随着物联网(IoT)的快速发展和5G网络的快速普及，移动众包(MCS)已成为当今社会不可或缺的一部分。但是MCS中的任务执行通常涉及任务参与者的位置和轨迹，这将对任务参与者的隐私造成威胁。因此MCS中的隐私权保护已成为当今社会亟待解决的重要研究问题之一。此外，现有的任务分配研究大多集中在离线优化任务分配上，离线任务分配会预先学习工人和任务的所有信息。然而，这些研究在现实世界的情况下并不能获得好的结果。同时，在线任务分配问题往往会导致局部最优分配。为了解决这些问题，需要关注在线任务分配和工人的到达时间以达到更好的分配效果。近日，十大网投平台大全下载计算机与控制工程学院分布式人工智能团队在国际知名期刊IEEE Transactions on Mobile Computing (CCF A类期刊，IF：6.075)和IEEE Transactions on Service Computing（CCF B类期刊，IF：11.019）上分别发表题为“A Triple Real-time Trajectory Privacy Protection mechanism Based on Edge computing and Blockchain in Mobile Crowdsourcing”和“Two-stage Bilateral Online Priority Assignment in Spatio-temporal Crowdsourcing”高水平论文。

该团队创新性地提出了一种基于边缘计算和区块链技术的三重实时轨迹隐私保护机制（T-LGEB）应用于MCS。其系统体系结构如图1所示。首先，使用本地化差分隐私技术和基于高斯分布的多概率延伸机制来处理任务参与者当前的真实位置，并且任务参与者将使用处理后的位置进行数据上传和假名服务请求。然后，通过本文提出的基于边缘计算的时空动态假名机制，将任务参与者的整个轨迹划分为多个具有不同假名身份的无关轨迹段。最后，在MCS中引入区块链技术，使用区块链代替传统第三方平台能够有效解决不可信第三方平台造成的隐私泄露问题。通过对多个真实数据集进行大量实验和对比分析，证明了提出的T-LGEB具有极高的隐私保护能力和数据可用性，并且所造成的资源消耗也相对较低。

图1轨迹位置隐私保护系统体系结构

此外，该团队创新的提出了一种基于在线分配模型的在线双边分配（OBA）问题。并提出了一种双边在线优先级重新分配算法（BOPR），如图2所示。BOPR算法通过双边分配实现实时任务/工人分配。为了保证匹配任务的数量，在BOPR算法中设计了一个优先级队列。考虑工人和任务的等待时间期限和优先级排序以及错误率情况，避免工人和任务等待时间过长，尽可能分配每个任务。在此基础上，针对不成功的任务设计了两阶段分配策略，最大限度地降低任务的错误率，显著提高任务分配的效率。最后，通过对真实数据集的实验，评估了算法在全局效用值和匹配数方面的性能。

图2双边在线优先级重新分配方法（BOPR）