[论文解读] A Stochastic Game Framework for Analyzing Computational Investment Strategies in Distributed Computing

Swapnil Dhamal, Walid Ben‐Ameur+4 more|arXiv (Cornell University)|Sep 10, 2018

Distributed and Parallel Computing Systems被引用 8

一句话总结

本文提出一种随机博弈框架，用于分析分布式计算中的计算投资策略，建模了动态的玩家到达与离开行为。研究识别出马尔可夫完美均衡（MPE）结果：在类似区块链的环境中，仅低成本玩家会完全投资；在志愿计算中，仅中等成本玩家会投资，且同质玩家的投资比例与收益-成本比成正比。

ABSTRACT

We study a stochastic game framework with dynamic set of players, for modeling and analyzing their computational investment strategies in distributed computing. Players obtain a certain reward for solving the problem or for providing their computational resources, while incur a certain cost based on the invested time and computational power. We first study a scenario where the reward is offered for solving the problem, such as in blockchain mining. We show that, in Markov perfect equilibrium, players with cost parameters exceeding a certain threshold, do not invest; while those with cost parameters less than this threshold, invest maximal power. Here, players need not know the system state. We then consider a scenario where the reward is offered for contributing to the computational power of a common central entity, such as in volunteer computing. Here, in Markov perfect equilibrium, only players with cost parameters in a relatively low range in a given state, invest. For the case where players are homogeneous, they invest proportionally to the 'reward to cost' ratio. For both the scenarios, we study the effects of players' arrival and departure rates on their utilities using simulations and provide additional insights.

研究动机与目标

• 建立一个考虑随机玩家到达与离开的分布式计算系统中动态计算投资策略的模型。
• 分析两种关键场景下的均衡行为：解决一个问题获得奖励（如区块链挖矿）与向中心计算池贡献资源获得奖励（如志愿计算）。
• 确定成本参数、到达率和离开率如何影响马尔可夫完美均衡下玩家的投资决策与效用。
• 提供基于分析与仿真的洞察，揭示两种场景下投资成本与预期收益之间的平衡关系。

提出的方法

• 构建一个具有动态玩家集合的随机博弈模型，其中状态转移依赖于玩家行为与系统动态。
• 应用马尔可夫完美均衡（MPE）推导出历史无关且子博弈完美的最优投资策略。
• 推导出高成本参数玩家选择不投资的解析条件，同时低成木玩家以最大容量投资。
• 在志愿计算场景中，推导出仅特定低范围成本参数玩家投资的MPE策略，其策略依赖于当前系统状态。
• 通过仿真评估到达率（λ）与离开率（μ）对预期效用的影响，将MPE结果与平稳纳什均衡（SNE）进行比较。
• 采用基于真实比特币挖矿数据的数值参数（如奖励≈$10⁵，成本≈$0.003/分钟，网络规模≈10⁴名矿工）以实现真实感仿真验证。

实验结果

研究问题

• RQ1 在分布式计算的随机博弈框架中，高成本参数玩家在何种条件下选择不投资？
• RQ2 马尔可夫完美均衡策略在区块链挖矿场景（解决一个问题获得奖励）与志愿计算场景（向中心池贡献资源获得奖励）之间有何差异？
• RQ3 玩家到达率（λ）与离开率（μ）如何影响两种场景下的预期效用与投资行为？
• RQ4 在同质玩家情况下，收益-成本比与投资水平之间存在何种关系？
• RQ5 在预期效用与策略行为方面，MPE结果与平稳纳什均衡（SNE）结果相比如何？

主要发现

• 在区块链挖矿场景中，成本参数超过某一阈值的玩家不会投资；仅低于该阈值的玩家在马尔可夫完美均衡下以最大功率投资。
• 在志愿计算场景中，仅成本参数处于相对较低范围的玩家会投资，且其投资行为具有状态依赖性。
• 在志愿计算场景中，对于同质玩家，投资水平与收益-成本比成正比，每个玩家在状态 $ S $ 下的投资为 $ \frac{r\beta}{c} \cdot \frac{|S|-1}{|S|^2} $。
• 在MPE下，当所有玩家同质且处于状态 $ S $ 时，志愿计算场景的预期效用为 $ \frac{r}{|S|^2} $，该值低于竞争减少时的MPE效用。
• 到达率（λ）上升会增加竞争，降低每位玩家的预期效用；而更高的离开率（μ）虽减少竞争，但增加错失奖励的风险，对效用产生净负面影响。
• 当μ较高时，MPE效用可能超过SNE效用，因竞争减少；但这一优势被玩家离开的风险所主导，仿真结果表明更高的μ会导致整体预期效用下降。