نقطه تعادل بین دقت و محرمانگی در سنجش از جمعیت به صورت متحرک

قیمت: 45,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

نقطه تعادل بین دقت و محرمانگی در سنجش از جمعیت به صورت متحرک

عنوان لاتین

The Accuracy-Privacy Trade-off of Mobile Crowdsensing

تکنولوژی سنجش از جمعیت به صورت متحرک به عنوان یک پارادایم حسگری موثر ظهور یافته است که هوش جمعیت و توان حسگری دستگاههای سیار، مانند تلفنهای همراه و گجتهای اینترنت اشیاء، را ترکیب می کند. این مطلب به بررسی مشوقهای قراردادبندی حفاظت از حریم خصوصی توسط استفاده کنندگان از تکنولوژی سنجش از جمعیت به صورت متحرک، و حداکثرسازی دقت و گردآوری داده های مناسب توسط ارائه دهندگان سرویس می پردازد. ما ابتدا نقش آفرینیهای هر یک از استفاده کنندگان از این تکنولوژی را بر مبنای دقت در تحلیل داده ها تعریف می کنیم که توسط ارائه دهنده سرویس از خرید داده هایشان حاصل می-شود. سپس یک مکانیسم درست را برای دستیابی به دقت سرویس در عین حفاظت از حریم خصوصی بر مبنای ترجیحات کاربر مطرح می کنیم. استفاده کنندگان تشویق می شوند که از طریق دریافت دستمزد بر مبنای نقش آفرینی شخصیشان در دقت کلی سرویس داده های حقیقی در اختیار قرار دهند. افزون بر این، ما یک استراتژی جمعی را مطرح می کنیم که به کاربران اجازه می دهد در ارائه داده هایشان تحت یک هویت همکاری نمایند، حفاظت از عدم افشای هویت در حریم خصوصی افزایش یابد، و نتیجه حاصله به اشتراک گذاشته شود. در انتها، جهتگیریهای تحقیق باز مهم در حسگری جمعی مردم محور را ذکر خواهیم نمود.

Mobile crowdsensing has emerged as an efficient sensing paradigm that combines the crowd intelligence and the sensing power of mobile devices, such as mobile phones and Internet of Things gadgets. This article addresses the contradicting incentives of privacy preservation by crowdsensing users, and accuracy maximization and collection of true data by service providers. We first define the individual contributions of crowdsensing users based on the accuracy in data analytics achieved by the service provider from buying their data. We then propose a truthful mechanism for achieving high service accuracy while protecting privacy based on user preferences. The users are incentivized to provide true data by being paid based on their individual contribution to the overall service accuracy. Moreover, we propose a coalition strategy that allows users to cooperate in providing their data under one identity, increasing their anonymity privacy protection, and sharing the resulting payoff. Finally, we outline important open research directions in mobile and people- centric crowdsensing.