一种质量保障型的车联网群智感知激励方法

1.本发明属于车联网技术领域，具体涉及一种质量保障型的车联网群智感知激励方法。


背景技术：

2.现有智慧城市发展的需求已经不满足于让车辆仅仅完成其作为交通工具的基本职能，而更趋向于利用车辆的通信、感知、计算等资源完成一系列交互任务。车联网群智感知中的大多数车辆用户是承担着交通任务的，对于这部分用户，我们希望它们在完成交通职能的基础上再尽可能多的参与到群智感知当中来。这样在不影响基本交通状况的同时，感知系统得到了需要的数据，参与者也能从中获取利益。
3.现有的群智感知技术主要是基于上述模式的机会式感知，在这种感知模式下，车辆到达目的地可能有多条行驶路径，也是就是说车辆的行驶轨迹存在不确定性，那么对于位置依赖型任务，车辆行驶轨迹上的任务覆盖情况也就具有不确定性。因此这种感知模式常被应用于车流量较大的区域。
4.现有机会式群智感知激励机制主要有信誉机制、互惠机制和基于电子货币机制的集中式激励机制和基于p2p的分布式信任网络的分布式激励机制两种方式。然而，在上述车流量较大的机会式群智感知场景中，以上两种传统的激励机制的设计存在以下不足。一方面，用户隐私安全和数据安全得不到有效保障。用户上传的数据会涉及其个人身份信息和位置信息，如不加以保护，用户可能不愿意提供数据。并且一旦系统中出现恶意节点上传虚假数据或者篡改数据，对于数据请求者会造成不可估计的损失；另一方面，数据质量得不到有效的保障。由于用户的感知能力参差不齐，如果不在激励时加以选择并给予针对性的奖励，可能会造成浪费感知成本却得不到理想数据的结果。


技术实现要素：

5.针对以上问题，本发明提出一种质量保障型的车联网群智感知激励方法，对于安全问题，本发明结合区块链技术建立了区块链使能的车联网群智感知架构，并解释了该架构下激励机制的具体工作流程，在此基础上设计了一组部署在区块链上的智能合约，并通过二进制状态码说明智能合约的具体触发方式；另外对于质量控制问题，本发明设计了面向数据质量的基于反向拍卖的激励机制，包括中标参与者选择、数据质量评估和信誉更新以及奖励分配三个阶段。
6.本发明提供如下技术方案：一种质量保障型的车联网群智感知激励方法，包括三层：用户层、平台层和云层；用户层包括已经在授权中心注册并获得身份加密信息的请求者和参与者；平台层由若干个边缘节点簇组成，每个边缘节点簇由部署在道路两旁的一组位置相近的边缘节点组成，边缘节点即rsus和bss，边缘节点拥有本地服务器和计算单元，可以完成及时的数据计算和存储；以边缘节点簇作为矿工可以进行区块链的共识和挖矿，从而搭建基于区块链的分布式感知平台；请求者和参与者之间的交易信息经由矿工验证并周
期性打包成区块添加到区块链中；部署在区块链上的智能合约能够保证感知过程安全可靠且自动化地执行；云层包含授权中心和多种服务器，用来实现对边缘节点簇的统一管理；
7.具体包含以下八个步骤：
8.步骤1：用户注册，请求者和参与者将他们的身份信息发给最近的矿工进行验证，身份信息包括公钥、私钥以及数字证书，验证通过即触发“注册合约”，为用户创建合法账户；
9.步骤2：任务发布，系统中注册的请求者将感知任务请求发送给距请求者最近的矿工，矿工验证请求有效后，运行“任务发布合约”；
10.步骤3：参与者提交出价，参与者收到平台发来的任务信息后，根据完成任务所需的感知成本向平台提交一组任务出价；
11.步骤4：中标参与者选择，平台根据参与者给出的出价，根据中标参与者选择策略，选择一组满足任务要求约束条件的中标参与者，并触发“任务执行合约”；
12.步骤5：感知任务执行，中标参与者依据“任务执行合约”采集不同感知任务所需的数据，并将采集到的数据上传至平台；
13.步骤6：信誉更新，任务执行合约结束或所有中标参与者均已上传数据后触发“信誉更新合约”，平台对感知数据的质量进行量化评估，并据此对参与者信誉值进行更新，更新完成后触发“奖励分配合约”；
14.步骤7：奖励分配，根据“奖励分配合约”，结合数据质量评估结果和参与者当前信誉，给予成功上传数据的参与者在任务执行中的奖励；
15.步骤8：区块生成，矿工周期性处理区块链中的委托权益证明共识(dpos)机制(区块链技术现有多种共识机制，本发明选择的是dpos委托权益证明共识机制)，并将请求者和参与者之间的交易信息打包形成新区块，新区块验证后被添加到区块链中。
16.与现有技术相比，本发明的有益效果如下：
17.为获得更高的感知数据质量，除了利用区块链技术确保感知数据来源可靠，不受恶意节点影响，本发明还在激励机制的流程上做出改进，不同于现有基于反向拍卖的激励机制大多只考虑参与者选择和奖励分配两个部分，本发明提出的面向数据质量的激励机制还增加了数据质量评估及信誉更新的部分，通过对参与者实际采集的数据质量做出量化评估，并据此更新参与者的信誉，在此基础上再进行奖励分配。这样做的结果是参与者会为了在未来的感知任务中赢得更多的奖励，尽可能稳定的提供高质量数据以获得更高的信誉评分。
附图说明
18.图1为本发明的区块链使能的车联网群智感知架构；
19.图2为本发明的区块链使能的车联网群智感知激励机制工作流程；
20.图3为本发明的逻辑函数曲线；
21.图4本发明的受恶意节点影响的数据质量对比柱状图；
22.图5为本发明的实施例的数据质量对奖励分配结果的影响；
23.图6为本发明的数据质量与现有方案的对比柱状图。
具体实施方式
24.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
25.如图1-6所示实施例：
26.①
所述步骤1-步骤7的系统模型为：
27.假设车联网群智感知系统中包含m个请求者，n个参与者以及一个感知平台；由m个请求者构建的任务集合表示为s＝{s1,s2,...,si,...,sm}，其中每一个感知任务si包含以下信息：
[0028][0029]
公式(1)中除了任务位置li、任务描述desi、完成任务至少需要的参与者数量ni、任务预算bi、任务截止日期di之外，还需要考虑到机会式感知中车辆轨迹的不确定性，由此需要确保任务si能够被完成的概率不低于固定的概率阈值ξi；
[0030]
将所述任务si中包含的任务信息发布到感知平台后，平台会将信息广播给系统中所有的参与者；由n个参与者构建的参与者集合表示为：
[0031]
v＝{v1,v2,...,vj,...,vn}，其中每一个参与者vj包含以下属性：
[0032]
vj＝{rj,e
ij
,c
ij
,b
ij
},
ꢀꢀꢀ
(2)；
[0033]
公式(2)中rj表示vj的当前信誉，其取值范围为rj∈[0,1]，e
ij
表示根据历史轨迹预测的vj能够成功执行si的概率，c
ij
表示vj完成si需要耗费的成本，b
ij
表示vj给出的对于si的任务出价；需要注意的是，c
ij
只对参与者本身可见，感知平台是不知道参与者完成任务的实际成本的，只知道参与者提交的任务出价b
ij
；另外，理性的参与者提交的任务出价一定是大于等于其感知成本的，即b
ij
≥c
ij
；对于每一个感知任务而言，并不是系统中所有参与者都感兴趣，那么只有感兴趣的参与者会计算自身感知成本并提交任务出价，对于不感兴趣的参与者，b
ij
＝c
ij
＝0；
[0034]
接下来，感兴趣的参与者向平台提交其属性信息，根据这些信息，平台运行中标参与者选择策略，选出一组合适的中标参与者w＝{w1,...,wk,...,wg}，其中g表示中标参与者集合的大小，因为w一定是v的子集，所以有g≤n；这些中标参与者根据任务要求采集感知数据并上传到平台，感知数据的集合表示为：data＝{data
i1
,...,data
ik
,...,,data
ig
}；对于每一条收集来的数据data
ik
，平台会对数据data
ik
的质量进行量化评估，评估结果用q
ik
来表示，然后结合q
ik
对中标参与者wk的信誉进行更新，更新后的信誉用rk′
来表示；接下来根据每个中标参与者wk完成任务的情况，给予中标参与者任务奖励p
ik
。
[0035]
本节基于上述系统模型，进行面向数据质量的激励机制设计，主要包括三个阶段：中标参与者选择、数据质量评估及信誉更新以及奖励分配。
[0036]
②
满足任务要求约束条件的中标参与者选择策略；
[0037]
中标参与者的选择标准主要考虑两个方面，一个是花费尽可能少，另一个是获得的感知数据质量尽可能高；因为在任务结束之前，参与者所能提供的数据质量事实上是不确定的，因此在这一阶段只能通过参与者的信誉去估计其可能提供高质量数据的概率，信
誉越高，参与者提供高质量数据的可能性越大；基于这种思想，本发明设计如下中标参与者选择问题，简称wbs问题：
[0038][0039]
s.t.c1:
[0040]
c2:
[0041]
c3:
[0042]
c4:x
ij
(x
ij-1)＝0,i＝1,2,...,m,j＝1,2,...,n.
ꢀꢀꢀ
(3)
[0043]
该问题模型属于双目标优化问题，其优化目标为最小化总花费，即中标参与者的出价总和，同时最大化中标参与者的信誉总和。因为出价和信誉可能不属于同一数量水平，所以引入平衡因子θ使得两个因素对优化结果的影响相同；ω1和ω2分别代表出价权重因子和信誉权重因子，且ω1 ω2＝1；约束条件c1保证了总花费在平台所有感知任务的总预算范围内，c2保证了任务si能够以不低于ξi的概率被执行，其中的计算公式如下：
[0044][0045]
c3保证了每个任务对于参与者数量的需求，c4表示该优化问题是一个0-1整数规划问题，x
ij
只有0,1两种取值，x
ij
＝1表示si的中标参与者中包含vj，x
ij
＝0则表示si的中标参与者中不包含vj；
[0046]
事实上，在机会式感知模式下，每一个任务对于参与者的选取是相互独立，互不干扰的；所以将问题简化成某一个任务si的中标参与者选择，如式(5)所示：
[0047][0048]
s.t.c1:
[0049]
c2:
[0050]
c3:
[0051]
c4:x
ij
(x
ij-1)＝0,j＝1,2,...,n.
ꢀꢀꢀ
(5)
[0052]
定理1：wbs问题是np-hard问题。
[0053]
证明：证明一个问题是np-hard问题的一般思路是，首先判定该问题是np的，然后找到一个已知的np-hard问题，将证明的问题规约到已知问题；
[0054]
1)wbs问题是从所有参与者中选择部分参与者，使得所选中标参与者满足任务需求和任务可能被完成的概率阈值，同时中标参与者的出价总和最小化且信誉总和最大化；因此判断一个中标参与者的选择策略是否满足上述条件可以在多项式时间内完成，也就是
说wbs问题是np的；
[0055]
2)已知0-1整形背包问题是一个典型的np-hard问题；0-1整形背包问题的一般描述为：有n件物品和一个容量为c的背包，其中第i件物品的重量是gi，价值是hi；从n件物品中选择若干件，使得装入背包的物品总价值最大，且物品总重量不超过c。每一件物品只能选择装或不装；其数学模型表示如下：
[0056][0057][0058]
xi∈{0,1},i＝1,2,...,n..
ꢀꢀꢀ
(6)
[0059]
3)考虑一种wbs的特殊情况，当参与者所有可能轨迹的概率均相同时，有此时c2可以被忽略，因为该条件始终被满足。在此基础上，对公式(5)的目标函数作简单处理，定义任务si的效用为：
[0060][0061]uij
＝ω2r
j-ω1θb
ij
,
ꢀꢀꢀ
(8)
[0062]
其中u
ij
表示vj对si效用的贡献。由此wbs问题的目标函数可以转化为最大化任务效用，即maxu(si)；此时中标参与者选择问题可以很容易规约到0-1整形背包问题。
[0063]
综上所述，wbs问题是一个np-hard问题。
[0064]
接下来对wbs问题进行求解；对于np-hard问题，很难在有限时间内求得其精确解，因此往往采用一些启发性算法求其多项式时间内的近似解；另外wbs问题本质上就是一个0-1背包问题，而遗传算法这类进化算法在很多研究工作中都被证明在求解0-1背包问题时有很好的表现，因此本节基于遗传算法设计了一种中标参与者选择算法，具体见算法1。
[0065]
[0066][0067]
算法第1行首先对中标参与者集合和一些目标变量进行初始化，2-5行进行遗传算法迭代前的准备工作，包括编码、生成初始种群以及个体适应度计算。6-12行是遗传算法的主体，在未达到最大迭代次数之前，不断对当前种群进行遗传操作，产生新的种群，并计算新的个体适应度。其中遗传操作包括：选择、交叉和变异。在选择阶段从种群中以一定概率选择若干个体，本质上就是基于适应度值的一个优胜劣汰的过程。交叉和变异和遗传学中概念一致，主要是对染色体上基因的操作。到迭代结束时选出适应度值最小的个体解码就wbs问题的解。接下来的13-20行根据解的情况，生成中标参与者集合wi，并得到目标变量total_bids和avg_rep的值。
[0068]
③
数据质量评估及信誉更新
[0069]
任务执行完成即触发“信誉更新合约”，对中标参与者提交的数据质量进行量化评
估，并在此基础上对其信誉进行更新；
[0070]
数据本身的质量对车联网群智感知至关重要，如果请求者付出预算却拿到质量不理想的数据就会失去对感知系统的信心，久而久之任务发起者不愿意在系统中发布任务；然而由于参与者的异质性，参与者所能提供的数据质量参差不齐，存在感知数据不完整、不及时或不准确的情况，甚至还可能存在恶意用户上传虚假数据骗取奖励的情况；因此，需要建立一个管理体系，对参与者提供的数据质量进行评估，并据此更新参与者的信誉；参与者本次提供的数据质量和信誉都会对其最终获得的任务奖励造成影响，并且信誉还会对参与者未来在感知任务的竞争中产生影响；这样就可以约束参与者的行为，激励参与者更多地提供高质量数据；
[0071]
首先对任务si的中标参与者wk上传的感知数据data
ik
进行建模：
[0072]
data
ik
＝{ε
ik
,time
ik
,loc
ik
},
ꢀꢀꢀ
(9)
[0073]
其中ε
ik
表示数据本身，time
ik
表示数据的采集时间，假设参与者采集完数据即上传，忽略上传到系统需要花费的时间，loc
ik
表示数据的采集地点。
[0074]
本发明综合数据的完整性、有效性和准确性三个方面进行数据质量的评估，首先分别给出完整性、有效性和准确性的定义：
[0075]
完整性：是指ε
ik
是否符合任务描述的要求。具体而言，某个感知任务所需的数据可能包含若干个维度的数据信息，比如感知任务是某路段的道路健康状况监测，那么采集的数据可能包括道路图像、道路平整度、道路弯沉度和路面磨损度等多个维度的数据；如果任务描述中涉及的数据维度都有覆盖到，就满足数据完整性，否则不满足；
[0076]
有效性：是指time
ik
和loc
ik
是否满足任务截止时间和任务位置的要求，如果是，则满足数据有效性，否则数据无效；
[0077]
准确性：是指归一化的ε
ik
和真实值之间的差距，用f(ε
ik
)表示。
[0078]
综上，根据data
ik
评估的数据质量q
ik
表示如下：
[0079][0080]
接下来主要分析数据准确性；由于没有准确的数据真实值，这里考虑从所有中标参与者上传到系统中的数据的均值、中位数和切尾均值三个角度近似模拟数据的真实值；那么数据ε
ik
和真实值之间的差距disd
i,k
可由下式计算得到：
[0081][0082]
其中η表示ε
ik
的维度，表示ε
ik
第t维数据，和分别表示第t维中所有数据的均值、中位数和切尾均值。用λi表示wi中所有上传的数据和真实值之间差值的和，即那么f(ε
ik
)计算如下：
[0083][0084]
其中λ是一个很小的正数，用来保证当disd
i,k
为0时，式(12)依然有效。这样计算得到的f(ε
ik
)，其取值范围为(0,1)，且
[0085]
然后根据量化后的数据质量q
ik
对wk的信誉进行更新；理想的信誉更新模型需要满足几个要求：1.信誉更新不仅与当前提交的数据质量有关，还与参与者过去所完成的任务中所提交的数据质量有关，并且当前数据质量对信誉更新的影响更大；2.当参与者持续提供高质量数据时，信誉会缓慢上升，但一旦参与者提供了一次质量较差的数据时，信誉会明显下降，需要多次的高质量数据才能弥补一次低质量数据带来的信誉下降；3.信誉取值范围始终保持在[0,1]区间内。这样做的好处是能激励参与者持续并稳定的提供高质量的数据。
[0086]
根据上述要求，本发明拟采用逻辑函数(或称sigmoid函数)构建信誉更新模型；图3是逻辑函数的曲线，该函数关于(0,0.5)对称，值域为[0,1]，并且自变量在原点附近时函数变化较快，离原点越远函数值随自变量的变化越小；
[0087]
更新后的信誉rk′
与数据质量q
ik
和历史信誉值rk有关，基于逻辑函数建立信誉更新模型如公式(13)所示
[0088][0089]
公式(13)中：r0是参与者首次执行任务的初始信誉，q
ik
′
是wk历次完成任务的数据质量对信誉的影响，计算公式如下：
[0090][0091]
公式(14)中：hk表示wk目前为止执行过的任务次数，h代表当前任务数；当数据质量大于等于平均值1/|wi|时，认为wk提供了高质量数据，用q
ik
进行加权；反之当数据质量低于平均值时，认为wk提供了低质量数据，用1-q
ik
进行加权；只要|wi|大于2，1-q
ik
就比q
ik
大，也就是说低质量数据造成信誉下降的幅度要始终大于高质量数据使得信誉上升的幅度；另外数据质量对信誉的影响会随时间而减弱，反映在加权系数的指数上。
[0092]
④
奖励分配方案
[0093]
完成对中标参与者的信誉更新后，触发“奖励分配合约”，根据奖励分配策略对提交数据的中标参与者给予合适的奖励；奖励分配方案应该满足以下几个特性：
[0094]
a.预算有效性：给予中标参与者的奖励总和不会超过任务发起者给出的任务预算，即
[0095]
b.个人理性：每一位成功提交数据的中标参与者都应该得到不低于其实际成本的奖励，即p
ik
≥c
ik
，也就是说中标参与者会从任务中获得非负收益；
[0096]
c.真实性：任何一个参与者都不可能通过提交与实际成本不符的出价提高其收益；根据迈尔森理论，基于拍卖的激励机制满足真实性当且仅当：1)中标参与者的选择规则是单调的，即如果vj能够以出价b
ij
在竞标中获胜，那么当它以更小的出价参与竞标时仍然能够获胜；2)每一个参与者都会得到一个临界值，当它以超过临界值的出价参与拍卖时，则不会获胜，也就是说临界值是确保参与者能在竞标中获胜的最大出价；
[0097]
目前的奖励分配方案很少能同时满足上述三个特性，但对于实际应用而言，这三个特性又至关重要；因此设计一种奖励分配方案，满足上述三个特性的同时，能对参与者的贡献有所区分，即实现“按劳分配”；
[0098]
根据数据质量评估部分的分析，对于本次数据质量q
ik
＝0的参与者，由于他们并未在本次任务中提供可用数据，系统并不会给予他们奖励；对于其他成功提交数据的中标参与者w
ik
，定义其单位信誉出价为ω
ik
＝b
ik
/rk′
，并对所有中标参与者的单位信誉出价从小到大进行排序，序号l
ik
∈{1,2,...,μ}，μ表示成功提交数据的中标参与者的数量；根据排序结果在出价的基础上将任务预算的剩余部分(即，)按一定比例分配这部分参与者；因此奖励分配模型可表示如下：
[0099][0100]
其中ρ
ik
表示根据排序结果获得的额外奖励，这里采用一个大小为μ，首项为0且和为的等差数列{pn}对ρ
ik
进行建模：
[0101][0102]
在此基础上根据等差数列求和公式可以计算出d的取值范围，即
[0103][0104]
为了拉开不同排名情况的参与者所获得的奖励差距，在实际分配过程中，应使d尽
可能接近其理论上界。这样做的好处是，参与者为了获得更高的收益，会努力提升其在单位信誉出价中的排名，在之后的竞标中降低其出价或者提供更可靠的数据以提升其信誉。
[0105]
下面证明上述奖励分配方案满足所提的三个特性：
[0106]
证明：该奖励分配方案满足预算有效性
[0107]
对所有中标参与者的奖励金额进行求和满足预算有效性。
[0108]
该奖励分配方案满足个人理性：
[0109]
对于每一个成功提交数据的中标参与者，由于ρ
ik
≥0，始终有p
ik
≥b
ik
，而由于b
ik
≥c
ik
，则p
ik
≥c
ik
也成立。
[0110]
该奖励分配方案满足真实性：
[0111]
真实性根据迈尔森理论从两方面进行证明：
[0112]
1)单调性：由于中标参与者选择策略的目标函数是最小化出价总和以及最大化信誉总和，所以当其他条件不变时，如果b
ij
能在竞标中获胜，一定也能在竞标中获胜；
[0113]
2)临界值：假设参与者vj以高于平台计算的奖励金额进行出价，即b
ij
＞p
ij
，那么有两种可能的情况：a.如果即此时那么由于不满足预算有效性，所以vj不可能以高于平台定价在竞标中获胜；b.如果b
ij
的增大可能会导致其单位信誉出价的排名下降，p
ij
减小，当b
ij
增加到一定程度使得单位信誉出价ω
ij
′
＞maxω，此时当前参与者不能在中标参与者选择中获胜。由于某个参与者并不知道其他参与者的出价，所以不诚实的出价会造成收益为0的风险。理性的参与者没有理由进行不诚实的出价。
[0114]
综上所述，该奖励分配方案满足真实性。
[0115]
⑤
仿真结果与性能分析
[0116]
a.仿真设置
[0117]
本次仿真在matlab和ethereum上进行，其中ethereum主要完成区块链的搭建和智能合约的部署。为了得到更真实可靠的仿真结果，本发明采用车辆轨迹数据，包括一周内北京一万多辆出租车轨迹数据。这里选取一个街区内的50条街道作为仿真区域，在街道上随机分布一组任务点，根据这些出租车一周内的行驶轨迹，计算得到每个任务点处，各个车辆经过任务点的概率，将其作为该车辆能够执行此任务点处的任务的概率，计算公式如下:
[0118]
[0119]
其中时间单位以小时划分，分子表示，vj经过si的总时长，分母表示该时间段总时长，也就是24h
×
7＝168h。
[0120]
表1 仿真参数设定
[0121][0122][0123]
仿真过程中涉及的具体仿真参数设定如表1所示。为更贴近实际，结合相关参考文献，将参与者的投标出价设定服从为[0,20]范围内，均值为10，方差为2的正态分布，参与者信誉是一组[0,1]范围内的随机小数。任务的截止日期di设置为12小时，超过截至日期上传数据的参与者视为未完成任务。wbs问题中的出价权重因子ω1和平衡因子θ分别设定为0.5和10。任务保证被完成的概率阈值ξi为0.6。任务至少需要的参与者数量numi为2个。另外，求解wbs问题的遗传算法中使用到的参数设定如下：种群大小pop_size为200，交叉概率cross_frac为0.8，变异概率muta_frac为0.2，变异间隔muta_inter为20，最大迭代次数m＝100n。区块链相关参数设定为：区块大小block_size为8mb，最大区块生成间隔i
max
为500ms。
[0124]
b.仿真结果及分析
[0125]
本发明使用中标参与者平均信誉(avg_rep)、中标参与者总出价(total_bids)以及给予中标参与者的总奖励(total_rewards)等评估指标评估方案性能。已有研究表明，群智感知中参与者提供数据的质量具有不确定性，但是参与者的信誉与其提供数据质量的能力强相关，所以一般采用参与者的平均信誉来衡量激励机制能够获得的数据质量。对于每一个结果中的每一个指标，本发明分别做了1000次仿真，以确保结果的可靠性。
[0126]
首先，由于部分仿真参数没有相关参考文献可以支撑，所以做了几组仿真实验来确定参数取值。在中标参与者选择阶段需要确定合适的权重因子ω1的取值。结果表明，ω1取值在0.4～0.6时，avg_rep达到峰值，且在ω1＝0.5时，total_bids有明显下降。为了以较小的代价取得最优的数据，后续仿真中令ω1＝0.5。另外，在n＝50的情况下，任务所需的参与者数量numi的取值，当numi大于等于20以后，系统中已经无法选择出满足条件的中标参与者，因此numi的取值应不超过20。本发明为尽可能得到高质量数据选择numi＝2，实际中可根据情况按需选择。
[0127]
接下来，从安全和质量两个方面对本发明所设计激励方法的仿真结果进行说明。首先在安全性方面，通过在系统中设置一定比例的恶意节点，来对比所提激励方法与没有区块链保障的激励方法的性能。如图4所示，在没有区块链保障的情况下，随着恶意节点比例的增加，数据质量迅速下降，而本发明提出的激励方法由于区块链的保障，可以通过共识机制将恶意节点及时识别出，并通过将其信誉设置为负值，保证其在后续的参与者选择中
不会被选择，因此可以保持较高的数据质量。
[0128]
另外，从质量角度而言，在本发明提出的方案设计下，参与者提供的数据质量会通过改变参与者的信誉间接地对其奖励分配产生影响，如图5是奖励值随本次数据质量的变化情况，由于一次数据质量对结果的影响可能不太明显，这里通过增加实验轮次观察累计奖励的变化。可以看出，随着数据质量造成的信誉的累计会影响参与者的排名，进而影响其奖励值的累积。对于相同原始信誉值的参与者，提供的数据质量越高，其累计的奖励就会越多，因此参与者为了在未来的感知任务中获得更多的奖励，会更趋向于持续稳定地提供高质量数据。
[0129]
最后，本发明将所提出的方法与现有激励机制方案在数据质量方面进行了性能对比，如图6所示是在进行10个轮次的感知后的感知任务的平均数据质量。随着参与者数量的增加，改进的最小社会成本中标选择(简称mcbs)方案和本发明提出的基于安全保护和质量保障型的激励机制(简称spp-dqa方案)都逐渐增加并最终趋于稳定，而mcbs则基本保持不变。这是因为mcbs在中标参与者选择的阶段只考虑请求者的利益而最小化感知成本，并未将数据质量考虑在内，而改进的mcbs考虑到用参与者信誉衡量感知数据的质量，并在优化问题目标函数中引入这一变量，可以看到这种方案最终得到的数据质量相比mcbs有很大提升。而spp-dqa在改进mcbs的基础上，又加入了数据质量评估和信誉更新的阶段，从而可以维护一个更能稳定提供高质量数据的用户群体，因此系统最终得到的平均数据质量会更高。
[0130]
尽管已经展示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。