基于联盟链的群智感知场景下分布式激励方法

1.本发明涉及联盟链技术和分布式激励技术领域，尤其涉及一种基于联盟链的群智感知场景下分布式激励方法。


背景技术：

2.群智感知是一种新的大规模数据感知模式，可以高质量、多元化实现感知任务。为了获取数据，该模式下需要设计相应的激励机制鼓励用户参与。目前的激励机制多存在过度依赖中心化平台以及缺乏合适的方法评估数据可信度等问题，区块链是一种去中心化和数据不可篡改的新技术，是一种解决该问题的新技术。
3.由于群智感知依赖中心化平台和数据的中心化存储，导致群智感知存在以下两个问题：1)如何实现分布式激励解决传统激励过度依赖中心化平台？2)如何评估用户提供的感知数据可信度问题？
4.为了解现有技术的发展状况，对已有的论文和专利进行了检索、比较和分析，筛选出如下与本发明相关度比较高的技术信息：
5.技术方案1：公开号cn108364190a(申请号cn201810015963.7)提出一种结合信誉更新的移动群智感知在线激励方法，通过将感知过程建模为在线随机的拍卖模型，在其中考虑用户提交数据的质量，基于数据质量等客观分和主观分值，计算用户信誉分，结合用户历史和现实信誉情况设计更新在线激励的方法，这种方法可以有效提高数据效用。
6.技术方案2：公开号cn108055119a(申请号cn201711307609.3)提出一种群智感知应用中基于区块链的安全激励方法和系统，通过将用户端和服务端作为区块链的交易双方进行交易，由区块链节点验证感知数据质量，克服了可信第三方面临的安全隐患。同时利用区块链的分布式架构实现了安全激励。
7.然而，现有的群智感知激励方法中，技术方案1通过结合用户历史和现实信誉情况设计更新在线激励方法，可以有效提升用户信誉。但该方案采用的仍旧是基于可信第三方实现的在线激励过程，技术方案1并不能很好地处理中心化问题。技术方案2提出的群智感知应用中基于区块链的安全激励方法和系统，可以充分利用区块链的分布式架构避免中心化问题，但是数据验证放在区块链节点对于大量数据验证存在一定性能问题。因此，需要提供一种群智感知场景下很好地处理中心化且数据可靠的分布式激励方法。


技术实现要素：

8.有鉴于此，本发明提出一种基于联盟链的群智感知场景下分布式激励方法，解决激励问题面临的中心化和数据不可靠问题。
9.为了实现上述目的，本发明提供如下技术方案：
10.基于联盟链的群智感知场景下分布式激励方法，其中，联盟链部署合约定义如下：
11.合约a：为属性集存储合约，用于将用户提交的属性集写入区块链；
12.合约b：为多属性拍卖合约，用于根据评分函数计算中标用户，调用合约a获取用户
上传数据集，并根据效用函数计算排名，返回到服务端；
13.合约c：为信誉更新合约，用于将用户注册时基本信息以及用户信誉度、奖励值存储到区块链，并根据用户信誉是否符合阈值将信誉、奖励写入链上。
14.合约d：为感知数据合约，用于将每次更新信誉值后大于设定阈值的用户感知数据写入到区块链，并对数据是否篡改进行校验；
15.并采用以下步骤：
16.s1、用户调用合约c注册个人信息到区块链，并初始化个人信誉值；
17.s2、任务平台发布感知任务，用户调用合约a将对应任务的属性集写入区块链；
18.s3、区块链调用合约b执行多属性拍卖算法，根据评分函数对用户属性集进行排序，任务平台根据区块链上的排名结果通知用户上传感知数据；
19.s4、任务平台采用基于地理k-最近邻离群点检测算法对用户感知数据进行可信评估，并根据评估结果调用合约c获取用户当前信誉值和奖励值，并将该任务对应的感知数据的哈希值保存在区块链上，并使用存储的哈希来验证数据的完整性；
20.s5、执行用户信誉更新算法，得到用户的更新信誉后，通过调用合约c判断用户信誉是否低于阈值，确定信誉满足阈值的用户后，调用用户在s1上传的属性集，获取奖励值，反馈中标信息给用户。
21.进一步地，步骤s2中的属性集a
attr
包括用户投标价格ep、采样频率ad、采用时间at、感知位置pl、定位精度pa和投标失败次数bn。
22.进一步地，步骤s3的多属性拍卖算法模型为m：
23.m＝{p，i，a
attr
，ub，b
attr
，s
attr
}
24.p为任务发起者或者平台，i为任务投标者，a
attr
为对应属性集合，ub为效用函数，b
attr
为参与用户提交的属性向量集合，s
attr
是拍卖方设定的评分函数。
25.进一步地，效用函数ub的公式为：
[0026][0027]
w是属性权重，a对应属性值，参数α确保属性的边际效用不增加。
[0028]
进一步地，评分函数与效用函数保持一致。
[0029]
进一步地，步骤s2的多属性拍卖算法执行前进行属性值归一化处理，其方法为：
[0030]
成本类型：假定n个人投标attr包括期望价格ep和定位精度pa，成本公式为：
[0031][0032]
收益类型：包括采样频率ad、采样时间at和中标失败次数bn，收益公式为：
[0033][0034]
感知位置pl区间属性：
[0035][0036]
[q1，q2]是设置的一个固定区间。
[0037]
进一步地，步骤s4中可信评估采用基于地理k-最近邻离群点检测算法，主要流程如下：
[0038]
s401、用户上传的感知数据集dataset(ti)：
[0039]
dataset(ti)＝{t1，t2，...，tn}
[0040]
ti＝{idi，timei，longitudei，latitudei，dataitemi}
[0041]
idi为编号，timei为获取感知数据的时间，long itudei为经度，latitudei为纬度，dataitemi为感知数据；
[0042]
计算用户(x，y)数据相似度f
sin(x，y)
：
[0043][0044]
x，y是用户提供的数据向量，mi是第i列数据的平均值，d是维度；
[0045]
s402、计算用户相似度矩阵w：
[0046][0047]wij
＝f
sin(i，j)
[0048]
对每个用户useri，根据long itude和latitude，找出用户和其它人的距离并排序disti：
[0049]
disti＝geohash(long itudei，latitudei)
[0050]
dist
ij
＝|dist
i-distj|
[0051]
dist
sorted-i
＝sort(dist
i1
，dist
i2
，...，dist
in
)
[0052]
geohash函数把latitude和longitude映射为字符串；
[0053]
s403、根据neighborsk，根据相似度矩阵w得到k个相邻度矩阵d，空间上距离用户最近的k个用户的相似度之和d
ii
：
[0054][0055]dii
＝sum(neighbors
k-i
)
[0056]
通过度矩阵中的相似度和设定的阈值确定离群点ranking
ratio
：
[0057][0058]
阈值为百分比来判断异常值，阈值范围外为异常值，判断为用户的异常值则数据不可靠。
[0059]
进一步地，步骤s5采用基于用户当前声誉和数据可信度的联合权重方法更新用户声誉，更新公式如下：
[0060][0061]
d是归一化矩阵的值，ur0用户当前信誉，w1，w2对应的权重值，outliers是异常点集合。
[0062]
与现有技术相比，本发明提出一种基于联盟链的群智感知场景下分布式激励方法，本发明的有益效果为：
[0063]
(1)首先，在感知场景中，本发明提出了基于hyperledger fabric的分布式激励架构，并设计了基于多属性拍卖的智能合约，实现用户选择链上逻辑。该架构通过使用自动执行的智能合约解决用户与区块链直接交互的问题，实现分布式激励，缓解用户对中心化平台的过度依赖。
[0064]
(2)其次，本发明提出了一种基于地理位置和相似性的k-最近邻离群点检测算法。用户第一次中标后，需要对用户提交的传感数据的可信度进行核查。该算法可以充分利用传感数据本身的采样地理位置、采样时间点、邻近信息等信息，有效检测用户提交的传感数据的可信度，并根据数据可信度建立用户信誉指数，从而实现更加公平的奖惩分配激励机制。
[0065]
(3)此外，考虑到现有方法的实现性能和区块链上的资源有限，本发明将大规模传感数据存储在链下，同时将感知数据的哈希值存储在区块链上，保证了数据不能被篡改并避免区块链上海量数据导致的性能下降。
附图说明
[0066]
为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
[0067]
图1为本发明实施例提供的基于联盟链的群智感知场景下分布式激励方法的系统架构图。
[0068]
图2为本发明实施例提供的单属性和多属性效用对比结果。
[0069]
图3为本发明实施例提供的成功中标人数对效用的影响结果。
[0070]
图4为本发明实施例提供的不同阈值对可靠性检测的影响结果。
[0071]
图5为本发明实施例提供的与人数对区块链延迟的影响结果。
具体实施方式
[0072]
为了更好地理解本技术方案，下面结合附图对本发明的方法做详细的说明。
[0073]
本发明提供了一种基于联盟链的群智感知场景下分布式激励方法，系统架构如图1所示，联盟链部署合约定义如下：
[0074]
合约a(属性集存储合约)：将属性集写入区块链，根据用户提交属性集写入区块
链。
[0075]
合约b(多属性拍卖合约)：根据评分函数计算中标用户，调用合约a获取用户上传数据集，根据效用函数计算排名，并返回到服务端。
[0076]
合约c(信誉更新合约)：存储用户基本信息，将用户注册时基本信息，以及用户信誉度，奖励值存储到区块链，并根据用户信誉是否符合阈值将信誉、奖励写入链上。
[0077]
合约d(感知数据合约)：存储感知数据hash，将每次符合要求(这里是在每次更新信誉值后，大于设定的阈值的用户感知数据)的感知数据写入到区块链，用于以后对数据是否篡改进行校验。
[0078]
方法的具体步骤如下：
[0079]
1)用户注册信息到区块链：
[0080]
用户调用合约c注册个人信息到区块链，并初始化个人信誉值。
[0081]
2)上传参与任务的属性集：
[0082]
任务平台发布感知任务，然后用户可以根据买家设置的多属性将对应任务的属性集通过合约a上传到区块链网络，属性集定义如下。
[0083]aattr
包括(ep用户投标价格，ad采样频率，at采用时间，pl，感知位置，pa定位精度，bn投标失败次数)。
[0084]aattr
＝{ep，ad，at，pl，pa，bn｝(1)
[0085]
3)执行链上多属性拍卖算法：
[0086]
区块链网络的多属性拍卖合约b根据评分函数对用户属性集进行排序。任务平台根据区块链上的排名结果通知用户上传传感数据。
[0087]
利用区块链实现分布式激励，必须贯彻用户参与的逻辑。智能合约很好地满足了我们的要求。我们使用多属性拍卖算法来实现用户参与逻辑。多属性拍卖模型简化为m。
[0088]
m＝{p，i，a
attr
，ub，b
attr
，s
attr
}(2)
[0089]
p：任务发起者或者平台，i：任务投标者
[0090]
i＝{1，2，...，n}(3)
[0091]battr
：参与用户提的属性向量集合
[0092]battr
＝{b1，b2，...，bn｝，bi＝{ep，ad，at，pl，pa，bn｝(4)
[0093]
根据上述模型设计效用函数为(反映对感知数据的兴趣程度)
[0094][0095]
w是属性权重，a对应属性值，参数α确保属性的边际效用不增加，该函数可以评估数据对任务发布者的效用值。
[0096]sattr
是拍卖方设定的评分函数。买家通过评分规则描述他需要的物品的特征，并通过评分规则计算卖家提交的出价来确定最终获胜者，其描述如下：
[0097][0098]
我们定义打分函数与买家的效用函数保持一致，通过计算属性集的加权属性来反
映数据集的得分。
[0099]
以上是算法的介绍。实际情况下，不能直接处理不同类型的属性，需要先进行归一化处理。下面介绍如何规范化属性值。
[0100]
成本类型：期望价格(ep)和定位精度(pa)假定n个人投标attr包括ep，pa。
[0101][0102]
收益类型：采样频率(ad)、采样时间(at)和中标失败次数(bn)，attr包括ad，at，bn。
[0103][0104]
区间属性：感知位置(pl)：
[0105][0106]
[q1，q2]是我们设置的一个固定区间，感知位置(pl)是一个区间属性，属性值越靠近区间[q1，q2]越好，如果属性值落在区间内部，值应该为1。
[0107]
然后，根据用户归一化后的数据，根据公式(6)计算出期望收益值，并将收益值进行排序并存入区块链账本。
[0108]
4)数据可靠性评估
[0109]
任务平台对用户感知数据进行可信评估，并根据评估结果调用区块链上的合约更新用户声誉和奖励值。并将该任务对应的感知数据的哈希值保存在区块链上，并使用存储的哈希来验证数据的完整性。
[0110]
在群智感知的实际情况中，靠近地理位置的用户的感知数据很可能是相似的。因此，我们可以考虑结合地理位置和数据相似度来评估数据的可信度。基于此，我们提出了一种基于地理k-最近邻离群点检测算法的方法来评估用户感知数据的可靠性。主要流程如下：
[0111]
用户上传的感知数据集如下：
[0112]
dataset(ti)＝{t1，t2，...，tn｝(10)
[0113]
ti＝{idi，timei，longitudei，latitudei，dataitemi}(11)
[0114]
首先计算用户(x，y)数据相似度f
sin(x，y)
：
[0115][0116]
x，y是用户提供的数据向量，mi是第i列数据的平均值，d是维度。
[0117]
计算用户相似度矩阵：
[0118][0119]wij
＝f
sin(i，j)
(14)
[0120]
对每个用户useri，根据longitudei，latitudei，找出用户和其它人的距离并排序。
[0121]
disti＝geohash(longitudei，latitudei)(15)
[0122]
dist
ij
＝|dist
i-distj|(16)
[0123]
dist
sorted-i
＝sort(dist
i1
，dist
i2
，...，dist
in
)(17)
[0124]
geohash函数把latitudeandlongitude映射为字符串。
[0125]
然后选择最近的k个邻居。
[0126]
neighbors
k-i
＝dist
sorted-i
[：k](18)
[0127]
最后，根据neighborsk，根据相似度矩阵w得到k个相邻度矩阵(空间上距离用户最近的k个用户的相似度之和)，它反映了每个数据集与k个相邻数据集的相似度。
[0128][0129]dii
＝sum(neighbors
k-i
)(20)
[0130]
通过度矩阵中的相似度和设定的阈值确定离群点：
[0131][0132]
ranking
ratio
阈值范围外为异常值，阈值为百分比来判断异常值，判断为用户的异常值数据不可靠。
[0133]
5)信誉更新
[0134]
用户信誉是用户诚信的标志。我们增加了用户信誉指标管理，在用户提交虚假数据后得到相应的惩罚。用户提交感知数据后，更新用户信誉。本文采用基于用户当前信誉和数据可信度的联合权重方法更新用户信誉。更新公式如下：
[0135][0136]
d是归一化矩阵的值，ur0用户当前信誉，w1，w2对应的权重值，outliers是异常点集合。
[0137]
得到用户的更新信誉后，通过调用合约c进一步判断阈值，在区块链上对用户进行奖励。
[0138]
合约确定信誉满足阈值的用户后，将调用用户在第一步上传的属性集，获取用户的出价，出价为用户奖励值。
[0139]
算法流程：
[0140]
基于地理位置和相似度的k-近邻离群点检测算法主要流程如下表1：
[0141]
表1可信数据评估算法
[0142][0143][0144]
为了评估本发明提出的基于联盟链的群智感知场景下分布式激励方法的性能，本发明使用windows10(amd4800h 16g 工作频率2.9ghz) linux部署hyperledger2.0搭建仿真环境，利用go编写部署相关合约，对多属性拍卖算法、基于地理位置和k近邻的离群点算法和分布式激励链上延迟等进行了仿真实验。验证了所提基于超级账本fabric的分布式激励的可行性和有效性。
[0145]
试验例1多属性拍卖算法：
[0146]
多属性拍卖算法相对于单一属性拍卖的优势在于可以通过效用函数反映用户对数据的偏好(为了避免不同类型属性对模拟的影响，对数据进行了归一化处理)，属性集数量变化对效用的影响如图2所示。
[0147]
比较了在单属性和多属性情况下发布者要求的属性数量对数据效用值的影响。从图2中可以看出，多个属性的效用值随着属性数量的增加而增加，而单个价格属性的效用值不变。这是因为根据买家提供的评分函数，用户提供的属性越多，评分越高，效用值越高。
[0148]
中标者对效用的应用如图3所示。结果显示，价格效用比随着中标者数量的增加而增加，即任务发布者获得具有相同效用的数据，成本增加；单个属性比多个属性花费更多；随着参与者数量的增加，可以有效降低获取相同质量数据的成本。之所以会出现这样的结果，是因为参与人数增加了，在竞价人数量固定的情况下，可以获得更广泛的高质量数据，并且由于用户竞价价格的随机性，可以降低发布者的成本。在参与人数固定的情况下，中标人数越多，获得的数据质量越低，支付的价格也越高。以上结果与实际结果一致。
[0149]
图4显示了随着提交感知数据的人数增加，不同阈值(90\％、85\％、75\％)限制下的数据检测准确率。阈值设置是针对我们已经得到的数据相似度矩阵来判断不可靠数据的数据。
[0150]
如图4所示，总体呈上升趋势，即随着参与人数的增加，检测准确率上升。对于相同数量的参与者，阈值越低，检测效果越好。这是因为如果用户篡改数据，他必须知道他附近k人的数据才能篡改数据，而且在人数众多的情况下，附近k个人数据的相似度在理论上是接近的，如果用户篡改数据，相似度会波动从而被检测到。因此，该算法可以有效检测用户数据篡改。
[0151]
试验例2区块链延迟测试：
[0152]
测试区块链上执行多属性拍卖算法的延迟。鉴于实际情况，用户在感知任务执行的不同时间段提交属性集，所以下面的延时不考虑该属性集的写入过程。延迟包括读取任务对应的属性集，执行合约的多属性拍卖算法，将对应任务的排序结果写入账本。
[0153]
图5显示了不同参与者(模拟50、100、150和200人)的平均延迟和人均延迟(实验测试了10次)。从上面两张图可以看出，随着参与人数的增加，延迟会单调增加。图中50、100、150、200人参与时，平均延迟分别为623.2ms、817.0ms、1176.4ms、1376.1ms。但是，人均延迟不会随着参与者的数量而波动很大，为10-20ms。对于上述延迟变化，主要原因是区块链本身在写入数据和共识过程中会有一定的延迟，并且随着参与者数量的增加，这个过程延迟必然会增加。
[0154]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，但这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。