王涛春，刘婷婷，刘 申，何国栋

(1.安徽师范大学 数学计算机科学学院 安徽 芜湖 241002; 2.网络与信息安全安徽省重点实验室(安徽师范大学)，安徽 芜湖 241002)

0 引言

群智感知(Crowd Sensing)是一种新型的基于移动智能设备的感知方式，被称为“以人为中心的感知”[1]，由大量参与者完成收集数据的任务。与传统的利用传感器节点感知的方式相比，该方式节省了部署和管理节点的开销，并且解决了传感器节点位置固定的问题。由于群智感知低成本、高参与度的特点，这种感知已被广泛应用，如交通信息采集系统[2]、噪声采集系统[3]以及景点环境监测系统等。

然而，在各种实时信息的采集系统中，参与者提交数据的时间存在延迟、数据覆盖率不高以及提交的数据与任务所需数据不相关等因素直接影响提交数据的质量，进而影响任务完成的质量。因此，提高数据质量是保证群智感知系统服务质量的关键因素。为了提高感知数据的质量，研究人员提出了许多相关的激励机制[4-6]、信誉评估模型[6-10]以及相关隐私保护方法[11],但现有的信誉评估模型大多计算影响因素和信誉度的等级，而非具体数值。例如：文献[9]在信誉评估模型设计时，考虑了参与者能力、响应时间、位置以及参与者和任务请求者的联系等因素，得出T(信誉) = {VL,L,M,H,VH}，将参与者信誉分为5个等级，未将信誉度数值化，导致评估准确度不高。为了解决上述问题，本文提出基于逻辑回归模型的参与者信誉评估方案(Participant Reputation Evaluation Scheme, PRES)。该方法将响应时间、距离、历史信誉度这3个自变量定义为[0,100]的数值，将数据相关性和数据质量定义为表示等级的数值，并且将参与者本次提交数据后的信誉度表示为[0.0,1.0]的概率值。……