[논문 리뷰] CENTURION: Incentivizing Multi-Requester Mobile Crowd Sensing

Haiming Jin, Lü Su외 1명|arXiv (Cornell University)|2017. 01. 06.

Mobile Crowdsensing and Crowdsourcing참고 문헌 22인용 수 7

한 줄 요약

CENTURION은 다수의 요청자와 모바일 워커 풀을 고려한 통합 프레임워크를 제안하며, 이중 Auction 기반 인centive 메커니즘과 신뢰도 인식 데이터 집계 방법을 결합한다. 이는 시뮬레이션에서 기존 기준 대비 데이터 정확도와 사회적 복지를 크게 향상시키면서도 진실성, 개인적 합리성, 계산 효율성을 보장한다.

ABSTRACT

The recent proliferation of increasingly capable mobile devices has given rise to mobile crowd sensing (MCS) systems that outsource the collection of sensory data to a crowd of participating workers that carry various mobile devices. Aware of the paramount importance of effectively incentivizing participation in such systems, the research community has proposed a wide variety of incentive mechanisms. However, different from most of these existing mechanisms which assume the existence of only one data requester, we consider MCS systems with multiple data requesters, which are actually more common in practice. Specifically, our incentive mechanism is based on double auction, and is able to stimulate the participation of both data requesters and workers. In real practice, the incentive mechanism is typically not an isolated module, but interacts with the data aggregation mechanism that aggregates workers' data. For this reason, we propose CENTURION, a novel integrated framework for multi-requester MCS systems, consisting of the aforementioned incentive and data aggregation mechanism. CENTURION's incentive mechanism satisfies truthfulness, individual rationality, computational efficiency, as well as guaranteeing non-negative social welfare, and its data aggregation mechanism generates highly accurate aggregated results. The desirable properties of CENTURION are validated through both theoretical analysis and extensive simulations.

연구 동기 및 목표

• 기존 인센티브 메커니즘이 단일 데이터 요청자만을 가정하는 점을 고려해, 다수의 경쟁 요청자와 함께 작동하는 시스템을 설계한다.
• 워커 선별과 데이터 신뢰도를 공동 최적화하기 위해 인센티브 및 데이터 집계 메커니즘을 통합한다.
• 인센티브 메커니즘이 핵심 게임이론적 성질을 만족하도록 보장한다: 진실성, 개인적 합리성, 계산 효율성, 비음성 사회적 복지.
• 이전 성과 기반 신뢰도 추정치를 활용해 신뢰도가 높은 워커에게 더 높은 가중치를 할당함으로써 데이터 집계 정확도를 향상시킨다.
• 이론적 분석과 다양한 워커 및 요청자 수에서의 광범위한 시뮬레이션을 통해 프레임워크를 검증한다.

제안 방법

• 요청자와 워커 모두가 입찰하는 이중 Auction 기반 인센티브 메커니즘(MELON)을 제안하며, 승자 선정은 마진사회복지 최대화 기준에 따라 수행된다.
• 이전 성과 기반 신뢰도 추정치를 활용해 더 높은 신뢰도를 가진 워커에게 더 높은 가중치를 할당하는 가중치 기반 데이터 집계 메커니즘을 설계한다.
• 인센티브 및 집계 메커니즘을 통합하여 워커의 신뢰도가 선별 및 보상 결정에 모두 영향을 미치도록 한다.
• 작업 커버리지 제약 조건을 만족하는 워커-작업 할당을 계산하기 위해 실현 가능한 커버 알고리즘을 사용한다.
• 진실성과 개인적 합리성을 보장하는 가격 설정 메커니즘을 구현하며, 승자 선정은 높은 마진사회복지 기준에 우선순위를 두어 수행된다.
• 두 기준선과 비교한다: MSW-Greedy(마진사회복지 기준으로 정렬) 및 AIR(모든 워커 집합 사용), 양자 모두 기존 이중 Auction 모델에서 유도된 변형이다.

실험 결과

연구 질문

• RQ1 MCS 시스템에서 다수의 경쟁 요청자와 대규모 모바일 워커 풀을 공정하고 효율적으로 조율하기 위해 어떤 인센티브 메커니즘이 설계될 수 있는가?
• RQ2 워커의 신뢰도를 인센티브 및 데이터 집계 과정에 통합할 경우, 이는 시스템의 정확도와 사회적 복지에 어떤 영향을 미치는가?
• RQ3 제안된 이중 Auction 메커니즘이 기존 메커니즘 대비 진실성, 개인적 합리성, 계산 효율성 측면에서 얼마나 뛰어나게 성능을 발휘하는가?
• RQ4 가중치 기반 데이터 집계 메커니즘은 평균 및 중앙값 집계 방식에 비해 평균 절대오차와 오차 확률을 얼마나 줄이는가?
• RQ5 실제 시뮬레이션 환경에서 통합된 CENTURION 프레임워크를 사용할 경우, 사회적 복지와 데이터 정확도에서 어떤 정량적 성과를 달성하는가?

주요 결과

• 시뮬레이션 설정 I 및 II 모두에서 CENTURION의 MELON 이중 Auction은 MSW-Greedy 및 AIR 기준선보다 유의미하게 높은 사회적 복지를 달성한다.
• 가중치 기반 집계 메커니즘은 평균 및 중앙값 집계 방식에 비해 평균 절대오차(MAE)를 크게 감소시키며, 모든 테스트 설정에서 일관되게 낮은 MAE 값을 기록한다.
• 집계 결과의 경험적 오차 확률(EP)은 항상 요구되는 상한선 βj 이하이며, 평균 및 중앙값 집계 방법보다 유의미하게 낮다.
• 프레임워크는 음성 사회적 복지를 유지하며, 진실성, 개인적 합리성, 계산 효율성과 같은 모든 바람직한 게임이론적 성질을 충족한다.
• 설정 I(워커 수 90에서 150으로 변화)에서 CENTURION은 워커 수 증가에도 불구하고 높은 사회적 복지와 낮은 MAE를 유지하여 강건성을 입증한다.
• 설정 II(요청자 수 20에서 80으로 변화)에서 CENTURION은 높은 요청자 환경에서도 우수한 성능을 유지하며, 확장성과 효과성을 입증한다.