[논문 리뷰] IncentMe: Effective Mechanism Design to Stimulate Crowdsensing Participants with Uncertain Mobility

Francesco Restuccia, Pierluca Ferraro외 3명|arXiv (Cornell University)|2018. 04. 30.

Mobile Crowdsensing and Crowdsourcing인용 수 5

한 줄 요약

IncentMe는 이동성의 불확실성을 고려한 모바일 커뮤니티센싱을 위한 게임이론적 역 Auction 메커니즘을 제안하며, 예산 타당성, 진실성, 개인적 합리성을 보장한다. 실질적인 샌프란시스코, 로마, 베이징의 택시 이동 추적 데이터를 바탕으로 부분모듈러 최적화와 병렬가능한 근사 알고리즘을 활용하여 이전 연구 대비 30% 향상된 모집 효율성을 달성한다.

ABSTRACT

Mobile crowdsensing harnesses the sensing power of modern smartphones to collect and analyze data beyond the scale of what was previously possible. In a mobile crowdsensing system, it is paramount to incentivize smartphone users to provide sensing services in a timely and reliable manner. Given sensed information is often valid for a limited period of time, the capability of smartphone users to execute sensing tasks largely depends on their mobility, which is often uncertain. For this reason, in this paper we propose IncentMe, a framework that solves this fundamental problem by leveraging game-theoretical reverse auction mechanism design. After demonstrating that the proposed problem is NP-hard, we derive two mechanisms that are parallelizable and achieve higher approximation ratio than existing work. IncentMe has been extensively evaluated on a road traffic monitoring application implemented using mobility traces of taxi cabs in San Francisco, Rome, and Beijing. Results demonstrate that the mechanisms in IncentMe outperform prior work by improving the efficiency in recruiting participants by 30%.

연구 동기 및 목표

• 교통 및 경로 변경으로 인한 이동성의 불확실성으로 인해 신뢰할 수 있는 커뮤니티센싱 참가자를 모집하는 데 도전 과제를 해결하기 위해.
• 참가자가 참가에 진실하게 동기를 부여하면서도 예산 타당성을 유지하는 인cent라이브 메커니즘을 설계하기 위해.
• 대규모 모바일 커뮤니티센싱 시스템에 적합한 계산 효율적이고 병렬가능한 메커니즘을 개발하기 위해.
• 시간 민감도가 높은 제약 조건 하에서 동적 참가자 가용성을 고려하여 수집된 데이터의 가치를 최대화하기 위해.

제안 방법

• 모바일 커뮤니티센싱에서의 참가자 모집을 모델링하기 위해 역 Auction 이론에 기반한 새로운 프레임워크인 IncentMe를 제안한다.
• 문제를 예산 기반 가치 최대화(BVM) 문제로 모델링하며, 이 문제가 NP-난해임을 증명한다.
• 목적 함수의 부분모듈러성(submodularity)을 활용하여 성능 보장이 있는 두 가지 근사 메커니즘을 설계한다.
• 참가자가 진정한 평가를 보고하고 계속 동기를 가지도록 보장하기 위해 진실성과 개인적 합리성을 확보하는 메커니즘을 설계한다.
• 다양한 스케일에 대응하기 위해 다항식 시간 복잡도를 확보하기 위해 병렬가능한 알고리즘을 적용한다.
• 샌프란시스코, 로마, 베이징의 실세계 택시 이동 추적 데이터를 사용하여 메커니즘을 검증한다.

실험 결과

연구 질문

• RQ1 이동성의 불확실성에도 불구하고 예산 타당성 있는 인센티브 메커니즘을 설계할 수 있는가?
• RQ2 동적 참가자 가용성 상황에서 진실성과 개인적 합리성을 어떻게 유지할 수 있는가?
• RQ3 이동성 불확실성이 존재하는 상황에서 부분모듈러 목적 함수에 대해 BVM 문제의 근사 비율은 얼마일 수 있는가?
• RQ4 병렬가능한 메커니즘은 기존 방법 대비 얼마나 모집 효율성을 향상시킬 수 있는가?

주요 결과

• 이동성의 불확실성이 존재하는 모바일 커뮤니티센싱에서의 BVM 문제는 NP-난해임을 증명한다.
• 제안된 메커니즘은 부분모듈러성과 게임이론적 설계를 활용하여 기존 방법보다 높은 근사 비율을 달성한다.
• 실세계 이동 추적 데이터를 기반으로 IncentMe는 이전 연구 대비 30% 향상된 모집 효율성을 확보한다.
• 메커니즘은 예산 타당성, 진실성, 개인적 합리성을 모두 확보하여 장기적인 참가자 참여를 보장한다.
• 알고리즘의 병렬가능성 덕분에 대규모 모바일 커뮤니티센싱 시스템에 스케일링 가능한 배포가 가능하다.
• 샌프란시스코, 로마, 베이징의 실세계 택시 추적 데이터를 통한 평가 결과, 다양한 도시 환경에서 일관된 성능 향상이 확인되었다.