證收益為正。

共享收益y與數(shù)據(jù)成本G有關(guān)，縮放系數(shù)α>0，y的表達式如（2）所示：

博弈雙方的收益矩陣如表1 所示，其中，上方為P2的收益，下方為P1的收益。

表1 數(shù)據(jù)共享博弈收益矩陣Table 1 Data sharing game revenue matrix

收益矩陣的含義如下：

1）情況1。進行博弈的雙方主體都選擇K1參與數(shù)據(jù)共享，這種是理想情況，也是共享社區(qū)最終的目標。社區(qū)內(nèi)所有成員均共享數(shù)據(jù)，博弈雙方不僅具有原本的成本收益B，還會得到由數(shù)據(jù)共享所帶來的共享收益y。社區(qū)在初始階段會給每位共享者相應的激勵獎勵，但是這種獎勵不能一直扁平化激勵下去，這樣會導致數(shù)據(jù)共享平臺中數(shù)據(jù)的積分價格上漲，引起通貨膨脹。因此，需要引入一個激勵/成本I，此時應是數(shù)據(jù)共享的成本，即參與共享的用戶需要支付少量的積分來進行數(shù)據(jù)共享，原因是此時已經(jīng)達到激勵飽和狀態(tài)。

2）情況2。進行博弈的雙方主體一個選擇K1參與數(shù)據(jù)共享，另一個選擇K2不參與數(shù)據(jù)共享。博弈雙方均上傳了數(shù)據(jù)，不同的是，一個選擇共享數(shù)據(jù)，另一個選擇不共享數(shù)據(jù)。首先，兩者都會有數(shù)據(jù)本身帶來的成本收益B；其次，由于共享數(shù)據(jù)的主體P1獲取不到不共享主體P2的數(shù)據(jù)，因此沒有共享收益y，需要給予共享主體一定的激勵/成本I，此時應是外部的獎勵激勵，即一定的積分獎勵。同理，不共享主體由于未共享數(shù)據(jù)，因此獲取不到共享主體所共享的數(shù)據(jù)，同樣也沒有共享收益y。

3）情況3。進行博弈的雙方主體均選擇K2不參與數(shù)據(jù)共享，此時，數(shù)據(jù)共享社區(qū)所面臨的場景是沒有人愿意共享數(shù)據(jù)，因此，主體雙方都只能獲得成本收益B。

在EGDSI 模型中，由于參與主體均是有限理性的，因此在博弈開始階段不可能直接達到納什均衡狀態(tài)，需要一個演化模擬學習他人策略的過程，以進行動態(tài)調(diào)節(jié)并反復嘗試，最終達到一種最優(yōu)的平衡狀態(tài)，實現(xiàn)整體利益的最大化。

1.2 演化穩(wěn)定策略分析

在演化博弈論中，假設(shè)使用該策略的個體在群體中所占比例的增長率等價于群體中使用某個策略的個體適應度，只要一個策略的個體適應度比群體的平均適應度高，則使用該策略的個體數(shù)就會增加，且不會被其他策略入侵［23］。

由前文假設(shè)可知，在博弈的初級階段t，主體P1參與數(shù)據(jù)共享的概率為p，主體P2不參與數(shù)據(jù)共享的概率為1-p，可等效為在t階段博弈中，選擇共享策略的人數(shù)比例為p(t)，選擇不共享的人數(shù)比例為1-p(t)。則在t階段選擇共享數(shù)據(jù)策略的期望收益為：

選擇不共享數(shù)據(jù)策略的期望收益為：

數(shù)據(jù)共享社區(qū)的平均期望收益為：

因此，計算出復制動力學方程［24］為：

化簡得：

令Y(p(t))=0，可以求出動力學方程有3 個演化穩(wěn)態(tài)點，分別為：

上述演化穩(wěn)定點在條件成立的情況下就是演化穩(wěn)定策略（Evolutionarily Stable Strategy，ESS）的穩(wěn)定狀態(tài)。一種演化穩(wěn)定策略一旦確立，就會穩(wěn)定下來，偏離演化穩(wěn)定策略的行為或個體將會被自然選擇所淘汰。

1）條件1。

假設(shè)0

條件1 說明：在0

2）條件2。

假設(shè)0<α?ln(1+G)

3）條件3。

假設(shè)I<0 且α?ln(1+G)>0，即激勵/成本I小于0時，此時應為數(shù)據(jù)共享激勵獎勵：

從條件1～條件3 可以看出，數(shù)據(jù)共享的演化穩(wěn)定策略并不唯一。參與數(shù)據(jù)共享和不參與數(shù)據(jù)共享均具有演化潛力。EGDSI 模型演化穩(wěn)定策略的趨勢如圖1 所示。

圖1 EGDSI 模型演化穩(wěn)定策略趨勢Fig.1 Trend of EGDSI model evolutionarily stable strategy

為了促使更多人參與到數(shù)據(jù)共享中，有必要根據(jù)數(shù)據(jù)共享程度對激勵/成本I進行動態(tài)控制。本文設(shè)定參與數(shù)據(jù)共享的比例小于閾值時為低數(shù)據(jù)共享程度，此時需要使用條件3 進行外部激勵，給予數(shù)據(jù)共享者一些積分獎勵，從而刺激社區(qū)用戶選擇共享策略；當參與數(shù)據(jù)共享的比例大于閾值時為高數(shù)據(jù)共享程度，此時需使用條件1 收取相應的共享成本，防止通貨膨脹，并且由上述條件1 的分析可知，這時仍可以確保數(shù)據(jù)共享社區(qū)在參與共享策略方面能夠維持而無需外部激勵。

社區(qū)用戶在每一個博弈階段都對應一個參與成本，這會導致每一階段的閾值均不相同，當共享人數(shù)比例小于閾值時使用條件3 進行激勵，當共享人數(shù)比例大于閾值時使用條件1 收取成本，直到社區(qū)用戶共享程度達到飽和，進行下一階段博弈，重新計算閾值。如此循環(huán)往復，體現(xiàn)了社區(qū)成員相互博弈的過程，并從中獲得由數(shù)據(jù)共享所帶來的收益。博弈階段流程如圖2 所示。

圖2 社區(qū)成員博弈階段流程Fig.2 Community members game stage process

2 基于智能合約的數(shù)據(jù)共享模板引擎

數(shù)據(jù)共享模板引擎（Data Sharing Incentive Template Engine，DSITE）將EGDSI 模型以區(qū)塊鏈智能合約的形式在數(shù)據(jù)共享社區(qū)中進行應用。智能合約是可以在區(qū)塊鏈上自動執(zhí)行的特殊程序，其程序代碼及數(shù)據(jù)均存儲在鏈上，具有防篡改等特性，所有節(jié)點必須按照智能合約預置的觸發(fā)條件和相應規(guī)則進行計算。基于上述特性，可以在數(shù)據(jù)共享社區(qū)中將數(shù)據(jù)共享激勵機制寫入智能合約，用戶在社區(qū)內(nèi)進行數(shù)據(jù)共享時，會自動觸發(fā)執(zhí)行數(shù)據(jù)共享模板引擎進行共享激勵，從而為數(shù)據(jù)共享激勵提供可信、安全的保障。

由于EGDSI 模型假定所有參與博弈方的本質(zhì)都是相同的，因此與所有博弈方相關(guān)的參數(shù)也應相同。參數(shù)設(shè)定如表2 所示。

表2 參數(shù)設(shè)定Table 2 Parameters setting

數(shù)據(jù)共享激勵的計算過程如下：

步驟1初始化全局參數(shù)信息，包括數(shù)據(jù)成本Data Cost、數(shù)據(jù)共享收益縮放系數(shù)ZoomFactor、數(shù)據(jù)共享成本參數(shù)序列Cost[]、數(shù)據(jù)共享的積分激勵I(lǐng)ncentive Reward。

步驟2根據(jù)當前博弈階段t得到數(shù)據(jù)共享成本參數(shù)Cost[t%m]，其中，m為數(shù)據(jù)共享成本參數(shù)序列數(shù)組長度，計算出該成本下的閾值。

步驟3計算出當前時間參與數(shù)據(jù)共享人數(shù)占數(shù)據(jù)共享社區(qū)總?cè)藬?shù)的比例pt，將pt與閾值進行對比，若pt<則返回數(shù)據(jù)共享積分獎勵I(lǐng)ncentive Reward；反之，進入步驟4。

步驟4返回相應的數(shù)據(jù)共享成本Cost[t%m]，同時判斷當前共享比例pt與數(shù)據(jù)共享飽和率SaturationRate 大小，若pt>SaturationRate，則進入下一階段博弈，博弈階段t自增，數(shù)據(jù)共享參與人數(shù)重置，此階段博弈結(jié)束；反之，則重復步驟1，繼續(xù)進行當前階段的演化博弈。

算法1DSITE 智能合約-數(shù)據(jù)共享激勵算法

算法1 解釋說明：當數(shù)據(jù)共享社區(qū)用戶參與數(shù)據(jù)共享時，會自動觸發(fā)上述智能合約，調(diào)用其方法。首先，計算參與共享的用戶比例，通過數(shù)組尋找當前博弈階段下的成本并計算該成本下的閾值，如果參與共享的用戶比例小于閾值，則返回相應的激勵；如果大于閾值，再判斷當前共享用戶比例是否大于飽和率，本文設(shè)定飽和率為98%，如果達到了當前的社區(qū)數(shù)據(jù)共享飽和率，則進入下一階段的演化博弈，重置相應的參數(shù)，最后返回相應的數(shù)據(jù)共享成本。值得注意的是，計算激勵/成本是一個取模運算，這是因為需要動態(tài)調(diào)整激勵/成本，以重置社區(qū)用戶博弈階段，而數(shù)組本身不可能無窮大，因此采用取模運算，這也體現(xiàn)了社區(qū)成員數(shù)據(jù)共享相互博弈的一個過程。

3 實驗驗證

本節(jié)通過控制變量法設(shè)計不同的橫向與縱向?qū)Ρ葘嶒?，分析EGDSI 數(shù)據(jù)共享模型中的3 個演化穩(wěn)定策略條件，驗證數(shù)據(jù)共享激勵模型對社區(qū)演化穩(wěn)定所起的作用，并將EGDSI 模型與其他數(shù)據(jù)共享演化博弈模型進行對比。

3.1 演化穩(wěn)定策略驗證分析

1.2節(jié)通過演化博弈論求解演化穩(wěn)定策略，推導出條件1～條件3。本節(jié)通過模擬實驗驗證其結(jié)論的正確性。為滿足條件1～條件3，對條件參數(shù)進行設(shè)置，具體如表3 所示。

表3 條件參數(shù)設(shè)置Table 3 Condition parameters setting

通過Matlab 進行演化模擬仿真，針對條件1，其演化曲線如圖3 所示。

圖3 條件1 的演化曲線Fig.3 Evolution curves of condition 1

共享收益縮放系數(shù)α=4，數(shù)據(jù)成本G=10，激勵/成本I=4，可得演化穩(wěn)定點如果社區(qū)成員進行數(shù)據(jù)共享的初始比例p滿足0.42

針對條件2 與條件3，可得演化曲線如圖4 所示。當設(shè)定共享收益縮放系數(shù)α=4、數(shù)據(jù)成本G=10、激勵/成本I=12 時，滿足條件2，即0<α?ln(1+G)0，由圖4（b）可知，當社區(qū)成員進行數(shù)據(jù)共享的初始比例p=0.05 時，即僅5%的社區(qū)成員選擇了初始參與數(shù)據(jù)共享，但隨著時間的推移，最終整個系統(tǒng)的演化穩(wěn)定策略仍趨向于=1，即參與數(shù)據(jù)共享。實驗結(jié)果表明，在條件3 的情況下=1 是數(shù)據(jù)共享社區(qū)的演化穩(wěn)定策略。

圖4 條件2 與條件3 的演化曲線Fig.4 Evolution curves of condition 2 and condition 3

3.2 激勵機制方案驗證分析

為了證明激勵機制在用戶選擇決策時是否發(fā)揮促進數(shù)據(jù)共享的作用，設(shè)定共享收益縮放系數(shù)α=4，數(shù)據(jù)成本G=10，在條件1 中激勵/成本I的取值范圍為I<α?ln(1+G)，即I<9.6，在條 件3 中，I的 取值范圍為I<0。本次實驗通過控制變量法，在相同數(shù)據(jù)共享初始比例的情況下調(diào)整不同的激勵/成本I，以及在相同的激勵/成本I下調(diào)整不同的數(shù)據(jù)共享初始比例，條件參數(shù)設(shè)置如表4 所示。

表4 激勵機制條件參數(shù)設(shè)置Table 4 Incentive mechanism condition parameters setting

使用上述參數(shù)可得EGDSI 演化曲線如圖5 所示。由條件1 可知，不同的激勵/成本I會導致不同的數(shù)據(jù)共享初始比例閾值，以I=2 為例，當激勵/成本I=2 時，數(shù)據(jù)共享初始比例閾值（即演化穩(wěn)定點）=≈0.21，當數(shù)據(jù)共享初始比例p=0.1 時，由圖5 可知，隨著時間的推移，社區(qū)成員相互進行模仿學習，不斷調(diào)整自己的策略，使自己的利益最大化，最終會達到=0 的演化穩(wěn)定策略，即趨向于不進行數(shù)據(jù)共享。為了避免此類現(xiàn)象在數(shù)據(jù)共享社區(qū)出現(xiàn)，此時數(shù)據(jù)共享社區(qū)應給予一定的激勵獎勵，即調(diào)整激勵/成本I，使I=-3 或?8。當激勵/成本I為負值時，數(shù)據(jù)共享的比例隨著時間推移而增加，直到增加至p=0.3，可再次調(diào)整激勵/成本I=2，收取一定的成本，因為此時數(shù)據(jù)共享社區(qū)隨著時間的推移一定會趨向于數(shù)據(jù)共享穩(wěn)定策略。當p達到0.9 時，可增加激勵/成本I，將其增至7，防止進一步通貨膨脹，提高共享成本。綜上所述，本文所設(shè)計的數(shù)據(jù)共享激勵機制可以有效促進更多用戶參與數(shù)據(jù)共享。

圖5 EGDSI 激勵模型演化曲線Fig.5 Evolution curves of EGDSI excitation model

3.3 模型對比

本文提出一種基于演化博弈論的數(shù)據(jù)共享激勵模型EGDSI，目的是為了進一步促進數(shù)據(jù)的收集、共享與流通。文獻［19］針對數(shù)據(jù)共享激勵提出一種EGI模型，EGI 模型對共享成員的等級未進行劃分，沒有考慮個體之間獎勵的差異性，所有共享成員均采用相同的激勵機制對數(shù)據(jù)共享進行獎勵。本節(jié)對這2 種模型進行對比，設(shè)定共享收益縮放系數(shù)α=4，數(shù)據(jù)成本G=10，2 種模型的數(shù)據(jù)共享演化曲線對比如圖6 所示。

圖6 2 種模型的數(shù)據(jù)共享演化曲線對比Fig.6 Comparison of data sharing evolution curves of two models

由圖6 可知，在不同的初始共享比例情況下，本文模型達到數(shù)據(jù)共享飽和狀態(tài)的速度均優(yōu)于EGI 模型，即本文模型可以在更早的博弈階段達到數(shù)據(jù)共享，提升數(shù)據(jù)共享的效率，其具有更好的激勵作用。

4 結(jié)束語

數(shù)據(jù)共享社區(qū)普遍面臨用戶參與積極性低、歸屬感弱、缺乏相應數(shù)據(jù)共享激勵機制等問題，為此，本文構(gòu)建一種基于演化博弈論的數(shù)據(jù)共享激勵模型，并在已有的區(qū)塊鏈共享平臺上利用智能合約技術(shù)實現(xiàn)該模型所對應的智能合約數(shù)據(jù)共享激勵引擎。仿真結(jié)果表明，該模型可以在數(shù)據(jù)共享社區(qū)中激勵更多用戶參與數(shù)據(jù)共享，進一步促進數(shù)據(jù)的收集、流通和使用。下一步將結(jié)合可信數(shù)據(jù)共享與安全存儲相關(guān)技術(shù)，提升數(shù)據(jù)在共享過程中的訪問權(quán)限控制，防止數(shù)據(jù)非授權(quán)訪問等風險發(fā)生，同時提高數(shù)據(jù)在共享社區(qū)存儲時的安全性與隱私性。