《基于声誉的移动众包系统的在线激励机制.docx》由会员分享，可在线阅读，更多相关《基于声誉的移动众包系统的在线激励机制.docx（2页珍藏版）》请在三一文库上搜索。
1、基于声誉的移动众包系统的在线激励机制4.2ex-post情况实验验证同样，本文根据表2中ex-post情况下的博弈收益矩阵，验证移动众包系统中的false-giving现象（任务请求者），并验证所提任务请求者声誉更新方法RMI的有效性。具体实验设置如表4所示。为了确定移动众包系统中产生false-giving问题的边界值（任务请求者），类似于感知用户的free-riding现象验证实验，分别针对x′=0.4，0.5，0.6，0.7，0.8，0.9来进行对比实验，从而验证任务请求者的自私行为导致false-giving现象的产生。根据本文提出的演化预测模型，当x′采取不同
2、初始值时，其演化趋势如图6所示。其中：横坐标表示演化世代数，纵坐标表示系统内可信感知用户的比例。由该实验结果可以看出，当x≤0.6时，系统会产生false-giving现象，即任务请求者为了最大化自身收益，选择非可信策略作为自身的首选策略。因此，需要建立有效的激励机制来激励任务请求者对可信策略的选取。同样，为了验证不同系统声誉阈值0对实验结果的影响，对系统声誉阈值0进行实验对比，分别针对0=6，0=7和0=8进行实验验证，实验对比结果如图7所示。其中：横坐标为交易时间序列，纵坐标表示系统中可信感知用户的数量。由该实验结果可以看出，当0=6时，系统中的可信任务请求者数量最多，当系统声誉阈值
3、增加到8时，其性能退化到传统的声誉更新方法。因此，为了最大化本文提出的声誉更新方法RMI的性能，在本文的实验中选取系统声誉阈值0=6。为了验证本文所提激励机制RMI在任务请求者可信行为激励方面的有效性，同样与文献【6】中基于social norm的声誉更新方法进行对比。在模拟实验中，设置初始的任务请求者数量为50，其实验结果如图8所示。其中：横坐标表示交易的时间序列，纵坐标表示系统中可信感知用户的数量。与ex-ante情况下实验类似，固定初始固定任务请求者的数量。由该实验结果可以看出，随着交易次数的增加，在本文提出的声誉更新方法RMI下，系统内可信任务请求者的数量逐渐收敛到45左右；而在文献【
4、6】中的声誉更新方法下，系统内可信任务请求者的数量逐渐减少到18。由该实验结果可以看出，本文提出的信誉更新方法RMI在任务请求者行为激励方面具有更优的性能。这是由于本文所提的声誉更新方法RMI不仅为系统设置了系统声誉阈值，还为不同的任务类别设置了声誉阈值，这样不仅激励了任务请求者的可信行为，还有效地避免了过度惩罚问题。5结语本文提出了一种基于声誉的移动众包系统的激励机制RMI。分别针对free-riding问题和false-reporting问题，首先结合演化博弈和Wright-Fisher模型对移动众包系统的演化趋势进行预测分析，在此基础上分别针对任务请求者和感知用户，建立two-side在
5、线激励机制。最后通过模拟实验验证了本文提出的激励机制的有效性和适应性，与文献【6】中基于social norm的声誉更新方法相比，RMI有效地提高了移动众包系统的可信性。在未来的工作中，我们将进一步研究移动众包系统的激励惩罚机制，并考虑如何保证感知用户和任务请求者的隐私，从而保证移动众包系统的安全性和可信性。参考文献：【1】CHATZIMILIOUDIS G， KONSTANTINIDIS A， LAOUDIAS C， et al. Crowdsourcing with smartphones . IEEE Internet Computing， 2012， 16（5）： 36-44.【2】H
6、E Z， CAI Z， WANG X. Modeling propagation dynamics and developing optimized countermeasures for rumor spreading in online social networks / ICDCS 2015： Proceedings of the 2015 IEEE 35th International Conference on Distributed Computing Systems. Washington， DC： IEEE Computer Society， 2015： 205-214.【3】
7、LI J， CAI Z， YAN M， et al. Using crowdsourced data in location-based social networks to explore influence maximization / INFOCOM 2016： Proceedings of the 35 Annual IEEE International Conference on Computer Communications. Piscataway， NJ： IEEE， 2016.http：/grid.cs.gsu.edu/yli/papers/infocom16.pdf【4】HA
8、N M， YAN M， CAI Z， et al. An exploration of broader influence maximization in timeliness networks with opportunistic selection . Journal of Network and Computer Applications， 2016， 63： 39-49.【5】WANG Y， CAI Z， YIN G， et al. An incentive mechanism with privacy protection in mobile crowdsourcing systems . Computer Networks， 2016， 102： 157-171.出处：计算机应用