Reliability-Driven Task Assignment in Vehicular Crowdsourcing: A Matching Game
Notice bibliographique
Résumé
Vehicular crowdsourcing is an emerging mobile sensing-based paradigm in which a service platform manages the allocation of data collection and processing tasks to vehicles according to their itinerary, expected response time, and optimal reward. However, selfish or malicious vehicles may take advantage of the platform to maximize their profit or even attack the deployed sensing applications and compromise their decisions by transmitting unreliable data, which can degrade the quality of delivered services and negatively affect the platform reward and reputation. In this paper, we design a task assignment mechanism for vehicular crowdsourcing based on vehicles' reliability to protect the platform from such threats. First, a beta reputation system is adopted for probabilistic reliability assessment according to vehicles' behavior. Then, a new multi-dimensional task assignment problem, which proves to be NP-complete, is modeled as a many-to-one matching game between the platform and vehicles by defining reliability and reward-based preference functions. Finally, a distributed matching algorithm that aims at maximizing the platform reward by assigning the tasks to reliable participants is presented. The mechanism also achieves privacy-preservability by enabling vehicles to engage in the task allocation process without necessarily unveiling their sensitive information. Results show that the proposed mechanism increases the quality of crowdsourcing services by assigning the tasks to reliable and benign vehicles, and adheres to the scalability requirements of the system.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».