摘要
移动群智感知(Mobile Crowd Sensing，MCS)是一种高效且低成本的数据收集模式，利用大量的用户智能设备对物理世界进行数据感知，获取个人行为、设备状态、周边环境等各种信息，近年来受到了广泛的关注。用户选择和用户激励是MCS中十分重要的两个环节，能够为感知任务选择符合需求的感知用户，也能够为感知平台提供持续且优质的数据采集来源。然而两个过程的正常执行需要用户上传大量包含隐私信息的数据，使得用户隐私存在泄漏的风险。论文针对MCS用户选择和用户激励场景的隐私泄露问题进行了研究并提出了相应的解决方法，主要工作如下： 论文针对MCS的用户选择场景，提出了面向时空感知偏好的用户选择隐私保护方法。该方法采用用户·任务匹配的方法实现用户的选择，并针对MCS对于用户和任务时效性的需求定义了用户和任务的时间匹配度(Time Matching Score，TMS)和位置匹配度(Location Matching Score，LMS)。此外，考虑到现有研究在匹配效率和粒度上的不足，本研究基于Shamir秘密共享和卡米歇尔定理构造了轻量化的保密计算协议(Securc Calculation Protocol,SCP)，实现了TMS和LMS的安全计算以及属性值大小、范围的安全匹配，同时也为感知用户和任务发布者双方的隐私提供了保护。实验结果表明，SCP具有较高的匹配效率和较低的通信开销。 论文针对MCS的用户激励场景，提出了基于安全多方计算的真值发现激励机制。该机制能够为数据请求者计算数据真值并根据真值发现计算出的用户权重动态发放用户奖励。其中，针对真值发现中的隐私泄露问题，基于加性秘密共享和Sharemind安全多方计算平台构造隐私保护的真值发现方法，实现了高效且保护隐私的真值发现，消除了数据滥用的隐患。此外，为了激励用户提供高质量的数据，本文利用真值发现计算生成的用户权重设计了动态奖励计算方法，实现了数据质量驱动的激励机制。实验结果表明，该机制较现有方法有着更低的计算开销，且在用户和任务数量较多的场景下仍有较高的执行效率。
NETL