移動群智感知中基于聯邦學習的參與者選擇機制

作者簡介：張宇（1996－），男，江蘇徐州人，碩士研究生，主要研究方向為聯邦學習、移動群智感知；江海峰（1979－），男（通信作者），江蘇徐州人，副教授，碩導，博士，主要研究方向為無線網絡技術、移動群智感知、聯邦學習（jhfeng@cumt.edu.cn）；楊浩文（1997－），男，江蘇徐州人，碩士研究生，主要研究方向為移動群智感知；肖碩（1981－），男，江蘇徐州人，副教授，碩導，博士，主要研究方向為無線網絡優化．

摘 要：移動群智感知的發展使得一些任務收集的數據量過大，需要在不接收參與者原始數據的情況下評估數據質量并進行參與者選擇。針對這一問題，提出一種基于聯邦學習的移動群智感知參與者選擇機制。考慮參與者智能終端資源水平、所處交互狀態構建參與者智能終端資源評價機制，提出基于線性回歸和長短期記憶網絡的智能終端資源預測模型。通過預訓練測試模型，評估參與者提供的數據質量，結合歷史任務完成情況建立參與者信譽評價模型，實現對參與者的動態評價選擇。仿真實驗結果表明，所提的參與者選擇機制在任務完成質量、能量消耗、通信輪數及任務完成時間等多方面體現出較好的性能。

關鍵詞：移動群智感知；參與者選擇；聯邦學習；資源預測；信譽評價

中圖分類號：TP393 文獻標志碼：A

文章編號：1001－3695（2023）04－034－1172－06

doi：10.19734/j.issn.1001-3695.2022.08.0461

Abstract：With the development of mobile crowd sensing，the amount of data collected by some tasks is too large.It is necessary to evaluate the data quality of participants and complete the selection of participants without sharing the original data of participants.This paper proposed a federated learning-based mobile crowd sensing participant selection mechanism.Considering the resource level and interaction state of participants’ intelligent terminals，it constructed the evaluation mechanism of intelligent terminal resources of participants，and proposed a prediction model of intelligent terminal resources based on linear regression and long and short term memory network.It evaluated the quality of the data provided by the participants through the pre-training test model.Combining with the historical task completion，it established a reputation evaluation model of the participants to realize the dynamic evaluation and selection of the participants.The simulation results show that the proposed participant selection mechanism exhibits better performance in various aspects such as task completion quality，energy consumption，number of communication rounds and task completion time.

Key words：mobile crowd sensing（MCS）；participant selection；federated learning；resource prediction；reputation evaluation

0 引言

移動群智感知（MCS）作為一種新興的物聯網范式，將眾包思想和移動感知結合起來，以移動用戶的智能終端作為基本的感知單元感知數據發送至服務器，挖掘知識以完成大規模感知任務，尤其是與人類行為相關的任務。MCS的廣泛應用和智能設備數量的爆發式增長使得任務規模擴大、數據量倍增，這給服務器帶來了數據傳輸壓力。如何在眾多參與者中選擇資源充足、數據質量高、更可靠的參與者執行任務是移動群智感知領域面臨的熱點問題。為了克服這些問題，最新的研究開始探索MCS范式轉變的替代方案和可能性。移動終端性能的提升讓深度學習部署在移動終端逐漸成為了現實，針對智能終端的深度學習模型優化方案被不斷提出，使得在移動智能終端上部署分布式訓練任務是可行的[1]。聯邦學習是谷歌于2016年提出的概念，主要用于解決數據孤島問題，其核心思想是分布式深度學習，從參與者處收集所需參數而不是原始數據來訓練模型，通過這種方式把數據共享問題轉換為模型共享問題，參與者的數據不會離開本地[2]。在此基礎上聯邦學習可被引入到MCS中，將集中式收集和分析數據轉變為分布式處理，從而為MCS提供考慮數據質量的參與者選擇方案，同時具有保護隱私、提高通信效率的優點[3]。

在移動群智感知的研究中，參與者選擇是十分重要的研究內容，不同參與者的硬件資源、所處狀態、數據質量、信譽水平等各不相同，如何全面考慮這些因素，對參與者作出綜合的評價，是參與者選擇中的重要研究問題。將聯邦學習整合到MCS中也面臨著挑戰，聯邦學習對參與者算力有額外的要求，參與者設備需要支持深度學習模型的訓練，同時對MCS平臺如何在不接觸原始數據的條件下評價參與者的數據質量也提出了新的挑戰。聯邦學習框架下對傳統MCS任務完成情況的衡量指標有了全新的含義，需要通過分析聯邦學習與MCS的關聯性，建立基于聯邦學習的移動群智感知框架。通過設計參與者資源評價機制可以預測參與者資源消耗，有效過濾資源不足的用戶，減少聯邦學習通信輪數。基于聯邦學習方法中數據質量的定義，提出數據質量衡量方法，結合用戶資源和對應的信譽度，構建參與者信譽評價模型，選擇信譽度較高的參與者參與任務，防止低數據質量參與者影響任務進度。本文在聯邦學習框架下考慮MCS參與者有限的設備資源，結合數據質量和歷史任務完成情況，提出基于信譽評價和資源預測的參與者選擇算法PSRERP（participant selection algorithm based on reputation evaluation and resource prediction）。在仿真實驗中，將所提算法與參與者隨機選擇算法、參與者全選算法和多準則參與者選擇算法FedMCCS[4]進行比較，結果表明PSRERP算法在滿足預期精度的基礎上減少了任務完成時間和通信丟棄輪數，優化了任務參與者的選擇。

1 相關工作

近年來智能移動終端價格下降，其內置傳感器豐富且精度更高。MCS利用人群的智慧和廣泛分布，收集這些智能終端產生的海量數據是完成智慧城市建設的重要方式。參與者選擇是MCS任務完成效率和質量的關鍵影響因素之一。目前很多學者根據任務完成的不同衡量指標對參與者選擇方法展開了研究，在滿足不同任務約束條件的同時完成任務。Mondal等人[5]提出了一種具有最少消息通信的分布式參與者選擇算法，旨在最小化能量消耗和數據傳輸方面的成本，同時滿足在覆蓋范圍不變的情況下選擇最少的參與者。Wu等人[6]將時空眾包與邊緣計算相結合，提出了加權多目標粒子群組合（WAMOPSC）算法，尋找多目標優化參與者選擇問題的帕累托最優解，以最大化平臺和參與者的收益。王濤春等人[7]建立信譽評估方案，綜合評估參與者提交數據的響應時間、距離、歷史信譽度、數據相關性和數據質量五個方面，從而選出合適的參與者。張偉等人[8]提出了一種感知質量優化的參與者選擇機制，首先利用聚類算法量化數據質量，其次基于湯姆森抽樣算法和貪婪算法設計參與者選擇策略，在保證任務空間覆蓋率的基礎上優化感知質量。Ipaye等人[9]提出了一種多任務分配遺傳算法（WMTA-GA），在考慮參與者的時間限制和任務要求條件下讓參與者完成盡可能多的任務，從而使參與者收益最大化。然而現有研究未能解決參與者上傳數據所產生的隱私問題，沒有考慮終端的算力水平提升所帶來的參與者端處理數據的機會，未能充分考慮人工智能技術部署在移動終端對MCS的影響。基于此，聯邦學習作為一種保護隱私的分布式學習方法被引入到MCS中，Cho等人[10]提出了一種聯邦學習框架FLOAT，為MCS任務提供保護隱私的FL模式。

聯邦學習應用到MCS模式中解決了參與者數據質量預估問題，參與者不需要上傳含有個人隱私的原始數據到服務器，僅需要與服務器交換需要的參數即可。聯邦學習中同樣存在著參與者選擇問題，在聯邦學習的框架下，通常考慮參與者客戶端設備的異構性以及有限的通信和計算資源可能會導致無法完成訓練任務，使得大量的學習輪被丟棄，影響模型的準確性。Abdulrahman等人[4]針對資源受限的物聯網環境下的聯邦學習，提出綜合考慮參與者CPU、內存、能量和任務完成時間的多準則參與者選擇算法FedMCCS，在減少通信輪數的情況下最大化參與者數量。Xu等人[11]研究了傳統無線網絡中的聯邦學習，在長期客戶端能量約束下定義了參與者選擇和帶寬分配問題，提出了基于李雅普諾夫的在線優化算法OCEAN，利用當前可用的無線信道信息實現長期性能保證。Mohammed等人[12]以聯邦學習全局準確率為優化目標，提出在線啟發式算法，通過測試準確性選擇最佳參與者以優化準確率。Huang等人[13]權衡參與者選擇過程中的公平和訓練效率因素，將保證公平的參與者選擇問題建模為李雅普諾夫優化問題，在考慮參與者和服務器模型交換實踐基礎上設計保證公平的RBCS-F算法，提高了訓練效率。

MCS與聯邦學習作為群體智能的兩種數據收集模式，整體結構都是分布式架構，同樣將智能終端作為收集數據的基本單元，結合應用前景廣泛。研究者開始探究將聯邦學習方法應用到MCS中，為MCS提供考慮數據質量的參與者選擇方案，Zhang等人[14]使用聯邦學習框架訓練輕量級的神經網絡以構建上下文和感知數據質量之間的關系，從而利用參與者上下文信息預測感知數據質量。但是上述參與者選擇方式僅適用于各自特殊應用場景，尚未有研究引入聯邦學習評估參與者感知數據質量作為標準同時考慮聯邦學習特性的MCS參與者選擇方案。因此，本文構建了基于聯邦學習的移動群智感知框架，并提出了參與者選擇機制。首先獲取參與者設備基本資源及歷史完成任務情況，預測MCS任務執行所消耗資源，包括訓練模型消耗資源和終端應用消耗資源，以此判斷參與者資源是否足夠完成MCS任務。除了參與者資源，還針對參與者提供的數據質量和歷史完成任務情況對參與者的綜合信譽水平評價后進行選擇，并在每輪聯邦學習任務完成后對信譽水平進行更新，從而達到滿足預期精度條件下減少任務完成時間和通信輪數、最小化丟棄輪數的目的。

2 系統模型

本文在移動群智感知中應用聯邦學習方法建立一個由移動群智感知平臺和n個參與者組成的系統，平臺服務器負責招募k個參與者、分發全局模型并聚合參與者上傳的本地模型參數，本地模型訓練和參數傳輸即為MCS任務的具體內容，如圖1所示。

3 基于資源預測和信譽評價的參與者選擇算法

3.1 基于一元線性回歸和LSTM的資源消耗預測方法

在本文提出的基于聯邦學習的移動群智感知框架中，MCS任務的參與者不用將原始數據上傳到服務器，但參與者中途退出會影響任務的完成。相關研究表明[15]，超過30%的數據更新未接收會影響模型準確率，時間閾值內未接收到70%更新的聯邦學習任務輪視為失敗，本輪已接收的更新也會全部丟棄。因此，應盡量選擇能夠按時完成任務的參與者。終端設備內存、CPU等無法支持模型訓練、設備同時在執行任務無關的程序都會影響任務的完成，導致聯邦學習輪任務失敗。為此，本文從以下兩方面預測參與者智能移動終端資源對任務的影響：a）考慮參與者智能終端完成MCS任務模型訓練所需資源，提出基于一元線性回歸的終端模型訓練資源消耗預測方法；b）考慮參與者智能終端執行任務所處狀態，提出基于長短時記憶網絡（long short-term memory，LSTM）的終端應用資源消耗預測。

兩種方法預測的資源消耗之和即為預測的MCS任務中的消耗總資源，通過對比終端現有資源去除資源不足的參與者，篩選出的資源充足參與者利用信譽評價機制進一步優化選擇。

3.1.1 基于一元線性回歸的終端模型訓練資源消耗預測

對于MCS任務，參與者設備資源是有限的，設備資源能否支撐一輪訓練而不掉隊是影響任務完成的重要因素。任務要求參與者能夠在維持設備基本運行的情況下按時完成任務，這就需要考慮參與者完成任務需要消耗的資源種類及數量。本文針對參與者設備的電量、CPU、內存和任務完成時間指標，利用智能終端前m輪歷史模型訓練消耗的資源記錄，預測參與者執行下一輪任務中進行模型訓練需要占用的CPU和內存資源、消耗的電量和時間，排除無法完成任務的參與者（如電量低，不足以完成任務或完成任務后嚴重影響客戶端后續使用），以減少執行任務中參與者退出的情況。研究表明，參與者完成一輪更新的資源消耗與訓練數據的數量有關，Tout 等人[16]提出預測應用正常運行的資源需求并分析了機器學習四種常見預測方法，比較驗證了線性回歸分析的準確率最高。文獻[4]驗證了移動設備訓練數據集的大小和所需資源呈線性關系，數據集過大超過設備極限則會崩潰。因此，本文采用一元線性回歸來預測移動設備完成本輪任務所需訓練時間、CPU、內存和能量。

3.1.2 基于LSTM的終端應用資源消耗預測

除了考慮參與者終端模型訓練所需的CPU、電量、內存等資源對任務成功率的影響，終端設備是否并發運行其他應用也是需要考慮的重要因素。任務執行一般是在參與者空閑時進行，選擇未來一段時間內處于空閑狀態的參與者設備執行任務，將減少因意外占用CPU、內存等資源導致任務失敗的情況發生。Li等人[17]驗證了用戶與前臺程序的交互會極大地影響智能終端的訓練任務進程，智能終端通常為前臺程序分配更高的優先級，占用系統資源從而影響本地訓練任務，延長訓練任務的完成時間，甚至導致任務失敗。

由于參與者使用智能設備的應用和時間密切相關，具有一定周期性和規律性，可以通過參與者資源歷史使用數據分析用戶行為，從而預測設備前臺應用對資源的占用情況。本文將參與者與設備交互占用的資源（電量、CPU、內存）表示為時間序列，近年來，大量研究表明循環神經網絡（recurrent neural network，RNN）在對時間序列進行預測時，相對傳統分析方法精度更高，但是在針對小樣本和非線性的情況下容易出現過擬合的問題。LSTM作為一種特殊類型的RNN結構，可以有效記憶長序列中的規律，從而達到規避過擬合問題的效果[18]。本文針對模型訓練時間內智能終端應用對MCS訓練任務的影響，考慮應用消耗資源時間序列的小樣本和周期性，采用LSTM網絡來預測執行MCS任務時間段內參與者智能終端執行其他任務的交互狀態。LSTM的記憶單元結構如圖2所示。

3.2 參與者信譽評價模型

3.2.1 數據質量評價

在基于聯邦學習的移動群智感知框架中，數據質量的評價方法需要兼顧用戶隱私。不同于傳統移動群智感知中數據評價的模式與標準，去中心化的聯邦學習模式不接觸原始數據，無法分辨參與訓練的數據是否與任務相關，大量無關甚至錯誤的數據會降低模型訓練速度，導致模型精度過低、無法收斂等問題。因此，選擇相關數據更多的參與者無疑會加速模型訓練過程，降低終端資源消耗。劉艷等人[19]提出本地模型和全局模型對應參數值相差不大，如果接收到的本地模型和全局模型對應參數值相差過大，則認為此本地模型對全局模型的收斂起負面作用。基于此，本文考慮參與者本地數據與任務的相關性，提出基于相似度的參與者感知數據質量評價方法。

4 實驗設置及結果分析

4.1 實驗環境設置

本文在MNIST數據集上進行仿真實驗，MNIST是一個包含60 000個訓練樣本和10 000個測試樣本的手寫數據集，每個樣本是一個28×28的灰度圖像，標簽為0～9。訓練模型使用卷積神經網絡（convolutional neural network，CNN）模型，具有兩個5×5卷積層（第一個有32個通道，第二個有64個通道，每個通道具有2×2池化層），一個具有512單元和ReLU激活函數的全連接層，一個softmax輸出層。仿真實驗在Windows 10系統下運行，硬件配置為Intel i5-10400F CPU，GTX1050TI GPU，16 GB RAM。本文的程序實現基于TensorFlow框架，通過設置一個服務器和100個參與者模擬聯邦學習的訓練過程，每個參與者隨機分配50～1 200個訓練數據。每輪訓練選擇的客戶端數量為50，客戶端本地訓練輪數設置為5。

為了模擬參與者設備CPU、電量等硬件差異，使用Docker技術為不同客戶端隨機分配計算機中[10%，100%]的CPU、內存用于模型訓練，并計算參與者電量損耗。使用Device Analyzer數據集中的手機使用信息模擬參與任務的客戶端的真實使用情況，這個數據集來自劍橋大學設備分析項目收集的31 000名志愿者的手機使用記錄，選取其中的100個連續有效數據作為客戶端的屬性。為了評估本文算法性能，選取了三個節點選擇算法作為對照對象：a）所有參與者都參與訓練（all aelection，SA）；b）隨機選擇（random selection，RS），每個參與者被選擇的概率相同；c）多準則參與者選擇算法（FedMCCS），是綜合考慮參與者CPU、內存、能量和任務完成時間的多準則參與者選擇算法。100位參與者參與選擇，選取50個參與訓練。實驗中指標均為進行五次獨立實驗的平均值。

實驗選取準確率、丟棄通信輪數、成功更新平均消耗時間和不同數據質量下損失函數值四個指標衡量算法的具體表現。其中準確率是MCS任務整體完成質量，準確率達不到要求表示任務失敗，因此是基準指標；服務器未接收到70%的更新整輪任務都會被丟棄，本輪參與者消耗的資源都會被浪費，因此設置丟棄輪數指標衡量完成整個MCS任務的能量消耗表現，丟棄輪數越少表示任務消耗能量越少；通信輪數和成功更新平均消耗時間是任務整體通信效率的體現，通信輪數、成功更新平均消耗時間越少則通信效率越高；不同數據質量下損失函數值代表著算法選取的參與者數據質量水平，損失值越低、越趨于穩定，則說明選取的參與者平均數據質量越高。

4.2 實驗結果分析

4.2.1 準確率

對于MCS任務，得到的模型準確率是衡量任務成功與否的最重要指標，在MNIST數據集上原始聯邦學習算法可取得98.8%的準確率。如圖4所示，四種算法在準確率這一指標上基本一致，50輪訓練之后趨于穩定，PSRERP算法達到目標準確率的速度最快，FedMCCS算法次之，AS和RS算法較慢。FedMCCS算法僅考慮參與者當前資源面未考慮參與者終端應用占用資源，單輪任務成功率低于PSRERP算法但高于另外兩種算法。相較而言，RS算法更容易選擇感知數據量少的參與者，達到相應準確率所需要的聚合輪次更多，模型收斂較慢；AS算法選取全部參與者，資源不足的客戶端影響更新成功率從而影響任務完成進度。同時AS算法相比于RS算法總體參與訓練的數據量更大，且丟棄輪數相差不大，因此在同樣通信輪數條件下AS算法訓練進度要比RS算法更快。本文PSRERP算法考慮參與者終端資源限制，預測資源消耗從而過濾資源不足的客戶端，減少了通信輪數；另外，PSRERP算法將參與者感知數據質量作為重要評價指標計算信譽值，同等限制條件下參與一輪任務的感知數據比RS和FedMCCS算法更多。

4.2.2 丟棄通信輪數

圖5列出了四種算法執行任務過程中丟棄的輪數，其中縱坐標代表當前通信輪數中所含丟棄的通信輪數。本文算法丟棄輪數最少，FedMCCS算法次之，AS算法丟棄輪數最多。FedMCCS算法優選當前資源足夠的參與者，因此丟棄輪數少于AS和RS算法。RS算法對參與者的選取具有隨機性，沒有考慮參與者設備資源是否支持完成訓練而不掉隊，因此丟棄輪數較多。AS算法選擇全部的參與者，在資源不足參與者占比高于30%時該輪任務一定會失敗，因此丟棄輪數最多。本文PSRERP算法考慮參與者終端資源限制，預測模型訓練資源消耗的同時預測終端應用資源消耗從而過濾資源不足的客戶端，這是通信丟棄輪數相較于其他三種算法丟棄輪數較少的主要原因。實際應用中訓練輪數丟棄會導致大量的參與者電量、流量浪費，會減少參與者參與意愿，增加任務完成成本。因此本文參與者選擇機制適用于對精度要求高且參與者受硬件、情境等條件限制較多的應用場景，能夠在資源受限環境下最大程度地減少訓練丟棄輪數。

4.2.3 成功更新平均消耗時間

圖6列出了四種算法執行任務過程中每輪任務成功的平均訓練時間，可以看出PSRERP算法整體平均訓練時間最少，FedMCCS算法次之，AS算法平均訓練時間最長。這是因為FedMCCS算法相比AS和RS算法，對資源充足的客戶端進行優選，有效減少了丟棄輪數。AS和RS算法沒有針對完成任務機率低的參與者做選擇，平均消耗時間較長，而AS算法需要等待所有用戶的70%完成更新，等待時間最長，因此平均訓練時間最長。PSRERP算法考慮參與者資源，優先選取完成歷史任務效果優秀的參與者，平均丟棄輪數比較少，丟棄輪數造成的時間浪費更少；另外參與者完成整輪任務接收到70%更新即結束，不必等待時間閾值，這也是PSRERP算法成功更新平均消耗時間低于另外三種算法的因素之一。

4.2.4 數據質量判斷

通過在參與者本地感知數據中增加任務不相關數據，即噪聲數據來模擬參與者的感知數據集質量低的真實情況。噪聲比例不高時不會極大影響準確度，而是經過一個閾值準確度急速下降[18]。因此設置70%噪聲數據為低數據質量參與者，通過控制低數據質量參與者占總體的比例來驗證本文算法中感知數據集質量差異對任務模型收斂的影響。

如圖7和8所示，對于10%比例的低數據質量參與者，本文算法相比三種對比算法沒有明顯的性能下降，但是當低數據質量參與者比例繼續加大時，本文算法能夠較好地收斂，由于噪聲數據的影響，其他三種對比算法的準確率均難以收斂。這是因為RS、AS算法和FedMCCS算法并沒有設置數據質量評價標準，更容易選擇噪聲數據影響模型訓練效果；而本文算法通過預設驗證模型選取數據質量高的參與者進行訓練，能夠減少低質量數據集參與訓練，保持模型相對穩定的收斂。因此本文算法能夠有效識別客戶端處的感知數據質量，降低參與者數據質量較低對模型聚合的影響。

5 結束語

本文針對聯邦學習在MCS場景中的應用需求，展開參與者選擇研究，從資源和信譽兩個方面綜合考慮對最終任務效果的影響，提出MCS任務期間資源預測模型，包括基于一元線性回歸的模型訓練占用資源預測和基于LSTM的終端應用占用資源預測，有效地篩選出資源匱乏的參與者，減少平均任務完成時間；提出綜合評價參與者數據質量、任務完成時間、歷史任務完成情況的信譽評價機制，有效排除不相關數據的干擾，減少通信輪數。仿真結果表明，提出的PSRERP算法在保證任務精度的情況下減少了丟棄輪數，同時減少了任務完成時間。

提出的PSRERP算法雖然針對參與者自身資源情況做了篩選，但是沒有考慮實際應用中復雜場景的通信情況，還需要研究如何構建模型評價參與者通信情況差異對任務完成指標的具體影響。其次，在大規模任務情況下，參與者選擇的效率有待提高，需要對參與者按規模進行分類，針對各種規模優化選擇流程，平衡通信與任務精度的指標要求。

參考文獻：

［1］Gu Renjie，Niu Chaoyue，Wu Fan，et al.From server-based to client-based machine learning：a comprehensive survey[J].ACM Computing Surveys，2022，54（1）：article No.6.

[2]Yang Qiang，Liu Yang，Chen Tianjian，et al.Federated machine lear-ning[J].ACM Trans on Intelligent Systems and Technology，2019，10（2）：article No.12.

[3]Jiang Jichu，Kantarci B，Oktug S，et al.Federated learning in smart city sensing：challenges and opportunities[J].Sensors，2020，20（21）：6230.

[4]Abdulrahman S，Tout H，Mourad A，et al.FedMCCS：multicriteria client selection model for optimal IoT federated learning[J].IEEE Internet of Things Journal，2021，8（6）：4723-4735.

[5]Mondal S，Mitra S，Mukherjee A，et al.Participant selection algorithms for large-scale mobile crowd sensing environment[J].Microsystem Technologies，2022，28（12）：2641-2657.

[6]Wu Shengnan，Wang Yingjie，Tong Xiangrong.Multi-objective task assignment for maximizing social welfare in spatio-temporal crowdsour-cing[J].China Communications，2021，18（11）：11-25.

[7]王濤春，劉婷婷，劉申，等.群智感知中的參與者信譽評估方案[J].計算機應用，2018，38（3）：753-757.（Wang Taochun，Liu Tingting，Liu Shen，et al.Participant reputation evaluation scheme in crowd sensing[J].Journal of Computer Applications，2018，38（3）：753-757.）

[8]張偉，李卓，陳昕.感知質量優化的移動群智感知任務在線分發算法[J].物聯網學報，2020，4（4）：91-97.（Zhang Wei，Li Zhuo，Chen Xin.Data quality optimized online task allocation method for mobile crowd sensing[J].Chinese Journal on Internet of Things，2020，4（4）：91-97.）

[9]Ipaye A A，Chen Zhigang，Asim M，et al.Location and time aware multitask allocation in mobile crowd-sensing based on genetic algorithm[J].Sensors，2022，22（8）：3013.

[10]Cho M，Mashhadi A.Caring without sharing：a federated learning crowdsensing framework for diversifying representation of cities[EB/OL].（2022-01-20）.https：//doi.org/10.48550/arxiv.2201.07980.

[11]Xu Jie，Wang Heqiang.Client selection and bandwidth allocation in wireless federated learning networks：a long-term perspective[J].IEEE Trans on Wireless Communications，2021，20（2）：1188-1200.

[12]Mohammed I，Tabatabai S，Al Fuqaha A，et al.Budgeted online selection of candidate IoT clients to participate in federated learning[J].IEEE Internet of Things Journal，2021，8（7）：5938－5952.

[13]Huang Tiansheng，Lin Weiwei，Wu Wentai，et al.An efficiency-boosting client selection scheme for federated learning with fairness gua-rantee[J].IEEE Trans on Parallel and Distributed Systems，2021，32（7）：1552-1564.

[14]Zhang Wei，Li Zhuo，Chen Xin.Quality-aware user recruitment based on federated learning in mobile crowd sensing[J].Tsinghua Science and Technology，2021，26（6）：869－877.

[15]Bonawitz K，Eichner H，Grieskamp W，et al.Towards federated lear-ning at scale：system design[EB/OL].（2019－03－22）.https：//doi.org/10.48550/arxiv.1902.01046.

[16]Tout H，Kara N，Talhi C，et al.Proactive machine learning-based solution for advanced manageability of multi-persona mobile computing[J].Computers amp; Electrical Engineering，2019，80（12）：106497.

[17]Li Li，Xiong Haoyi，Guo Zhishan，et al.SmartPC：hierarchical pace control in real-time federated learning system[C]//Proc of the 40th IEEE Real-Time Systems Symposium.Piscataway，NJ：IEEE Press，2019：406-418.

[18]Hochreiter S，Schmidhuber J.Long short-term memory[J].Neural Computation，1997，9（8）：1735-1780.

[19]劉艷，王田，彭紹亮，等.基于邊緣的聯邦學習模型清洗和設備聚類方法[J].計算機學報，2021，44（12）：2515－2528.（Liu Yan，Wang Tian，Peng Shaoliang，et al.Edge-based model cleaning and device clustering in federated learning[J].Chinese Journal of Computers，2021，44（12）：2515－2528.）