作者：肖奕霖
考虑数据新鲜度的移动群智感知激励机制
（图片来源于网络）
研究背景
移动群智感知（MCS）充分利用移动设备的区域分布性和灵活移动性，完成大规模区域范围内的数据采集任务。近年来，感知数据的新鲜度受到广泛关注，通常认为更新鲜的感知数据具有更高的价值并且能带来更高质量的服务。另一个值得注意的研究领域是社交网络用户在移动群智感知中的角色，他们不仅作为数据的采集者，而且可以通过与周围的用户分享数据来获取社交利益。激励数据采集者频繁地更新感知数据将会提升移动群智感知平台的服务质量，但是在同时考虑数据新鲜度和社交收益的场景下如何设计激励机制仍是开放问题。该问题面临两大挑战：首先，频繁地更新数据在提升数据质量的同时会造成较大的数据采集代价，因此需要权衡好所有数据采集者的数据更新频率。其次，感知数据上传至平台面临受限的通信资源和处理能力，这将导致拥塞等问题。与此同时，社交网络用户间的感知数据共享将会带来额外的社交收益，但是对于平台来说用户间的社交关系往往是未知的或者是非完全信息。
系统模型和研究方法
论文考虑如图1所示的典型MCS系统，其中平台发布感知任务（例如收集一些兴趣点的实时交通数据），并雇佣社交网络用户进行数据采集。社交网络用户作为数据采集者会将采集到的数据共享给其他用户以获得额外的社交利益（例如节约数据收集时间和代价等）。平台和数据采集者共同决定激励机制，即确定数据采集频率和支付策略。社交用户按照既定的数据采集频率将最新的感知数据上传至平台，而平台用最新收到的数据更新对应兴趣点的感知信息，并根据既定支付策略给数据采集者报酬直至感知任务结束。
图1. MCS系统模型
为了解决数据更新频率的权衡、数据上传面临的拥塞以及社交关系未知等挑战，论文将激励机制设计问题建模为两阶段的带有约束斯塔克伯格（Stackelberg）博弈，其中平台被视为领导者，工人被视为追随者。为了避免数据上传的拥塞，平台需要确保总的数据更新频率不大于指定的阈值。此外，论文利用信息年龄（AoI）衡量数据新鲜度，并保证各个数据采集者的数据AoI小于给定的阈值。由于实际系统中社交网络效应存在不确定性，导致最优策略难以推导，因此论文将第二阶段的博弈转换成非完全信息下的贝叶斯博弈。在此基础上，论文推导了两个阶段博弈的最优策略，分别最大化平台和各个数据采集者的效益。
研究结果
图2. 两个竞争数据采集者的AoI
本文利用真实数据集Chicago Taxi Trips构建了仿真系统，分别评估了AoI和Stackelberg博弈。图2展示了两个竞争的数据采集者的AoI性能，可以看出采集者1的平均AoI随着采集者2的平均AoI增长而降低，而且当AoI的约束阈值设置为7时，只有负荷参数为0.6和0.7时，这两个数据采集者的AoI才能满足约束。
图3. 平台策略vs效益和数据采集者策略vs效益
图3给出了不同效益参数设置下的平台策略与平台效益关系以及数据采集者策略与数据采集者效益关系。可以看出在不同的设置下都能找到平台效益和数据采集者效益的最大值点。
总结来说，文章首次聚焦于同时考虑数据新鲜度与社交收益的移动群智感知激励机制设计，同时探索了资源限制下的数据更新以及非完全信息社交关系带来的复杂挑战。针对于此，作者通过建立带有数据更新频率约束的非完全信息斯塔克伯格博弈进行理论分析，以有效解决提出问题中的数据收集挑战进而保障平台效益。
参考文献
[1] M. Xiao, Y. Xu, J. Zhou, et al. "AoI-aware Incentive Mechanism for Mobile Crowdsensing Using Stackelberg Game." IEEE Conference on Computer Communications (INFOCOM), 2023.
[2] Y. Xu, M. Xiao, Y. Zhu, et al. "AoI-guaranteed Incentive Mechanism for Mobile Crowdsensing with Freshness Concerns." IEEE Transactions on Mobile Computing, 2023.
写在最后
我们的文章可以转载了呢~欢迎转载与转发呦
想了解更多前沿科技与资讯？
点击上方入口关注我们！
欢迎点击右上方分享到朋友圈
香港中文大学（深圳）
网络通信与经济实验室
微信号 : ncel_cuhk
