Mobility-aware trustworthy crowdsourcing in cloud-centric Internet of Things
Notice bibliographique
Résumé
In the Internet of Things (IoT) era, smart devices that are equipped with various types of sensors can enable access to the IoT architecture through a cloud-inspired service model, namely Sensing-as-a-Service (S2aaS). S2aaS can provide crowdsourced data to an application running on a cloud platform. The crowdsourced data can be used for several purposes such as public safety. One of the biggest challenges here is the incentive mechanisms for the users who are requested to provide S2aaS. In this paper, we propose mobility-aware trustworthy crowdsourcing (MATCS) framework in a cloud-centric IoT architecture which adopts and extends a previous scheme, Trustworthy Sensing for Crowd Management (TSCM) [1] by incorporating user mobility-awareness in the presence of maliciously altered sensing data. MATCS employs a user-centric incentive mechanism which collects sensing data based on an auction procedure. In the auction procedure, MATCS uses users' reputations, bids, current location and their estimated dislocation during crowdsourcing process. Furthermore, in order to investigate the benefits of reputation-awareness, we also propose reputation-unaware Mobility-Aware Crowdsourcing (MACS). Performance of MATCS is evaluated via simulations, and it is compared to MACS and a benchmark scheme, which aims at making a compromise between the utilities of the users and the platform by considering neither mobility nor trustworthiness. Simulation results confirm that mobility-awareness improves the utility of the platform significantly whereas combining reputation-awareness and mobility-awareness by MATCS can triple the improvement. Besides, user incomes are not significantly impacted by MACS or MATCS when users are mobile. Furthermore, maliciously altered data ratio can be degraded by 20%~55% by reputation-awareness in MATCS.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».