The rapid advance of the Internet of Things (IoT) has enabled a new paradigm of the sensing network, i.e., mobile crowdsensing (MCS). Primarily, in MCS systems, a crowd of participating mobile users, namely, workers, are allocated by the MCS platforms to outsource their sensory data for specific tasks. Obviously, the reliability of workers and the trustability of their sensing data play significant roles in the service quality, thus the worker selection becomes crucial for the success of MCS applications. However, due to either a large number of candidates or their dynamic natures, selecting reliable workers poses big challenges to the MCS platform. Evidently, workers’ reputation-based characteristics, such as trustability and credibility, are also pivotal for the worker selection in MCS, but they were often neglected in previous literature. In this article, aiming at addressing the above challenges, we propose a new privacy-preserving worker selection scheme based on the probabilistic skyline computation technique. Specifically, our proposed scheme is characterized by: 1) assigning a trustability score to each worker based on his/her past performance without revealing his/her sensitive information and 2) efficiently selecting a subset of reliable workers for a particular task. Detailed security analysis shows that our proposed scheme can preserve workers’ privacy. In addition, performance evaluations via extensive simulations are conducted, and the results also demonstrate its effectiveness and efficiency for reliable worker selection in MCS applications.

中文翻译：

---

MCS中用于选择工作人员的安全高效的概率天际线计算

物联网（IoT）的飞速发展为传感网络提供了新的范例，即移动人群感知（MCS）。首先，在MCS系统中，MCS平台会分配大量参与移动用户（即工作人员），以将其感官数据外包给特定任务。显然，工作人员的可靠性及其传感数据的可信赖性在服务质量中起着重要作用，因此，工作人员的选择对于MCS应用程序的成功至关重要。但是，由于应聘者众多或他们的动态性质，选择可靠的工作人员给MCS平台带来了巨大挑战。显然，MCS中基于工人声誉的特征（如信任度和信誉度）对于选择工人也至关重要，但在以前的文献中却经常被忽略。在本文中，针对上述挑战，我们提出了一种基于概率天际线计算技术的新的隐私保护工人选择方案。具体而言，我们提出的方案的特征在于：1）在不透露其敏感信息的情况下，根据每个员工的过去表现为他们分配一个可信度评分，以及2）针对特定任务有效地选择可靠的员工子集。详细的安全分析表明，我们提出的方案可以保护工人的隐私。此外，还通过广泛的模拟对性能进行了评估，结果还证明了其在MCS应用中可靠选择工人的有效性和效率。我们提出了一种基于概率天际线计算技术的新的隐私保护工人选择方案。具体而言，我们提出的方案的特征在于：1）在不透露其敏感信息的情况下，根据每个员工的过去表现为他们分配一个可信度评分，以及2）针对特定任务有效地选择可靠的员工子集。详细的安全分析表明，我们提出的方案可以保护工人的隐私。此外，还通过广泛的仿真对性能进行了评估，结果还证明了其在MCS应用中可靠选择工人的有效性和效率。我们提出了一种基于概率天际线计算技术的新的隐私保护工人选择方案。具体而言，我们提出的方案的特征在于：1）在不透露其敏感信息的情况下，根据每个员工的过去表现为他们分配一个可信度评分，以及2）针对特定任务有效地选择可靠的员工子集。详细的安全分析表明，我们提出的方案可以保护工人的隐私。此外，还通过广泛的模拟对性能进行了评估，结果还证明了其在MCS应用中可靠选择工人的有效性和效率。1）在不透露他/她敏感信息的情况下，根据他/她过去的表现为他们分配一个可信度评分； 2）有效地为特定任务选择可靠的工人子集。详细的安全分析表明，我们提出的方案可以保护工人的隐私。此外，还通过广泛的模拟对性能进行了评估，结果还证明了其在MCS应用中可靠选择工人的有效性和效率。1）在不透露他/她敏感信息的情况下，根据他/她过去的表现为他们分配一个可信度评分； 2）有效地为特定任务选择可靠的工人子集。详细的安全分析表明，我们提出的方案可以保护工人的隐私。此外，还通过广泛的模拟对性能进行了评估，结果还证明了其在MCS应用中可靠选择工人的有效性和效率。