[論文レビュー] Private and Truthful Aggregative Game for Large-Scale Spectrum Sharing

Pan Zhou, Wenqi Wei+4 more|arXiv (Cornell University)|Aug 19, 2016

Auction Theory and Applications参考文献 31被引用数 3

ひとこと要約

本稿は、動的で多様性のある無線ネットワークにおける大規模なスケーリング共有のためのプライベートかつ真実性を保証する集約型ゲームフレームワークを提案する。弱い中立者（例：基地局やスペクトル規制機関）を導入し、チャネルアクセス戦略の報告を収集・推奨する仕組みを採用することで、近似的なナッシュ均衡への収束を実現するとともに、共同微分プライバシーとインcentive compatibility（インcentive適合性）を確保する。時間の経過に伴うレグレットとプライバシー損失の理論的保証が、スケーラブルな条件下で得られる。

ABSTRACT

Thanks to the rapid development of information technology, the size of the wireless network becomes larger and larger, which makes spectrum resources more precious than ever before. To improve the efficiency of spectrum utilization, game theory has been applied to study the spectrum sharing in wireless networks for a long time. However, the scale of wireless network in existing studies is relatively small. In this paper, we introduce a novel game and model the spectrum sharing problem as an aggregative game for large-scale, heterogeneous, and dynamic networks. The massive usage of spectrum also leads to easier privacy divulgence of spectrum users' actions, which calls for privacy and truthfulness guarantees in wireless network. In a large decentralized scenario, each user has no priori about other users' decisions, which forms an incomplete information game. A "weak mediator", e.g., the base station or licensed spectrum regulator, is introduced and turns this game into a complete one, which is essential to reach a Nash equilibrium (NE). By utilizing past experience on the channel access, we propose an online learning algorithm to improve the utility of each user, achieving NE over time. Our learning algorithm also provides no regret guarantee to each user. Our mechanism admits an approximate ex-post NE. We also prove that it satisfies the joint differential privacy and is incentive-compatible. Efficiency of the approximate NE is evaluated, and the innovative scaling law results are disclosed. Finally, we provide simulation results to verify our analysis.

研究の動機と目的

• 分散的で自己中心的なユーザー行動に起因する、大規模かつ多様性のある動的無線ネットワークにおけるスケーリング利用の非効率性という課題に対処すること。
• ユーザーの報酬が個々の行動と全ユーザーの行動の集約に依存する集約型ゲームとして、大規模スケーリング共有をモデル化すること。
• 完全な他者戦略の情報が得られない分散環境において、プライバシーと真実性を保証すること。
• ノーゲットレグレット学習と強いプライバシー保証を備えた、近似的なナッシュ均衡への収束を実現するメカニズムを設計すること。
• 共同微分プライバシー下での大規模スケーリング共有における効率性とプライバシーの理論的スケーリング則を確立すること。

提案手法

• 基地局やスペクトル規制機関などの弱い中立者を導入し、ユーザーが報告する混合チャネルアクセス戦略を収集し、非拘束的勧告を計算する。
• 各ユーザーの利得が自らの行動と全ユーザー行動の集約に依存する多変数集約型ゲームとして、スケーリング共有問題をモデル化する。
• オンライン学習アルゴリズムを採用し、レグレット最小化に基づいてユーザーが時間の経過とともに戦略を適応・改善させ、近似的なナッシュ均衡に収束するようにする。
• ユーザーが報告した戦略を保護するため、共同微分プライバシーを適用し、中立者の出力から個々のデータを推定できないようにする。
• 真実の報告と勧告の従順性が、うそをついたり参加を拒否したりする場合よりも高い期待利得をもたらすことを証明することで、インcentive適合性を確立する。
• プライバシー損失（ε, δ）および近似誤差（η）の理論的境界を導出し、ネットワークサイズと時間の長さに応じたスケーラビリティを示す。

実験結果

リサーチクエスチョン

• RQ1 自己中心的かつ完全な情報が得られないユーザーが行動する大規模かつ多様性のあるスケーリング共有システムにおいて、どのように効率的な均衡を達成できるか？
• RQ2 中央集権的制御なしに、分散的かつ情報が不完全な環境下で、弱い中立者が安定した結果への収束を可能にするか？
• RQ3 機密性の高いユーザー情報を含む大規模スケーリング共有ゲームにおいて、プライバシーと真実性を両立させるメカニズムは何か？
• RQ4 プライバシー制約下で、システムの効率性がユーザー数および時間の長さにどのようにスケーリングするか？
• RQ5 共同微分プライバシー下で、近似的なナッシュ均衡への収束に関する理論的保証は何か？

主な発見

• 提案されたオンライン学習アルゴリズムは、高確率でη-近似ナッシュ均衡に収束し、その近似誤差ηは、ネットワークサイズn、プライバシーパラメータε、時間の長さTに対して、Õ(nγ²/ε ⋅ √(log k log(1/δ)))で有界である。
• メカニズムは(2ε, δ)-共同微分プライバシーを満たしており、個々のユーザー戦略が中立者や攻撃者によって推定されないことを保証する。
• システムはインcentive適合性を満たす：プライバシー制約下にあっても、真実の報告と勧告の従順性が、うそをついたり参加を拒否したりする場合よりも高い期待利得をもたらす。
• 近似誤差ηはユーザー数に対して非線形にスケーリングするため、ネットワークが拡大してもメカニズムの効率性が維持される。
• 理論的スケーリング則により、適切なパrameter調整のもと、大規模システムにおいてプライバシーと効率性を同時に維持可能であることが示された。プライバシー損失はネットワークサイズに依存せず、独立に制御可能である。
• シミュレーション結果は理論的分析を裏付け、均衡への収束と、動的スケーリング共有シナリオにおける有効なプライバシー・ユーティリティのトレードオフを示している。