When Compressive Sensing Meets Mobile Crowdsensing

این کتاب مقدمه ای جامع برای استفاده از سنجش فشرده برای بهبود کیفیت داده در زمینه سنجش جمعیت موبایل ارائه می دهد. این به موضوعات اصلی زیر می‌پردازد: بازیابی داده‌های از دست رفته، جمع‌آوری کارآمد داده‌ها، حفظ حریم خصوصی کاربر، و شناسایی داده‌های نادرست.

تشخیص جمعی تلفن همراه، به عنوان یک الگوی حسگر نوظهور، توده‌ها را قادر می‌سازد تا در وظایف جمع‌آوری داده‌ها شرکت کنند. با کمک دستگاه های تلفن همراه قدرتمند با این حال، پلتفرم‌های سنجش جمعیت موبایل هنوز به طور گسترده در عمل مورد استفاده قرار نگرفته‌اند و نگرانی اصلی کیفیت داده‌های جمع‌آوری‌شده است. دلایل متعددی وجود دارد: برخی مکان‌ها ممکن است داده‌های اضافی تولید کنند، در حالی که برخی دیگر ممکن است اصلاً پوشش داده نشوند، زیرا شرکت‌کنندگان به ندرت به طور سیستماتیک هماهنگ می‌شوند. حفظ حریم خصوصی برای برخی از افراد که مایل به اشتراک گذاری مکان واقعی خود نیستند، نگرانی است و بنابراین ممکن است برخی از اطلاعات کلیدی از دست رفته باشد. علاوه بر این، برخی از شرکت‌کنندگان ممکن است داده‌های جعلی را آپلود کنند تا به‌طور متقلبانه جوایزی کسب کنند. برای پرداختن به این جنبه های مشکل ساز، سنجش فشاری، که با بازیابی دقیق سیگنال پراکنده با استفاده از نمونه های بسیار کمی کار می کند، ثابت کرده است که راه حل موثری ارائه می دهد.

This book provides a comprehensive introduction to applying compressive sensing to improve data quality in the context of mobile crowdsensing. It addresses the following main topics: recovering missing data, efficiently collecting data, preserving user privacy, and detecting false data.

Mobile crowdsensing, as an emerging sensing paradigm, enables the masses to take part in data collection tasks with the aid of powerful mobile devices. However, mobile crowdsensing platforms have yet to be widely adopted in practice, the major concern being the quality of the data collected. There are numerous causes: some locations may generate redundant data, while others may not be covered at all, since the participants are rarely systematically coordinated; privacy is a concern for some people, who don’t wish to share their real-time locations, and therefore some key information may be missing; further, some participants may upload fake data in order to fraudulently gain rewards. To address these problematic aspects, compressive sensing, which works by accurately recovering a sparse signal using very few samples, has proven to offer an effective solution.