[发明专利]一种基于激励机制的车联网隐私感知数据调度方法

权利要求书

1.一种基于激励机制的车联网隐私感知数据调度方法，由多维激励机制、关键任务识别和数据干扰机制三个部分组成；其特征在于，包括以下步骤：

步骤1：依据效用函数、福利函数和得分函数激励车辆参与车联网中的任务；在保证效用函数为正，同时车辆在参与任务时，福利函数和得分函数会更大，从而使车辆更愿意参与任务；

步骤2：车辆在受到激励参与任务之后，识别关键任务并获得更多的时间完成该关键任务；依据新验证关键任务的期望数和未验证关键任务的期望数Kt_i之间的关系在最短的时间内识别出关键任务；

步骤3：依据干扰条件1：和干扰条件2：对完成的关键任务信息安全传输至目的车辆；其中，是车辆的可靠性水平，S是赢家集合，Γ_i是任务集合，Pr(.)是概率函数，是随机数，是基础变量，β_j是由系统为该任务选择的参数，i表示第i个碎片文件，τ_j表示第j辆车的任务，w_i表示第i个工人；

采用数据干扰机制，首先应用差分隐私技术保护车辆的隐私；其次，车辆的效用和成本保持在合理的范围内；最后，根据可靠性水平和随机参数的设置，数据干扰机制满足条件1和条件2，从而保护完整的关键任务信息；通过在确保车辆参与任务的同时满足条件1和条件2，服务器获得安全的数据结果；

其具体实现包括以下子步骤：

步骤3.1：首先用差分隐私技术进行隐私保护；

所述差分隐私是将M:(χ∪{⊥})^N×K→R^K×1作为映射机制，可以映射到干扰结果向量R的任何输入数据矩阵，(χ∪{⊥})^N×K表示所有工作人员的数据，其中χ表示工作人员的数据，{⊥}表示传感器任务的数据，N表示一组工人，K表示一组传感任务；然后，当且仅当对于仅在一个输入和任何上不同的两个数据矩阵x和x′的任何工人数据，机制M具有η差分隐私性，表示如下：

Pr[M(x)∈A]≤exp(η)Pr[M′(x)∈A]，

其中η是一个小的正数，称为隐私预算；

步骤3.2：确定车辆传输的信息是否为关键信息；

关键信息以隐私预算传输以确保信息隐私；由于车辆的可靠性决定了车辆的任务质量，因此根据车辆的可靠性来保护车辆传输的关键信息；用于分类任务的车辆的可靠性为：ω_i,j＝t_j(1-α_j)，用于τ_j∈Τ_cat中的分类任务的工人w_i的可靠性ω_i,j定义为已完成任务的可靠性，其中Τ_cat表示需要工人完成的离散型任务；t_j是完成任务的时间，而α_j是未完成任务的概率；使用ω＝[ω_i,j]∈[0,1]^N×K表示所有工作人员的可靠性矩阵；假设可靠性矩阵ω是已知的先验信息；当可靠的车辆传输信息时，该信息会受到保护；否则，信息将不受保护；

步骤3.3：当可靠车辆安全的传输关键信息时，期望工人的总成本是最小的；

每个工人w_i只有一个感兴趣的任务束执行任务束的成本，即感知成本，记为另外，如果保证了η差分隐私，会有隐私泄漏的成本，即隐私成本，表示为因此，工人ω_i执行任务Γ，隐私预算为η时，成本函数的定义为：

其中，为执行任务时的感知成本，为执行任务的隐私预算为η时的隐私成本，Γ为执行的任务，为任务束；对于不属于工人ω_i的感兴趣的任务束的任务，无法执行它们或执行这些任务会产生很大的成本，这些任务分配+∞成本；

步骤3.4：期望工人的总成本是最小的，也期望工人w_i的效用是最大；

该工人的效用u_i定义为：

其中，p_i是系统支付的价格，是工人的感知代价，是工人在隐私预算为ε时的隐私代价，S是赢家集合；给定支付价格p和赢家集合S，系统的总支付为

步骤3.5：在使工人的总成本最小化及其效用最大化之后，为了提高关键信息传输的安全性，使数据干扰机制满足条件1和条件2；即，条件1：保护隐私信息，同样，约束可确保每个分类任务的β_j准确性；对于每个任务τ_j∈Τ_cat，数据干扰机制满足条件2：其中是随机变量，是基本事实，β_j是系统为此任务选择的参数。