Συστήματα και εφαρμογές ανίχνευσης και συλλογής πληροφοριών με χρήση έξυπνων κινητών συσκευών χρηστών σε έξυπνες πόλεις

Abstract

The Internet of Things (IoT) has revolutionized the way data is collected, managed, and utilized, with applications spanning a wide range of fields such as smart healthcare, smart cities, precision agriculture and other application areas. Through IoT, interaction between devices, sensors, and humans is achieved, enabling real-time data collection. Within this context, the integration of human participation in data collection processes has created new perspectives, leading to the development of Mobile Crowdsensing (MCS). MCS leverages the widespread availability of mobile devices, such as smartphones and wearables, by involving users themselves in the data collection process. By combining human mobility and the ubiquity of mobile devices, MCS offers innovative solutions for large-scale data collection and utilization with enhanced spatial and temporal coverage. This approach provides significant advantages, such as improved accuracy and coverage in data collection, while simultaneously posing challenges related to ensuring data quality, task assignment, incentive provision, and the protection of privacy and security.One of the most significant issues emerging in MCS is ensuring data quality. The participation of a large number of users with diverse characteristics, such as varying levels of experience and motivation can lead to inaccurate or misleading information. In addition, factors such as device limitations, connectivity conditions, and environmental variations can further affect the quality of contributions. As a result, the presence of low-quality data can degrade system reliability and negatively impact decision-making processes. To address the issue of data quality, reputation mechanisms represent one of the most widespread and effective techniques for assessing the reliability of participants. Reputation mechanisms rely on the collection and analysis of feedback regarding user behavior and performance, enabling the dynamic formation of each participant’s reputation. Furthermore, the selection of suitable users for task execution is one of the key factors for the success of an MCS system. The accuracy, reliability, and quality of the data collected largely depend on the capabilities, reputation, experience, and consistency of the participants. Therefore, the integration of reputation mechanisms into the task assignment process enhances the system’s ability to select the most trustworthy participants who can effectively meet task requirements, while simultaneously preventing the participation of malicious or unreliable users. Within the scope of this dissertation, the challenges associated with this technology are thoroughly investigated, along with their interdependencies and the mechanisms and techniques that can be applied for their effective mitigation. Moreover, this dissertation proposes the development of a comprehensive and innovative MCS system designed to effectively address the multiple challenges associated with this technology. The research primarily focuses on ensuring data quality, utilizing dynamic task assignment, quality and reputation mechanisms. The task assignment mechanism considers multiple factors, such as participants’ experience, sensor quality, location, and reputation, to identify the most suitable workers for each task, thereby ensuring the collection of high-quality data. In addition, a novel data quality evaluation mechanism and a reputation estimation mechanism are proposed for assessing participant reliability. The proposed approach integrates anomaly detection, behavior categorization, and user reputation estimation, enabling the accurate identification of malicious or unreliable participants. At the same time, the majority of MCS systems are based on centralized architecture, which presents inherent security and reliability issues, such as the single point of failure, the potential leakage of sensitive information, and the lack of transparency in data management. To address these challenges, this dissertation employs blockchain technology to ensure the transparency, security, and traceability of the collected data. Ultimately, the proposed approach aims to create a reliable and transparent MCS system that combines innovative technologies and mechanisms to optimize data quality, enhance trust, and ensure fairness in large-scale data collection and utilization.

Το Διαδίκτυο των Πραγμάτων έχει φέρει επανάσταση στον τρόπο συλλογής, διαχείρισης και αξιοποίησης δεδομένων, με εφαρμογές που εκτείνονται σε ένα ευρύ φάσμα εφαρμογών όπως η έξυπνη υγεία, έξυπνες πόλεις, γεωργία ακριβείας και άλλες εφαρμογές. Μέσω του Διαδικτύου των Πραγμάτων, επιτυγχάνεται η αλληλεπίδραση μεταξύ συσκευών, αισθητήρων και ανθρώπων, παρέχοντας τη δυνατότητα συλλογής δεδομένων σε πραγματικό χρόνο. Στο πλαίσιο αυτό, η ενσωμάτωση της ανθρώπινης συμμετοχής σε διαδικασίες συλλογής δεδομένων έχει δημιουργήσει νέες προοπτικές, οδηγώντας στην ανάπτυξη του Mobile Crowdsensing (MCS). Το MCS αξιοποιεί την ευρεία διαθεσιμότητα κινητών συσκευών, όπως smartphones και wearables, εντάσσοντας τους ίδιους τους χρήστες στη διαδικασία συλλογής δεδομένων. To MCS συνδυάζει την ανθρώπινη κινητικότητα και την παρουσία των κινητών συσκευών, προσφέροντας καινοτόμες λύσεις για τη συλλογή και αξιοποίηση δεδομένων μεγάλης κλίμακας, με βελτιωμένη χωρική και χρονική κάλυψη. Αυτή η προσέγγιση παρέχει σημαντικά πλεονεκτήματα, όπως η βελτίωση της ακρίβειας και της κάλυψης στη συλλογή δεδομένων, αλλά ταυτόχρονα θέτει προκλήσεις που σχετίζονται με τη διασφάλιση της ποιότητας των δεδομένων, την ανάθεση εργασιών, την παροχή κινήτρων, την προστασία της ιδιωτικότητας των χρηστών και της ασφάλειας των πληροφοριών. Ένα από τα σημαντικότερα προβλήματα που αναδεικνύονται στο MCS είναι η διασφάλιση της ποιότητας των δεδομένων. Η συμμετοχή μεγάλου αριθμού χρηστών με διαφορετικά χαρακτηριστικά όπως επίπεδα εμπειρίας και κινήτρων μπορεί να οδηγήσει σε ανακριβείς ή παραπλανητικές πληροφορίες. Επιπλέον, παράγοντες, όπως περιορισμοί συσκευών, συνθήκες συνδεσιμότητας ή περιβαλλοντικές μεταβολές, μπορούν να επηρεάσουν την ποιότητα των συνεισφορών. Ως αποτέλεσμα, η παρουσία χαμηλής ποιότητας δεδομένων μπορεί να υποβαθμίσει την αξιοπιστία των συστημάτων, επηρεάζοντας αρνητικά τη διαδικασία λήψης αποφάσεων. Για την αντιμετώπιση του ζητήματος της ποιότητας δεδομένων, οι μηχανισμοί φήμης αποτελούν μια από τις πιο διαδεδομένες και αποτελεσματικές τεχνικές για την αξιολόγηση της αξιοπιστίας των εργαζομένων. Οι μηχανισμοί φήμης βασίζονται στη συλλογή και στην ανάλυση ανατροφοδότησης σχετικά με τη συμπεριφορά και την απόδοση των χρηστών, επιτρέποντας τη δυναμική διαμόρφωση της φήμης κάθε εργαζόμενου. Επιπλέον, η επιλογή των κατάλληλων χρηστών για την εκτέλεση των εργασιών αποτελεί έναν από τους βασικότερους παράγοντες για την επιτυχία ενός συστήματος MCS. Η ακρίβεια, η αξιοπιστία, και η ποιότητα των δεδομένων που συλλέγονται εξαρτώνται σε μεγάλο βαθμό από τις δυνατότητες, τη φήμη, την εμπειρία και τη συνέπεια των εργαζομένων. Επομένως, η ενσωμάτωση μηχανισμών φήμης στη διαδικασία ανάθεσης εργασιών ενισχύει την ικανότητα του συστήματος να επιλέγει τους πλέον αξιόπιστους εργαζόμενους που είναι σε θέση να ανταποκριθούν αποτελεσματικά στις απαιτήσεις της εργασίας, ενώ παράλληλα αποτρέπει τη συμμετοχή κακόβουλων ή αναξιόπιστων χρηστών. Στο πλαίσιο της παρούσας διατριβής, μελετώνται διεξοδικά οι προκλήσεις που εμφανίζονται στη συγκεκριμένη τεχνολογία, οι αλληλοεξαρτήσεις τους, καθώς και οι μηχανισμοί και οι τεχνικές που μπορούν να εφαρμοστούν για την αποτελεσματική αντιμετώπιση τους. Επιπλέον, η παρούσα διατριβή προτείνει την ανάπτυξη μίας ολοκληρωμένης αρχιτεκτονικής για το MCS, η οποία επιδιώκει να αντιμετωπίσει αποτελεσματικά τις πολυάριθμες προκλήσεις που εμφανίζονται σε αυτή την τεχνολογία. Η έρευνα επικεντρώνεται κυρίως στη διασφάλιση της ποιότητας των δεδομένων, αξιοποιώντας δυναμικούς μηχανισμούς ανάθεσης εργασιών, ποιότητας και φήμης. Ο μηχανισμός ανάθεσης εργασιών λαμβάνει υπόψη πολλαπλούς παράγοντες, όπως η εμπειρία των εργαζομένων, η ποιότητα των αισθητήρων τους, η τοποθεσία και η φήμη τους, για να επιλέγονται οι πιο κατάλληλοι εργαζόμενοι για κάθε εργασία ώστε να διασφαλιστεί η συλλογή δεδομένων υψηλής ποιότητας. Επιπλέον, προτείνεται ένας καινοτόμος μηχανισμός αξιολόγησης της ποιότητας δεδομένων και ένας μηχανισμός φήμης για την αξιολόγηση της αξιοπιστίας των εργαζομένων. Η προτεινόμενη προσέγγιση περιλαμβάνει ανίχνευση ανωμαλιών, κατηγοριοποίηση συμπεριφορών και εκτίμηση φήμης χρηστών, επιτρέποντας την ακριβέστερη αναγνώριση κακόβουλων ή αναξιόπιστων εργαζομένων. Παράλληλα, η πλειονότητα των συστημάτων MCS βασίζεται σε μια κεντρική αρχιτεκτονική, η οποία παρουσιάζει εγγενή προβλήματα ασφάλειας και αξιοπιστίας, όπως το μοναδικό σημείο αποτυχίας, η πιθανότητα διαρροής ευαίσθητων πληροφοριών, καθώς και η έλλειψη διαφάνειας στη διαχείριση των δεδομένων. Για την αντιμετώπιση αυτών των προκλήσεων, στο πλαίσιο της παρούσας διατριβής, αξιοποιείται η τεχνολογία του blockchain για τη διασφάλιση της διαφάνειας, της ασφάλειας και της ιχνηλασιμότητας των δεδομένων που συλλέγονται. Επομένως, η προτεινόμενη προσέγγιση στοχεύει στη δημιουργία ενός αξιόπιστου και διαφανούς συστήματος MCS, το οποίο συνδυάζει καινοτόμες τεχνολογίες και μηχανισμούς για τη βελτιστοποίηση της ποιότητας δεδομένων, την ενίσχυση της εμπιστοσύνης και τη διασφάλιση της δικαιοσύνης στη συλλογή και αξιοποίηση δεδομένων μεγάλης κλίμακας.