Energy Efficient Location and Activity-aware On-Demand Mobile Distributed Sensing Platform for Sensing as a Service in IoT Clouds
物联网(IoT)设想了数十亿个传感器部署在我们周围并连接到互联网,其中移动人群传感技术被广泛用于在物联网范式的不同背景下收集数据。由于大数据技术的普及,处理和存储大量数据变得比以往任何时候都更容易。然而,大规模的数据管理任务仍然需要大量的资源,这些资源可能是昂贵的,而不管它们是购买的还是租用的(例如,即用即付的基础设施)。此外,并非每个人都对如此大规模的数据汇集和分析感兴趣。更重要的是,并非每个人都有财力和计算资源来处理如此大量的数据。因此,存在对云集成的移动人群感测平台的及时需求,该平台能够基于数据消费者强制执行的条件按需捕获传感器数据。在本文中,我们提出了一个上下文感知,具体来说,位置和活动感知移动传感平台称为C-MOSDEN(上下文感知移动传感器数据引擎)的物联网域。我们使用三个现实世界的场景来评估所提出的平台,这些场景突出了“选择性感知”的重要性。所提出的平台的计算效率和效率进行了研究,并用于突出上下文感知的选择性传感的优点。
2016-01-04 cs.NI
MOSDEN: A Scalable Mobile Collaborative Platform for Opportunistic Sensing Applications
移动智能手机以及嵌入式传感器已经成为各种移动应用(包括机会感测)的有效使能器。智能手机的高科技进步正在开辟一个充满可能性的世界。本文提出了一种移动协作平台MOSDEN,使和支持机会感测在运行时间。MOSDEN在多个应用程序、智能手机和用户之间捕获和共享传感器数据。MOSDEN支持将传感器与特定应用程序的处理、存储和共享分离的新兴趋势。MOSDEN促进了传感器数据的重用和再利用,从而减少了开发新的机会主义传感应用的努力。MOSDEN已在基于Android的智能手机和平板电脑上实现。实验评估验证了MOSDEN的可扩展性和能源效率及其对现实世界的应用程序的适用性。本文介绍并讨论了评价结果和经验教训。
2014-05-22 cs.NI
Incentive Mechanisms for Mobile Crowd Sensing: Current States and Challenges of Work
移动人群感知(MCS)是一种新的模式,它利用无处不在的配备传感器的移动设备,如智能手机,音乐播放器和互联网边缘的车载传感器来收集数据。新的范式将推动物联网向三个方面的变革:第一,互联网边缘的终端设备从PC转变为手机。二是交互方式从虚拟空间延伸到真实的物理世界。第三,感知数据的转发方式正在经历从先验到机会的转变。为了更好地满足社会对监控监应用的需求,激励机制必不可少。在本文中,我们将首先概述三类MCS应用,然后提出一个新的架构MCS应用。基于该体系结构,我们讨论了各种研究挑战的激励机制设计MCS的应用程序,其次是潜在的未来工作的讨论。最后,我们提出了潜在的未来工作。
2014-09-30 cs.NI
A Survey of Commodity WiFi Sensing in 10 Years: Current Status, Challenges, and Opportunities
WiFi设备的普及和WiFi网络的无处不在的覆盖为我们提供了将WiFi功能扩展到通信之外的机会,特别是在感知物理环境方面。在本文中,我们调查的演变,WiFi传感系统利用商品设备在过去的十年。它将WiFi传感系统分为三个主要类别:活动识别(大规模和小规模),对象传感和定位。我们强调了每个类别的里程碑式的工作和他们采用的下划线技术。接下来,这项工作提出了现有WiFi传感系统所面临的挑战。最后,我们全面讨论了商品WiFi传感的未来趋势。
2022-04-12 cs.HC cs.NI
Compressive Data Aggregation on Mobile Wireless Sensor Networks for Sensing in Bike Races
- 本文提出了一种有效的方法,数据汇集在移动无线传感器网络,与传感在自行车比赛中的具体应用。最近的传感器技术允许跟踪每辆自行车的GPS位置。由于自行车比赛中自行车位置之间的固有相关性,简单的GPS日志效率低下。在这项工作中提出的想法是聚合GPS数据在传感器使用压缩传感技术。我们强制执行,除了信号稀疏性,骑自行车运动的空间先验,因为在自行车比赛中的群体行为(珀洛东)。空间先验建模的图形模型和数据聚合问题的解决,稀疏性和空间先验,通过信念传播。我们验证了我们的方法在自行车比赛模拟器上使用的摩托车在一个真正的自行车比赛,在“皇太子20 XX”的摩托车轨迹。
2016-11-24 cs.NI
Performance Analysis of Spectrum Sensing With Multiple Status Changes in Primary User Traffic
在这封信中,主用户业务的多个状态变化的频谱感知性能的影响进行了分析。推导出虚警和检测概率的封闭式表达式。数值结果表明,主用户的多个状态的变化会导致相当大的感知性能下降。这种降级取决于变化的数量、主用户业务模型、主用户业务强度和接收信号的信噪比。数值结果还表明,退化量减少时的变化的数量增加,并收敛到一个最小的传感性能,由于有限的传感周期和初级保持时间。
2012-04-11 cs.IT cs.NI math.IT
Analysis of Recent Checkpointing Techniques for Mobile Computing Systems
从瞬时故障中恢复是分布式系统中的主要问题之一。这些系统需要透明而有效的技术来实现相同的目标。检查点被定义为程序中的一个指定位置,在这里系统的正常处理被中断以保存状态信息。检查点是保存状态信息的过程。移动计算系统经常遭受本质上是瞬时的和独立的高故障率。为了增加这种分布式系统的可靠性和高可用性,基于检查点的回卷恢复是在诸如科学计算、数据库、电信应用和关键任务应用的应用中广泛使用的技术之一。本文综述了在移动计算系统中检查点的算法。
2011-08-31 cs.NI
Efficient Opportunistic Sensing using Mobile Collaborative Platform MOSDEN
移动设备正迅速成为人们生活中的主要计算设备。Google Play、Apple App Store等应用程序交付平台通过可即时下载和安装的应用程序将手机转变为智能计算设备。这些应用中的许多应用利用安装在移动终端上的过多传感器来提供增强的用户体验。智能手机上的传感器为在医疗保健、环境监测和交通运输等许多领域开发创新的移动机会感测应用提供了机会。在本文中,我们提出了一个合作的移动传感框架,即移动传感器数据引擎(MOSDEN),可以在智能手机上捕获和共享多个分布式应用程序和用户之间的感知数据。MOSDEN遵循基于组件的设计理念,促进重用,以实现轻松快速的机会感测应用程序部署。MOSDEN将特定应用程序的处理与传感、存储和共享分离。MOSDEN是可伸缩的,并且只需要应用程序开发人员进行最少的开发工作。我们已经实现了我们的框架基于Android的移动平台上,并评估其性能,以验证MOSDEN的可行性和效率,在移动机会感测应用协同操作。实验结果和经验教训总结的文件。
2013-10-15 cs.DC cs.NI
Optical Integrated Sensing and Communication for Cooperative Mobile Robotics Design and Experiments
针对无线电不可用场景,提出光学ISAC方案,集成相机感知与屏幕-相机通信,实现领导者-跟随者实时编队控制,实验验证其精度、稳定性和鲁棒性优于EKF基准方法。
2023-06-18 cs.NI
Truthful Scheduling Mechanisms for Powering Mobile Crowdsensing
移动众测利用移动设备(例如,智能手机)和人类移动性的普及信息探索和收集;它已被视为一个有前途的范例,将彻底改变各种研究和应用领域。不幸的是,由于缺乏激励人类参与的激励机制,移动人群感知的实用性可能会受到削弱。本文研究了一种新的移动群体感知调度(MCS)问题的激励机制。移动群体感知应用的所有者发布一组感知任务,然后人类用户(携带移动设备)根据各自的感知成本和可用时间竞争这些任务,最后所有者在一定的预算下调度并支付用户以最大化自己的感知收入。我们证明了MCS问题是NP-难的,并提出了多项式时间近似机制,同时证明了我们的近似机制(包括离线和在线版本)具有理想的博弈论性质,即真实性和个体理性,以及O(1)的性能比.最后,我们进行了大量的模拟,以证明我们的方法的正确性和有效性。
2013-08-21 cs.NI
Practical Location Validation in Participatory Sensing Through Mobile WiFi Hotspots
参与式感知系统中信息的可靠性在很大程度上取决于参与用户位置的准确性。然而,现有的PS应用不能有效地验证用户在大规模户外环境中的位置。在本文中,我们提出了一个有效的和可扩展的位置验证系统(LVS),以确保PS系统的位置欺骗攻击。特别地,借助于移动WiFi热点(MHS)来验证用户位置,移动WiFi热点是用户激活其智能手机的WiFi热点能力并接受来自附近用户的连接,从而验证其在感测区域内的位置。该系统还包括一种名为“视线链”的新型验证技术,可以有效地解决基于共谋的攻击。LVS还包括一个基于信誉的算法,可以排除位置欺骗用户的感知报告。LVS基于WiFi的方法的可行性和效率通过使用现成的智能手机进行的一组室内和室外实验来证明,而LVS的能效通过使用Power Monitor能源工具的实验来证明。最后通过仿真实验分析了LVS的安全特性。结果表明,所提出的LVS系统是节能的,适用于大多数实际的PS场景,并有效地保护现有的PS系统从位置欺骗攻击。
2018-05-19 cs.NI
Timely Status Updating Through Intermittent Sensing and Transmission
我们考虑了一种新的间歇性状态更新模型,其中具有间歇性能量源的能量收集节点通过非抢占式感测和传输操作对接收器执行状态更新。每个操作花费节点的单次能量再充电,并且节点在操作时不能收获能量。每次更新的感测时间与一般分布无关。传输队列具有接收感测操作后产生的分组的单个服务器、一般服务时间分配和用于保存最新到达的更新分组的单个数据缓冲器。一旦能量被收集,节点必须决定是否激活感测以生成新的更新或传输以将现有的更新(如果有的话)发送到接收器。我们证明,平均峰值年龄的信息(AoI)在接收器是最小化的基于阈值的停止规则,只接受年轻的数据包的传输服务器。然后,我们使用这个结果来解决平均AoI优化所考虑的停止规则,通过新的混合等待和阈值计划。我们的数值结果表明,平均AoI保持混合计划的改善。
2020-02-20 cs.IT cs.NI math.IT
Intelligent Sensing Scheduling for Mobile Target Tracking Wireless Sensor Networks
边缘计算已经成为一种有前景的范例,以满足移动目标跟踪无线传感器网络(MTT-WSN)不断增长的计算需求。这种模式可以将时间敏感的任务卸载到汇聚节点,以提高计算效率。然而,这是很难执行动态和关键任务的MTT-WSN网络。此外,由于能量有限,网络无法确保连续跟踪。针对这些问题,提出了一种基于边缘智能(EI)技术的分层目标跟踪结构。该结构集成了移动节点和边缘服务器的计算资源,为实时目标跟踪提供高效的计算能力。在此基础上,提出了一个以系统执行延迟和轨迹预测精度为约束的能量优化模型。此外,我们提出了一个长期的动态资源分配算法,以获得最佳的资源分配解决方案的准确和连续的跟踪。仿真结果表明,我们的算法在系统能耗方面优于深度Q学习14.5%以上。与非合作方案相比,该方案在跟踪精度上也有明显的提高。
2021-08-04 cs.NI
Trust Evaluation Mechanism for User Recruitment in Mobile Crowd-Sensing in the Internet of Things
移动人群感知(MCS)已经成为大规模数据汇集的潜在解决方案,利用移动设备中的内置传感器和社交应用,实现各种物联网(IoT)服务。然而,人类参与MCS导致无意中提供损坏和伪造数据或出于恶意目的故意传播虚假信息的可能性很高,从而破坏物联网服务。因此,招募值得信赖的贡献者在收集高质量数据和提供更好的服务质量方面发挥着至关重要的作用,同时最大限度地减少监控监系统的脆弱性和风险。本文提出了一种新的信任模型--体验-信誉模型(E-R),用于评估MCS平台中任意两个移动终端用户之间的信任关系。为了实现E-R模型,通过考虑对来自这些用户的贡献数据的质量的评估来操纵用户之间的虚拟交互。基于这些交互,相应地计算两个称为经验和声誉的信任指标。通过结合经验和信誉信任指标(TI),建立,评估和维护用户之间的信任关系。基于这些信任关系,一种新的基于信任的招聘计划进行选择最值得信赖的MCS用户,以促进数据感测任务。为了评估所提出的基于信任的机制以及E-R信任模型的性能和有效性,我们在由正常用户和恶意用户组成的MCS测试床中部署了几种招募方案。结果突出了基于信任的方案的优势,因为它提供了更好的MCS服务质量,同时能够检测恶意用户。
2019-03-04 cs.NI
Cheating-Resilient Incentive Scheme for Mobile Crowdsensing Systems
移动人群感知是一种很有前途的无处不在的感知模式,它探索了移动智能设备收集的大量数据,具有突出的时空覆盖。作为移动人群感知系统的一个基本属性,临时招募的移动用户可以提供敏捷,细粒度和经济的传感劳动力,但他们的自身利益不能保证传感数据的质量,即使有一个公平的回报。因此,系统服务器需要一种机制来招募行为良好的用户进行可信的感知,并基于感知真相发现来激励和奖励更多有贡献的用户,以进一步增加可信的报告。在本文中,我们开发了一种新的欺骗弹性激励(CRI)计划的移动人群感知系统,实现可靠性驱动的用户招募和回报最大化的诚实用户的质量数据。通过理论分析,证明了设计的正确性。我们的计划的性能进行评估的基础上广泛的现实世界的跟踪驱动的模拟。我们的评估结果表明,我们的计划被证明是有效的,在保证传感精度和抵抗潜在的作弊行为,在实际情况下,以及那些故意苛刻的证明。
2017-01-08 cs.CR cs.NI
Long-Term Profit-Maximizing Incentive for Crowd Sensing in Mobile Social Networks
人群感知是一种新的模式,它利用配备传感器的移动设备提供感知服务,如法医分析,记录公共空间,以及协作构建统计模型。要达致良好的服务质素,用户的广泛参与是不可或缺的。目前,大多数现有的机制集中在保证良好的服务质量的基础上瞬时广泛的用户参与的人群感知应用。很少有人关注一直致力于最大限度地提高长期服务质量的人群传感应用,由于他们的不对称的利益,偏好,自私的行为,等,为了填补这些空白,在本文中,我们推导出封闭的表达的基础上,在经济学的垄断聚集的边际感知数据质量。此外,我们还设计了基于边际质量的长期人群感知应用激励机制,不仅通过最大化移动用户的预期总利润来提高用户的广泛参与,而且通过应用边际质量来激励移动用户生产高质量的内容。最后,仿真结果表明,我们的机制优于现有的解决方案。
2015-05-25 cs.GT cs.NI cs.SI
SHIELD: Social sensing and Help In Emergency using mobiLe Devices
学校和大学校园面临着暴力犯罪的威胁,需要一个现实的计划来应对不可预测的紧急情况和灾难。现有的应急系统(例如,911,校园范围内的警报)是非常有用的,但提供延迟响应(往往几十分钟),不利用邻近或位置。有必要用基于邻近的系统来增强这类系统,以便对预防和威慑犯罪的尝试作出更直接的反应。在本文中,我们提出了盾牌,校园内的紧急救援和警报管理服务。它是一个完全分布式的无基础设施平台,基于邻近的信任和合作。它依赖于本地化的响应,使用蓝牙和/或WiFi在飞行中发送,以实现最小的响应时间和最大的可用性,从而增强了传统的紧急服务概念。对校园犯罪统计数据和WLAN痕迹的分析令人惊讶地显示,校园犯罪统计数据和校园移动用户时空密度分布之间存在很强的正相关性(超过55%)。这一结果为开发此类平台提供了动力,并指出了减少犯罪发生率的希望。我们还展示了一个原型应用程序的实现,在这种情况下使用。
2010-04-25 cs.NI
A Time-constraint Satisfying and Cost-reducing node evaluation metric for Message Routing in Mobile Crowd Sensing Networks
在移动人群感知网络中,通过参与者之间的机会接触进行数据转发。数据被复制到遇到的参与者。为了优化数据传输率和减少冗余数据,人们提出了许多数据转发方案,这些方案通过节点的数据转发度量选择性地将数据复制到遇到的参与者。然而,大多数的研究都忽略了一种失效的冗余数据。为了减少这类冗余数据,我们提出了一种新的方法来评估节点的数据转发度量,这是用来衡量节点的数据转发到目的地在数据的约束时间内的概率。该方法分为两个部分。第一种方法是基于瞬时簇来评估节点是否有可能在时间约束内与目的地联系。提出了一种基于节点接触率的节点瞬时簇检测方法。只有有可能与目的地联系的节点才有机会进行第二步。有效地降低了计算复杂性。第二种方法是根据节点的ICT(intercontact time)分布计算节点到目的节点的数据转发概率。评估结果表明,我们提出的瞬态集群检测方法是更简单,快速。从数据传输率和网络开销两个方面来看,该方法优于现有的数据转发方法。
2016-06-29 cs.NI
FIRST: A Framework for Optimizing Information Quality in Mobile Crowdsensing Systems
移动人群感知技术使得数据汇集的规模和速度在过去是不可能的。移动众测的最大挑战之一是参与者可能会表现出恶意或不可靠的行为。因此,设计算法以准确地在可靠和不可靠的感测报告之间进行分类变得势在必行。为此,我们提出了一种新的框架,用于优化信息可靠性的智能手机为基础的participaTory传感(第一),利用移动可信参与者(MTP)安全地评估传感报告的可靠性。FIRST建模并解决了在部署之前确定要使用的最小数量的MTP以实现所需的分类精度的挑战性问题。我们通过在iOS和Android中实现房间占用监控系统,并通过模拟真实世界的移动轨迹,对FIRST进行了广泛的评估。实验结果表明,FIRST显著降低了三种安全攻击的影响(即,腐败,开/关和勾结),通过在所考虑的场景中实现几乎80%的分类准确度。最后,我们讨论了我们正在进行的研究工作,以测试性能的第一个国家地图兵团项目的一部分。
2018-04-30 cs.NI
Intermittent Status Updating Through Joint Scheduling of Sensing and Retransmissions
考虑能量收集节点,其中由于在进行更新传输之前执行的感测、计算和分析操作,状态更新消息的生成花费不可忽略的时间。节点必须将其(重)传输策略与传感/计算协调起来。我们把这一系列问题称为间歇性状态更新。在本文中,我们认为间歇性的状态更新,通过非抢占式传感/计算(S/C)和传输(Tx)操作,每个成本的节点的一个单一的能量充电,通过擦除信道(a)完美的信道反馈和(b)没有信道反馈。每次更新的S/C时间是独立的,具有一般分布。Tx队列具有单个数据缓冲器以保存在S/C操作之后生成的最新数据包,并且具有单个发送器,其中发送时间是确定性的。一旦能量被收集,节点必须决定是否激活S/C以生成新的更新或(重新)发送现有的更新(如果有的话)到接收器。我们证明,当反馈是可用的平均峰值年龄的信息(AoI)在接收器被最小化的阈值为基础的政策,只允许年轻的数据包被(重新)发送,否则生成一个新的更新。我们还提出了基于窗口和概率重传方案的情况下(a)和(b),并获得封闭形式的平均峰值AoI表达式。我们的数值结果显示平均峰值AoI性能的比较和改进。
2021-02-14 cs.IT cs.NI math.IT
Enabling Joint Communication and Radar Sensing in Mobile Networks -- A Survey
移动网络正从单纯的通信网络向具有通信和雷达/无线电感知(JCAS)能力的感知移动网络(PMN)发展。在PMNs中,JCAS将传感集成到通信中,共享大部分系统模块和相同的传输信号。PMN有望提供一个无处不在的无线电传感平台,并实现大量新颖的智能应用,同时提供不受损害的通信。在本文中,我们提出了实现PMN的动机,方法,挑战和研究机会,提供了一个全面的调查,主要是在过去十年中开发的系统和技术。首先回顾了共存的通信和雷达系统的工作,我们强调他们的限制解决干扰问题,然后介绍JCAS技术。然后,我们建立了JCAS在移动网络的背景下,并设想其潜在的应用。我们将继续简要回顾三种类型的JCAS系统,特别关注它们在设计理念上的差异。然后,我们介绍了PMN的框架,包括系统平台和基础设施,三种类型的传感操作,和可用于传感的信号。随后,我们讨论了所需的系统修改,使目前的通信基础设施上的传感。在PMN的背景下,我们回顾了刺激的研究问题和潜在的解决方案,组织在九个主题:性能界限,波形优化,天线阵列设计,杂波抑制,传感参数估计,传感模糊的分辨率,模式分析,网络传感蜂窝拓扑结构下,和传感辅助通信。在论文的最后,我们列出了上述主题的关键开放研究问题,并分享了我们学到的一些教训。
2021-10-21 cs.NI eess.SP
Energy-Aware Two-Sided Learning for Dynamic Matching Games in Mobile Crowdsensing
Technical University of Darmstadt(达姆施塔特工业大学);Vienna University of Technology(维也纳工业大学)
针对移动群智感知中能量受限下的动态匹配问题,提出能耗感知双侧学习框架,实现MU任务提议与MCSP任务分配的联合优化,显著提升双方收益与能效。
2026-09-25 cs.NI
MDLdroid: a ChainSGD-reduce Approach to Mobile Deep Learning for Personal Mobile Sensing
RMIT University(皇家墨尔本理工大学)
个人移动传感正在迅速渗透到我们的日常生活中,以实现活动监测、医疗保健和康复。与深度学习相结合,这些应用在近年来取得了重大成功。与传统的基于云的范例不同,在设备上运行深度学习提供了几个优点,包括数据隐私保护和模型推理和更新的低延迟响应。由于数据汇集在现实中是昂贵的,谷歌的联邦学习不仅提供了完整的数据隐私,而且基于多个用户数据提供了更好的模型鲁棒性。然而,个人移动传感应用大多是用户特定的,受环境的影响很大。因此,连续的局部变化可能会严重影响由联邦学习生成的全局模型的性能。此外,在本地服务器上部署联邦学习,例如,边缘服务器由于资源的限制和受到攻击的严重故障,可能很快达到瓶颈。为了推动设备上的深度学习,我们提出了MDLdroid,一个新的分散式移动深度学习框架,使资源感知的个人移动传感应用程序的设备上的协作学习。为了解决资源的限制,我们提出了一个ChainSGD减少方法,其中包括一个新的链定向同步随机梯度下降算法,以有效地减少多个设备之间的开销。我们还设计了一个基于代理的多目标强化学习机制,以公平和有效的方式平衡资源。我们的评估表明,我们在现成移动设备上的模型训练比单设备训练快2倍到3.5倍,比主从方法快1.5倍。
2020-02-15 cs.LG cs.NI stat.ML
Sensing Multi-modal Mobility Patterns: A Case Study of Helsinki using Bluetooth Beacons and a Mobile Application
详细了解城市地区内的多式联运模式对于公共基础设施规划、交通管理和以用户需求为中心设计公共交通服务至关重要。然而,即使随着无处不在的计算的兴起,及时感知城市移动模式仍然是一个挑战。传统的数据源无法完全捕获门到门的轨迹,并依赖于一组模型和假设来填补其空白。本研究重点关注通过赫尔辛基首都地区当地PT运营商HSL的移动票务应用程序收集的新型数据源。HSL的数据集名为TravelSense,通过蓝牙信标、手机GPS和手机操作系统活动检测来记录匿名旅行者在赫尔辛基地区的活动。在这项研究中,TravelSense数据集的处理和分析,揭示时空移动模式的一部分,调查其在移动传感工作的潜力。该数据集的代表性验证与两个外部数据源-移动电话出行数据(需求模式)和旅行调查数据(模式共享)。最后,实际的观点,这个数据集可以产生通过初步分析的PT转移在多式联运的研究区域内。
2022-09-04 cs.DB cs.NI
Windowing Optimization for Fingerprint-Spectrum-Based Passive Sensing in Perceptive Mobile Networks
针对感知移动网络中收发异步导致的速度与距离模糊问题,本文研究加窗优化以提升CFO与TO同步估计性能,推导近最优窗及其理论MSE,并提出基于MUSIC算法的实用窗函数方案。
2024-09-02 cs.NI eess.SP
Trip-based mobile sensor deployment for drive-by sensing with bus fleets
本文提出基于公交出行链的传感器部署问题,通过多阶段框架解耦时空结构,将计算复杂度降至次线性,并在成都案例中验证可提升时空感知覆盖率。
2023-07-26 cs.NI math.OC
Secure Mobile Crowdsensing with Deep Learning
Xiamen Univ.(厦门大学);Hefei Univ. of Technology(合肥工业大学)
为了促进物联网(IoT)应用(如医疗保健和交通监控)的安全感知,移动人群感知(MCS)系统必须解决大规模动态和异构网络中的感知和信息交换过程中的安全威胁,如干扰,欺骗和伪造感知攻击。在这篇文章中,我们研究了安全的移动人群感知,并介绍了如何使用深度学习(DL)方法,如堆栈自动编码器(SAE),深度神经网络(DNN)和卷积神经网络(CNN),以改善MCS的安全方法,包括身份验证,隐私保护,虚假感知对策,入侵检测和抗干扰传输。我们讨论了这些基于DL的方法相比,传统的安全方案的性能增益,并确定需要解决的挑战,以实现它们在实际的MCS系统。
2018-01-23 cs.CR cs.LG cs.NI
OMG: How Much Should I Pay Bob in Truthful Online Mobile Crowdsourced Sensing?
移动众包传感(MCS)是一种新的模式,它利用普及的智能手机来有效地收集数据,使许多新的应用。为了实现良好的服务质量的MCS应用,激励机制是必要的,以吸引更多的用户参与。大多数现有的机制只适用于离线的情况下,所有用户的信息是已知的先验。相反,我们关注的是一个更真实的场景,用户以随机顺序一个接一个地在线到达。我们建模的问题作为一个在线拍卖,用户提交他们的私人类型的众包随着时间的推移,众包的目的是选择一个子集的用户在指定的截止日期之前,最大限度地提高所选择的用户提供的服务的总价值的预算约束下。我们设计了两种在线机制OMZ和OMG,分别满足零到达-离开间隔情况和更一般情况下的计算效率、个体理性、预算可行性、真实性、消费者主权和恒定竞争性。通过大量的模拟,我们评估的性能和验证我们的在线机制的理论属性。
2013-06-24 cs.GT cs.NI
Rainfall Sensing via Mobile Communication Signals
University of Technology Sydney(悉尼科技大学)
针对传统降雨监测设备的缺陷,提出PMN-RainSense框架,利用sub-6 GHz移动通信信号,经实验实现降雨分类95.48%准确率、强度估计MAE 0.25-0.27 mm/h的性能。
2026-08-18 cs.NI eess.SP
Age of Information Optimization for Status Updates in Integrated Sensing and Communication Systems
CentraleSupélec, University of Paris-Saclay(巴黎萨克雷大学中央理工-高等电力学院);City St George’s School of Science and Technology, University of London(伦敦大学城市圣乔治科学与技术学院)
针对集成感知与通信系统中的状态更新问题,利用马尔可夫决策过程和Restless多臂赌博机理论,提出最优阈值策略和Whittle索引调度策略以最小化信息时效性与操作成本。
2026-05-23 cs.IT cs.NI math.IT
Adaptive event sensing in networks of autonomous mobile agents
给定二维空间中的一个连通区域,根据一定的时变密度发生某种事件,我们考虑建立一个自治移动代理网络来检测这些事件的发生,并可能以尽可能有效的方式记录它们的问题。我们假设代理可以在一个固定的通信半径内相互无线通信,而且最初没有代理有任何关于事件密度的信息。我们引入了一个新的分布式算法代理控制的概念的基础上的执行模式,它基本上让每个代理漫游的目标区域随机或以下的密度依赖梯度的局部视图。代理可以在两种模式之间来回切换,并且这种改变的精确方式取决于可以根据手头的应用程序进行调整的各种参数的设置。我们提供了一些合成应用程序的仿真结果,特别是为了突出算法的行为相对于可能的执行模式。
2015-06-03 cs.MA cs.NI
Joint System Latency and Data Freshness Optimization for Cache-enabled Mobile Crowdsensing Networks
针对缓存使能移动群智感知网络,提出联合优化系统时延与信息年龄的框架,通过分解问题及贝叶斯更新策略,实现轻量级实时决策,仿真验证有效性。
2025-01-24 cs.NI eess.SP
Behavior-Based online Incentive Mechanism for Crowd Sensing with Budget Constraints
人群感知是一种新的模式,它利用无处不在的配备传感器的移动设备来收集数据。为了实现良好的人群感知质量,激励机制对于吸引更多的参与者是必不可少的。现有的机制大多关注感知前的期望效用,忽略了低质量解决方案和隐私泄露的风险。Vickrey-Clarke-Groves(VCG)机制及其变体等传统激励机制在此不适用。针对这些挑战,本文提出了一种基于行为的激励机制,通过在移动社交网络(MSNs)中应用顺序全付费拍卖机制,在预算约束条件下,不仅考虑用户广泛参与的影响,而且最大化基于上下文的感知内容提交给人群感知平台,用户按顺序到达。通过大量的模拟,结果表明,我们提出的框架中的激励机制优于现有的最佳解决方案。
2014-04-30 cs.GT cs.NI
Joint Mobile User Positioning and Passive Target Sensing using Optimized Sequential Beamforming
Interuniversity Microelectronics Centre (IMEC)(跨大学微电子研究中心);KU Leuven(荷语鲁汶大学)
本文提出一种考虑速度的序列波束成形框架,通过动态耦合单站感知与双站定位,在时间域内优化资源分配,实现厘米级定位精度和鲁棒速度估计。
2026-05-15 cs.NI eess.SP
Reinforcement Learning to Minimize Age of Information with an Energy Harvesting Sensor with HARQ and Sensing Cost
时间平均预期年龄的信息(AoI)的研究从能量收集发射机发送的状态更新与有限容量的电池。在信道和能量收集统计信息已知的情况下,研究了不同反馈机制下的最优调度策略。对于未知环境的情况,提出了一种平均成本强化学习算法,实时学习系统参数和状态更新策略。数值结果验证了所提方法的有效性。
2019-01-24 cs.IT cs.NI cs.SI
DeepSense: A Unified Deep Learning Framework for Time-Series Mobile Sensing Data Processing
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);IBM Research(IBM研究院)
移动传感应用通常需要来自传感器的时间序列输入。一些应用,例如跟踪,可以使用感测到的加速度和旋转速率来基于物理系统模型计算位移。其他应用,如活动识别,从传感器输入中提取手动设计的特征进行分类。这些应用程序面临两个挑战。一方面,设备上的传感器测量是有噪声的。对于许多移动应用程序来说,很难找到一个分布来准确描述实际中的噪声。不幸的是,基于物理系统和噪声模型计算目标量仅与噪声假设一样准确。类似地,在分类应用中,尽管手动设计的特征已被证明是有效的,但找到最鲁棒的特征以适应不同的传感器噪声模式和用户行为并不总是那么简单。为此,我们提出了DeepSense,这是一个深度学习框架,可以以统一的方式直接解决上述噪声和功能定制挑战。DeepSense集成了卷积和递归神经网络,以利用类似移动传感器之间的局部交互,将不同感知模式的局部交互合并为全局交互,并提取时间关系来建模信号动态。因此,DeepSense提供了一个通用的信号估计和分类框架,可适应广泛的应用。我们使用三个具有代表性和挑战性的任务来证明DeepSense的有效性:使用运动传感器进行汽车跟踪,异构人类活动识别以及使用生物特征运动分析进行用户识别。DeepSense在所有三项任务中的表现都明显优于最先进的方法。此外,DeepSense由于能耗适中、延迟低,在智能手机上实现是可行的
2017-07-02 cs.LG cs.NE cs.NI