文摘

已被称作车辆群体感知的快速发展,为移动设备变得更容易和更有效的意义,计算和测量各种数据。然而,如何解决平台之间的公平的质量评价和参与者,同时保留隐私的解决方案仍然是一个挑战。在工作中,我们提出一个fairness-aware和保护隐私方案为职工质量评价利用区块链,可信执行环境(t)和机器学习技术。特别地,我们构建我们的框架在分散的区块链可以抵抗一个单点故障/妥协。智能合约范式的区块链正确执行和自动程序执行任务处理。此外,机器学习和利用三通评估传感器收集的数据的质量保护隐私和公平的方式,消除人类主体的判断传感解决方案。最后,该方案实现的原型来验证基准数据集的可行性和有效性。

1。介绍

最近,已被称作移动群体感知模式大大吸引注意力从学术和工业领域1,2]。它基本上是一个分布式问题解决机制,利用各种传感设备来收集有价值的数据以获得一个解。已被称作存在众多著名的群体感知平台,覆盖从全球定位系统(GPS)天气预报(3]。特别是,由于5 g网络下的高效的感知能力,已被称作移动群体感知车载网络中采用协助自主驾驶(4]。可以看出,已被称作移动群体感知技术的快速发展,手机已被称作共享数据在群体感知将发挥至关重要的作用在数字社会在不久的将来。

一般来说,已被称作移动群体感知的体系结构主要由三个实体:请求者,工人,和一个crowdsensing服务提供者(CSP)。具体来说,请求者指的是实体的要求获得大规模的数据(或方案)的工人。他发布一个任务与某些激励CSP。一个工人是指一个实体是配备了移动传感器和愿意得到一个奖励从请求者通过提供有价值的传感数据。CSP主要充当中介收到请求者和传感任务分配给合适的工人。尽管已被称作成功的群体感知的协助下完成复杂的数据收集任务CSP,请求者和工人实际上是暴露在潜在威胁[隐私和公平问题1,4,5]。隐私问题:请求者,工人的遥感数据是敏感的和有价值的资产,他并不想暴露给别人,甚至对CSP。这是因为他必须支付解决方案,可能会泄漏个人隐私信息等数据,例如,他的当前位置6]。在实践中,传感数据收集和存储的CSP谁负责他们的安全。此外,如果存在请求者和工人之间的任何争端,CSP将作为仲裁者来判断访问数据的质量。事实上,CSP可以被视为一个可信第三方(TTP)。也就是说,它不会保留隐私的解决方案,只有给请求者支付工人。不幸的是,许多原因表明,一个完全TTP并不存在于现实。例如,据报道,领先的IT公司Facebook违反隐私保护协议再次向公众曝光5.33亿个人数据的网站。除了法律的政策,例如,一般的数据保护监管(GPDR),额外的技术措施应该旨在防止CSP泄漏参与者的有价值的数据。一个不公平的问题:对于遥感数据的质量评价,存在两个内在的攻击有不利影响在请求者和工人之间的公平,即,虚假的报告和搭便车(7]。虚假的报告是由恶意请求者他收到后支付工人的解决方案。他可能试图减少支付工人的报道,他们收集的数据是低质量的,不管真正的质量。另一方面,搭便车行为指的是攻击,请求者支付工人之前接收到的数据。在这种支付模型,一个恶意的工人可能会收到付款后提供无用的数据。在考虑这两种攻击,它是重要的认识到公平财产已被称作移动群体感知。

达到保护隐私和公平在已被称作车辆群体感知质量评价,有一些现实的挑战:(i)首先,请求者和CSP知道如何评估收集到的数据使用一个通用的方法。已被称作一些简单的群体感知任务可能知道答案的类型;例如,任务只有一个布尔回答,虽然大多数的任务没有确切答案或一系列选择。此外,(ii)工人的质量传感器可能不同,这样他们可能会收集无效或明显错误的数据。一些研究工作,比如7- - - - - -10),已经应对质量评价,同时保留隐私和公平。他们中的一些人利用这一事实发现方法利用云计算结果通过执行安全计算(11]。此外,同态加密和零知识证明是用于保护数据的隐私而获得最终的计算结果。尽管如此,他们要么依靠中央TTP,或者要求高效加密原语。如果已被称作一个群体感知任务很复杂的计算解决方案,那么这些方法将介绍高计算成本。其他研究人员试图处理这个问题通过引入声誉机制(7];然而,它需要工人和请求者保持在线很长一段时间。不诚实的工人或请求者可能会收到一个任务一次或注册另一个账号。因此,我们认为有以下:我们可以设计一个保护隐私和fairness-aware已被称作移动群体感知质量评价方法复杂的任务吗?

为了应对上述挑战,我们提出了一个分散的质量评价方案,名叫QuaEva,根据区块链技术,机器学习(ML),和可信执行环境(三通)。特别是,QuaEva设计在我们的以前的工作12)利用区块链和聪明的合同已被称作完成任务群体感知。更准确地说,面临的挑战方面的工作质量评价对于复杂任务,我们利用现成的机器学习的方法来评估任务的解决方案不依赖人的主观判断。的优势在于,如果有已被称作大量群体感知任务介导,那么它可以减少人类参与的负担。同时,这种设计可以提供一种有效的方式来提高模型的准确性。当前机器学习模型可以用高精度区分许多对象,和准确性将增长逐渐进化的机器学习技术。最近,一个商业模式称为机器学习模型市场出现13,14),它提供了支付服务利用训练模型的预测。此外,实施公平在请求者和工人不依赖可信第三方(例如,对一个单点故障),我们采取区块链和聪明的合同。因此,QuaEva可以构造成一个分散的体系结构不变性和分散。此外,保护隐私的解决方案,介绍了三通传感数据质量的评价。通过这样做,遥感数据或解决方案可以在TEE-secured环境评估。简而言之,我们的具体贡献可以描述如下:(1)保护隐私和分散的质量评价框架:我们提出一个名为QuaEva的保护隐私和分散的质量评价方案,隐私的遥感数据可以保存,可以在分散的方式进行质量评价基于区块链和聪明的合同。(2)公平没有主观质量评价理由:通过利用机器学习和三通已被称作移动群体感知质量评价,我们可以发现无用的传感数据的一种有效和公平的方式,而不是诉诸TTP谁可能有主观理由给出最后的结果。(3)实现对现实世界的数据集:我们该控制方案的实现一个原型在真实世界的数据集上进行一些实验,证明QuaEva可以达到安全、公平已被称作移动群体感知质量评价。

本文的其余部分组织如下。节2的背景,我们提出合同区块链和智能,机器学习,三通。节3,我们目前的系统模型、安全假设,和威胁模型。然后,在节4,我们提出的描述框架。节5,我们已被称作与质量评价相关工作群体感知。并给出了实验结果6。最后,我们得出结论7。

2。背景

在本节中,我们提出的基本背景,本文使用的构建块。

2.1。合同区块链和智能

区块链是由Nakamoto首次引入旨在解决的问题重复花费在比特币,和已经在许多应用程序中使用15- - - - - -17]。它本质上是视为一个分布式分类帐(DL)由连续的块。每一块主要包含一块标题和一些最近发生的交易。与经典的分布式数据库相比,交易区块链不能修改或删除,一旦他们被记录。特别是,一个安全的区块链系统满足基本的三个安全属性:链增长,质量链,和常见的前缀(18]。基于这样的基本性质,维护人员(也称为区块链节点)区块链系统有一个一致的区块链的概述。最初的区块链系统,即。,Bitcoin, does not support Turing-complete smart contracts and thus has significant limitations when being applied in other applications, e.g., supply chain and decentralized finance (DiFi). Therefore, several efforts have been made to enable it to be adopted in different scenarios.

事实上,关键原因区块链各领域有巨大影响的能力支持智能合同。聪明的合同由尼克。萨博在1990年代首次提出。它指执行一个程序或协议自动没有非法干涉。QuaEva,利用智能合约和分散区块链,我们可以执行众包来完成质量评价的过程不依赖一个可信的聚会。此外,收集到的遥感数据可以保证区块链的完整性。blockchain-based众包模式的主要挑战在于传感数据的质量评价与公平。已被称作智能合同可以用来防止群体感知系统给一个主观的仲裁的争端。

CrowdBC,李提出的出版社。(12]2018年,是一个blockchain-enabled分散众包的框架。与之前的众包平台相比,CrowdBC允许请求者和工人已被称作实现公平的群体感知任务不依赖中央方利用底层合同区块链和智能技术。更准确地说,请求者Requester-Worker岗位任务的关系合同(RWRC)指定任务的需求。工人可以接受这个任务通过RWRC存款。此外,利用加密原语来保护隐私的解决方案。已被称作CrowdBC提供未来方向群体感知结合值得信赖的区块链技术。然而,它留下了一个开放的问题:如何设计一个解决方案验证功能,能够正确评估任务的解决方案,同时保留在众包公平吗。

2.2。机器学习

随着数字化时代的到来,机器学习(ML)已经被认为是一种很有前途的范例数据分析和知识发现。它是人工智能的一个分支(AI) (19]。收集的大量数据已经生成,现在,我们提供丰富的资源来培养准确的ML模型。此外,机器学习算法的集合,如深度学习、强化学习,将学习(15提出了),我们可以使用它们来更容易作出预测。事实上,一个训练有素的ML模型可以视为一个审判员谁能给更准确的判断已被称作比群体感知系统在各种应用程序中,例如,车辆识别。相应地,收集大量数据,我们可以使用它来训练模型更准确的毫升、有利的结果已被称作两群体感知和毫升(20.,21]。特别是ImageNet是一个图像数据库,收集了成千上万的标记图像。AMT的标签任务完成,一个公开的众包平台。许多公司培训一些ML模式和为公众提供毫升服务,如微软Azure和谷歌。

2.3。可信执行环境

可信执行环境(t)是一个孤立的安全环境旨在保护加载代码和数据的机密性和完整性。它可以用来证明正确的执行一个特定的项目。目前有几种类型的三通,如英特尔新交所和手臂TrustZone。以英特尔新加坡交易所为插图;它创建一个可信沙箱环境称为飞地,一个程序可以安全地运行。具体地说,一个典型的三通协议包含三个阶段:初始化、安装和简历。在初始化阶段,一个密钥对的公钥和私钥)是由硬件制造商,嵌入一个私钥到没有人能获得的飞地。安装阶段主要加载一个程序婴儿车三通和输出(随机)会话id识别婴儿车。最后一个阶段是负责执行婴儿车有效的输入。执行后,三通输出一个认证验证正确的执行。最近,有一些攻击三通,例如,侧信道攻击和回滚攻击,而我们认为,现有的解决方案是正交的工作(22,23]。

具体来说,我们列出一个飞地的操作,将用于我们的计划。调度操作:一个新交所计划的实例由主持人:(1) :主机创建了一个殖民地,开始一个飞地实例提供一个软件代码 。飞地返回一个惟一的标识符 后被成功创建。(2) :这个操作是用来恢复正常执行的一个一个输入的飞地 。

3所示。系统和安全模型

在本节中,我们说明QuaEva并指定的系统模型和安全模型的设计目标。在一开始,我们列出本文中使用的符号(cf表1)。

表1
解释的符号。
3.1。系统架构

如图1在QuaEva有五种角色:请求者,工人,区块链节点,计算节点和存储节点:(1)请求者确认的, ,参考实体已被称作发布一个群体感知任务的描述任务和奖励的金额。 指定数据收集任务的需求描述和转换要求将加载到可执行程序(即计算节点。TEE-powered主机)。(2)工人确认的, ,参考实体有某些类型的移动传感设备(如车辆)他打算接收传感任务任务奖励的追求。的能力 评估基于历史数据什么时候 完成任务。(3)区块链节点确认的, ,是指底层区块链的维护者。在QuaEva无许可区块链(例如,Ethereum)或许可区块链(例如,Hyperledger织物)可以用于构建底层的区块链。同时,R和 可以参加区块链的维护作为一个区块链节点。(4)计算节点确认的, ,是指一个实体是谁授权三通,可以提供安全的计算环境。无许可设置,集中cryptocurrency交换节点可以被认为是这样的。他们主要使用安全的环境提供安全计算服务证明计算结果区块链的一个奖励。(5)存储节点确认的, 是指一个实体,负责存储加密的数据。我们不指定一个具体的数据存储;可以使用任何现有的分布式存储系统在我们的方案中,例如,星际文件系统(ipf) [24]。


图1
QuaEva的系统架构。

如图1,我们提出的基本架构已被称作车辆群体感知系统主要由两部分组成:(i)任务管理和(2)解决方案管理。任务管理组件负责发布任务,任务接收和解决方案提交。解决方案管理负责解决方案评估与奖励支付。特别,请求者与员工互动基于分散区块链系统。他们实现他们的目标和基于智能合同的公平。

一般来说,请求者和工人被要求登记在QuaEva凭证(即。公钥和私钥)在参与之前已被称作移动群体感知的数据收集。通过这样做,每一个参与者可以通过他/她的历史评价的行为。具体来说,当一个请求者发布一个任务,毫升模型评估其收集的数据主要是部署在三通。请求者和工人们认为地方依赖该模型来评估一个任务开始前的数据。程序和函数的散列值被记录在区块链,可以用于工人检查毫升结果的正确性。QuaEva,验证解决方案(例如,收集数据)通过ML TEE-powered服务器模型,而不是第三方,即减少虚假报告的安全威胁和搭便车行为的攻击。安全威胁:在安全威胁方面,我们假设请求者和工人可能不诚实的行为。更具体地说,一个不诚实的请求者可能会试图降低自己的成本通过否认工人的贡献在收到解决方案,这被称为虚假报告的攻击。另一方面,一个恶意的工人可能会试图获得任务奖励没有提供足够的时间和资源,这被称为搭便车的攻击。这两种攻击已被称作公平的群体感知产生影响。此外,我们假设一个计算节点可能不诚实行为或被破坏。更详细的,一个恶意的计算节点 三通可以养活旧版本数据,执行ML模式给低质量的解决方案(数据)评估,这被称为回滚(重播)攻击(22]。与此同时,破坏计算节点可以与请求者勾结或工人来获得利润。安全的假设:在这里,我们的安全假设如下:底层区块链系统满足多数诚实的假设;,鉴于大部分区块链节点是诚实、区块链系统可以运行持久性和活性(18]。这两种基本安全属性保证事务发布的一个诚实的用户将被证实,成为永久的一段时间后,如6块比特币。此外,三通中执行计算节点是安全的在我们的计划。我们也观察到的侧信道攻击是一个现实的攻击可能泄漏的私钥。然而,我们认为保护机制防止侧信道攻击最近提出,与我们的工作是正交的。此外,我们假设一个毫升模型可以返回准确的评价结果。

3.2。设计目标

我们总结QuaEva的安全目标如下:(1)隐私保护:工人的隐私数据,即。,their collected data or completed task solution, can be preserved without relying on any central party(2)公平:我们的协议可以保证公平,抵制虚假的报告和搭便车攻击(7](3)可靠的质量评估:期间收集的数据的质量已被称作移动群体感知模型可以评估一个训练有素的ML将给工人一个可靠的评价结果

4所示。拟议中的协议QuaEva

4.1。QuaEva的设计

首先,我们现在的概述设计QuaEva协议。启用保护隐私和公平解决方案评估,我们利用一个三通来构造一个off-chain环境可以保存加载程序的保密性和完整性。在实践中,我们采用英特尔软件保护扩展(新加坡)在学术和工业领域得到了广泛的应用。计算节点的组件 包含两个部分:一个主进程和一个飞地,在主进程主要负责与区块链交互和分布式存储ipf节点,和飞地指ML模式运行的安全的环境。

图中描述1,提出QuaEva协议收益与四个主要阶段:任务分配阶段,任务解决阶段,解决方案(数据)评估阶段,奖励的阶段。在第一阶段(步骤1 - 3),请求者的帖子一个传感任务奖励RWRC合同。与此同时,他利用英特尔新交所认证的功能加载解决方案评估程序 的飞地 。接下来,一套合格的工人 在QuaEva注册(存款RWRC合同)可以接收这个任务。具体地说,这些工人是必须满足预定义的条件设置RWRC合同;例如,声誉的价值应该大于某个值。完成任务后,工人们可以提交他们的解决方案(或收集数据)到存储节点 。特别是,这些数据是加密的公钥才能解密的飞地,安全的环境。同时,消化值区块链解决方案的承诺。在收到加密的解决方案,飞地开始验证程序 。评价结果将发送到区块链与远程认证的计算节点。加密的数据是三通reencrypted使用请求者的公钥。根据评价结果,奖励的任务是自动执行的RWRC接触。

以下4.4.1。聪明的合同设计

为了避免依赖中央方进行解决方案的质量评价,QuaEva度假村智能合约已被称作确保公平和过程的正确性群体感知。更具体地说,turing智能合同使我们能够描绘任何复杂的逻辑为合同代码。以Ethereum为底层区块链系统的一个实例,一个聪明的合同转化为可执行代码的维生素,矿商可以验证逻辑执行的正确性。一种可能认为使用聪明的合同,评估解决方案;然而,由于链上交易成本高,是不明智的评价工作链上。相反,我们只有编写核心逻辑智能合同并将它们存储在区块链层,而其他复杂计算在应用程序层。通过这样做,我们可以显著减少链上交易费用的成本。事实上,目前,智能合约不能支持许多复杂的加密算法(例如,Java和JavaScript);因此,off-chain解决方案基于现有区块链工具是一个有利的选择。已被称作不同群体感知任务有特定的要求; it is not easy to design on-chain quality evaluation functions for satisfying various requirements. To mitigate this challenge, we improve the smart contracts in CrowdBC. QuaEva also implements three types of smart contract: the User Register Contract (URC), User Summary Contract (USC), and Requester-Worker Relationship Contract (RWRC). Each smart contract is initialized and deployed in the blockchain for one time.

具体地说,为了简化任务发布,我们设计一套标准模板的任务由QuaEva发表类似的逻辑。与他/她的地址,每个用户注册资料,和假名URC合同,相对应的地址是用户的公钥。特别是,RWRC合同,存在一个 函数来评估解决方案的质量。这个函数只能接受输入的计算节点 ,这是通过验证签名的交易。考虑到 可能不诚实行为,输入签名公钥的飞地。解决方案的质量评价,实现私人飞地,结果被发送到RWRC合同经过身份验证的认证。此外,存在一个算法 验证资格的员工,例如,检查工人满足声誉价值有限。

4.1.2。TEE-Powered区块链甲骨文

区块链oracle作为数据提要区块链系统。在QuaEva,计算节点 可以被视为区块链甲骨文。更准确地说,当一个工人请求奖励支付提交解决方案,之后他可以发送请求事务区块链,和节点 通知Ethereum中的“事件”机制。然后, 从ipf请求加密的数据并将其发送给验证的飞地。飞地的输出被发送回RWRC合同与远程认证。具体地说,以抵御失败,我们可以构建一个分布式甲骨文网络Chinklink [25),一组TEE-powered服务器作为喂养的区块链oracle数据。

4.2。正式的协议规范

已被称作相比与传统群体感知平台,利用金钱作为奖励,QuaEva使用cryptocurrency区块链作为奖励。Cryptocurrency可以通过采矿或与他人交易。以下的假设26],cryptocurrencies代替物,而不能被复制或伪造。业主谁拥有私钥可以拥有和转让cryptocurrency。每一方(请求者或工人)有自己的安全钱包经营他的硬币。 是用来表示一个项目,是吗 和 表示cryptocurrency 被锁在一个聪明的合同 次了。为简单起见,我们利用监督学习(20.估计用户的数据品质不知道地面真理(我们的方法可以扩展到支持其他机器学习算法),质量水平在哪里贴上 在每一个任务 和 是最好的质量。特别是,灵感来自CrowdBC [12),我们介绍了链上声誉管理机制来评估员工的行为,一个声誉值的地方 定期更新根据智能合约的历史任务。如图2,已被称作的群体感知整个过程包括五个阶段:初始化、任务发布,接收任务,提交解决方案和解决方案评估。在下面,我们目前的协议规范。


图2
QuaEva的流程模型。
4.2.1。准备初始化

作为第一步,每个已被称作方打算参与群体感知任务需要URC合同登记。通过这样做,每个参与者可以评估历史资料,例如,技能,经验,和任务完成程度的工人。注册方的公钥发表在区块链,这样任何人都可以检查身份的验证。注意QuaEva不需要使用真实身份注册一个账户,但是pseudoanonymous帐户,这本质上是一个类似的设计如比特币。特别是,有人可能想注册详细个人信息增加任务收到的可能性;QuaEva支持这种类型的信息存储在ipf不引入过多的链上的成本。除了用户注册,计算节点 也获得一个密钥对 (这通常是嵌入在由制造商TEE)和发布公钥在这个阶段。

4.2.2。传感任务发布

在这个阶段,一个请求者 可以发布一个任务要求数据从合格的工人。任务定义了几个参数,包括 和 ,在哪里 指的是一个简短的描述一个传感任务, 指的是请求者的公钥, 所需的工人数量, 代表一个解决方案的评估函数接受输入的计算节点 。具体地说,每一个评估函数应该加载到三通使用 先前的请求者。远程认证的证明需要检查评价函数的正确性。它承诺RWRC合同,每个工人可以验证。注意,评价函数只能接受输入从一个证明安全处理器三通(使用一个有效的签名 来验证)。

具体来说,请求者 需要存入一定的cryptocurrency大于支付奖励实现公平。剩余的存款将被发送回的地址 如果他表现得诚实。 指的是当工人被要求提交的数据。 指的是时候 需要确认最终的评价结果从三通。防止低合格工人参与在这个任务中,请求者可以设置一个有限的声誉 RWRC合同。

4.2.3。任务接收

然后,一个工人 可以接收这个任务如果他满足任务的条件,比如,一个工人,他开着车,在请求者的地方打算收集数据。类似于请求者,工人也需要存款RWRC合同。存款可以赎回后,工人已经提交有效数据。

4.2.4。解决方案提交

在收集之前的传感数据 ,工人们可以提交他们的数据存储节点(即。ipf)。同时,一个事务数据提交事件被发送到区块链和一个散列值的数据也承诺RWRC合同。注意,触发事件RWRC合同发送到 同时(Ethereum可靠性合同支持事件机制。),这是通知 遥感数据已经提交的一个工人。考虑数据的隐私,工人的遥感数据与公钥加密三通(例如, )并与他的私钥迹象。的地址数据 发送到RWRC合同,以便请求者可以下载它。

4.2.5。评价

在这个阶段,所有提交的数据被发送到计算节点 质量评估。具体来说,由于有限的存储三通,我们不需要 同时评估这些数据。更准确地说,他们可以分为多个部分,分别评价。灵感来自不当行为的证据(27),至于质量评价的数据,它不需要所有的传感数据质量高,而如果是低质量评估的一部分,它代表了这个工人提供了一个低质量数据这个任务,不应该从RWRC智能获取奖励合同。如前所述,毫升的遥感数据可以评估模型,例如,一个捕捉的画面。TEE解密接收的数据,并确定精度的可能性这一任务。 触发三通输出一个评估结果,作为一个oracle区块链。特别是,三通利用请求者的公钥reencrypt数据评估后,允许请求者使用他/她的私钥解密数据。

后来,当RWRC合同收到评估结果 ,它检查结果是否与三通的公钥签名,验证的最终结果 自动。如果没有请求者和工人之间的纠纷解决方案的结果,分配给员工的奖励将会根据三通的输出。否则,其中一个不满足的结果可能发布一个交易合同仲裁由第三匹配器。这样审核员只能参与遥感任务存在争议时,他们可以选择一个权威方这个第三方之前采取行动。

4.3。安全分析
4.3.1。公平

在我们的方案中,我们假设存在一个预定义的评价函数,可以自动评价三通的传感数据。更准确地说,认为解决方案 ,然后是矿工可以验证 等于 或 根据三通。没有人可以修改程序已被证明在飞地。降低链上数据的大小,数据也可以分成多个部分,也就是说, 。当三通输出 因此,它可以上传数据的一部分(例如, )评估结果RWRC合同。因此,矿工可以验证这样一个根据三通的输出部分。注意,在任务执行的过程和结果评价,不存在有信方给主观决定。此外,将自动惩罚不诚实的请求者或工人RWRC合同另一方支付定金。基于多数诚实的假设,底层区块链系统是安全的,和恶意的概率政党创建一个叉区块链在他们的支持是可以忽略的。因此,QuaEva能够实现公平利用可信硬件和区块链技术。

4.3.2。隐私保护

简单,可以保护数据隐私的可信硬件采用一次。更具体地说,保护隐私的数据,我们的协议要求员工提交一个加密的公钥三通任务的解决方案。数据与请求者的公钥reencrypted三通。所有的公共密钥发布和证明的任务。三通的安全假设,私钥不能检索到任何人,即使是制造商。因此,三通中的数据免受恶意用户。此外,加密的数据存储在分布式存储,可以下载一个独特的承诺在区块链的指针。

4.3.3。不可抵赖性

简单,可以实现不可抵赖性的防伪造区块链技术。具体来说,认可代表 和 应该授权发布或接收任务URC合同,他们无法反驳参与后者。此外,如果一个工人 提交一个低质量的解决方案与一个贫穷的贡献, 不能否认低质量提交,因为它已经承诺RWRC合同。

5。实施和评价

在本节中,我们给QuaEva的评价。至于新交所的环境,避免了复杂的开发基于新交所的英特尔新交所SDK (Windows v2.13.100.2英特尔新交所SDK),我们与新加坡交易所SDK 2.5版的初始化它。我们在服务器上建立一个三通环境(Ubuntu18.04.4LTS,英特尔(R)的核心(TM) i5 - 7500 CPU @ 3.40 ghz)。具体来说,我们开发安全计算程序使用python编程语言。

结果证明了该方案的可行性,我们实现一个当地Ethereum测试网络在我们的服务器。我们评估的性能已被称作计划通过考虑整个群体感知过程。交易费的定义是相同的对于不同的事务。具体来说,有1请求者和10名员工在我们的实验。我们进行100次同样的照片捕捉任务并使用多层感知器(keras)来识别每个收集照片三通。模型中使用三通说明如表2,4层指定议员网络进行图像识别。

表2
实验中使用的多层感知器的描述。

如图3链上交易的,我们分析性能在测试网络。具体来说,我们记录每笔交易的时间消耗参与质量评价的执行。有6种事务参与该方案,即。,deposit payment, task posting, data submission, evaluation requesting, evaluation submission, and proof of evaluation by TEE. The difficulty of the local Ethereum is relatively low as that each block is generated by taking about 4.756 seconds. Each block can only store about 376 transactions. We record the time cost that starts from a transaction being sent to the network and ends at it being written on the blockchain. Note that the average confirmation time for a specific transaction is about 9.428 seconds. Namely, each transaction takes about 2 blocks of time to be finally confirmed in the local Ethereum network. The average transaction throughput can be up to 70.08 TPS (transactions per second).


图3
事务被记录的时间性能在当地Ethereum网络。

具体来说,在质量评价的过程中,我们(即加载图像识别模型。三通(keras模型),20.]。每个传感数据的任务是加密的公钥下三通,可以解密的飞地保护隐私。评价结果的输出被发送到用一个经过验证的认证合同。具体来说,我们评估性能的远程认证,使一个三通的输出验证由英特尔认证服务(IAS)。每个远程认证需要平均2.73秒,这是一个小长与评估的执行。不过,我们可以把大量的输出结果作为一个整体,然后证明它IAS,可以显著减少时间成本。

在三通,我们从Minst收集测试10000张照片https://storage.googleapis.com/tensorflow/tf-keras-datasets/mnist.npz。的总时间识别耗时12421毫秒,平均需要1.24女士在三通识别单个的图片。可以到识别的准确性 。根据我们的实验中,我们表明,通过使用智能合同,三通,和机器学习技术,它能够实现公平和保护隐私已被称作质量评价的群体感知任务。

6.1。Crowdsensing

众包的概念被2005年豪(初始化28]。它包含几个已被称作等群体感知模型,集资”和microcrowdsourcing。它代表一个特定的模型中,个人或组织在世界各地连接在一起,这些人能够贡献自己的技能从请求者获得奖励。已被称作作为有前途的技术之一,群体感知在过去的几年里吸引了太多的关注。已被称作人类智力的群体感知由三组角色:请求者,工人,已被称作一个集中的群体感知系统。它主要由三个阶段:数据收集、数据存储和数据上传。目前,已被称作存在大量的群体感知系统和他们的应用程序快速增长在世界范围内,如WAZE,谷歌地图,Snapchat。这些应用程序可以收集有价值的信息,如天气和位置。

6.2。质量评价

尽管已被称作的快速发展群体感知,收集的数据的质量评价问题尚未解决仔细和最近备受关注2]。许多研究已经提出,综合激励工作,数据聚合,声誉管理与数据扰动机制来实现真实和准确的汇总结果。隐私保护已被称作是一个重大的研究课题在群体感知,这是保护参与者的隐私,如位置、名称和收集的数据。已被称作存在三个质量评价方案的群体感知(29日,30.]。(i)绝大多数的决定(MD):这个计划执行通过聚合所有工人的数据和数据保持相同的多数参与者将是最终的输出。(2)对照组:这个方案生成一个新的验证众包任务收集的数据,选择几个工人执行质量评价的任务。(3)金本位制:它收益要求工人给一个标准答案。很少的这些计划已经考虑工人的质量评价和隐私保护的问题分散。他们主要集中在已被称作传统群体感知架构。

此外,一些已被称作计划已经执行了质量控制群体感知,包括激励机制、员工选择、先验知识和骗子检测。然而,限制存在在先前的计划。首先,大多数这些方法专注于简单的任务,可以通过使用聚合技术评估(在)31日)或医学博士(30.]。虽然可以解决传感任务的场景,答案已被称作有限的答案在群体感知,对于复杂技能的任务中没有相同的答案提交结果集程序开发和图等设计,这些方法不能应用。其次,请求者通常会提供了一些奖励工人得到高质量的数据(解决方案)。然而,一个主要困境存在于工人和请求者之间的货币激励机制。如果付款是支付在任务开始之前,工人可能会解决这个任务不努力,这被称为“搭便车”[7]。如果付款是支付提交答案后,请求者的动机降低支付给一个不合理的评价,这是被称为“虚假的报告”7]。最新的计划是基于声誉系统解决困境,但它是基于假设工人和请求者可能在系统中停留很长时间,虽然这是不正确的,一些不诚实的一次已被称作用户可能使用群体感知系统。最后,重要的是,执行质量控制方法已被称作的群体感知系统,工人和请求者相信这个中央系统开展不诚实的活动也会受到攻击。不幸的是,它并不总是如此。因此,完成的质量评价公平、保护隐私的方法,有必要考虑所有的安全威胁。

6.3。Crowdsensing与机器学习

机器学习已经翻新许多应用程序吸引大量的注意力从工业和学术领域(19,20.,32- - - - - -35]。存在一些作品已被称作结合群体感知和机器学习。郭et al。34]提出Bayesian-based预测模型已被称作旨在完成群体感知过程已被称作内群体感知架构。熊等。35已被称作]提出了一种群体感知方法收集大规模机器学习中训练样本数据。然而,大多数现有的方法考虑使用机器学习解决已被称作质量评价的群体感知的挑战。

7所示。结论

在本文中,我们提出了一个已被称作fair-aware和保护隐私方案质量评价群体感知。我们分析,传统的质量评价函数是人类主观干预的弱点,单点故障和复杂的技能任务无法用常规方法准确地评估。因此,我们解决评估请求者和工人之间的困境与可信执行环境和机器学习基于我们以前的工作12]。特别是QuaEva不依赖于任何第三方给的判断,和数据(即。,the solutions) can be evaluated automatically with a committed evaluation function in the TEE. We believe that this design can provide a direction for the quality evaluation with ML and blockchain technologies.

数据可用性

数据分析在当前研究中可用Dataverse库,https://www.kaggle.com/c/imagenet-object-localization-challenge/overview/description。这些数据集来自以下公共领域资源:https://github.com/lim60/crowdBC。

的利益冲突

作者宣称没有利益冲突。

确认

Zhihong王先生和李永标工作的支持部分由中国国家重点研究和发展计划下授予2020 yfb1005600,部分由中国国家自然科学基金批准号。61825203,U1736203, U2001205, 61732021, 62102166, 61902067, 62102165, 62032025,在广东的主要程序基础和应用研究项目拨款2019 b030302008,和部分由国家联合工程研究中心的网络安全检测和防护技术。Dingchegn李的工作是支持中国国家自然科学基金的一部分。李明的工作的部分支持由中国国家自然科学基金,部分由广东基础研究和应用基础研究基金会资助下2020 a1515111175和2019号b1515120010,和2020年广东重点研究和发展计划批准号。2020 b0101090002 b0101360001 2020 b0101090004, 2020。