[論文レビュー] Incentive Mechanisms for Participatory Sensing: Survey and Research Challenges

Francesco Restuccia, Sajal K. Das+1 more|arXiv (Cornell University)|Feb 26, 2015

Mobile Crowdsensing and Crowdsourcing参考文献 73被引用数 45

ひとこと要約

この論文は、参加型センシングシステムにおけるインcentiveメカニズムを調査し、参加意欲の課題に対処するための目的と手法に基づく分類法を提案する。情報の質（QoI）モデリング、ユーザ行動予測、報酬戦略最適化の分野における主な研究ギャップを特定し、特にマルチメディアデータおよびモバイルセキュリティエージェントを用いたスケーラブルで安全な検証の分野で焦点を当てる。

ABSTRACT

Participatory sensing is a powerful paradigm which takes advantage of smartphones to collect and analyze data beyond the scale of what was previously possible. Given that participatory sensing systems rely completely on the users' willingness to submit up-to-date and accurate information, it is paramount to effectively incentivize users' active and reliable participation. In this paper, we survey existing literature on incentive mechanisms for participatory sensing systems. In particular, we present a taxonomy of existing incentive mechanisms for participatory sensing systems, which are subsequently discussed in depth by comparing and contrasting different approaches. Finally, we discuss an agenda of open research challenges in incentivizing users in participatory sensing.

研究の動機と目的

• 参加型センシングシステムにおける信頼性の高い積極的ユーザ参加を促すという、極めて重要な課題に対処する。
• 目的と手法に基づいて、既存のインcentiveメカニズムを包括的に分類する。
• 特に音声、動画、画像などのマルチメディアデータに対して、情報の質（QoI）モデリングにおける未解決の研究課題を特定する。
• スケーラブルで安全なメカニズム（例：モバイルセキュリティエージェント（MSA））の設計を検討し、センシングレポートの検証を改善し、QoIを向上させる。
• 制限付きのユーザ合理性と変動するセンシングレポート品質を考慮した最適な報酬戦略を調査する。

提案手法

• 目的（例：レピュテーション、オークションベース、QoIに配慮したもの）と手法（例：ゲーム理論、オークション理論）に基づいて、インcentiveメカニズムの分類を提案する。
• 戦略的ユーザ行動を保証し、操作を防ぐために、ゲーム理論的モデルを用いて既存のアプローチを分析する。
• スケーラブルで安全な方法でセンシングレポートの検証とQoIの向上を図るため、モバイルセキュリティエージェント（MSA）をメカニズムとして導入する。
• ヒューリスティック関数を用いてセンシングレポートのQoIを推定するが、論文では非物理的センサデータのQoIを定義する際の制限を指摘している。
• システムリソース（例：MSA）を関数としてQoIをモデル化し、信頼性を予測し、リソース割り当てを最適化する。
• オークション理論とレピュテーションシステムを用いて、高品質な貢献に報酬を支払い、スパムや偽のデータを抑止するインcentiveメカニズムを設計する。

実験結果

リサーチクエスチョン

• RQ1 音声、動画、画像を含む多様な参加型センシングデータタイプに対して、情報の質（QoI）を意味的に定義し、測定することは可能か？
• RQ2 コラボレーションや位置情報に基づく攻撃を効果的に防ぎつつ、スケーラビリティとセキュリティを確保するインcentiveメカニズムは何か？
• RQ3 システムリソース（例：MSA）とQoIの関係をどのようにモデル化・最適化すれば、所望のセンシングレポート品質を保証できるか？
• RQ4 長期的なユーザ参加を維持するために、外的動機と内的動機の両方を最適にバランスさせる報酬戦略は何か？
• RQ5 制限付きのユーザ合理性の下でユーザ行動をどのようにモデル化すれば、より現実的で効果的なインcentiveメカニズムを設計できるか？

主な発見

• 既存のインcentiveメカニズムは、音声や動画など、アプリケーションの文脈に強く依存するマルチメディアデータのQoIを意味的に定義するのにはしばしば失敗している。
• RestucciaとDas（2014）が提唱したモバイルセキュリティエージェント（MSA）アプローチは、センシングレポートの検証とQoIの向上を実現するスケーラブルで安全な方法を提供するが、正式なQoI定義が欠けている。
• 参加型センシングには、特に非物理的センサデータに対して、標準的または普遍的に適用可能なQoI指標が存在せず、アプリケーションに特化した定義が必要である。
• ヒューリスティックなQoI関数を用いる現在のアプローチは、実際のデータの正確さを実世界の値と比較して測定していないため、信頼性に制限がある。
• 適切な検証メカニズムがなければ、信頼性の低いレポートが受け入れられる確率は依然として高く、リソースに配慮したQoIモデリングの必要性が浮き彫りになる。
• 将来的なインcentiveメカニズムは、制限付きのユーザ合理性と動的なユーザ行動を考慮に入れる必要があり、持続的で高品質な参加を保証する。