Neue Ansätze in mobilen Crowdsensing-Systemen

Mobile Crowdsensing (MCS) ist eine Technik, die es Gruppen von Leuten mit mobilen Geräten ermöglicht, Daten zu sammeln. Das geht mit Smartphones, Tablets oder tragbaren Geräten, die oft eingebaute Sensoren haben. Die Hauptidee ist, die kollektive Power vieler Leute zu nutzen, um Informationen über die Umwelt zu sammeln. Diese Infos können für verschiedene Anwendungen nützlich sein, wie Verkehrsüberwachung, Umwelterfassung und öffentliche Gesundheit.

Da mobile Geräte immer häufiger werden, wird erwartet, dass die Anzahl dieser Geräte stark ansteigt. Bis 2025 könnte es weltweit über 18 Milliarden mobile Geräte geben. Jedes dieser Geräte kann Sensoraufgaben erfüllen, was es den Leuten ermöglicht, bei der Datensammlung mitzumachen.

MCS hat mehrere Vorteile gegenüber traditionellen Sensornetzwerken. Es hat geringere Infrastrukturkosten, eine grössere Abdeckung und mehr Flexibilität. Die Nutzer können ihre Geräte überallhin mitnehmen, was das Sammeln von Daten an verschiedenen Orten erleichtert. Dieser Ansatz hat sowohl Forscher als auch Branchenprofis interessiert.

#Wie Mobile Crowdsensing funktioniert

In einem typischen MCS-Setup gibt es drei Hauptkomponenten: Datenanfrager, eine Mobile Crowdsensing-Plattform (MCSP) und mobile Einheiten (MUs). Datenanfrager sind Personen oder Organisationen, die bestimmte Daten benötigen. Die MCSP fungiert als Vermittler, der Datenanfragen sammelt und Sensoraufgaben für MUs veröffentlicht. MUs sind die Leute, die ihre Geräte nutzen, um diese Aufgaben zu erledigen.

Wenn Datenanfrager Infos wollen, reichen sie ihre Anfragen an die MCSP ein. Diese Plattform wandelt die Anfragen dann in spezifische Aufgaben um, die MUs übernehmen können. MUs entscheiden, ob sie an diesen Aufgaben teilnehmen wollen, basierend auf dem Aufwand und der Bezahlung, die sie dafür erhalten.

MUs drücken ihre Bereitschaft zur Teilnahme aus, indem sie Sensorangebote an die MCSP senden. Diese Angebote beinhalten den Betrag, den sie erwarten, für die Erledigung der Aufgabe bezahlt zu werden. Die MCSP überprüft diese Angebote und entscheidet, welche MUs welchen Aufgaben zugewiesen werden, wobei sie versucht, ihr eigenes Einkommen mit der Zufriedenheit der MUs in Einklang zu bringen.

#Herausforderungen im Mobile Crowdsensing

Es gibt erhebliche Herausforderungen bei der Koordination der Datensammlung in MCS-Systemen. Diese Herausforderungen ergeben sich hauptsächlich aus konfligierenden Zielen und Ungewissheiten.

1. Konfligierende Ziele: MUs und die MCSP haben oft unterschiedliche Ziele. MUs wollen so viel Geld wie möglich verdienen und dabei den Aufwand minimieren, während die MCSP darauf abzielt, ihre Einnahmen zu maximieren, indem sie Aufgaben den MUs zu den geringsten Kosten zuweisen. Diese konkurrierenden Interessen können zu Konflikten bei der Aufgabenvergabe führen.

2. Ungewissheit: Sowohl MUs als auch die MCSP haben oft nicht alle Infos über die Aufgaben und über einander. Zum Beispiel wissen MUs möglicherweise nicht, wie viel Aufwand eine Aufgabe erfordern wird, bevor sie es versuchen. Sie erfahren erst nach der Erledigung der Aufgabe, wie viel Aufwand es war. Ähnlich hat die MCSP möglicherweise keine genauen Informationen über die Fähigkeiten und Vorlieben der MUs.

Diese beiden Herausforderungen müssen angegangen werden, damit MCS effizient funktioniert.

#Vorgeschlagene Lösung: Dezentrale Herangehensweise

Um diese Probleme zu lösen, wurde ein neuer dezentraler Ansatz entwickelt, der Matching-Theorie mit Online-Lernen kombiniert. Diese Methode heisst Collision-Avoidance Multi-Armed Bandit with Strategic Free Sensing (CA-MAB-SFS).

Im Grunde ermöglicht dieser Ansatz MUs, über ihre eigenen Aufwände zu lernen, während sie Konflikte mit anderen MUs minimieren. Indem MUs im Laufe der Zeit lernen, wie viel Aufwand jede Aufgabe erfordert, können sie bessere Entscheidungen darüber treffen, an welchen Aufgaben sie teilnehmen. Der CA-MAB-SFS-Algorithmus erlaubt es MUs auch, manchmal anzubieten, Aufgaben kostenlos zu übernehmen, was ihnen hilft, Erfahrungen zu sammeln und über den erforderlichen Aufwand zu lernen.

#Mobile Einheiten und Aufgabenmerkmale

Jeder MU kann immer nur eine Aufgabe gleichzeitig erledigen. Jede Aufgabe hat verschiedene Merkmale, je nach Art, wie Temperaturmessung oder Fotos machen. Die Zeit, die zum Abschluss dieser Aufgaben benötigt wird, besteht aus drei Hauptteilen: der Zeit, die für die Datensammlung (Sensing) benötigt wird, der Verarbeitung dieser Daten (Rechnung) und dem Zurücksenden der Ergebnisse (Kommunikation).

Die Zeit, die für jeden Teil benötigt wird, variiert je nach Aufgabentyp und dem speziellen MU, der die Aufgabe ausführt. Es ist auch wichtig zu beachten, dass MUs begrenzte Energiequellen haben, was es unerlässlich macht, ihre Aufwände klug zu managen.

#Verständnis des Systemmodells

Eine vereinfachte Übersicht des Systems umfasst eine Gruppe von MUs und eine MCSP, die Aufgaben veröffentlicht. MUs können aus diesen Aufgaben wählen, aber die Einzelheiten jeder Aufgabe, wie Energieverbrauch und benötigte Zeit, sind oft nicht klar, bevor sie beginnen.

Jedes Mal, wenn die MCSP eine Aufgabe veröffentlicht, können MUs Sensorangebote mit Zahlungsanträgen basierend auf ihrem Verständnis des erforderlichen Aufwands senden. Die MCSP überprüft dann diese Angebote und trifft Aufgabenvergaben basierend auf ihren Präferenzen und den erhaltenen Vorschlägen.

#Aufgabenvergabe-Spiel

Die Aufgabenvergabe kann als Spiel zwischen MUs und der MCSP verstanden werden. In diesem Spiel hat jede Partei ihre eigenen Interessen. MUs wollen ihre Einnahmen verbessern, indem sie Aufgaben auswählen, die sie mit dem geringsten Aufwand erledigen können, während die MCSP versucht, die Kosten zu minimieren, indem sie MUs auswählt, die niedrigere Zahlungen anfordern.

Um diesen ausgewogenen Ansatz zu erreichen, wird die Matching-Theorie verwendet, um sicherzustellen, dass keine Seite besser dran wäre, wenn sie die aktuelle Aufgabenvergabe ändert. Das Ziel ist, ein stabiles Matching zu erreichen, bei dem alle Teilnehmer mit den zugewiesenen Aufgaben zufrieden sind.

#Umgang mit unvollständigen Informationen

Unvollständige Informationen sind eine grosse Herausforderung im MCS. MUs wissen möglicherweise nicht, wie viel Aufwand es kosten wird, eine Aufgabe zu erledigen, bis sie es versuchen. Zusätzlich haben MUs keine Ahnung von den Vorlieben und Aufwänden anderer MUs, was zu Konkurrenz um die gleichen Aufgaben führen kann.

Um diese Probleme zu managen, lässt der CA-MAB-SFS-Ansatz MUs allmählich über ihre erforderlichen Aufwände durch Erfahrungen lernen. Das hilft ihnen, informiertere Entscheidungen zu treffen und verringert die Wahrscheinlichkeit von überschneidenden Angeboten für die gleichen Aufgaben.

#CA-MAB-SFS Algorithmus Übersicht

Der Vorteil des CA-MAB-SFS-Algorithmus liegt in seiner dezentralen Struktur. Jeder MU agiert unabhängig und lernt aus seinen eigenen Erfahrungen, ohne Informationen mit anderen MUs teilen zu müssen.

Wenn MUs Ablehnung für ihre Angebote erleben, können sie wählen, einige Aufgaben kostenlos zu erledigen. Diese Strategie ermöglicht es ihnen, wertvolle Informationen über die Anforderungen der Aufgaben zu sammeln und ihre zukünftigen Vorschläge zu verbessern.

Dieser Algorithmus führt dazu, dass MUs allmählich stabile Aufgabenvergaben finden, bei denen ihre Interessen mit denen der MCSP übereinstimmen, was letztendlich zu einer höheren Zufriedenheit für beide Parteien führt.

#Evaluierung der Leistung

Die Leistung des CA-MAB-SFS-Algorithmus kann durch mehrere Kennzahlen bewertet werden:

1. Gesellschaftliches Wohl: Das ist der Gesamtvorteil, den sowohl MUs als auch die MCSP erhalten. Es ist die Summe aller Nutzen, die MUs und die MCSP erhalten.

2. Durchschnittliche Aufgabenabschlusszeit: Diese Kennzahl bewertet, wie schnell Aufgaben abgeschlossen werden.

3. Energieeffizienz: Dies misst, wie effektiv Energie beim Erledigen von Aufgaben genutzt wird.

4. Stabilität und Blocking Pairs: Weniger Blocking Pairs deuten auf eine stabilere Aufgabenvergabe hin, bei der MUs und die MCSP mit ihren Aufgaben zufrieden sind.

#Ergebnisse des vorgeschlagenen Ansatzes

Simulationen des CA-MAB-SFS-Algorithmus zeigen, dass er sowohl die Zufriedenheit der Arbeiter als auch den Nutzen der MCSP effektiv steigert. Die Ergebnisse deuten darauf hin, dass unter verschiedenen Bedingungen dieser Algorithmus die durchschnittliche Zeit, die zum Abschluss von Aufgaben benötigt wird, im Vergleich zu traditionellen Ansätzen deutlich reduziert.

Ausserdem neigt die Anzahl der Blocking Pairs dazu, abzunehmen, was darauf hinweist, dass MUs mit ihren zugewiesenen Aufgaben zufriedener sind. Im Gegensatz dazu lassen bestehende Algorithmen oft viele MUs unzufrieden zurück, was zu einer insgesamt weniger effizienten Aufgabenvergabe führt.

#Fazit

Mobile Crowdsensing bietet eine leistungsstarke Methode zur Datensammlung durch die kollektiven Anstrengungen von Individuen mit mobilen Geräten. Der vorgeschlagene CA-MAB-SFS-Algorithmus geht effektiv auf die Herausforderungen ein, die durch konflikterfüllte Ziele und unvollständige Informationen bei der Aufgabenvergabe entstehen.

Indem MUs individuell lernen und gleichzeitig Konflikte minimiert werden und stabile Zuweisungen gesichert sind, verbessert dieser Ansatz die Gesamteffizienz und Effektivität von Mobile Crowdsensing-Systemen. Da mobile Technologie weiterhin wächst, werden diese Methoden entscheidend sein, um das Potenzial von MCS zu maximieren.

Zusammenfassend bietet die Dezentralisierung des Lernens innerhalb von MCS eine vielversprechende Zukunft für Datensammlungsmethoden und verbessert gleichzeitig die Zufriedenheit aller beteiligten Teilnehmer. Das ist entscheidend für die Entwicklung reaktionsfähiger und flexibler Systeme in verschiedenen Anwendungsbereichen, von öffentlicher Gesundheit bis hin zu Umweltüberwachung.