移动群智感知系统的任努分配和安全机制研究

发布时间：2020-07-03 14:06

【摘要】：移动群智感知是指移动用户通过随身携带的电子设备来采集数据,并且协作完成复杂任务。最近数十年,随着智能手机、车载电子设备、可穿戴式设备等大量的移动终端设备的普及,可以利用这些设备轻易地采集到大量重要的数据。移动群智感知充分利用了用户手中移动设备的闲置资源进行采集和计算工作,解决了如城市噪声地图绘制、城市环境地图绘制、交通流量地图绘制、应急事件提醒、海量书本电子化等诸多复杂的实际问题,因此有着巨大的商用价值和研究意义。已有的理论研究大多聚焦于感知数据和位置信息的隐私保护,没有针对任务分配过程进行隐私保护研究。另外,也少有针对非法用户参与系统的用户认证机制进行研究。因此,本文针对移动群智感知的任务分配算法以及相关的安全机制(包括隐私保护和用户认证)进行了研究。首先,我们将用户执行感知任务的时间长度作为一种感知质量的指标。我们研究了时长敏感的移动群智感知任务问题,并对相应的优化机制进行研究;其次,我们对移动群智感知系统安全机制进行了研究,也就是分别对任务分配过程所涉及到的用户数据隐私的保护机制以及移动环境下基于智能手机的用户认证机制进行了研究。具体而言,本文的主要贡献和创新点如下:1.我们提出了一个时长敏感的移动群智感知任务分配机制。我们证明了时长敏感的任务分配问题是NP难解问题,并设计一个基于贪婪策略的任务分配算法,进一步地使用禁忌搜索技术进行了优化。实验结果表明,与已有的基于贪婪策略的群智感知任务分配算法相比,本文所提的任务分配机制能够降低招募用户执行感知任务的成本平均约10%左右。2.我们提出了一个保护隐私的移动群智感知任务分配协议。我们将感知质量敏感的移动群智感知问题形式化为了一个加权集合覆盖问题,并基于贪婪选择策略设计了一个基本的任务分配算法。然后,将任务分配看作是一个多方安全计算过程,采用秘密分享技术,在半诚实模型下针对该任务分配算法设计了一个隐私保护协议。最后,还证明了该协议的安全性,分析了其任务分配性能的近似比。与已有的工作相比,该协议无需可信第三方,也不需要进行加解密操作,具有较好计算性能。3.我们提出了一个基于手势识别的移动群智感知的用户认证的安全机制。我们分析现有认证机制,利用语谱图呈现手势对声波产生的多普勒效应。然后我们利用目标检测技术实现了用户认证。实验表明,该方法有着较为可靠的超声波手势识别精准度,并给出了可接受的认证机制。
【学位授予单位】：中国科学技术大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP309
【图文】：

示意图,示意图,卷积核,卷积

初期的人工神经网络是除了输出层的所有的神经元都和后面相邻一逡逑层的每一个神经元连接，也就是所谓的全连接，但是这种方式计算量大，模型参逡逑数存储也是非常麻烦的，于是如图２．２的卷积神经网络就被提出了。逡逑Ｉｉ邋＾２．１！邋＇Ｔ逦ＪＷｌ邋１Ｅ＾逡逑＿逦、ｑＺ．」口逦□邋－邋ＲＫＹＣＬｇ逡逑ＣＯＮＶＯＩＵＴＩＯＮ邋？邋ＲｔｌＵ邋＾ＯＯｉＪＮＯ邋ＣＯＮＶＯｔＵＴｔＣＮ邋＊逦ＰＯＯＵＮＳ逦Ｈ＊ＴＴＥＮ邋ＦＵＵ？邋ＳＯｆＴＭＡＸ逡逑ｊ邋ｉ逦ＣＯＮＮ￡ＣＴ￡０逦？逡逑Ｙ逦逦Ｙ逦逡逑ＦＥＡＴＵＲＥ邋ＩＥＡＲＮＩＮＧ逦ＣＬＡＳＳｉｆｉＣＡＴｉＯＮ逡逑图２．２卷积神经网络示意图逡逑２．５．１．卷积层逡逑卷积神经网络是一类深层的前向传播的人工神经网络，其核心是卷积层，甚逡逑至有些网络结构全是卷积层组成的。卷积层由多个卷积核组成，每个卷积核同输逡逑入数据卷积运算，形成新的特征图。卷积核是多维算子，大小由用户定义，深度逡逑由输入数据定义。卷积核的矩阵值就是卷积神经网络的参数，一开始的时候是逡逑随机生成，然后通过反向传播更新。卷积核一般选择奇数长度大小，这样满足对逡逑称。在卷积过程中，步长是很重要的参数，步长是指对输入特征图扫描的间隔，逡逑会对输出特征图产生影响。在卷积计算中，为了边界上的数据也能作为中心参与逡逑１４逡逑

示意图,卷积,示意图,输入规模

入输出相互对应，也就是说所有输入输出都是相互连接。如果输入层神经元有Ｐ逡逑个，下一层神经元有ｑ个，那么连接参数就有ｐｑ个。但是只用一个大小是ｋ的逡逑核，其中ｋ是远远小于ｑ的。如图２．３核的规模比输入规模要小很多，而且输入逡逑与核之间的对应的参数都是共享的。因此大大减少了对模型参数存储的要求，提逡逑高了它的统计效率。同样，我们也用更少的计算等到了最终的结果。这些效率上逡逑的提高往往是很显著的３８］。逡逑￥［Ｔ｜邋１１邋ｉ；；｜逦？？邋？？？邋．．．．．．逡逑ＡＪＬＡＪａＪＬｉＪ］邋N！N邋１邋２邋４｜３邋３逡逑互互互上±；４邋互逡逑．］ｉ｜0ｌｉ｜邋ＴＴＴＴＴ逡逑１３１３１１１１１邋ｏ￣逡逑Ｔｔｉｌ0ｌ0ｌ0ｌ0｜（ｒ逡逑Ｉ逦Ｋ逦Ｉ邋＊邋Ｋ逡逑图２．３卷积层示意图逡逑２．５．２．

【参考文献】