[论文解读] Providing Trustworthy Contributions via a Reputation Framework in Social Participatory Sensing Systems

Haleh Amintoosi, Salil S. Kanhere|arXiv (Cornell University)|Nov 11, 2013

Mobile Crowdsensing and Crowdsourcing参考文献 17被引用 4

一句话总结

本文提出了一种面向社交参与式感知的、与应用无关的声誉框架，通过模糊推理系统结合数据质量与社交信任，计算信任评分和基于PageRank的声誉分。仿真结果表明，整体信任度提升了15%，且对行为变化具有鲁棒适应性，优于仅依赖数据质量的方法。

ABSTRACT

Social participatory sensing is a newly proposed paradigm that tries to address the limitations of participatory sensing by leveraging online social networks as an infrastructure. A critical issue in the success of this paradigm is to assure the trustworthiness of contributions provided by participants. In this paper, we propose an application-agnostic reputation framework for social participatory sensing systems. Our framework considers both the quality of contribution and the trustworthiness level of participant within the social network. These two aspects are then combined via a fuzzy inference system to arrive at a final trust rating for a contribution. A reputation score is also calculated for each participant as a resultant of the trust ratings assigned to him. We adopt the utilization of PageRank algorithm as the building block for our reputation module. Extensive simulations demonstrate the efficacy of our framework in achieving high overall trust and assigning accurate reputation scores.

研究动机与目标

• 为解决在开放参与环境下可能产生低质量或恶意数据的社交参与式感知系统中确保可信贡献的挑战。
• 开发一种评估社交网络中数据质量与参与者可信度的声誉系统。
• 创建一种动态的、与应用无关的框架，能够随时间适应参与者行为的变化。
• 通过模糊逻辑整合社交关系与语言信任评估，提升整体系统信任度。
• 利用受PageRank启发的计算方法，提供一种可扩展且可靠的声誉评分机制。

提出的方法

• 该框架独立评估数据质量与参与者可信度，并通过模糊推理系统结合两者，为每次贡献生成综合信任评分。
• 参与者可信度基于社交网络关系推导，包括个人信任与同伴的社交信任，采用语言变量建模。
• 模糊推理引擎将模糊输入（例如“高”、“中等”信任）映射为数值信任评分，实现对不确定数据的灵活处理。
• 声誉分通过类似PageRank的算法计算，将信任评分在网络中传播，以反映长期可靠性。
• 系统根据持续的贡献行为与信任反馈动态更新声誉分，实现动态适应。
• 仿真在受控的行为变化条件下评估该框架，包括从可靠行为到不可靠行为的转变。

实验结果

研究问题

• RQ1 如何联合评估数据质量与社交信任，以在社交参与式感知中生成可靠的信任评分？
• RQ2 将社交网络关系纳入评估在多大程度上提升了信任评估的真实感与准确性？
• RQ3 该框架在多大程度上能够有效检测并响应参与者的行为变化，例如从可靠贡献转变为不可靠贡献？
• RQ4 使用模糊逻辑对不确定环境中信任评估的鲁棒性与灵活性有何影响？
• RQ5 基于PageRank的声誉计算在多大程度上提升了参与者评分的可靠性与可扩展性？

主要发现

• 所提出的框架相比仅依赖数据质量的方法，使整体系统信任度提升了15%以上。
• 系统能够准确检测参与者的行为变化，例如从类别A到类别B的转变，并在转换期间迅速降低其声誉分。
• 参与者编号9在不诚实行为期间表现出明显的显著声誉分下降，恢复正常行为后迅速恢复，显示出良好的响应能力。
• 声誉分的变化轨迹反映了实际行为模式，高绩效参与者（类别A）获得更高的评分，而低绩效者（类别B）受到惩罚。
• 模糊逻辑的使用有效整合了模糊的、语言化的信任输入，实现了更真实、更灵活的信任评估。
• 受PageRank启发的声誉计算提供了一种可扩展且可靠的长期参与者信任评分维护方法。