[논문 리뷰] Crowdsensing in Opportunistic Mobile Social Networks: A Context-aware and Human-centric Approach

Phuong T. Nguyen, Klara Nahrstedt|arXiv (Cornell University)|2017. 04. 27.

Opportunistic and Delay-Tolerant Networks참고 문헌 16인용 수 9

한 줄 요약

이 논문은 사회적 이벤트에서의 실세계 트레이스를 기반으로, 문제를 정점 커버 문제로 모델링하여 기회적 모바일 소셜 네트워크에서 군중 센싱을 최적화하기 위한 맥락 인식형, 인간 중심의 근사 알고리즘을 제안한다. 기존 근사 알고리즘 대비 더 나은 성능을 달성하기 위해 노드의 관측 가능성과 커버리지 유틸리티 스코어를 도입하여 센싱 커버리지를 향상시켰다.

ABSTRACT

In recent years, there have been efforts to collect human contact traces during social events (e.g., conferences) using Bluetooth devices (e.g., mobile phones, iMotes). The results of these studies have enabled the ability to do the crowd-sourcing task from within the crowd, in order to answer questions, such as: what is the current density of the crowd, or how many people are attending the event? However, in those studies, the sensing devices are usually distributed and configured in a certain manner. For example, the number of devices is fixed, people register for the devices on a volunteering basis. In this paper, we treat the above problem as an optimization problem and draw the connection to the vertex cover problem in graph theory. Since finding the optimal solution for minimum vertex cover problem is NP-complete, approximation algorithms have to be used. However, we will show that the well-known approximation algorithms do not perform well with the crowd-sensing task. In this paper, we propose the notions of node observability and coverage utility score and design a new context-aware approximation algorithm to find vertex cover that is tailored for crowd-sensing task. In addition, we design human-centric bootstrapping strategies to make initial assignment of sensing devices based on meta information about the participants (e.g., interests, friendship). The motivation is to assign the sensing task to a more "socialized" device to obtain better sensing coverage. We perform comprehensive experiments on real-world data traces obtained from previous experimental studies in conference and academic social context. The results show that our proposed approach significantly outperforms the baseline approximation algorithms in terms of sensing coverage.

연구 동기 및 목표

• 동적이고 사회적으로 정보가 반영된 군중 센싱 시나리오에서 일반적인 근사 알고리즘이 효율적이지 못한 문제를 해결하기 위해.
• 장치 수와 간격 제약 조건이 고정된 조건에서, 작업을 정점 커버 문제로 모델링하여 센싱 커버리지를 최적화하기 위해.
• 사회적 유대관계와 개인적 관심사와 같은 인간 중심의 메타정보를 초기 센싱 장치 할당에 통합하기 위해.
• 더 많은 사회적 연결성을 가진 개인을 센싱 역할에 우선 배정하여 센싱 커버리지를 향상시키기 위해.

제안 방법

• 그래프 이론에서 정점 커버 문제로 군중 센싱 작업을 모델링하며, 정점은 장치를, 간선은 기회적 접촉을 나타낸다.
• 노드의 관측 가능성 개념을 도입하여, 노드가 시간에 따라 이웃을 얼마나 잘 관측할 수 있는지 정량화한다.
• 커버리지 유틸리티 스코어를 정의하여, 노드의 통합 센싱 기여도를 평가하며, 중복을 줄이고 커버리지를 증가시키는 데 유리한 노드를 선호한다.
• 높은 커버리지 유틸리티와 관측 가능성을 가진 노드를 우선 배정하는 맥락 인식형 근사 알고리즘을 제안한다.
• 사회적 유대관계와 공통 관심사를 기반으로 센싱 역할을 할당하는 인간 중심의 부트스트랩 전략을 활용하여 초반 커버리지를 향상시킨다.
• 장치들이 주기적으로 데이터를 보고하고 업데이트된 센싱 지시를 수신하는 중심 집중식 센싱 모델을 사용한다.

실험 결과

연구 질문

• RQ1 기존의 정점 커버 근사 알고리즘은 기회적 모바일 군중 센싱의 동적이고 사회적으로 정보가 반영된 맥락에 어떻게 적응시킬 수 있는가?
• RQ2 인간 상호작용의 사회적 및 시공간적 특성이 기회 네트워크에서 센싱 커버리지에 얼마나 큰 영향을 미치는가?
• RQ3 우정 관계와 관심사와 같은 메타정보를 통합하면 센싱 장치의 초도 할당이 향상되는가?
• RQ4 제안된 맥락 인식형 알고리즘이 기준 근사 방법 대비 커버리지 효율성 측면에서 어떻게 비교되는가?
• RQ5 실세계 시나리오에서 커버리지를 최대화하기 위해 최적의 센싱 간격과 장치 수 조합은 무엇인가?

주요 결과

• 제안된 맥락 인식형 근사 알고리즘이 실세계 모바일 트레이스 데이터셋에서 표준 근사 알고리즘보다 센싱 커버리지 측면에서 뚜렷이 뛰어난 성능을 보였다.
• 사회적 유대관계와 관심사를 기반으로 한 인간 중심의 부트스트랩 전략을 통합할 경우, 무작위 또는 근시적인 할당 방식보다 더 나은 초도 장치 할당과 향상된 커버리지가 달성되었다.
• 센싱 간격의 길이가 커버리지에 측정 가능한 영향을 미치며, 맥락 적응형 간격 설정에서 최적의 성능이 달성되었다.
• 사용 가능한 센싱 장치 수가 제한된 상황에서도 알고리즘이 강력한 성능을 유지하여 자원 제약 조건 하에서도 탄탄함을 입증했다.
• 노드의 관측 가능성과 커버리지 유틸리티 스코어는 동적 상호작용 패턴을 효과적으로 포착하여, 일반적인 그래프 기반 메트릭보다 더 나은 센싱 노드 선정이 가능함을 보여주었다.