分布式群智感知：众人拾柴火焰高

图片来源于网络

关键词

群智感知 （crowd sensing），端对端数据共享 （peer-to-peer data sharing），博弈论 （game theory）

研究背景

感知系统是基于数据收集的传感器系统，其目的是提供大量及时的数据，以供各种综合性和多分辨率的感知与监测。感知系统的应用包括城市交通感知、环境监测和用户行为识别与分析等等。近年来移动感知作为一种新的感知方式在近年来蓬勃发展，其主要得益于手持移动设备中多种嵌入式传感器的飞速发展。在移动群智感知中，大量普通用户使用移动设备作为基本感知单元，通过移动互联网进行协作，实现感知任务分发与感知数据收集利用，最终完成大规模的、复杂的社会感知任务。

近年来出现了以Waze和OpenSignal为代表的专注于群智感知的商业应用，其核心就是利用大量普通用户的智能手机等移动设备来感知道路状况或者移动信号覆盖范围及强度。具体来讲，用户安装Waze和OpenSignal的APP，授权APP读取移动设备里面的距离传感器、加速度传感器以及蜂窝网络和Wi-Fi接口的数据等等，然后APP云服务器收集并存储大量不同区域用户的感知数据，最后通过数据处理和分析得到有用的信息。图1显示了Waze群智感知用于导航的例子，通过大量拥有移动设备的用户参与其中来发现并绕开拥堵路段；图2显示了OpenSignal群智感知测量上海市的无线信号覆盖和强度，数据主要来自大量用户移动设备中的蜂窝和Wi-Fi接口数据。目前，这种数据驱动的决策应用作为大数据分析及应用领域的一个分支，已经成为学术界和工业界共同关注的热点之一。

图1: Waze群智感知导航 

图2: OpenSignal 群智感知信号测量

传统的群智感知系统通常采用集中式的模型（图3），大量用户利用移动设备感知数据并上传到云服务器，云服务器收集并处理大量数据，再把处理结果返回到访问者的移动设备。然而，在大规模感知系统中，大量数据的上传和下载带宽损耗以及服务器存储和处理数据的损耗是非常巨大的，使得系统的可扩展性很差。

图3: 集中式群智感知模型

研究问题

我们研究的核心问题是： 如何减少集中式群智感知系统的数据收集和处理损耗，以提高群智感知系统在大量用户参与下的可扩展性？

我们提出了基于端对端数据共享的群智感知模型（图4），并将该模型中各个参与者的决策和功能总结如下：

   1. 每个用户有两种方式获得所需的数据：“自己感知”（即成为感知用户）和“向感知用户获取数据”（即成为需求用户）。用户决定使用哪种方式取决于该方式获取数据的代价；

   2. 感知用户和需求用户之间的数据共享可以基于本地Wi-Fi或者蓝牙，也可以基于移动互联网；

   3. 为了使用户共享数据成为可能，云服务器负责跟踪每个用户的感知数据信息和每个用户的IP地址，用于数据共享前建立连接；

   4. 感知数据共享在用户本地移动设备上直接进行，并使用用户本地移动设备存储，获取和处理所有的数据。

图4: 端对端数据共享群智感知模型

在端对端数据共享群智感知里，云服务器只需要跟踪感知用户的数据信息如某个感知用户拥有哪个位置什么数据，以及所有用户的位置信息或者IP地址，而不需要感知用户随时随地把感知数据上传到云服务器以及存储和处理大量数据；只有在需求用户发起数据共享请求时协调感知用户和需求用户之间的连接。所以这种模型可以减少感知云服务器系统的损耗，不会因为大量用户的参与向可扩展性妥协。

不难发现，该端对端数据共享系统中不同类型的决策者的决策会产生相互影响。感知用户可以分享数据给需求用户来获取一定的收益。一方面，感知用户的数量决定了系统中可用的数据量，从而会影响需求用户的数量；另一方面，需求用户的数量又会影响共享数据产生的收益，从而会影响感知用户的数量。另外，同一种数据可能有不同的质量（如拍摄的图片有不同的分辨率，移动设备定位信息的准确性差异），从而对用户产生不同的价值（对于所有用户而言）和不同感知损耗（对于感知用户而言）。这使得综合分析和预测所有决策者的均衡（稳态）决策变得十分复杂。

研究结果

为了分析和预测各决策者的均衡决策，同时衡量在均衡决策下允许端对端数据共享时的系统性能，我们把整个系统的决策建模为一个非合作博弈过程。我们依据博弈论分析得出整个系统的均衡策略，并计算出感知用户、需求用户和不参与用户的均衡分布。对于三者而言，其最优策略相互影响，主要决定于下面三个特性：

（1）目标数据的质量及其价值；

（2）用户的感知损耗和数据的质量；

（3）数据的传输损耗。

具体来讲，感知损耗越小会有越多用户选择成为感知用户，同时如果数据价值越高且感知损耗越小，感知用户会选择感知更高质量的数据；感知损耗越大会有越多用户选择成为需求用户，同时如果数据价值越高，需求用户会选择请求更高质量的数据。我们还提出一种基于当前最优策略的动态迭代算法并证明该算法收敛到系统均衡。同时，我们的仿真实验表明，在高数据传输损耗和低数据共享代价的情形下，允许端对端数据共享可以大幅度提高系统效率。

论文及作者介绍

论文信息：

Changkun Jiang, Lin Gao, Lingjie Duan, and Jianwei Huang, “Scalable Mobile Crowdsensing via Peer-to-Peer Data Sharing,” IEEE Transactions on Mobile Computing, accepted in August 2017.

链接：

https://arxiv.org/pdf/1705.05343.pdf

第一作者信息：