PP-WBHSTM: datenschutzfreundliches gewichtetes bidirektionales heterogenes räumliches Aufgabenmatching

Räumliche Crowdsourcing (SC) Systeme haben sich als eine fortschrittliche Anwendung etabliert, die darauf abzielt, "Arbeiter" und "Anforderer" basierend auf ihren Anforderungen/Fähigkeiten und geografischen Standorten zusammenzuführen, was als räumliches Aufgabenmatching (STM) bezeichnet wird. Darüber hinaus kann der zunehmende Trend, raumtextuelle Datenservices in die Cloud auszulagern, ernsthafte Datenschutzbedenken aufwerfen, wenn solche Daten direkt in einer untrusted Cloud ausgelagert werden. Bestehende Studien erreichen jedoch selten sowohl "Effizienz" als auch "Sicherheit" gleichzeitig, insbesondere in untrusted und heterogenen Umgebungen, in denen Aufgaben in verschiedenen Kategorien und Bereichen spannen. Um dieses Problem anzugehen, schlagen wir ein datenschutzfreundliches gewichtetes bidirektionales heterogenes räumliches Aufgabenmatching (PP-WBHSTM) Framework vor, das SC als einen bidirektionalen Prozess behandelt, der sowohl Anforderern als auch Arbeitern erlaubt, Informationen hochzuladen und Anfragen gleichermaßen durchzuführen, während frühere Ansätze nur dem Anforderer erlaubten, Anfragen durchzuführen. Insbesondere entwerfen wir einen verschlüsselten Vektor, der räumliche Schlüsselwortanfragen mit Datenschutz ermöglicht, wobei sowohl räumliche als auch textuelle Daten einheitlich verschlüsselt werden. Benutzerähnlichkeiten werden basierend auf ihren gewichteten Fähigkeiten und Standorten bewertet, wobei jedes Gewicht das Prioritätsniveau des Benutzers widerspiegelt. Darüber hinaus werden Klassifikationsmethoden eingesetzt, um die Suchkomplexität zu reduzieren. Dieser integrierte Ansatz gewährleistet hohe Effizienz bei gleichzeitiger Wahrung von Sicherheit und Datenschutz, was ihn besonders geeignet für SC Systeme und räumliche Schlüsselwortsuche in untrusted und heterogenen Umgebungen macht. Die experimentellen Ergebnisse zeigen, dass das vorgeschlagene PP-WBHSTM Modell die Baseline-Ansätze in allen Datensatzgrößen signifikant übertrifft und eine höhere Präzision und einen höheren Rückruf bei gleichzeitiger Aufrechterhaltung einer effizienten Rechenleistung erzielt. Darüber hinaus wird die Anzahl der Vergleiche reduziert, was seine überlegene Skalierbarkeit und Effizienz bestätigt.