邊緣輔助群智感知位置隱私保護多任務分配機制

摘 要： 為了解決群智感知中隱私泄露和多任務分配的問題，提出了一種邊緣輔助群智感知位置隱私保護（EALP）多任務分配機制。首先，考慮群感知任務具有地理相近特征，利用改進的模糊聚類（FCM）算法對任務位置進行聚類組合，改進聚類數目指標，提高多任務分配的合理性。接著，為了防止云平臺和感知用戶之間的共謀，在任務分配階段，提出一種位置隱私保護協議，在感知用戶、云服務器和邊緣節點之間部署同態加密，云感知平臺能夠安全地計算感知用戶的移動距離，而不知道感知用戶的位置和任務聚類中心位置。最后，提出了一種基于蟻群算法多任務分配優化方案，兼顧平臺和感知用戶兩者利益，優化感知用戶執行任務路徑。實驗結果表明，與同類方法相比，所提機制在保護位置隱私的前提下提高了任務完成率，降低了系統的感知成本和用戶移動成本。

關鍵詞：群智感知； 任務分配； 位置隱私保護； 同態加密； 模糊聚類

中圖分類號：TP309文獻標志碼： A文章編號：1001－3695（2024）04－036－1208－06

doi：10.19734/j.issn.1001－3695.2023.07.0382

Edge－assisted crowdsensing location privacy protectionmulti－task allocation mechanism

Ao Shan Chang Xian Wang Huib， Shen Zihao Liu Kunb， Liu Peiqianb

Abstract：To solve the problem of privacy leakage and multi－task allocation in crowdsensing， this paper proposed an edge assisted crowdsensing location privacy protection（EALP） multi－task allocation mechanism. Firstly， considering the geography of tasks， this paper used improved fuzzy clustering（FCM） algorithm to cluster tasks locations， improved the clustering index， and enhanced the rationality of multi－task allocation. Secondly， to prevent collusion between the cloud and perceived users， it proposed a location privacy protection protocol in the task allocation phase. It deployed homomorphic encryption among the perceived users， cloud and edge nodes. The cloud could safely calculate the mobile distance of the perceived users without knowing their locations and the location of the task cluster center. Finally， it proposed a multi－task allocation optimization scheme based on ant colony algorithm， it balanced the interests of both platform and perceptive users by optimizing the path of execute tasks. Experiment results show that compared with similar methods， the proposed mechanism improves task completion rate while protecting location privacy， and reduces system perception costs and user mobility costs.

Key words：crowdsensing; task assignment; location privacy protection; homomorphic encryption; fuzzy clustering

0 引言

移動群智感知（MCS）是一種使用移動設備（如智能手機、平板電腦和可穿戴設備）的低成本、大規模數據收集方法，已成為城市傳感的一種有吸引力的范式［ 2］。受益于高性能CPU、高速5G網絡、大容量內存和強大的嵌入式傳感器，智能手機現在可以提供比物聯網中單一功能傳感器更強的計算、通信、存儲和傳感能力。此外，人類的參與使得收集數據更加靈活和高效。所有這些特性催生了各種物聯網的應用，如環境監控［3］、交通監控［4］和城市建設［5］。

傳統的移動群智感知多為集中式架構，在大規模MCS中，遠程數據傳輸以及集中式數據處理消耗過多的通信計算資源，導致的時間效率較低。為了解決這一問題，邊緣計算被用來將通信和計算資源部署到離感知用戶更近的地方，從而提高系統效率［6，7］。最近，已有不少學者提出了基于邊緣計算的MCS系統。Marjanovi c ＇ 等人［8］提出了一種滿足大規模MCS服務的邊緣計算架構EC－MCS，可有效減少數據處理的延遲和復雜性，同時提高感知服務質量。奚赫然等人［9］提出了一種移動群智感知系統邊云協同工人招募算法，能夠減少數據傳輸時延，降低智能設備的能耗。Liu等人［10］提出了一種用于邊緣輔助移動人群感知的激勵感知車輛招聘方案，設計了一種激勵機制來激勵邊緣服務器和智能車輛之間的合作，并應用納什均衡理論來獲得最優的合作決策。然而，上述方案均沒有考慮隱私保護問題，事實上在MCS的任務分配過程中，用戶經常需要向服務器提供自己的位置信息，以便將一些合適的任務發送給他們。但是，惡意服務器可能會根據用戶的位置推斷出一些敏感信息，如用戶的家庭住址或軌跡等，從而導致嚴重的隱私問題［11］。因此，隱私保護下的任務分配得到關注。Shen等人［12］提出了一種用于邊緣計算增強型MCS的隱私保護任務分配框架（P2TA），通過引入邊緣節點來優化任務接受率，工人上傳混淆位置到邊緣節點來實現隱私保護和獲取任務。Ma等人［13］提出了兩種用于邊緣計算增強型MCS的隱私保護聲譽 管理方案，用戶的信譽值依據傳感數據與最終聚合結果的偏差進行更新，該方案能夠保護感知數據隱私的同時處理惡意任務參與者。Ding 等人［14］基于半可信邊緣節點實現了隱私保護任務分配，使用同態加密和差分隱私來保護參與者位置隱私和數據隱私。萬濤等人［15］基于區塊鏈的邊緣移動群智感知系統，提出一種感知數據隱私保護的聲譽更新方案，采用輕量級的隱私保護方法聚合感知數據，根據數據質量和歷史任務表現更新聲譽，該方案可有效抵抗惡意用戶，降低時延，避免單點故障并保護數據隱私。Wang等人［16］提出任務分配時在邊緣節點輔助下將用戶聚類成組，利用差分隱私保護工人位置隱私實現任務分配。以上方案都依賴于一些強有力的假設，云服務器或者邊緣節點是可信的，沒有考慮任務位置隱私也會受到威脅。實際上，云服務器和邊緣節點可能會泄露用戶位置等敏感信息來獲利，同時攻擊者可以由任務位置和分配情況推斷出完成任務的用戶位置，因此，保護任務位置隱私也是需要解決的問題。

此外，當前群智感知的任務分配策略大多是針對單任務設計的，每個任務都被認為是獨立完成的。然而，事實上是多個任務共享同一個資源池，而且它們會互相影響。目前，已有許多工作圍繞群智感知多任務分配進行研究。Tao等人［17］考慮了任務的聚類效應，提出用K－means算法先將多任務聚類成組，之后結合遺傳算法提出多任務質量最大化的任務分配機制。蔣偉進等人［18］利用密度聚類對同類多個任務進行聚類，根據各聚類中心與現有地鐵站點的距離，為每個子任務區域分配所屬最近的地鐵站點，通過優化任務分發降低了感知任務成本。Yin等人［19］基于位置和任務特征提出了一種改進的貪婪算法，解決了多感知任務路徑規劃優化問題，提高了群智感知服務質量。事實上，多數現有的群智感知任務分配忽略了多任務的地理特性，多個任務在地理分布和感知需求方面具有聚類特性（如收集商場附近的停車位信息，或者收集某個路段附近的交通信息）。如果能把多個任務聚類成組合，然后分配給單個感知用戶，多個距離感知用戶相近的聚類任務組合分配方式比單個任務更容易以較高獎勵吸引感知用戶參與，系統的任務完成率會明顯提高。

為了解決上述問題，本文提出了一種邊緣輔助群智感知位置隱私保護 （edge－assisted crowdsensing location privacy protection，EALP）多 任務分配機制。本文的主要貢獻如下：a）結合感知任務的位置特征，基于模糊聚類（fuzzy C－means clustering，FCM）算法，將多個地理位置靠近的任務聚類成組，一起分配給感知用戶，提高任務分配效率；b）解決了云感知平臺與感知用戶合謀攻擊泄露位置隱私的問題，基于加法同態加密提出EALP分配機制，通過云感知平臺，邊緣節點和感知用戶合作，保護感知用戶和任務的位置隱私；c）兼顧云感知平臺和感知用戶兩者利益，提出一種基于蟻群算法的聚類組內多任務分配優化算法，降低了群智感知系統的感知成本；d）仿真實驗表明，與現有機制相比，EALP任務分配方案在保護位置隱私的前提下提高了任務完成率，降低了總感知成本和移動成本。

1 預備知識

本章介紹邊緣輔助群智感知的系統模型和同態加密的相關知識。表1對自定義的參數進行了解釋。

1.1 系統模型

如圖1所示，邊緣計算輔助群智感知系統模型有四種實體，分別是任務請求者、云感知平臺、邊緣節點和感知用戶。

a）任務請求者。任務請求者是指打算從特定位置收集數據并執行數據挖掘以支持智能應用程序的個人或組織。例如，公司可以感知旅游區的空間數據，用于平面重建和客流管理。然而，可能任務請求者用于部署和維護大規模傳感器設備的預算有限，或者對海量數據執行數據挖掘的計算能力有限。因此，任務請求者將任務外包給服務提供商。

b）云感知平臺。云感知平臺扮演著服務提供商的角色，擁有強大的計算和存儲資源。它向公眾發布任務，并招募感知用戶從任務區域收集數據。

c）邊緣節點。邊緣節點部署在離感知用戶更近的地方，協助云感知平臺進行任務發布、感知用戶招募、數據傳輸。本文假設邊緣節點具有足夠的通信和計算資源。

d）感知用戶。配備智能設備，感知用戶能夠收集環境數據。當用戶對某項任務感興趣時，它會將其位置發送到云端，等待分配任務。

1.2 Paillier加密

作為一種經典的加法同態加密系統，Paillier密碼系統能夠對密文進行運算，從而實現對明文的加法運算。其主要分為三個階段：

a）密鑰生成階段。令n=p·q。其中p、q為兩個大素數，選擇g∈Euclid ExtrabBpn2，使得gcd=（L（gλmod n2），n）= 公鑰為pk=（n，g），私鑰為sk=（p，q）。

b）加密階段。對于明文m∈Euclid ExtrabBpn，且mlt;n。選擇一個隨機數rlt;n， 則密文為c=gm×rnmod n2。

c） 解密階段。對于密文clt;n2，則明文為m= L（cλmod n2）/L（gλmod n2）mod n。

設有明文m1、m2，使用Paillier加密方案對兩個明文進行加密，得到E（m1）=gm1×rn1 mod n2，E（m2）=gm2×rn2 mod n2，則E（m1）×E（m2）=gm1+m2（r1r2）n mod n2=E（m1+m2）。即兩個密文乘積的解密值，與兩密文對應明文的和相等。此表達式滿足加法同態的性質，因此Paillier是加法同態。

2 EALP任務分配機制設計

2.1 EALP機制工作步驟

EALP任務分配機制主流程如圖2所示，分為以下七個步驟：

a）發布感知任務。任務請求者將感知任務（感知任務位置、感知數據質量標準、任務報酬）發布給云感知平臺。

b）云感知平臺將感知任務進行模糊聚類，先用自己公鑰加密任務聚類中心位置，再用邊緣節點公鑰再次加密，最后將兩次位置加密的感知任務和任務內容發送到邊緣節點。

c）邊緣節點將位置加密的感知任務和任務內容發送給感知用戶。

d）感知用戶查看任務內容，若愿意執行任務，先將位置在本地轉換，然后用云平臺公鑰加密，最后發送到邊緣節點。

e）邊緣節點計算加密的任務聚類中心位置與加密感知用戶位置的距離，之后將加密的距離發送給云平臺。

f）云平臺用私鑰解密距離并結合信譽值計算感知用戶招募成本，選出招募成本最小的感知用戶。最后為選出的感知用戶優化多任務執行順序，將選出的感知用戶與任務聚類組合發送至對應邊緣節點。

g）邊緣節點通知對應的感知用戶完成指定任務。

2.2 群智感知多任務模糊聚類

假設系統在時間t存在由任務請求者發布的n個任務和r個感知用戶，感知任務集合為St={s s2，…，si，…，sn}，對于任務si，位置表示為sli=（slxi，slyi），slxi是任務位置的經度，slyi是任務位置的維度，任務數據質量用sri表示，任務預算用spi表示。感知用戶的集合是Pt={p p2，…，pj，…，pr}，對于pj，位置表示為plj=（plxj，plyj），信譽為prj。

把t時刻的任務屬性構造成一個n×3的矩陣 X t，其中第i行是xi={slxi，slyi，sri}。將 X t聚類成 個任務組合，因此得到Rt=C1∪C2∪…∪Ck∪…∪C 。于是相應聚類任務組的位置聚類中心和感知任務數據質量中心為Q={q q2，…，qk，…，q }和CR={Cr Cr2，…，Crk，…，Cr }。Crk代表Ck中的任務質量閾值。

使用模糊聚類（FCM）這種軟劃分聚類算法來進行多任務聚類。對于任務屬性矩陣 X t中的每個數據，通過x′ij=xij/max（x1j，x2j，…，xnj）得到正則化數據矩陣 X ′t。然后根據算法1實現多任務聚類組合。

算法1的步驟o）計算當前聚類數下的ICH，通過與上一次迭代比較，得到當前最優聚類數。經過第b）～s）行的迭代，可以找到給定范圍內的最佳聚類數 。然后重復第c）～o）行，得到最終的P和U，并根據U將感知任務分成適當的任務組合。

2.3 邊緣輔助位置隱私保護協議

本文認為多任務聚類中心的位置信息屬于敏感信息，任務內容信息屬于不敏感信息。感知用戶可以通過邊緣節點廣播來獲取聚類任務組的內容。下面將詳細介紹本文位置隱私保護協議。

為了不泄露任務和工人的位置隱私，任務請求者和感知用戶需對位置進行轉換，轉換公式如式（5）～（8）所示。其中，位置坐標轉換的角度φ由任務請求者與感知用戶共享，而且兩者均不會將其泄露給任何第三方。

如式（11）所示，感知用戶uj與Ck的招聘成本由兩部分組成：第一部分由uj和多任務聚類中心Ck的聚類中心pk之間的距離決定，λ1是距離因子系數；第二個部分是由感知用戶信譽值決定，其中r（Ck，uj）可以通過式（12）計算，λ2代表質量因子系數。

感知用戶選擇問題實際上是一種指派問題。因此，感知用戶選擇問題可以轉換為以下0－1整數規劃問題，由式（13）可求得，其中X表示聚類任務組和感知用戶之間的匹配結果。

結合式（11）中移動距離和感知用戶信譽值，可得到被選出的感知用戶集合為W={w w2，…，wc}。基于任務預算和招聘成本，得到多任務聚類組與感知用戶最優匹配對CW={（C w1），（C2，w2），…，（Cc，wc）}。對于wk，需要按照一定的順序πk 在Ck中執行任務，π={π π2，…，πc}表示多任務組合的執行順序。

得到多任務聚類組和感知用戶的匹配組后，最后對每個用戶任務執行過程進一步優化，可以將任務執行順序問題等效為最優路徑規劃問題。使用最大最小螞蟻系統（MMAS）優化算法解決多任務執行順序問題。

3 安全性分析

本文提出的邊緣輔助群智感知位置隱私保護（EALP）多任務分配機制，目標是保護感知任務和感知用戶的位置隱私，從而能在安全的情況下完成多任務分配。

a）EALP多任務分配機制可以保護感知任務的位置隱私。

在任務分配的過程中，云感知平臺獲得的任務位置是任務發布者在本地進行位置轉換后的感知任務位置，云平臺無法獲取位置轉換角度，因此保護了任務位置隱私；多任務聚類中心位置用云的公鑰加密后發送到邊緣節點，邊緣節點沒有云平臺私鑰，無法解密，因此感知任務位置得到保護。

b）EALP多任務分配機制可以保護感知用戶的位置隱私。

在所提出的協議中，感知用戶用云的公鑰加密位置生成Twx、Twy。對于系統中的其他實體，只有相應的邊緣節點可以訪問。 但由于Paillier同態加密是語義安全的，可以抵抗選擇明文攻擊［20］，所以可以認為攻擊者無法通過密文直接獲取感知用戶的位置信息。邊緣節點沒有云平臺的私鑰，因此邊緣節點無法解密密文，可以確保感知用戶位置信息的機密性。邊緣節點僅能計算加密后的多感知任務聚類中心與感知用戶位置的距離，且云平臺僅能獲取私鑰解密后的距離，無法獲取感知用戶位置，因此保護了感知用戶的位置隱私。

4 EALP機制性能分析

4.1 實驗設置

為了評估EALP任務分配機制的性能，與基于邊緣計算的隱私保護任務分配機制［14］以及基于蟻群優化算法的多任務分配機制［21］進行對比。文獻［14］提出的隱私保護任務分配機制與EALP機制類似，同樣使用同態加密保護用戶位置隱私，但是僅以最短距離分配任務。文獻［21］提出結合Cobb－Douglas生產函數的經濟模型來使用蟻群算法進行多任務分配機制，綜合考慮時間、距離和獎勵多因素來實現感知用戶利益最大化的任務分配。實驗數據采取公開的Gowalla數據集。在Gowalla數據集中，每位用戶會在多個地點簽到，實驗過程中假設Gowalla數據集中的用戶是群智感知系統中的感知用戶，并將其最近的簽到地點作為當前位置，在最近的簽到地點附近隨機生成群智感知任務位置。為了避免實驗的偶然性，本文進行了100組實驗，并選取這100組實驗結果的平均值作為最終的實驗結果。實驗具體參數設置如表2所示。

4.2 總感知成本

總感知成本包括平臺的招聘成本和參與者的移動距離成本兩部分。

圖3是EALP機制、文獻［14，21］方案總感知成本的比較。從圖3可以看出，隨著感知用戶人數的增加，EALP和文獻［14，21］的任務分配總感知成本都先上升，但是本文EALP機制的總感知成本始終低于文獻［14，21］的任務分配。這是因為EALP機制同時考慮了感知平臺和感知用戶兩者的利益。其中，文獻［14］的總感知成本最高，因為該機制只考慮了平臺的利益，可以用最低的成本招募參與者。文獻［21］結合經濟理論模型，將多個任務同時分配給感知用戶，之后指導感知用戶按照一定的順序完成所分配的多個任務，實現感知用戶利益最大化，因此用戶移動成本低于文獻［14］，但也沒有考慮感知平臺的利益。因此，EALP機制的總感知成本比文獻［14，21］分別降低了14.21%和23.54%。

4.3 任務完成率

任務完成率是感知用戶完成感知任務數量與云服務器接受任務數量的比例。任務完成率從側面反映了感知用戶執行任務的積極性。

如圖4所示，將任務數量設置為80，隨著感知用戶數量上升，三種機制的任務完成率都在逐步上升。EALP機制是將多個距離感知用戶很近的任務聚類成組分配給一個感知用戶，多個任務完成的獎勵對感知用戶吸引力更大，并且同時考慮移動距離和用戶信譽值來選擇感知用戶，最后使用蟻群算法對多任務執行順序進行優化，降低感知用戶移動距離，所以在三種機制中任務完成率最高。文獻［21］進行多任務分配時以用戶利益最大化為目標，但是沒有提供隱私保護，任務完成率次之。文獻［14］對感知用戶提供了隱私保護，但僅以最短移動距離選擇任務執行者，沒有優化任務分配，所以任務完成率低于文獻［21］，任務完成率最低。

圖5中，將感知用戶數量設置為80，隨著任務數量增加，三種機制任務完成率都有所下降，這是因為當用戶數量不變時，感知系統中的任務越多，任務完成的幾率越小。但是由于EALP和文獻［14］的機制在分配任務時提供隱私保護，所以感知用戶執行任務的意愿更大；同時由于EALP機制結合聚類算法分配較近的任務并基于蟻群算法對多任務執行順序進行優化，所以任務完成率高于文獻［14］。無隱私保護的文獻［21］的任務完成率最低。

4.4 平均移動距離

平均移動距離是指所有執行任務的用戶移動到任務位置的平均距離，是評估任務分配算法的一個重要指標。

圖6將任務數量設置為固定值80，感知用戶數量從90遞增到240。EALP任務分配機制在三種機制中平均移動距離最低。這是因為當感知用戶數量變大時，文獻［14，21］的任務分配機制中沒有考慮多任務之間的地理關聯性，同一個用戶會執行多個距離很遠的任務，所以感知用戶的平均移動距離會更大，而EALP分配的多個任務均在用戶附近。文獻［14］分配任務優先選擇距離最短的用戶，而文獻［21］結合時間、獎勵和距離分配任務，旨在最大化感知用戶收益，感知用戶會結合其他因素執行距離當前位置較遠但收益多的任務，所以平均移動距離高于文獻［14］。EALP任務分配機制在平均距離方面與文獻［14，21］相比，分別下降了9.39%和15.71%。

圖7將感知用戶數量設置為60，可以看出，在平均移動距離方面，EALP機制和文獻［14］的性能均優于文獻［21］。這是由于EALP機制對任務分配進行優化，EALP機制先通過模糊聚類將地理位置相近的多個任務同時分配給感知用戶，然后蟻群算法優化多任務執行順序，實現感知用戶執行任務的路徑最短。文獻［21］綜合時間成本、距離成本和任務獎勵多因素，使用蟻群算法優化多任務執行順序，以工人收益優先，因此文獻［21］中感知用戶的平均移動距離高于僅以距離為判斷條件的文獻［14］的任務分配機制，在三種方案中平均移動距離最高。

4.5 算法運行時間

算法運行時間直接反映位置隱私保護任務分配機制的有效性和可用性。

算法運行時間包括云平臺聚類任務時間、邊緣節點計算加密的距離所消耗的時間以及感知用戶加密位置的時間三部分。圖8顯示了在不同工人數量下花費在程序上的時間。圖8中感知用戶數量從200增加到1 000時，步長為200。可以看到，算法運行時間隨著感知用戶數量的增加而不斷增加。這是因為邊緣節點都需要計算感知用戶到任務聚類中心位置的距離，這是基于加密數據的。在感知用戶交互時，感知用戶加密位置的時間不受工人數量的影響?？梢钥闯?，加密技術會不可避免地消耗一定的運行時間。然而，當工人人數為1 000人時，運行時間約為28 s。正如預期，當感知用戶數量增加時，云平臺和邊緣節點的CPU時間也增加，但是以線性方式，因為它們的計算成本主要是密文上的操作，這與感知用戶的數量成正比。另一方面，感知用戶的計算成本幾乎是恒定的，例如，在手機中計算約為0.2 s，盡管感知用戶數量很多。就總運行時間而言，協議只需不到30 s即可實現超過1 000名員工的隱私保護任務分配。本文進行聚類多任務分配感知用戶數量在200名左右，運行時間約為5 s，從實驗結果看，隱私保護協議所增加的時間是可接受的。

5 結束語

本文提出了一種邊緣輔助群智感知隱私保護多任務分配機制。利用模糊聚類算法將地理位置相近任務聚類成組，使用同態加密將聚類中心位置和感知用戶位置加密，邊緣節點計算加密距離，云感知平臺僅能通過解密任務與用戶之間的距離來分配任務，保護任務位置隱私和感知用戶位置隱私，最后同時考慮平臺與感知用戶兩者利益，通過啟發式算法優化任務執行順序。實驗結果表明，與同類方法相比，EALP任務分配機制在總感知成本、任務完成率和平均移動距離方面有所提升。

盡管本文解決了群智感知位置隱私保護下的多任務分配問題，但是沒有考慮感知用戶的隱私偏好與興趣，下一步擬提出一種群智感知個性化隱私保護任務分配機制。

參考文獻：

［1］Capponi Fiandrino C， Kantarci B，et al.A survey on mobile crowdsensing systems： challenges， solutions， and opportunities［J］.IEEE Communications Surveys and Tutorials，2019， 21 （3）： 2419－2465.

［2］Fu Yuchuan， Li Changle， Yu F R，et al.A survey of driving safety with sensing， vehicular communications， and artificial intelligence－based collision avoidance［J］.IEEE Trans on Intelligent Transportation Systems ， 2022， 23 （7）： 6142－6163.

［3］Ganti R K， Ye Fan， Lei Hui. Mobile crowdsensing： current state and future challenges［J］.IEEE Communications Magazine ， 201 49 （11）： 32－39.

［4］Bock F， Di Martino S， Origlia A. Smart parking： using a crowd of taxis to sense on－street parking space availability［J］.IEEE Trans on Intelligent Transportation Systems ， 2019 ，21 （2）： 496－508.

［5］Wang En， Yang Yongjian， Wu Jie，et al.User recruitment system for efficient photo collection in mobile crowdsensing［J］.IEEE Trans on Human－Machine Systems ， 2019， 50 （1）： 1－12.

［6］Li Jiliang， Su Zhou， Guo Deke，et al.Secure data deduplication protocol for edge－assisted mobile crowdsensing services［J］.IEEE Trans on Vehicular Technology ， 202 70 （1）： 742－753.

［7］Ni Jianbing， Zhang Aiqing， Lin Xiaodong，et al.Security， privacy， and fairness in fog－based vehicular crowdsensing［J］.IEEE Communications Magazine ， 2017， 55 （6）： 146－152.

［8］Marjanovi c ＇M， Antoni c ＇ Z ˇ arko I P. Edge computing architecture for mobile crowdsensing［J］.IEEE Access ， 2018， 6 ：10662－10674.

［9］奚赫然， 朱敬華， 李金寶. 移動群智感知系統邊云協同工人招募算法［J］. 北京郵電大學學報， 2022，45 （4）： 77－83.（Xi Heran，Zhu Jinghua，Li Jinbao. Edge－cloud collaborative worker recruitment algorithm in mobile crowd sensing system［J］. Journal of Beijing University of Posts and Telecommunications，2022，45 （4）： 77－83.）

［10］Liu Luning， Wen Xianming， Wang Luhan，et al.Incentive－aware recruitment of intelligent vehicles for edge－assisted mobile crowdsensing［J］.IEEE Trans on Vehicular Technology ， 2020， 69 （10）： 12085－12097.

［11］Li Qinghu Cao Guohong， La Porta T F. Efficient and privacy－aware data aggregation in mobile sensing［J］.IEEE Trans on Dependable and Secure Computing ， 2013，11 （2）： 115－129.

［12］Shen Hang， Bai Guangwei， Hu Yujia，et al.P2TA： privacy－preserving task allocation for edge computing enhanced mobile crowdsensing［J］.Journal of Systems Architecture ， 2019，97 ： 130－141.

［13］Ma Lichuan， Liu Xuefeng， Pei Qingqi，et al.Privacy－preserving reputation management for edge computing enhanced mobile crowdsensing［J］.IEEE Trans on Services Computing ， 2019， 12 （5）： 786－799.

［14］Ding Xuyang， Lyu Ruizhao， Pang Xiaoyi，et al.Privacy－preserving task allocation for edge computing－based mobile crowdsensing［J］.Computers amp; Electrical Engineering ， 2022，97 ： 107528－107541.

［15］萬濤， 李婉琦， 葛晶晶. 基于區塊鏈的邊緣移動群智感知聲譽更新方案［J］. 計算機應用研究， 2022， 44 （6）： 1－6. （Wan Tao， Li Wanqi， Ge Jingjing. Reputation update scheme for blockchain－based edge mobile crowdsensing［J］.Application Research of Compu－ters，2022， 44 （6）： 1－6.）

［16］Wang Zhihu Guo Chaoqi， Liu Jiahao，et al.Accurate and privacy－preserving task allocation for edge computing assisted mobile crowdsensing［J］.IEEE Trans on Computational Social Systems ， 202 9 （1）： 120－133.

［17］Tao Xi， Song Wei. Location－dependent task allocation for mobile crowdsensing with clustering effect［J］.IEEE Internet of Things Journal ， 2018， 6 （1）： 1029－1045.

［18］蔣偉進， 呂斯健， 劉躍華， 等. 基于城市軌道交通的群智感知任務分發方法［J］. 電子與信息學報， 202 43 （10）： 3035－3042. （Jiang Weijin， Lyu Sijian， Liu Yuehu et al. Task distribution method of participatory sensing based on urban rail transit［J］.Journal of Electronics amp; Information Technology ， 202 43 （10）： 3035－3042.）

［19］Yin Bo， Li Jiaqi， Wei Xuetao. Rational task assignment and path planning based on location and task characteristics in mobile crowdsensing［J］.IEEE Trans on Computational Social Systems，202 9 （3）： 781－793.

［20］Paillier P.Public－key cryptosystems based on composite degree residuosity classes［C］//Proc of the 7th International Conference on the Theory and Application of Cryptographic Techniques. Berlin： Springer， 1999： 223－238.

［21］Li W Y G， Jia Bing， Xu Haotian，et al.A multi－task scheduling mechanism based on ACO for maximizing workers’ benefits in mobile crowdsensing service markets with the Internet of Things［J］.IEEE Access ， 2019，7 ： 41463－41469.

收稿日期：2023－07－07；修回日期：2023－09－01基金項目：國家自然科學基金資助項目（61300216）；河南省高等學校重點科研資助項目（23A520033）；河南理工大學博士基金資助項目（B2020－32，B2022－16）

作者簡介：敖山（1971—），男，四川豐都人，副教授，碩導，博士，主要研究方向為網絡信息安全、系統仿真建模；常現（1998—），男，河南平頂山人，碩士研究生，主要研究方向為網絡信息安全、群智感知；王輝（1975—），男，河南焦作人，博導，博士，主要研究方向為網絡安全、信息仿真；申自浩（1980—），男，河南南陽人，碩導，博士，主要研究方向為網絡信息安全、信息仿真；劉琨（1978—），女，河南焦作人，碩導，碩士，主要研究方向為網絡信息安全；劉沛騫（1970—），男（通信作者），山西大同人，碩導，博士，主要研究方向為網絡信息安全、機器學習（liupeiqian@hpu.edu.cn）．