感知時間不可區分的車輛群智感知隱私保護任務分配方案

摘 要：在車輛群智感知的任務分配中，大多數隱私保護機制將用戶暴露于潛在的時間感知推理下，使攻擊者能夠推斷出用戶的敏感信息。針對該問題，提出一種感知時間不可區分的隱私保護任務分配方案。首先，該方案為滿足用戶對感知時間隱私保護的需求，運用差分隱私技術，對車輛的原始停留數據添加拉普拉斯噪聲進行模糊處理。其次，在考慮任務之間旅行時間的同時，計算出車輛用戶完成感知任務概率，以此來判斷是否可以進行任務分配。若概率大于0，則合理分配所有任務保證負載均衡，否則不再分配任務。因此，該方案一方面提供了感知時間的隱私保護，另一方面能夠保障分配任務的有效性。最后通過與其他方案進行比較，并分析它們的相對性能，進一步證實了該方案的優越性。

關鍵詞：車輛群智感知；感知時間；差分隱私；隱私保護；任務分配

中圖分類號：TP311"" 文獻標志碼：A

文章編號：1001-3695（2025）04-031-1198-06

doi： 10.19734/j.issn.1001-3695.2024.09.0320

Indistinguishable sensing time privacy-preserving task allocation scheme for vehicular crowdsensing

Zhang Lei1， 2， 3， Zhang Xiao1， 2， Ji Lili1

（1.College of Information Science amp; Electronic Technology， Jiamusi University， Jiamusi Heilongjiang 154007， China; 2. The Heilongjiang Provincial Key Laboratory of Autonomous Intelligence amp; Information Processing， School of Information Science amp; Electronic Technology， Jiamusi University， Jiamusi Heilongjiang 154007， China; 3. Jiamusi Key Laboratory of Satellite Navigation Technology amp; Equipment Engineering Technology， Jiamusi Heilongjiang 154007， China）

Abstract：In the task allocation of vehicular crowdsensing， most privacy protection mechanisms expose users to potential temporal sensing inferences， enabling attackers to deduce sensitive user information. To address this issue， this paper proposed a privacy-preserving task allocation scheme that ensured indistinguishability of sensing times. Firstly， to meet the demand for privacy protection of sensing times， this scheme applied differential privacy technology to add Laplace noise to the original dwell data of vehicles， thereby obfuscating the data. Secondly， considering the travel time between tasks， it calculated the probability of vehicle users completing the sensing tasks， which helped to determine if task allocation could proceed. If the probability was greater than zero， it allocated all tasks reasonably to ensure load balancing; otherwise， no further tasks were assigned. Thus， this scheme provided privacy protection for sensing times on one hand and ensured the effectiveness of task allocation on the other. Finally， by comparing this scheme with others and analyzing their relative performance through simulation experiments， the results further confirm the superiority of the proposed scheme.

Key words：vehicular crowdsensing; sensing time; differential privacy; privacy protection; task allocation

0 引言

隨著群智感知技術的日益成熟和移動設備內置傳感器種類與功能的不斷豐富[1， 2]，多樣化任務高效分配成為了可能[3]。當今智能網聯汽車（intelligent connected vehicle，ICV）的快速發展，車輛群智感知（vehicular crowdsensing，VCS）已成為移動群智感知（mobile crowdsensing，MCS）最有前途的解決方案之一[4]。VCS通過招募車輛作為參與者來執行感知任務，新型的群智感知應用日益增多[4， 5]。大多車載網絡可以提供非常可靠的無線通信，同時車輛配備更加豐富的傳感器，具有更強大的計算和存儲能力[6]，比普通MCS更適合移動傳感任務[7]。因此，基于VCS的各種應用層出不窮，如交通監控[8]、智能停車[9]、空氣質量監測[10]等，提高交通效率和駕駛體驗的同時，為城市發展作出了貢獻[11]。由于VCS服務的客戶對特定區域和時間段內的感知數據感興趣，所以VCS的有效感知在很大程度上取決于任務分配方案的有效性，且隨著群智感知系統中車輛用戶與感知任務量的迅速增加，有效的任務分配策略是提升用戶參與度和獲得實用收益的關鍵[12， 13]。

車輛群智感知應用也存在許多可能影響群智感知結果的安全和隱私問題[14， 15]。一些方案由于沒有考慮到對用戶隱私的保護，從而影響任務分配的有效性[16～18]。部分在時間限制下的任務分配方案，不僅忽略了執行每項任務所需的時間，還沒有對其進行隱私保護，使得方案具有一定的風險[19～21]。因此在VCS任務分配的過程中，隱私保護問題非常重要[22， 23]。用戶需要將感知到的數據上傳到平臺，這些數據可能包含用戶身份、位置和其他私人屬性等敏感信息。如果平臺出現安全漏洞，用戶的隱私將暴露給未經授權的實體。Xiao等人[24]使用秘密共享方案保護用戶隱私；Zhuo等人[25]的研究致力于保護用戶采集的傳感結果的隱私性；Basudan等人[26]設計一種基于無證書聚合簽名加密方案，實現數據的保密性、完整性、隱私性和匿名性。

當前已有的隱私保護方案對感知時間的隱私保護和任務分配處理并不理想。因此，需要提出有效的解決方案，能夠在優化時空相關的VCS任務分配的同時，滿足用戶對隱私保護的需求。為此，本文提出感知時間不可區分的隱私保護任務分配方案，它在考慮任務之間的旅行時間的同時，對車輛用戶真實停留時間運用差分隱私技術來進行混淆，以此來保護感知時間的隱私，并將接收到的任務合理分配給多個資源（車輛用戶），以此來保證負載均衡。

1 預備知識

1.1 問題提出

目前，大部分研究只關注任務期限[19， 20]，并且在任務分配過程中的大多數隱私保護機制都強調保護用戶的位置信息[12， 27， 28]。然而與時空相關的車輛群智感知在任務分配過程中，由于對用戶感知時間隱私保護的疏忽，而導致用戶敏感數據泄露，這仍是未有效關注的問題。如果一個車輛用戶在感知周期c內完成了感知任務，并且在感知區域a內完成了感知任務，則稱在周期c內覆蓋了區域a。因此，本方案給定一組愿意參與傳感項目的車輛用戶U，劃分的傳感區域設為A，以及所有車輛用戶的呼叫記錄（包括呼叫時間和通信塔ID）和停留時間數據，滿足時空覆蓋的同時，運用差分隱私技術對停留時間數據混淆后進行負載均衡的任務分配。

1.2 隱私保護思想

在車輛群智感知任務分配過程中，車輛用戶往往通過無線接入點或蜂窩基礎設施與平臺共享數據，因此涉及到許多敏感數據泄露。在本文中，車輛用戶的感知時間對任務能否順利完成起著至關重要的作用。為準確高效地分配任務，車輛用戶首先向平臺提交他們在感知時段和區域的停留時間。然而，由于潛在的惡意攻擊者可能會從真實的停留時間推斷出日常習慣、軌跡和其他敏感信息，從而導致隱私風險。為解決這個問題，本方案將拉普拉斯噪聲添加到用戶的真實停留時間，以此來進行混淆數據，并通過規定合適的隱私參數，使方案既能夠運用差分隱私技術讓用戶獲得較好的隱私保護，又能保證良好的任務完成率。因為車輛用戶上傳的是模糊停留時間，而不是實際時間，使攻擊者無法從用戶完成任務的停留時間推斷出真實感知時間數據，從而成功保護隱私。

1.3 系統架構

整個VCS系統架構如圖1所示，該系統主要由云平臺和參與者兩方實體構成。

參與者是愿意參與傳感任務的車輛用戶，他們向云平臺發送原始數據，并在特定的感知區域執行任務后，上傳混淆的停留數據至云平臺；云平臺具有巨大的計算和存儲能力，需要收集并存儲參與者發送的歷史通話記錄和停留時間數據，并向參與者發放感知任務。在該圖中，群智感知傳感項目采用以云平臺為中心的任務分配方法。在每個感知周期中，參與者接收到任務后，將真實數據發送到云平臺，并在執行任務的過程中，運用本文方案上傳混淆后的停留數據至云平臺。

1.4 差分隱私

在差分隱私中， 要求攻擊者無法根據發布后的結果推測出哪一條結果對應于哪一個數據集。

3.3 實驗結果與分析

為了驗證本文方案與其他方案上的性能優勢，本文將該方案與UBTA[31]、LBTA[32]和MPPTA[33]進行比較，并以LBTA作為基準。本實驗主要測量了本文方案與UBTA、LBTA和MPPTA在TCR和LFI中的性能以及AvTCT。

圖2為固定100個任務，不同用戶數的TCR。從圖2中可以看出，當用戶數在40～80時，本文方案的任務完成率僅次于LBTA，因為本文方案的約束條件最多，但在任務分配過程中能夠實現負載均衡，最大化分配所提供的任務。通常，設置A的TCR值隨著用戶數量的增加而增加，因為增加更多的用戶使它們有可能執行更多的任務。

圖3為固定100位用戶，不同任務數的TCR。從圖3可以看出，當任務數量足夠多時，本文方案的任務完成率是最高的，并且能夠維持較為平穩的狀態。TCR隨著任務數量的增加而降低，是因為在用戶數量固定的情況下，任務數量的增加會導致無法執行其他任務。其中，MPPTA的任務完成率隨著任務數量的增加，急劇減少，因為其約束條件要求每名用戶最多可以執行一個任務，所以當用戶數固定時，隨著發出的任務數增多，無法完成的任務數也會逐漸增加。

圖4顯示了固定100個任務，不同用戶數的LFI圖。從圖4中可以看出，本文方案在負載平衡方面的公平性在用戶數少于80時最高。當用戶數大于80時，MPPTA的指數急劇增高，因為當用戶數和任務數越發接近時，其約束條件會使分配給用戶的任務數和最大任務數接近一致。UBTA急劇下降是由于在其方案中只給出了能否成功分配的條件，并沒有給出在任務分配時如何保證公平性的約束條件，所以沒有任何內在的公平性。

圖5顯示了固定100位用戶，不同任務數的LFI圖。從圖5中可以看出，MPPTA的負載公平較高，因其約束條件使得分配給任何用戶的任務數皆為0或1，本文方案和LBTA的負載公平指數基本持平，并相對平穩。

圖6為固定100個任務，不同用戶數的AvTCT，該參數未與MPPTA進行比較，因為MPPTA中的任務沒有任何開始或結束時間。從圖6中可以看出，本文方案完成任務的速度快于UBTA，因為雖然其約束條件最多，但能夠使在任務分配時，達到較快的負載均衡，并且與另外兩種方案相比，本方案的速度變化較為平穩。AvTCT隨著用戶的增加而減少，是因為隨著任務數量的固定，引入更多的用戶會導致每個用戶的任務減少，所以AvTCT得到了降低。

圖7為固定100位用戶，不同任務數的AvTCT。在圖7中，本文方案完成任務的速度略高于UBTA的速度，LBTA速度最快是因為其不僅約束條件少，并且也能夠實現負載均衡的任務分配。隨著用戶數量的固定，用戶總數的增加導致每個用戶的任務增加，AvTCT也因此相應地逐漸增多。

圖8和9分別為固定100個任務，不同用戶數和固定100位用戶，不同任務數的不同隱私參數的本文方案的TCR。從圖中可以看出，隱私參數的變化會導致任務完成數量的增減，當隱私參數ε=1.0時，任務完成率是最高的。因為隨著隱私參數的減少，噪聲數量急劇增加，使本文方案完成任務的條件更加苛刻，從而當隱私參數ε=0.1時，任務完成率是最低的。

4 結束語

為解決感知時間隱私暴露問題，本文提出感知時間不可區分的的隱私保護任務分配方案。它將感知到的任務合理分配給多個車輛用戶，并且在考慮任務之間旅行時間的同時，運用差分隱私技術對車輛用戶的停留時間進行處理，通過向真實數據中注入拉普拉斯噪聲實現數據混淆，從而滿足用戶對感知時間的隱私需求。該方案完成所需感知任務需要滿足三個條件：a）每個車輛用戶在特定的感知周期和感知區域內至少進行一次呼叫；b）每個車輛用戶在特定感知周期和感知區域內的停留時間等于或大于任務所需的感知持續時間；c）每個車輛用戶在特定感知周期和感知區域內的行程時間小于每個任務的開始時間。在以上條件都滿足的情況下，計算出完成感知任務的概率，最后以循環方式合理分配任務，確保沒有單個車輛用戶獨占系統中的所有任務，從而在任務分配方面保持負載均衡。

參考文獻：

[1]

Chen Min， Hao Yixue， Gharavi H， et al. Cognitive information mea-surements： a new perspective [J]. Information Sciences： an International Journal， 2019， 505 （C）： 487-497.

[2]Jin Xiaocong， Zhang Rui， Chen Yimin， et al. DPSense： differentially private crowdsourced spectrum sensing. in computer and communications security [C]//Proc of Computer and Communications Security. New York：ACM Press，2019：296-307.

[3]Guo Bin， Liu Yan， Wu Wenle， et al. ActiveCrowd： a framework for optimized multi-task allocation in mobile crowdsensing systems [J]. IEEE Trans on Human-Machine Systems， 2017（3）： 392-403.

[4]Basudan S， Lin Xiaodong， Sankaranarayanan K.A privacy-perserving vehicular crowdsensing-based road surface condition monitoring system using fog computing [J]. IEEE Internet of Things Journal， 2017，4 （3）： 772-782.

[5]Wan Jiafu， Liu Jianqi， Shao Zihui， et al. Mobile crowdsensing for traffic prediction in Internet of Vehicles [J]. Sensors， 2016，16： 88.

[6]Jiau M K， Huang S C， Hwang J N，et al. Multimedia services in cloud-based vehicular networks [J]. IEEE Intelligent Transportation Systems Magazine， 2015，7 （3）： 62-79.

[7]Wang Xiumin， Wu Weiwei， Qi Deyu. Mobility-aware participant recruitment for vehicle-based mobile crowdsensing [J]. IEEE Trans on Vehicular Technology， 2018，67（5）： 4415-4426.

[8]Li Meng， Zhu Liehuang， Lin Xiaodong. Privacy-preserving traffic monitoring with 1 report filtering via fog-assisted vehicular crowdsensing [J]. IEEE Trans on Services Computing， 2019， 14 （99）： 1902-1913.

[9]Lai Chengzhe， Li Qian， Zhou Haibo， et al. SRSP： a secure and reliable smart parking scheme with dual privacy preservation [J]. IEEE Internet of Things Journal， 2021，8（13）： 10619-10630.

[10]Liu Rui， Pan Jianping. Lightweight privacy-preserving truth discovery for vehicular air quality monitoring [J]. Digital Communications and Networks， 2023，9 （1）： 280-291.

[11]王振寧， 曹越， 江愷， 等. 車輛群智感知中激勵驅動的車輛選擇與調度方法 [J]. 計算機研究與發展， 2024， 61 （9）： 2213-2228. （Wang Zhenning， Cao Yue， Jiang Kai， et al. Incentive-driven vehicle selection and scheduling method in vehicular crowdsensing [J]. Journal of Computer Research and Development， 2024， 61 （9）： 2213-2228. ）

[12]Qian Yongfeng， Ma Yujun， Chen Jing， et al. Optimal location privacy preserving and service quality guaranteed task allocation in vehicle-based crowdsensing networks [J]. IEEE Trans on Intelligent Transportation Systems， 2021， 22： 4367-4375.

[13]Yu Yantao， Xue Xiaoping， Ma Jingxiao， et al. Efficient privacy-preserving task allocation with secret sharing for vehicular crowdsensing [J]. IEEE Internet of Things Journal， 2024，11 （6）： 9473-9486.

[14]Wang Zhihong， LiYongbiao， Li Dingcheng， et al. Enabling fairness-aware and privacy-preserving for quality evaluation in vehicular crowdsensing： a decentralized approach [J]. Security and Communication Networks， 2021，2021： 1-11.

[15]Xu Guowen， Li Hongwei， Tan Chen， et al. Achieving efficient and privacy-preserving truth discovery in crowd sensing systems [J]. Elsevier Advanced Technology， 2017， 69： 114-126.

[16]Li Hanshang， Li Ting， Wang Weichao， et al. Dynamic participant selection for large-scale mobile crowd sensing [J]. IEEE Trans on Mobile Computing， 2018，18： 2842-2855.

[17]Wang Jingtao， Wang Feng， Wang Yasha， et al. HyTasker： hybrid task allocation in mobile CrowdSensing [J]. IEEE Trans on Mobile Computing， 2020，19 （3）： 598-611.

[18]Wang Liang， Yu Zhiwen， Wu Kaishun， et al. Towards robust task assignment in mobile crowdsensing systems [J]. IEEE Trans on Mobile Computing， 2023， 22 （7）： 4297-4313.

[19]Huang Yang， Chen Honglong， Ma Guoqi， et al. OPAT： optimized allocation of time dependent tasks for mobile crowdsensing [J]. IEEE Trans on Industrial Informatics， 2021， 18 （4）： 2476-2485.

[20]Li Xin， Zhang Xinglin. Multi-task allocation under time constraints in mobile crowdsensing [J]. IEEE Trans on Mobile Computing， 2019，20 （4）： 1494-1510.

[21]Peng Shuo， Liu Kun， Wang Shiji， et al. Time window-based online task assignment in mobile crowdsensing： problems and algorithms [J]. Peer-to-Peer Networking Applications， 2023，16 （2）： 1069-1087.

[22]Luo Chengwen， Liu Xiao， Xue Wanli， et al. Predictable privacy-preserving mobile crowd sensing： a tale of two roles [J]. IEEE/ACM Trans on Networking， 2019，27： 361-374.

[23]Wang Zhibo， Hu Jiahui， Lyu Ruizhao， et al. Personalized privacy-preserving task allocation for mobile crowdsensing [J]. IEEE Trans on Mobile Computing， 2018， 18 （6）： 1330-1341.

[24]Xiao Mingjun， Wu Jie， Zhang Sheng， et al. Secret-sharing-based secure user recruitment protocol for mobile crowdsensing [C]//Proc of IEEE Conference on Computer Communications. Piscataway，NJ：IEEE Press， 2017：1-9.

[25]Zhuo Gaoqiang， Jia Qi， Guo Linke， et al. Privacy-preserving verifiable data aggregation and analysis for cloud-assisted mobile crowdsourcing [C]//Proc of IEEE Conference on Computer Communications. Piscataway，NJ：IEEE Press， 2016：1-9.

[26]Basudan S， Lin Xiaodong， Sankaranarayanan K. A privacy-preserving vehicular crowdsensing-based road surface condition monitoring system using fog computing [J]. IEEE Internet of Things Journal， 2017， 4 （3）： 772-782.

[27]Cheng Yudan， Ma Jianfeng， Liu Zhiquan， et al. A lightweight privacy preservation scheme with efficient reputation management for mobile crowdsensing in vehicular networks [J]. IIEEE Trans on Dependable and Secure Computing， 2023， 20 （3）： 1771-1788.

[28]Guan Yunguo， Lu Rongxing， Zheng Yandong， et al. Achieving privacy-preserving vehicle selection for effective content dissemination in smart cities [C]//Proc of IEEE Global Communications Conference. Piscataway，NJ：IEEE Press， 2020：1-6.

[29]Dwork C. Differential privacy [C]// Proc of the 33rd International Conference on Automata， Languages and Programming. Berlin：Springer，2006：338-340.

[30]Meitei M G， Marchang N. A user-centric task allocation approach in mobile crowdsensing [C]//Proc of Electronic Systems and Intelligent Computing. Singapore：Springer，2020： 627-639.

[31]Li Zhe， Liu Xiaolong， Huang Yang，et al. Probabilistic coverage constraint task assignment with privacy protection in vehicular crowdsen-sing [J]. Sensors， 2023， 23 （18）：7798 .

[32]Meitei M G， Marchang N. Provisioning load balancing in time-sensitive task allocation for mobile crowdsensing [J]. Journal of Network Systems Management， 2022，32 （1）：9783.

[33]Yu Longxin， Meng Haofei，Yu Wenwu. Privacy preserving task allocation with multi-objectives in edge computing enhanced mobile crowdsensing[C]//Proc of the 4th International Conference on Industrial Artificial Intelligence . 2022： 1-5.