Краудсенсинг

Краудсенсинг , иногда называемый мобильным краудсенсорством , представляет собой метод, при котором большая группа людей, имеющих мобильные устройства, способные воспринимать и выполнять вычисления (например, смартфоны , планшетные компьютеры , носимые устройства ), коллективно обмениваются данными и извлекают информацию для измерения, картирования, анализа и оценки. или сделать вывод (предсказать) о любых процессах, представляющих общий интерес. Короче говоря, это означает краудсорсинг данных датчиков с мобильных устройств.

Фон

Устройства, оснащенные различными датчиками, стали повсеместными. Большинство смартфонов могут определять окружающее освещение, шум (через микрофон), местоположение (через GPS ), движение (через акселерометр ) и многое другое. Эти датчики могут собирать огромные объемы данных, которые могут быть полезны по-разному. Например, данные GPS и акселерометра можно использовать для обнаружения выбоин в городах, а микрофоны можно использовать вместе с GPS для составления карты шумового загрязнения . ^[1]

Термин «мобильный краудсенсинг» был придуман Рагху Ганти, Фань Е и Хуэй Лэй в 2011 году. ^[1] Мобильное краудсенсорство относится к трем основным типам: экологическому (например, мониторинг загрязнения), инфраструктурному (например, обнаружение выбоин) и социальному (например, отслеживание данных об упражнениях внутри сообщества). ^[1] Текущие приложения краудсенсорства работают на основе предположения, что все пользователи добровольно предоставляют данные зондирования, что приводит к широкому участию пользователей. ^[2] Это также может указывать на то, как пользователи мобильных устройств формируют микротолпы на основе определенной краудсенсорной деятельности. ^[3]

Типы

В зависимости от типа участия пользователей мобильный краудсенсинг можно разделить на два типа:

Совместное краудсенсинг, когда пользователи добровольно участвуют в предоставлении информации. ^[4]
Оппортунистический краудсенсинг, при котором данные распознаются, собираются и передаются автоматически без вмешательства пользователя, а в некоторых случаях даже без явного ведома пользователя. ^[1]^[5]

Воспользовавшись в последние годы повсеместным присутствием мощных мобильных вычислительных устройств (особенно смартфонов), этот метод стал привлекательным методом для предприятий, которые хотят собирать данные без крупномасштабных инвестиций. Многие технологические компании используют этот метод, чтобы предлагать услуги на основе собранных больших данных, наиболее яркими примерами являются Facebook , Google и Uber .

Процесс

Мобильный краудсенсинг происходит в три этапа: сбор данных, хранение данных и загрузка данных. ^[6]

Сбор данных осуществляется с помощью датчиков, доступных через Интернет вещей . ^[7] Существует три основных стратегии сбора этих данных: ^[8]

Пользователь устройства собирает данные вручную. Это может включать фотографирование или использование приложений для смартфонов.
Пользователь может вручную управлять сбором данных, но некоторые данные могут собираться автоматически, например, когда пользователь открывает приложение.
Обнаружение данных инициируется определенным заранее определенным контекстом (например, устройство начинает собирать данные, когда пользователь находится в определенном месте в определенное время).

Фаза сбора данных также может включать процесс, называемый дедупликацией , который включает в себя удаление избыточной информации из набора данных для снижения затрат и улучшения пользовательского опыта. ^[8] Процесс дедупликации фильтрует и сжимает собранные данные перед их загрузкой.

Второй этап предполагает хранение данных на устройстве пользователя до тех пор, пока другой пользователь не сможет ими поделиться и пообщаться. ^[3] Например, видео, отслеживающее активность (например, дорожное движение), могут храниться на устройстве пользователя в течение определенного периода, а затем передаваться лицу или учреждению, способному принять меры. ^[9]

Примером мобильного краудсенсорства является ситуация, когда пользователи мобильных телефонов активируют мобильные датчики, в том числе Google Maps и Snapchat, которые собирают и передают местную информацию в Интернет. ^[10] Приложение получает такую информацию, как местоположение, день рождения, пол и многое другое. ^[10]

Проблемы

Ограничения ресурсов

Потенциал мобильного краудсенсорства ограничен ограничениями, связанными с энергопотреблением, пропускной способностью и вычислительной мощностью. Например, использование GPS разряжает аккумуляторы, но местоположение также можно отслеживать с помощью Wi-Fi и GSM , хотя они менее точны. ^[1] Устранение избыточных данных также может снизить затраты на электроэнергию и пропускную способность, а также ограничить считывание данных, когда качество вряд ли будет высоким (например, когда две фотографии сделаны в одном и том же месте, вторая вряд ли предоставит новую информацию). ^[8]

Конфиденциальность, безопасность и целостность данных

Данные, собранные с помощью мобильного краудсенсоринга, могут быть конфиденциальными для отдельных лиц и раскрывать личную информацию, такую как местонахождение дома и работы, а также маршруты, используемые при перемещении между ними. Поэтому важно обеспечить конфиденциальность и безопасность личной информации, собранной с помощью мобильного краудсенсорства.

Мобильный краудсенсинг может использовать три основных метода защиты конфиденциальности: ^[1]

Анонимизация , которая удаляет идентифицирующую информацию из данных перед их отправкой третьей стороне. Этот метод не мешает делать выводы на основе деталей, которые остаются в данных.
Безопасные многосторонние вычисления , которые преобразуют данные с помощью криптографических методов. Этот метод не масштабируем и требует создания и обслуживания нескольких ключей, что, в свою очередь, требует больше энергии.
Искажение данных , которое добавляет шум к данным датчиков, прежде чем поделиться ими с сообществом. К данным можно добавить шум без ущерба для точности данных.
Сбор данных без агрегирования, который децентрализует восстановление пространственно-временных данных датчиков посредством передачи сообщений. Этот механизм предназначен для восстановления пространственно-временных данных датчиков без агрегирования данных датчиков/местоположения участников в центральный узел (например, органайзер), чтобы защитить конфиденциальность. ^[11]

Целостность данных также может стать проблемой при использовании мобильного краудсенсорства, особенно если программа включена; в таких ситуациях люди могут непреднамеренно или злонамеренно предоставлять ложные данные. ^[1]^[12] Защита целостности данных может включать фильтрацию, оценку качества и т. д. Другие решения включают установку совместно расположенной инфраструктуры в качестве свидетеля или использование доверенного оборудования, которое уже установлено на смартфонах. Однако оба эти метода могут быть дорогостоящими или энергоемкими. ^[1]

См. также

Ссылки

^ Jump up to: ^а ^б ^с ^д ^и ^ж ^г ^час Ганти, Рагху; Да, Фан; Лэй, Хуэй (2011). «Мобильный краудсенсинг: современное состояние и будущие вызовы». Журнал коммуникаций IEEE . 49 (11): 32–39. дои : 10.1109/MCOM.2011.6069707 . S2CID 10228317 .
^ Ван, Юфэн; Ма, Цзяньхуа (2014). Мобильные социальные сети и компьютеры: междисциплинарная интегрированная перспектива . Бока-Ратон, Флорида: CRC Press. п. 111. ИСБН 9781466552753 .
^ Jump up to: ^а ^б Патан, Аль-Сакиб Хан (3 сентября 2018 г.). Crowd Assisted Networking и Computing . ЦРК Пресс. ISBN 9780429843594 .
^ Сюн, Х.; Чжан, Д.; Чен, Г.; Ван, Л.; Готье, В.; Барнс, Луизиана (август 2016 г.). «iCrowd: почти оптимальное распределение задач для параллельного краудсенсорства». Транзакции IEEE на мобильных компьютерах . 15 (8): 2010–2022. дои : 10.1109/tmc.2015.2483505 . ISSN 1536-1233 . S2CID 14521123 .
^ Нил Ю.; Чжоу, Синше (2015 ) . Го, Бинь, Ю , Чживэнь, Йен , 1–31. doi : 10.1145/2794400 . S2CID 8610495 .
^ Ниланджан, Дей; Шарвари, Тамане (2018). Аналитика больших данных для умных и подключенных городов . Херши, Пенсильвания: IGI Global. п. 14. ISBN 9781522562078 .
^ Аркиан, Хамид Реза; Диянат, Абольфазл; Пурхалили, Атефе (2017). «MIST: схема анализа данных на основе тумана с экономичным предоставлением ресурсов для приложений краудсенсорного анализа Интернета вещей». Журнал сетевых и компьютерных приложений . 82 : 152–165. дои : 10.1016/j.jnca.2017.01.012 .
^ Jump up to: ^а ^б ^с Лю, Цзиньвэй; Шен, Хайин; Чжан, Сян (1 августа 2016 г.). «Обзор методов мобильного краудсенсорства: важнейший компонент Интернета вещей». 2016 25-я Международная конференция по компьютерным коммуникациям и сетям (ICCCN) . п. 1. дои : 10.1109/ICCCN.2016.7568484 . ISBN 978-1-5090-2279-3 .
^ Борча, Кристиан; Таласила, Мануп; Куртмола, Реза (2016). Мобильный краудсенсинг . Бока-Ратон, Флорида: CRC Press. п. 47. ИСБН 9781498738446 .
^ Jump up to: ^а ^б Су, Хуа; Ву, Цяньцянь; Сунь, Сюэмэй; Чжан, Нин (20 июня 2020 г.). «Механизм стимулирования участия пользователей в сети мобильного краудсенсорства на основе порогового значения пользователя» . Дискретная динамика в природе и обществе . 2020 : 1–8. дои : 10.1155/2020/2683981 . ISSN 1026-0226 .
^ Бянь, Цзян; Сюн, Хаойи; Фу, Яньцзе; Дас, Саджал К. (15 ноября 2017 г.). «CSWA: пространственно-временное зондирование сообщества без агрегирования». arXiv : 1711.05712 [ cs.LG ].
^ Го, Бин; Ю, Живэнь; Чжан, Дацин; Чжоу, Синше (14 января 2014 г.). «От совместного зондирования к мобильному зондированию толпы». arXiv : 1401.3090 [ cs.HC ].

[GantiYe2011-1] Jump up to: ^а ^б ^с ^д ^и ^ж ^г ^час Ганти, Рагху; Да, Фан; Лэй, Хуэй (2011). «Мобильный краудсенсинг: современное состояние и будущие вызовы». Журнал коммуникаций IEEE . 49 (11): 32–39. дои : 10.1109/MCOM.2011.6069707 . S2CID 10228317 .

[2] Ван, Юфэн; Ма, Цзяньхуа (2014). Мобильные социальные сети и компьютеры: междисциплинарная интегрированная перспектива . Бока-Ратон, Флорида: CRC Press. п. 111. ИСБН 9781466552753 .

[:1-3] Jump up to: ^а ^б Патан, Аль-Сакиб Хан (3 сентября 2018 г.). Crowd Assisted Networking и Computing . ЦРК Пресс. ISBN 9780429843594 .

[4] Сюн, Х.; Чжан, Д.; Чен, Г.; Ван, Л.; Готье, В.; Барнс, Луизиана (август 2016 г.). «iCrowd: почти оптимальное распределение задач для параллельного краудсенсорства». Транзакции IEEE на мобильных компьютерах . 15 (8): 2010–2022. дои : 10.1109/tmc.2015.2483505 . ISSN 1536-1233 . S2CID 14521123 .

[GuoWang2015-5] Нил Ю.; Чжоу, Синше (2015 ) . Го, Бинь, Ю , Чживэнь, Йен , 1–31. doi : 10.1145/2794400 . S2CID 8610495 .

[6] Ниланджан, Дей; Шарвари, Тамане (2018). Аналитика больших данных для умных и подключенных городов . Херши, Пенсильвания: IGI Global. п. 14. ISBN 9781522562078 .

[MIST-7] Аркиан, Хамид Реза; Диянат, Абольфазл; Пурхалили, Атефе (2017). «MIST: схема анализа данных на основе тумана с экономичным предоставлением ресурсов для приложений краудсенсорного анализа Интернета вещей». Журнал сетевых и компьютерных приложений . 82 : 152–165. дои : 10.1016/j.jnca.2017.01.012 .

[:0-8] Jump up to: ^а ^б ^с Лю, Цзиньвэй; Шен, Хайин; Чжан, Сян (1 августа 2016 г.). «Обзор методов мобильного краудсенсорства: важнейший компонент Интернета вещей». 2016 25-я Международная конференция по компьютерным коммуникациям и сетям (ICCCN) . п. 1. дои : 10.1109/ICCCN.2016.7568484 . ISBN 978-1-5090-2279-3 .

[9] Борча, Кристиан; Таласила, Мануп; Куртмола, Реза (2016). Мобильный краудсенсинг . Бока-Ратон, Флорида: CRC Press. п. 47. ИСБН 9781498738446 .

[:2-10] Jump up to: ^а ^б Су, Хуа; Ву, Цяньцянь; Сунь, Сюэмэй; Чжан, Нин (20 июня 2020 г.). «Механизм стимулирования участия пользователей в сети мобильного краудсенсорства на основе порогового значения пользователя» . Дискретная динамика в природе и обществе . 2020 : 1–8. дои : 10.1155/2020/2683981 . ISSN 1026-0226 .

[11] Бянь, Цзян; Сюн, Хаойи; Фу, Яньцзе; Дас, Саджал К. (15 ноября 2017 г.). «CSWA: пространственно-временное зондирование сообщества без агрегирования». arXiv : 1711.05712 [ cs.LG ].

[12] Го, Бин; Ю, Живэнь; Чжан, Дацин; Чжоу, Синше (14 января 2014 г.). «От совместного зондирования к мобильному зондированию толпы». arXiv : 1401.3090 [ cs.HC ].

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]