Datenschutzbewahrendes Reputationsmanagement für durch Edge Computing verbessertes Mobile Crowdsensing

Mobile Crowdsensing (MCS) hat an Popularität gewonnen, da es das Potenzial hat, individuelle mobile Geräte zu nutzen, um Daten zu erfassen, zu sammeln und zu analysieren, anstatt Sensoren einzusetzen. Da die Sensordaten zunehmend fein granuliert und komplex werden, gibt es eine Tendenz, MCS mit dem Edge-Computing-Paradigma zu verbessern, um Zeitverzögerungen und hohe Bandbreitenkosten zu reduzieren. Die Sensordaten können persönliche Informationen offenbaren, weshalb es von großer Bedeutung ist, die Privatsphäre der Teilnehmer zu wahren. Das Bewahren der Privatsphäre kann jedoch den Umgang mit böswilligen Teilnehmern erschweren. In diesem Papier schlagen wir zwei datenschutzbewahrende Reputationsmanagement-Schemata für durch Edge Computing verbessertes MCS vor, um gleichzeitig die Privatsphäre zu wahren und mit böswilligen Teilnehmern umzugehen. Im grundlegenden Schema wird eine neuartige Methode zur Aktualisierung des Reputationswerts basierend auf den Abweichungen der verschlüsselten Sensordaten vom endgültigen Aggregationsergebnis entworfen. Das grundlegende Schema ist effizient, kostet jedoch, dass der Abweichungswert jedes Teilnehmers dem Reputationsmanager offenbart wird. Um dieses Manko zu überwinden, schlagen wir ein erweitertes Schema vor, bei dem die Reputationswerte unter Verwendung des Rangs der Abweichungen aktualisiert werden. Umfangreiche Experimente zeigen, dass beide Schemata hohe Kosten-effizienz aufweisen und effektiv im Umgang mit böswilligen Teilnehmern sind.