Hispanopedia WikiEl crowdsensing , a veces denominado crowdsensing móvil , es una técnica en la que un gran grupo de personas que tienen dispositivos móviles capaces de detectar y calcular (como teléfonos inteligentes , tabletas , dispositivos portátiles ) comparten datos y extraen información de forma colectiva para medir, mapear, analizar, estimar o inferir (predecir) cualquier proceso de interés común. En resumen, esto significa crowdsourcing de datos de sensores de dispositivos móviles.
Fondo
Los dispositivos equipados con diversos sensores se han vuelto omnipresentes. La mayoría de los teléfonos inteligentes pueden detectar la luz ambiental, el ruido (a través del micrófono), la ubicación (a través del GPS ), el movimiento (a través del acelerómetro ) y más. Estos sensores pueden recopilar grandes cantidades de datos que son útiles de diversas maneras. Por ejemplo, los datos del GPS y del acelerómetro se pueden utilizar para localizar baches en las ciudades, y los micrófonos se pueden utilizar con el GPS para mapear la contaminación acústica . [1]
El término "crowdsensing móvil" fue acuñado por Raghu Ganti, Fan Ye y Hui Lei en 2011. [1] El crowdsensing móvil pertenece a tres tipos principales: ambiental (como el monitoreo de la contaminación), de infraestructura (como la localización de baches) y social (como el seguimiento de datos de ejercicio dentro de una comunidad). [1] Las aplicaciones actuales de crowdsensing funcionan en base al supuesto de que todos los usuarios envían voluntariamente los datos de detección, lo que lleva a una amplia participación de los usuarios. [2] También puede indicar la forma en que los usuarios de dispositivos móviles forman micro multitudes en función de una actividad de crowdsensing específica. [3]
Tipos
En función del tipo de implicación de los usuarios, el crowdsensing móvil se puede clasificar en dos tipos:
- Crowdsensing participativo, donde los usuarios participan voluntariamente aportando información. [4]
- Crowdsensing oportunista, donde los datos se detectan, recopilan y comparten automáticamente sin intervención del usuario y, en algunos casos, incluso sin el conocimiento explícito del usuario. [1] [5]
Aprovechando la omnipresencia de potentes dispositivos informáticos móviles (sobre todo smartphones) en los últimos años, se ha convertido en un método atractivo para las empresas que desean recopilar datos sin realizar inversiones a gran escala. Numerosas empresas tecnológicas utilizan esta técnica para ofrecer servicios basados en el big data recopilado, siendo algunos de los ejemplos más notables Facebook , Google y Uber .
Proceso
La detección masiva de multitudes a través de dispositivos móviles se produce en tres etapas: recopilación de datos, almacenamiento de datos y carga de datos. [6]
La recopilación de datos se basa en sensores disponibles a través de la Internet de las cosas . [7] Hay tres estrategias principales para recopilar estos datos: [8]
- El usuario de un dispositivo recopila datos de forma manual, lo que puede incluir la toma de fotografías o el uso de aplicaciones para teléfonos inteligentes.
- El usuario puede controlar manualmente la recopilación de datos, pero algunos datos pueden recopilarse automáticamente, como cuando un usuario abre una aplicación.
- La detección de datos se activa mediante un contexto particular que ha sido predefinido (por ejemplo, un dispositivo comienza a recopilar datos cuando el usuario se encuentra en un lugar determinado en un momento determinado).
La fase de recopilación de datos también puede implicar un proceso llamado deduplicación , que implica eliminar información redundante de un conjunto de datos para reducir costos y mejorar la experiencia del usuario. [8] El proceso de deduplicación filtra y comprime los datos que se han recopilado antes de cargarlos.
La segunda etapa implica el almacenamiento de datos en el dispositivo del usuario hasta que otro usuario los comparta y se comunique con ellos. [3] Por ejemplo, los videos que monitorean una actividad (por ejemplo, el tráfico) pueden almacenarse en el dispositivo de un usuario durante un período específico y luego transmitirse a una persona o institución capaz de tomar medidas. [9]
Un ejemplo de crowdsensing móvil es cuando los usuarios de teléfonos móviles activan el sensor móvil, incluidos Google Maps y Snapchat, que recopilan y comparten información local en Internet. [10] La aplicación recupera información como ubicación, cumpleaños, género y más. [10]
Desafíos
Limitaciones de recursos
El potencial de la detección de multitudes a través de dispositivos móviles está limitado por restricciones relacionadas con la energía, el ancho de banda y la capacidad de cómputo. El uso del GPS, por ejemplo, consume baterías, pero la ubicación también se puede rastrear mediante Wi-Fi y GSM , aunque estos son menos precisos. [1] La eliminación de datos redundantes también puede reducir los costos de energía y ancho de banda, al igual que la restricción de la detección de datos cuando es poco probable que la calidad sea alta (por ejemplo, cuando se toman dos fotos en la misma ubicación, es poco probable que la segunda proporcione información nueva). [8]
Privacidad, seguridad e integridad de los datos
Los datos recopilados mediante crowdsensing móvil pueden ser sensibles para las personas, ya que revelan información personal como la ubicación del hogar y del trabajo y las rutas utilizadas para desplazarse entre ambos lugares. Por lo tanto, es importante garantizar la privacidad y la seguridad de la información personal recopilada mediante crowdsensing móvil.
La detección masiva de multitudes a través de dispositivos móviles puede utilizar tres métodos principales para proteger la privacidad: [1]
- Anonimización , que elimina la información de identificación de los datos antes de enviarlos a un tercero. Este método no impide que se realicen inferencias basadas en detalles que permanecen en los datos.
- Computación multipartita segura , que transforma los datos mediante técnicas criptográficas. Este método no es escalable y requiere la generación y el mantenimiento de múltiples claves, lo que a su vez requiere más energía.
- Perturbación de datos, que agrega ruido a los datos de los sensores antes de compartirlos con una comunidad. Se puede agregar ruido a los datos sin comprometer su precisión.
- Recopilación de datos sin agregación, que descentraliza la recuperación de datos de sensores espacio-temporales mediante el paso de mensajes. Este mecanismo pretende recuperar datos de sensores espacio-temporales sin agregar los datos de sensores/ubicación de los participantes a un nodo central (por ejemplo, organizador), a fin de proteger la privacidad. [11]
La integridad de los datos también puede ser un problema cuando se utiliza el crowdsensing móvil, especialmente cuando el programa es optativo; en estas situaciones, las personas pueden aportar datos falsos de forma involuntaria o maliciosa. [1] [12] La protección de la integridad de los datos puede implicar el filtrado, la estimación de la calidad, etc. Otras soluciones incluyen la instalación de una infraestructura coubicada para que actúe como testigo o el uso de hardware confiable que ya esté instalado en los teléfonos inteligentes. Sin embargo, ambos métodos pueden ser costosos o consumir mucha energía. [1]
Véase también
Referencias
- ^ abcdefgh Ganti, Raghu; Ye, Fan; Lei, Hui (2011). "Detección de multitudes móvil: estado actual y desafíos futuros". Revista de comunicaciones IEEE . 49 (11): 32–39. doi :10.1109/MCOM.2011.6069707. S2CID 10228317.
- ^ Wang, Yufeng; Ma, Jianhua (2014). Redes sociales móviles y computación: una perspectiva integrada multidisciplinaria . Boca Raton, FL: CRC Press. p. 111. ISBN 9781466552753.
- ^ ab Pathan, Al-Sakib Khan (3 de septiembre de 2018). Redes y computación asistidas por multitudes. CRC Press. ISBN 9780429843594.
- ^ Xiong, H.; Zhang, D.; Chen, G.; Wang, L.; Gauthier, V.; Barnes, LE (agosto de 2016). "iCrowd: asignación de tareas casi óptima para Piggyback Crowdsensing". Transacciones IEEE sobre computación móvil . 15 (8): 2010–2022. doi :10.1109/tmc.2015.2483505. ISSN 1536-1233. S2CID 14521123.
- ^ Guo, contenedor; Wang, Zhu; Yu, Zhiwen; Wang, Yu; Yen, Neil Y.; Huang, Runhe; Zhou, Xingshe (2015). "Computación y detección de multitudes móviles". Encuestas de Computación ACM . 48 (1): 1–31. doi :10.1145/2794400. S2CID 8610495.
- ^ Nilanjan, Dey; Sharvari, Tamane (2018). Análisis de macrodatos para ciudades inteligentes y conectadas . Hershey, PA: IGI Global. pág. 14. ISBN 9781522562078.
- ^ Arkian, Hamid Reza; Diyanat, Abolfazl; Pourkhalili, Atefe (2017). "MIST: Esquema de análisis de datos basado en niebla con aprovisionamiento de recursos rentable para aplicaciones de IoT Crowdsensing". Revista de aplicaciones informáticas y de redes . 82 : 152–165. doi :10.1016/j.jnca.2017.01.012.
- ^ abc Liu, Jinwei; Shen, Haiying; Zhang, Xiang (1 de agosto de 2016). "Un estudio de las técnicas de crowdsensing móvil: un componente crítico para la Internet de las cosas". 2016 25.ª Conferencia internacional sobre comunicaciones y redes informáticas (ICCCN) . pág. 1. doi :10.1109/ICCCN.2016.7568484. ISBN 978-1-5090-2279-3.
- ^ Borcea, Cristian; Talasila, Manoop; Curtmola, Reza (2016). Mobile Crowdsensing . Boca Raton, FL: CRC Press. pág. 47. ISBN 9781498738446.
- ^ ab Su, Hua; Wu, Qianqian; Sun, Xuemei; Zhang, Ning (20 de junio de 2020). "El mecanismo de incentivo a la participación del usuario de la red de crowdsensing móvil basado en el umbral del usuario". Dinámica discreta en la naturaleza y la sociedad . 2020 : 1–8. doi : 10.1155/2020/2683981 . ISSN 1026-0226.
- ^ Bian, Jiang; Xiong, Haoyi; Fu, Yanjie; Das, Sajal K. (15 de noviembre de 2017). "CSWA: detección de comunidades espacio-temporales sin agregación". arXiv : 1711.05712 [cs.LG].
- ^ Guo, Bin; Yu, Zhiwen; Zhang, Daqing; Zhou, Xingshe (14 de enero de 2014). "De la detección participativa a la detección de multitudes móviles". arXiv : 1401.3090 [cs.HC].