ChainSensing: A Novel Mobile Crowdsensing Framework With Blockchain
Notice bibliographique
Résumé
Mobile crowdsensing (MCS) is a promising paradigm of large-scale sensing. A group of mobile users is recruited with their smart devices to accomplish various sensing tasks in specific areas. The mobility and intelligence of mobile users enable MCS to achieve a sufficient coverage ratio of sensing tasks or areas. Currently, MCS is generally proposed and implemented in a centralized way under a platform’s control. However, this centralized structure is vulnerable to a single point of failure. The platform’s failure leads to a shutdown of the entire system. In addition, there is a trust issue between the platform and mobile users because of computational transparency and financial security. It is possible that the platform manipulates the working process of MCS to obtain an improper gain. To overcome these problems, we propose a decentralized MCS framework, named ChainSensing, by leveraging blockchain. In ChainSensing, mobile users interact with blockchain via smart contracts to complete their operations, e.g., publishing sensing tasks and submitting collected data. Since there are computationally intensive problems in ChainSensing, e.g., path planning, path selection, and reward determination, it is significantly expensive to solve such problems in blockchain. Therefore, we propose to leverage smart devices and computing oracles to solve these problems. Specifically, we propose a heuristic algorithm to solve the path planning problem in smart devices of mobile users; we employ computing oracles to solve the path selection and reward determination problems. Finally, we conduct numerical simulations based on Ethereum to evaluate the performance of ChainSensing.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».