[논문 리뷰] Incentive Mechanisms for Mobile Crowd Sensing: Current States and Challenges of Work

Jiajun Sun|arXiv (Cornell University)|2013. 10. 31.

Mobile Crowdsensing and Crowdsourcing참고 문헌 8인용 수 5

한 줄 요약

이 논문은 모바일 커뮤니티 센싱(MCS) 애플리케이션을 위한 새로운 아키텍처를 제안하고, 대규모 사회적 도입을 가능하게 하기 위한 인cent라이브 메커니즘 설계 과제를 조사한다. 사용자 참여와 데이터 품질을 유도하는 데 있어 핵심 연구 과제를 규명하며, 모바일 기기들을 활용한 동적이고 기회적인 데이터 수집 분야의 향후 연구에 기초를 마련한다.

ABSTRACT

Mobile crowd sensing (MCS) is a new paradigm which leverages the ubiquity of sensor-equipped mobile devices such as smartphones, music players, and in-vehicle sensors at the edge of the Internet, to collect data. The new paradigm will fuel the evolution of the Internet of Things to three changes as follows: First, the terminal devices at the edge of the Internet change from PCs to mobile phones. Second, the interactive mode extends from the virtual space to the real physical world. Thirdly, the forwarding manner of sensing data are undergoing the transition from the priori to the opportunistic. To better meet the demands of MCS applications at a societal scale, incentive mechanisms are indispensable. In this paper, we will first overview three categories of MCS applications, and then propose a new architecture for MCS applications. Based on the architecture, we discuss various research challenges about incentive mechanism designs for MCS applications, followed by potential future work discussions. Finally, we present potential future works.

연구 동기 및 목표

• 사회적으로 대규모로 확장 가능한 모바일 커뮤니티 센싱(MCS) 애플리케이션의 증가하는 수요를 해결하기 위해.
• MCS를 위한 효과적인 인센티브 메커니즘 설계에 있어 근본적인 과제를 규명하고 분석하기 위해.
• 동적이고 기회적인 데이터 수집을 지원하는 MCS 애플리케이션을 위한 새로운 아키텍처 프레임워크를 제안하기 위해.
• 실제 센싱 환경에서 사용자 참여, 데이터 품질, 인센티브 설계 간의 상호작용을 검토하기 위해.
• MCS의 인센티브 메커니즘 설계 분야에서의 향후 연구 방향을 요약하기 위해.

제안 방법

• 동적이고 기회적인 데이터 포워딩 및 실제 세계 상호작용을 지원하는 MCS 애플리케이션을 위한 새로운 아키텍처를 제안한다.
• 다양한 용도 요구사항을 이해하기 위해 MCS 애플리케이션을 세 가지 상이한 범주로 분류한다.
• 사용자 동기, 데이터 품질, 시스템 확장성의 관점에서 인센티브 메커니즘을 분석한다.
• 사전 정의된 데이터 수집에서 모바일 기기를 활용한 기회적이고 맥락 인식 센싱으로의 전환을 검토한다.
• 시스템 아키텍처와 애플리케이션 요구사항에 기반한 인센티브 메커니즘 설계 원칙을 규명한다.
• 사용자 인cent라이브, 데이터 유틸리티, 네트워크 효율성 간의 트레이드오프를 탐색하기 위해 개념적 모델링을 사용한다.

실험 결과

연구 질문

• RQ1 대규모 MCS 애플리케이션에서 장기적인 사용자 참여를 유지하기 위해 어떻게 인센티브 메커니즘을 설계할 수 있는가?
• RQ2 MCS에서 기회적이고 맥락 인식 데이터 수집을 지원하기 위해 필수적인 아키텍처 구성 요소는 무엇인가?
• RQ3 MCS의 다양한 애플리케이션 범주가 효과적인 인센티브 메커니즘 설계에 어떻게 영향을 미치는가?
• RQ4 사용자 인센티브, 데이터 품질, 시스템 효율성 간의 균형을 맞추는 데 있어 핵심적인 기술적 및 체계적 과제는 무엇인가?
• RQ5 MCS의 인센티브 메커니즘 발전을 위해 가장 유망한 향후 연구 방향은 무엇인가?

주요 결과

• 사전 정의된 데이터 포워딩에서 기회적인 포워딩으로의 전환은 대규모 실생활 MCS 애플리케이션을 위한 핵심적 추진력이다.
• 모바일 기기들이 에지 노드로 기능함에 따라, 최종 사용자 기기의 역할이 수동 수신기에서 능동적인 데이터 기여자로 근본적으로 변화한다.
• 인센티브 메커니즘은 사회적 규모의 MCS 요구사항과 사용자 참여 사이의 격차를 메우는 데 필수적이다.
• 제안된 아키텍처는 동적이고 맥락 인식 센싱을 지원하며, 애플리케이션 특화 요구사항에 기반한 민첩한 인센티브 설계를 가능하게 한다.
• 인센티브 설계 분야의 연구 과제에는 사용자 동기, 데이터 품질, 시스템 확장성 간의 균형을 맞추는 것이 포함된다.
• 향후 연구는 사용자 행동과 환경 조건의 변화에 대응하는 적응형 인센티브 모델에 집중해야 한다.