[논문 리뷰] TaskMe: Multi-Task Allocation in Mobile Crowd Sensing

Yan Liu, Bin Guo외 4명|arXiv (Cornell University)|2016. 08. 08.

Mobile Crowdsensing and Crowdsourcing참고 문헌 30인용 수 47

한 줄 요약

TaskMe는 이동형 커뮤니티 센싱에서 다중 작업 참가자 선정 프레임워크를 제안하며, 두 가지 시나리오에서 작업 할당을 최적화한다: (1) 적은 수의 참가자가 다수의 작업을 처리하여 작업 완료를 극대화하고 이동 거리를 최소화하는 경우, (2) 개인정보 인식 영역을 기반으로 많은 참가자를 소수의 작업에 할당하여 비용과 이동을 최소화하는 경우. 최소 비용 최대 유량과 다목적 최적화를 사용하여 실세계 데이터에서 기존 기준보다 뛰어난 성능을 보였다.

ABSTRACT

Task allocation or participant selection is a key issue in Mobile Crowd Sensing (MCS). While previous participant selection approaches mainly focus on selecting a proper subset of users for a single MCS task, multi-task-oriented participant selection is essential and useful for the efficiency of large-scale MCS platforms. This paper proposes TaskMe, a participant selection framework for multi-task MCS environments. In particular, two typical multi-task allocation situations with bi-objective optimization goals are studied: (1) For FPMT (few participants, more tasks), each participant is required to complete multiple tasks and the optimization goal is to maximize the total number of accomplished tasks while minimizing the total movement distance. (2) For MPFT (more participants, few tasks), each participant is selected to perform one task based on pre-registered working areas in view of privacy, and the optimization objective is to minimize total incentive payments while minimizing the total traveling distance. Two optimal algorithms based on the Minimum Cost Maximum Flow theory are proposed for FPMT, and two algorithms based on the multi-objective optimization theory are proposed for MPFT. Experiments verify that the proposed algorithms outperform baselines based on a large-scale real-word dataset under different experiment settings (the number of tasks, various task distributions, etc.).

연구 동기 및 목표

• 대규모 이동형 커뮤니티 센싱 플랫폼에서 단일 작업 참가자 선정의 비효율성을 해결하기 위해.
• 참가자가 다수의 작업을 처리할 수 있거나 사전 등록된 영역에 제한될 수 있는 경우 효율적인 다중 작업 할당을 가능하게 하기 위해.
• 두 시나리오 모두에서 총 이동 거리와 인cent라이브 지불 비용을 최소화하면서 작업 완료율을 극대화하기 위해.
• 실세계 구현에 적합한 확장 가능하고 개인정보 친화적인 할당 알고리즘 개발하기 위해.

제안 방법

• FPMT의 경우, 작업 할당을 최소 비용 최대 유량 문제로 모델링하여 작업 완료를 극대화하고 이동 거리를 최소화한다.
• MPFT의 경우, 총 인센티브 지불 비용과 총 이동 거리를 모두 최소화하기 위해 다목적 최적화를 적용한다.
• 이동성 및 작업 요구사항을 바탕으로 비용과 용량 제약 조건을 갖춘 네트워크 유량으로 참가자-작업 할당을 수식화한다.
• MPFT 환경에서 참가자를 사전에 등록된 작업 영역으로 제한함으로써 개인정보 보호 제약 조건을 통합한다.
• 두 단계 알고리즘 접근 방식을 사용한다: 작업 할당 후 유량 최적화를 통해 타당성과 최적성을 보장한다.
• 동적 작업 업데이트 및 실시간 참가자 가용성 지원

실험 결과

연구 질문

• RQ1 적은 수의 참가자가 다수의 작업을 처리할 경우, 작업 완료를 극대화하고 이동 거리를 최소화하기 위해 참가자 선정을 어떻게 최적화할 수 있는가?
• RQ2 개인정보 보호 제약 조건을 고려하면서 총 비용과 이동을 최소화하고 많은 참가자를 소수의 작업에 할당하는 최적의 방법은 무엇인가?
• RQ3 통합 프레임워크는 이동형 커뮤니티 센싱에서 소수의 참가자-다수의 작업 및 다수의 참가자-소수의 작업 시나리오를 효율적으로 처리할 수 있는가?
• RQ4 제안된 알고리즘은 기존 기준 대비 작업 완료율, 비용, 이동 효율성 측면에서 어떻게 비교되는가?

주요 결과

• 제안된 알고리즘은 테스트된 모든 작업 분포와 작업 수에서 기준 방법보다 작업 완료율이 높게 나타났다.
• FPMT 시나리오에서 최소 비용 최대 유량 기반 알고리즘이 기준 방법 대비 최대 25% 높은 작업 완료율을 달성했다.
• MPFT 시나리오에서 다목적 최적화 접근 방식이 탐욕적 기준 대비 총 인센티브 지불 비용을 최대 30% 감소시켰다.
• 알고리즘은 다양한 작업 밀도와 참가자 이동 패턴에서도 견고한 성능을 보였다.
• 프레임워크는 개인정보 보호 제약 조건과 최적화 목표를 효과적으로 균형 잡아, 참가자가 등록된 영역 내에서만 작업을 수행하도록 보장했다.
• 대규모 실세계 데이터셋을 활용한 실험을 통해 TaskMe가 실배포 환경에서 확장성과 실용성을 효과적으로 입증했다.