【摘 要】
:
众包是一种分布式的计算范式,它可以整合社会中的群体智慧来完成一些计算机或非专业人员无法完成的复杂任务。共享经济社会的形成,推动了一种基于位置的众包服务应用——空间众包的出现和发展。它在便利生活、智能交通等生活领域贡献了巨大价值。空间众包中基本且核心的研究方向包括任务分配和用户隐私保护,但以往的研究大多仅关注众包任务和工人,而忽略了需要不同专业领域知识的多技能任务分配。其次,由于空间众包是基于位置的
论文部分内容阅读
众包是一种分布式的计算范式,它可以整合社会中的群体智慧来完成一些计算机或非专业人员无法完成的复杂任务。共享经济社会的形成,推动了一种基于位置的众包服务应用——空间众包的出现和发展。它在便利生活、智能交通等生活领域贡献了巨大价值。空间众包中基本且核心的研究方向包括任务分配和用户隐私保护,但以往的研究大多仅关注众包任务和工人,而忽略了需要不同专业领域知识的多技能任务分配。其次,由于空间众包是基于位置的服务,需要依赖任务执行者的真实位置,平台服务器的不可信以及恶意的网络攻击者给用户位置隐私信息构成了潜在威胁。基于上述研究工作的不足,本文主要的研究内容如下:首先,提出了单任务场景下的基于多技能的复杂空间任务的分配问题,考虑技能约束、任务对工人数量细粒度的要求、工人能力限制等条件,定义最大化任务效用的优化问题。由于该问题不存在有效的最优解方法,因此提出了三种基于贪心策略的近似解算法,通过在真实和合成数据集的实验,验证了算法的有效性和正确性。其次,在上述单任务场景的研究基础上,进一步提出多任务场景下的基于多技能复杂空间任务的分配问题。因为在实际生活中,不止一个请求者发布任务,并且具有广泛专业知识或兴趣的工人可能会被多个任务需要。为了解决这个冲突,重新定义优化目标,以最大化系统的总效用。通过实验验证分析不同因素对实验结果的影响,验证了方案的可行性和正确性。最后,针对空间众包任务分配过程中用户位置隐私泄露问题,提出了满足差分隐私的隐私保护模型。该模型不需要可信第三方的介入,可以为工人提供个性化的隐私保护级别。和上述研究内容一样,为了更贴合实际应用,引入了工人和任务的技能约束,在多任务多工人场景下,提出了基于差分隐私技术的技能匹配安全任务分配问题。通过证明其是NP-hard问题,提出了基于贪心策略的任务分配算法,证明了该方案满足差分隐私保护安全。最后,在真实数据集上展开对比实验,验证了算法的有效性。
其他文献
目前深度学习算法已广泛应用于合成孔径雷达(SAR,Synthetic Aperture Radar)图像的目标检测。然而,当前主流基于深度学习的检测方法存在模型复杂度高、检测速度慢以及对特殊尺寸目标检测性能低等问题。针对上述问题,本文将着重研究基于改进Faster R-CNN(Faster Region-based Convolutional Neural Network)的SAR图像舰船目标检测
在5G中,超高可靠和低延迟通信(Ultra-Reliable and Low-Latency Communication,URLLC)可以有效降低实时无线控制系统中的时延以及丢包率,以满足工业互联及自动化中实时、可靠等高性能要求。然而,为了满足严格的服务质量(Quality of Service,QoS),URLLC消耗了大量的无线资源,严重阻碍了该技术的实施和大范围部署。因此,针对多控制回路的实
伴随着云计算的不断发展,越来越多的企业将数据和服务转移到云端。在传统模式下,企业运营维护数据中心存在设备管理困难、资源利用率低、且硬件升级成本高的问题。而云计算平台能将计算资源、网络资源、存储资源等资源弹性地按需提供给企业用户,极大地为用户节省了硬件管理维护成本。当前的云平台重点在于如何按需切分调度资源,给用户提供高效稳定的服务。但在消息推送方面,缺乏专门的功能组件进行处理,平台控制中心与各业务模
近年来,在图像识别、语音识别等领域,深度学习的表现越来越突出,成为业界内很多人的研究对象。而在一个的神经网络中,包含了大量的参数,在进行网络训练时,参数量越大,单次训练需要的时间越来越长。其次,现有的深度网络框架并不能满足任何环境下的网络运行。而近年来,图形处理器GPU(Graphic Processor Units)硬件设备得到了快速升级,通用计算技术因此而有了飞跃性的成长,到如今已慢慢开始走向
后疫情时代,“新基建”、“智慧城市”俨然已成为“十四五”期间最热的关键词之一。兼具分布范围广和承载能力强等优势的智慧合杆,其上搭载与城市运行息息相关的诸多Io T设备,是天然的信息采集、展示入口。围绕智慧合杆上搭载的大量Io T设备进行管理,进而打造串联万物的物联网平台成为近年来的研究热点。本文面向河南省鹤壁市5G智慧合杆一期横向合作项目,基于实验室已有云计算相关产品,提出云边端协同系统性方案,解
当前随着人们对快捷获取知识的渴求和自然语言处理的快速发展,实体关系抽取技术作为该领域经久不衰的重要研究方向,对于领域知识图谱的构建和各种自然语言处理应用,它都具有重要贡献。虽然关系抽取技术已经发展出了各种层出不穷的理论,但是自动化抽取的精准性不能达到较好的实用性。而基于深度学习的方法,比如传统管道方法存在错误传播和信息冗余,联合抽取方法存在实体重叠、关系类别标签不平衡问题,最终会导致关系抽取模型总
人体步态,作为一个新兴的生物识别特征,可以利用图像传感器以及惯性传感器采集在一段时间内行走过程中的步态信息(如一系列视频帧或加速度、角速度等),进行身份识别。与目前日常生活中被广泛应用的生物特征相比,生物步态特征具有能够远程捕获以及不易模仿等优点,可以通过非接触式的方法获取到被测者的步态信息,进而完成身份信息的判别。本文首先制作数据集,利用自主编写的Android平台APP依次采集被测者完成指定动
近年来,深度卷积神经网络(CNNs)在计算机视觉领域表现出色,同时计算机视觉等人工智能系统工程应用的需求也日益增长,对于神经网络压缩与加速的方法研究也日趋活跃。但是由于其过参数化的设计,卷积神经网络导致了网络模型巨大的参数量和昂贵的计算消耗,使得将模型部署到一些资源受限的设备的上变得非常困难,如嵌入式设备、移动手机等。如何在资源受限的设备上部署高可用、高可靠的网络模型,这成为了人工智能在现实生活中
随着信息与科学技术的繁荣发展,未来现代电子信息作战具有装备信息化程度高、交战过程实时变化性强、战场信息不确定性强、博弈强对抗等特征。指挥员针对敌方战场信息的认知提出了更高的要求,但传统的方法过于依赖专家提取特征,人为提出特征间的关系会带来主观性过强、经验依赖性过高以及实时性较差等问题。贝叶斯网络作为基于图论与概率统计的图模型,以数据学习为核心,避免了人为主观性过强等问题从而在许多领域发挥重要的作用
随着科技的发展与工程需要的多元化,计算技术在图像识别领域中的应用越来越广泛。其中卷积神经网络具有优秀的图像识别效果,相比于常规图像识别算法,它具有更为有效的特征提取结构以及识别结构,已成为图像识别领域中主要技术之一。众所周知,图像样本的质量、数量是影响图像识别的关键因素,但是在一些重要专业领域,如遥感、雷达、医疗等,不仅面临获取大量、高质量的图像数据存在困难,更面临对这些专业图像标注的专业人力不足