[論文レビュー] TaskMe: Multi-Task Allocation in Mobile Crowd Sensing

Yan Liu, Bin Guo+4 more|arXiv (Cornell University)|Aug 8, 2016

Mobile Crowdsensing and Crowdsourcing参考文献 30被引用数 47

ひとこと要約

TaskMe は、モバイルクラウドセンシングにおけるマルチタスク参加者選定フレームワークを提案し、2つのシナリオでタスク割り当てを最適化する：(1) 少数の参加者が複数のタスクを処理してタスク完了を最大化し、移動距離を最小化する場合、(2) 私営意識に基づくゾーンを考慮して多数の参加者を少数のタスクに割り当てる場合で、コストと移動距離を最小化する。最小コスト最大フローとマルチオブジェクティブ最適化を用い、実世界のデータにおいてベースラインを上回る性能を発揮する。

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.).

研究の動機と目的

• 大規模なモバイルクラウドセンシングプラットフォームにおける単一タスク参加者選定の非効率性を解消すること。
• 参加者が複数のタスクを処理できる場合（FPMT）や、事前に登録されたゾーンに制限される場合（MPFT）に、効率的なマルチタスク割り当てを可能にすること。
• 両シナリオにおいて、合計移動距離とインcentive支払いを最小化し、タスク完了率を最大化すること。
• 実世界での展開に適したスケーラブルでプライバシー配慮型の割り当てアルゴリズムの開発すること。

提案手法

• FPMT においては、タスク割り当てを最小コスト最大フロー問題としてモデル化し、タスク完了率の最大化と移動距離の最小化を図る。
• MPFT においては、合計インcentive支払いと合計移動距離の両方を最小化するためのマルチオブジェクティブ最適化を適用する。
• 移動性とタスク要件に基づいて、コストと容量制約を備えたネットワークフローとして参加者-タスク割り当てを定式化する。
• MPFT の文脈において、参加者を事前に登録された作業領域に制限することでプライバシー制約を統合する。
• 2段階のアルゴリズム的手法を採用：タスク割り当ての後にフロー最適化を実施し、実行可能性と最適性を保証する。
• 動的なタスク更新とリアルタイムの参加者利用可能性をサポートする。

実験結果

リサーチクエスチョン

• RQ1 少数の参加者が複数のタスクを割り当てられ、タスク完了率を最大化し、移動距離を最小化する場合、参加者選定をどのように最適化できるか？
• RQ2 プライバシー制約を尊重しつつ、多数の参加者を少数のタスクに割り当て、合計コストと移動距離を最小化する最適な方法は何か？
• RQ3 統一されたフレームワークは、モバイルクラウドセンシングにおいて、少数参加者による多数タスクと多数参加者による少数タスクの両方のシナリオを効率的に処理できるか？
• RQ4 提案されたアルゴリズムは、既存のベースラインと比較して、タスク完了率、コスト、移動効率の観点でどのように差をつけるか？

主な発見

• 提案されたアルゴリズムは、テストされたすべてのタスク分布およびタスク数において、ベースライン手法よりもタスク完了率が優れている。
• FPMT シナリオにおいて、最小コスト最大フローに基づくアルゴリズムは、ベースライン手法と比較して最大25%高いタスク完了率を達成した。
• MPFT シナリオにおいて、マルチオブジェクティブ最適化アプローチは、グリーディベースラインと比較して合計インcentive支払いを最大30%削減した。
• アルゴリズムは、タスク密度や参加者の移動パターンの変動に対しても、頑健な性能を示した。
• フレームワークは、プライバシー制約と最適化目標の両立を効果的に実現し、参加者が登録済みゾーン内でのみタスクを実行することを保証した。
• 大規模な実世界データセットを用いた実験により、TaskMe が実展開シナリオにおいてスケーラビリティと実用性を有していることが確認された。