基于移动群智感知的无线电环境地图数据收集关键技术研究

REM(Radio Environment Map) can be envisioned as an integrated database, and based on this information,the radio environment can be measured, modeled and can be used by multiple upper applications. However, most of the current REMs are oriented to a specific application or limited to a small range, which makes the same underlying data cannot be shared and reused among multiple applications, resulting in duplication of data collection and wastage of resources. Building a wide range, ubiquitous REM is not only the integration of the radio environment resources, but also can save the expense to construct additional database for a new application. This project focus on two key problems in the REM data collection technology based on mobile crowd sensing: (1)controlling the data size; (2)the complexity of data collection of the small sensing module suffered to the high dimensional data information. First, analyzing the relationship of the REM accuracy and the quantity of the sensing data and the number of the sensing node, limit the quantity of the sensing node and data scale under the premise of a certain map precision; second, study the task allocation mechanism for the high dimensional data collection, by establishing multiple interest groups to finish the task collectively, thereby reducing the burden of the sensing module in the mobile device. The research may reduce the overhead of the data collection process and provide a new way for the construction of the REM.

REM是一个集成的数据库，基于这些信息，可以对无线环境进行测量、建模，从而被多种上层应用使用。然而目前构建的REM大多是针对于小范围的、某个特定应用的，使得相同的底层的数据无法在多种应用之间共享和重用，导致数据的重复收集及资源的浪费。研究适用于大范围、普适的无线电磁波环境地图既是对无线电环境数据资源的整合，又能够在引入新应用的过程中避免了再次构建专门数据库的开销。本项目着重研究基于移动群智感知的无线电磁波环境地图数据收集技术中面临的以下两个问题：（1）感知数据规模的控制；（2）高维信息数据加诸于功能单一的移动设备感知模块上的数据收集的复杂性问题。首先分析REM的精准度与感知节点数量以及感知数据数量之间的规律，在保证地图精准度的前提下控制感知节点的数量及数据的规模；其次，研究高维数据收集中的任务分配机制，通过建立多个感知任务兴趣组以协同完成复杂的感知任务，从而降低移动设备感知模块的负担。

无线环境信息（Radio Environment Information）是描述某一区域内无线频谱资源的使用状况信息。精准实时的无线环境信息可以用于提高该区域的无线频谱资源利用率，优化无线网络，使用户获得更好的网络使用体验。移动群智感知（Mobile Crowd Sensing，MCS）作为一种以人为中心并结合了众包思想的新兴数据收集方式将普通社会用户日常携带使用的智能移动终端设备（智能手机、可穿戴设备、平板电脑等）作为数据收集基本单元收集数据。使用移动群智感知进行数据收集方式收集不仅可以降低数据收集成本，而且大量的感知终端组成的网络使数据收集更加容易，招募用户参与数据收集提高了感知的灵活性，且易于维护。主要方法包括：.（1）.为了提高用户参与感知的积极性，从用户的角度出发，采用不完全信息博弈的思想，对移动群智感知过程建模分析及参与用户效用分析，以最大化用户效用为目标，并考虑实际中用户在感知过程中随机退出感知的情况下设计激励机制，激励用户参与位置相关的感知任务。考虑了由于用户随机性导致用户执行感知任务过程中随机退出感知的情况，用户随机退出感知使得任务未完成导致感知任务完成率较低，而继续招募更多的用户参与未完成的感知任务将会增加平台成本及数据冗余，为了在不增加平台成本的同时提高感知任务完成率，提出基于用户交互的激励模型，通过基于双向拍卖的动态激励方法，促进用户参与。实验结果表明，该方法对于提高感知任务完成率具有很好的促进作用。(2)首先，提出了基于用户移动性的无线环境数据收集用户选择模型。通过对用户的移动规律进行分析、预测选择部分用户组成候选感知用户池，然后在候选感知用户池中选择部分用户使其能够最大化覆盖目标感知区域，进而收集无线环境数据的样本数据。然后，在招募用户收集了目标区域的无线环境数据的样本数据后，通过分析目标区域样本无线环境数据分布规律，然后使用Kriging空间插值算法根据样本数据还原整个目标区域的无线环境数据，进而描述目标区域的无线资源环境。

内容获取失败，请点击重试