[論文レビュー] Repeated Auctions with Learning for Spectrum Access in Cognitive Radio Networks

Zhu Han, Rong Zheng+1 more|ArXiv.org|Oct 12, 2009

Cognitive Radio Networks and Spectrum Sensing参考文献 19被引用数 9

ひとこと要約

本稿では、認知無線ネットワークにおける効率的で公平なスプライスルアクセスを実現する学習ベースの入札を備えた繰り返しオークションフレームワークを提案する。スプライスルアクセスを情報が不完全な動的ゲームとしてモデル化することで、セカンドリーユーザー（SUs）は過去のオークション結果を用いて最適な参加戦略を学習し、単一チャネルおよびマルチチャネルの両状況において、短視眼的アプローチに比べて、利得と公平性が著しく向上する。

ABSTRACT

In this paper, spectrum access in cognitive radio networks is modeled as a repeated auction game subject to monitoring and entry costs. For secondary users, sensing costs are incurred as the result of primary users' activity. Furthermore, each secondary user pays the cost of transmissions upon successful bidding for a channel. Knowledge regarding other secondary users' activity is limited due to the distributed nature of the network. The resulting formulation is thus a dynamic game with incomplete information. In this paper, an efficient bidding learning algorithm is proposed based on the outcome of past transactions. As demonstrated through extensive simulations, the proposed distributed scheme outperforms a myopic one-stage algorithm, and can achieve a good balance between efficiency and fairness.

研究の動機と目的

• 他のユーザーに関する情報が限られた状況下で、認知無線ネットワークにおけるセカンドリーユーザー（SUs）間の公平で効率的なスプライスル共有を実現する課題に対処すること。
• 現実の運用制約を反映させるために、参加および監視コストを含む繰り返しオークションゲームとしてスプライスルアクセスをモデル化すること。
• 過去の結果に基づいて参加を適応的に決定できるように、SUsが学習する分散型アルゴリズムを設計すること。
• 過剰参加の削減と失敗入札に伴うコストの最小化によって、システム効率と公平性のバランスを図ること。
• 動的チャネル選択と競合を扱えるように、非レジスト学習を用いてマルチチャネルネットワークにフレームワークを拡張すること。

提案手法

• SUsがチャネルアクセスのため入札する繰り返しオークションゲームとしてスプライスルアクセスを定式化し、参加には参加料、結果の観測には監視料が発生するように設定する。
• 過去の取引履歴を活用して将来の入札意思決定を導く分散型学習アルゴリズムを単一チャネルネットワークに提案し、勝利の可能性が高い場合にのみ参加を推奨する。
• マルチチャネルネットワークでは、長期的レジストを最小化し、変化するチャネル状態に適応できるように非レジスト学習アルゴリズムを実装する。
• チャネル品質と履歴パフォーマンスに基づく評価値推定を統合し、入札行動をガイドする。
• 入札を集約し、オークション結果をブロードキャストするコーディネータを用いることで、学習を可能にしつつも分散型運用を維持する。
• 実運用におけるオークションシグナリングと調整を現実的に行うために、認知パイロットチャネル（CPC）を活用する。

実験結果

リサーチクエスチョン

• RQ1 情報が不完全な分散型認知無線ネットワークにおいて、セカンドリーユーザーはどのようにして効率的で公平なスプライスルアクセスを達成できるか？
• RQ2 どのような学習メカニズムが、参加および監視コストを最小限に抑えながら、繰り返しオークションにおける参加最適化を可能にするか？
• RQ3 提案された学習ベース戦略は、利得と公平性の観点から、短視眼的1段階入札戦略に比べてどのように差をつけるか？
• RQ4 非レジスト学習アルゴリズムは、マルチチャネル環境において、グリーディーまたはナーヴィ入札戦略に比べてどの程度のパフォーマンス向上を達成するか？
• RQ5 競合するSUsの数やチャネル利用可能性が変化しても、提案された方式は公平性と効率性を維持できるか？

主な発見

• 16人のSUsを含むマルチチャネルネットワークにおいて、提案された学習ベース方式は短視眼的1段階アルゴリズムに比べて、最大25%高い利得を達成する。
• 参加料が高い状況では、ジェインの公平性指数で測定したところ、提案方式は最大15%高い公平性を実現する。
• 参加料が上昇する状況でも、提案方式は短視眼的方式よりも優れた公平性を維持する。短視眼的方式は、低チャネル品質ユーザーのペナルティが増大する。
• 2ユーザー2チャネルのシナリオにおいて、非レジスト学習（NRL）アルゴリズムはジェニーアイド上界（GA）に近く、チャネル衝突を回避するため、ベストチャネル入札（BCB）法を上回る性能を示す。
• SUsの数が増加することで平均利得は低下するが、提案方式は全テスト構成において一貫して高い利得と公平性を維持する。
• 学習アルゴリズムにより、参加が選択的になる：高評価値かつ低コストのSUsのみが入札に参加し、無駄な参加が削減され、費用対効果が向上する。