Towards efficient mobile crowdsensing assignment and uploading schemes

par Rim Ben Messaoud

Thèse de doctorat en Informatique

Sous la direction de Mohamed Yacine Ghamri Doudane.

Soutenue le 05-07-2017

à Paris Est , dans le cadre de MSTIC : Math?matiques et Sciences et Technologies de l'Information et de la Communication , en partenariat avec Laboratoire d'informatique de l'Institut Gaspard Monge (laboratoire) et de Laboratoire d'Informatique Gaspard-Monge / LIGM (laboratoire) .

Le président du jury était Toufik Ahmed.

Le jury était composé de Mohamed Yacine Ghamri Doudane, Sidi-Mohammed Senouci, Marco Fiore, Patrice Raveneau, Rami Langar.

Les rapporteurs étaient Herv? Rivano, Nathalie Mitton.

  • Titre traduit

    Vers une capture participative mobile efficace : assignation des t?ches et d?chargement des donn?es


  • Résumé

    L?ubiquit? des terminaux intelligents ?quip?s de capteurs a donn? naissance ? un nouveau paradigme de collecte participative des donn?es appel? Crowdsensing. Pour mener ? bien les t?ches de collecte, divers d?fis relatifs ? l?implication des participants et des demandeurs de services doivent ?tre relev?s. Dans ce contexte, nous abordons quatre questions majeures inh?rentes ? ce probl?me: Comment affecter les t?ches de collecte afin de maximiser la qualit? des donn?es d?une fa?on ?co-?nerg?tique ? Comment minimiser le temps n?cessaire ? la collecte et au traitement des t?ches? Comment inciter les participants ? d?dier une partie de leurs ressources pour la collecte? et Comment prot?ger la vie priv?e des participants tout en pr?servant la qualit? des donn?es report?es ? Tout d?abord, nous nous int?ressons au fait que les ressources ?nerg?tiques des terminaux mobiles restent limit?es. Nous introduisons alors des mod?les de d?ploiement de t?ches qui visent ? maximiser la qualit? des donn?es report?es tout en minimisant le co?t ?nerg?tique global de la collecte. Ainsi, notre premi?re contribution se mat?rialise en un mod?le d?allocation appel?, QEMSS. QEMSS d?finit des m?triques de qualit? de donn?es et cherche ? les maximiser en se basant sur des heuristiques utilisant la recherche taboue. De plus, afin de rendre le processus d?allocation r?sultante plus ?quitable, nous faisons appel ? un deuxi?me algorithme, F-QEMSS, extension de QEMSS. Les deux solutions ont permis d?obtenir des niveaux de qualit? de donn?es comp?titifs principalement dans les situations d?favorables des zones de faible densit? ou de ressources limit?es. En outre, afin de minimiser le temps moyen de collecte et de traitement des donn?es, une deuxi?me phase d?allocation distribu?e est ajout?e. Plus pr?cis?ment, nous proposons dans cette deuxi?me contribution de d?signer des participants responsables de d?l?guer des t?ches. Ces derniers pr?disent le comportement d?autres utilisateurs en termes de mobilit? et de pr?f?rences de collecte. Par cons?quent, nous d?veloppons deux types d?allocation; MATA qui ne tient compte que de la mobilit? et P-MATA qui tient compte ? la fois de la mobilit? et des pr?f?rences des participants. Les deux allocations d?montrent que l?estimation des pr?f?rences des utilisateurs minimise le temps de collecte et ?vite le rejet des t?ches. La troisi?me contribution de cette th?se, IP-MATA+, propose des incitations aux participants, ce qui favorise leur engagement aux campagnes de collecte notamment quand le budget d?di? est partag? en fonction de la qualit? des contributions. Pour finir, nous consid?rons la probl?matique de la vie priv?e des participants au crowdsensing. Particuli?rement, nous ciblons la minimisation du risque de divulgation de la vie priv?e durant la phase du d?chargement tout en veillant ? l?utilit? des donn?es collect?es. Ainsi, la quatri?me contribution de cette th?se vise ? assurer simultan?ment deux objectifs concurrents, ? savoir assurer l?utilit? des donn?es n?cessaire aux demandeurs et prot?ger les informations sensibles des participants. Pour ce faire, nous introduisons une entit? de confiance dans le syst?me de collecte ayant pour r?le d?ex?cuter un m?canisme qui g?n?re une version alt?r?e de la donn?e collect?e qui r?pond au compromis de protection et d?utilit?. La solution d?velopp?e, appel?e PRUM, a ?t? ?valu?e sur des datasets de collecte participative en variant les sc?narios d?attaque et de d?chargement des donn?es. Les r?sultats obtenus prouvent qu?une alt?ration limit?e des donn?es collect?es peut assurer une protection des informations sensibles des participants tout en pr?servant environ 98% de l?utilit? des donn?es obtenue pour les demandeurs. Pour conclure, nos contributions abordent diverses probl?matiques compl?mentaires inh?rentes ? la collecte participative des donn?es ouvrant la voie ? des mises en ?uvre r?elles et facilitant leur d?ploiement


  • Résumé

    The ubiquity of sensors-equipped mobile devices has enabled people to contribute data via crowdsensing systems. This emergent paradigm comes with various applications. However, new challenges arise given users involvement in data collection process. In this context, we introduce collaborative sensing schemes which tackle four main questions: How to assign sensing tasks to maximize data quality with energy-awareness? How to minimize the processing time of sensing tasks? How to motivate users to dedicate part of their resources to the crowdsensing process ? and How to protect participants privacy and not impact data utility when reporting collected sensory data ? First, we focus on the fact that smart devices are energy-constrained and develop task assignment methods that aim to maximize sensor data quality while minimizing the overall energy consumption of the data harvesting process. The resulting contribution materialized as a Quality and Energy-aware Mobile Sensing Scheme (QEMSS) defines first data quality metrics then models and solves the corresponding optimization problem using a Tabu-Search based heuristic. Moreover, we assess the fairness of the resulted scheduling by introducing F-QEMSS variant. Through extensive simulations, we show that both solutions have achieved competitive data quality levels when compared to concurrent methods especially in situations where the process is facing low dense sensing areas and resources shortcomings. As a second contribution, we propose to distribute the assignment process among participants to minimize the average sensing time and processing overload com- pared to a fully centralized approach. Thus, we suggest to designate some participants to carry extra sensing tasks and delegate them to appropriate neighbors. The new assign- ment is based on predicting users local mobility and sensing preferences. Accordingly, we develop two new greedy-based assignment schemes, one only Mobility-aware (MATA) and the other one accounting for both preferences and mobility (P-MATA), and evaluate their performances. Both MATA and P-MATA consider a voluntary sensing process and show that accounting for users preferences minimize the sensing time. Having showing that, our third contribution in this thesis is conceived as an Incentives-based variant, IP-MATA+. IP-MATA+ incorporates rewards in the users choice model and proves their positive impact on enhancing their commitment especially when the dedicated budget is shared function of contributed data quality. Finally, our fourth and last contribution addresses the seizing of users privacy concerns within crowdsensing systems. More specifically, we study the minimization of the incurred privacy leakage in data uploading phase while accounting for the possible quality regression. That is, we assess simultaneously the two competing goals of ensuring queriers required data utility and protecting participants? sensitive information. Thus, we introduce a trust entity to the crowdsensing traditional system. This entity runs a general privacy-preserving mechanism to release a distorted version of sensed data that responds to a privacy-utility trade-off. The proposed mechanism, called PRUM, is evaluated on three sensing datasets, different adversary models and two main data uploading scenarios. Results show that a limited distortion on collected data may ensure privacy while maintaining about 98% of the required utility level.The four contributions of this thesis tackle competing issues in crowdsensing which paves the way at facilitating its real implementation and aims at broader deployment


Il est disponible au sein de la bibliothèque de l'établissement de soutenance.

Consulter en bibliothèque

La version de soutenance existe

Où se trouve cette thèse ?

  • Bibliothèque : Communautés d’Universités et d'Etablissements Université Paris-Est. Bibliothèque universitaire.
  • Bibliothèque : École des Ponts ParisTech (Marne-la-Vallée, Seine-et-Marne). Bibliothèque électronique.
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.