群智感知作为一种新型的物联网感知模式,能够将数以万计的零散感知设备整合成一个感知网络,并在该网络上进行大规模的感知任务,以低成本的方式实现数据的收集,在环境检测、健康医疗、交通监管、应急救险等领域发挥着重要的作用。然而,感知数据通常与个人信息相关联,任务请求者通过感知数据容易推测出个人的兴趣爱好、行为习惯等,造成严重的个人隐私泄露,影响数据收集的积极性。此外,在海量感知数据中,有相当一部分数据是重复冗余的,它们不仅压缩了其他有效数据的传输空间,还极大地增加感知中心和任务请求者的存储开销。感知用户身份隐私性、感知积极性、通信资源利用效率等因素都在制约着群智感知的发展。因此,如何构建一个具备身份隐私保护、减少冗余数据传输等功能的群智感知系统仍是一个重大挑战。本文主要贡献如下:首先,为了保护群智感知系统中感知用户的身份隐私,减少感知网络中重复数据的传输,本文提出了一种数据安全去重方案。通过使用双线性映射和哈希函数,雾节点可以在不了解具体感知数据的情况下实现重复数据的检测,避免感知数据的泄露,减少感知网络的通信压力。本方案还引入公平的激励机制,确保感知用户无法窃用他人的感知报告来领取感知奖励。此外,雾节点为其区域内的用户颁发群成员凭证,感知用户可以使用该凭证对感知报告进行签名,实现身份的隐藏。并且,本方案还支持签名的批量验证,能够快速验证感知数据的完整性,节约任务请求者的计算时间。最后,我们对方案的正确性和安全性进行了详细的分析与证明,并且与参考文献方案进行性能上的对比与分析,结果表明,本方案在保证安全性的前提下,拥有更优的性能。其次,为了保护视觉群智感知系统中感知图片的安全,减少感知网络中冗余数据的传输,本文设计了一种数据安全匹配方案。本方案利用特征提取方法,将感知任务从抽象的描述转化为可计算的数值。通过使用全同态加密技术,感知用户在本地完成密态特征的匹配计算,在上传数据之前确保感知数据不出户,确保感知数据安全。其次,本方案采用了余弦相似度来完成感知数据与目标数据之间的特征值差异计算,借助余弦相似度的归一化特征,能够有效地量化匹配阈值。最后,我们详细分析和证明了方案的安全性,并且对方案进行了仿真实验。通过分析仿真结果表明,本文方案在不泄露感知数据的情况下,能够较好地实现感知数据的匹配工作,减少任务请求者与感知中心之间的通信开销,降低任务请求者的存储压力。