[论文解读] On the Necessity and Design of Coordination Mechanism for Cognitive Autonomous Networks

Anubhab Banerjee, Stephen S. Mwanje+1 more|arXiv (Cornell University)|Jan 20, 2020

Opinion Dynamics and Social Influence参考文献 17被引用 8

一句话总结

本文提出了一种基于纳什议价解（NBS）的协调机制，用于解决认知自治网络（CANs）中认知功能（CFs）之间的冲突，其中基于学习的非确定性CFs会因目标重叠或共享参数而产生冲突。该机制通过相互收益最大化实现去中心化的最优配置，经由基于Python的多智能体仿真验证，系统性能优于非协调操作。

ABSTRACT

Cognitive Autonomous Networks (CAN) are promoted to advance Self Organizing Network (SON), replacing rule-based SON Functions (SFs) with Cognitive Functions (CFs), which learn optimal behavior by interacting with the network. As in SON, CFs do encounter conflicts due to overlap in parameters or objectives. However, owing to the non-deterministic behavior of CFs, these conflicts cannot be resolved using rulebased methods and new solutions are required. This paper investigates the CF deployments with and without a coordination mechanism, and proves both heuristically and mathematically that a coordination mechanism is required. Using a two-CF Multi-Agent-System model with the possible types of conflicts, we show that the challenge is a typical bargaining problem, for which the optimal response is the Nash bargaining Solution (NBS). We use NBS to propose a coordination mechanism design that is capable of resolving the conflicts and show via simulations how implementation of the proposed solution is feasible in real life scenario.

研究动机与目标

• 为认知自治网络（CANs）中的认知功能（CFs）建立协调的必要性，因其具有非确定性行为和目标重叠。
• 设计一种实用且可实现的协调机制，能够在去中心化的CAN环境中解决多种冲突类型（输入、测量、逻辑依赖）。
• 通过带有现实世界参数约束的多智能体系统（MAS）仿真，证明所提方案的可行性和有效性。

提出的方法

• 使用囚徒困境建模利益冲突场景，将CF冲突形式化为标准形式博弈。
• 应用纳什议价解（NBS）以确定最大化各CF效用乘积的最优参数配置。
• 构建包含共享输入和相互依赖输出的双CF多智能体系统，模拟输入（A1）、测量（B1）和逻辑依赖（C2）冲突。
• 利用梯度下降和学习历史生成候选参数值以进行优化，避免穷举搜索。
• 在基于Python的MAS框架中实现协调机制，以模拟实时参数调节与冲突解决。
• 在NBS约束下，采用输出乘积（o₁·o₂）作为优化准则，实现收益最大化。

实验结果

研究问题

• RQ1 为避免因目标冲突导致的次优系统性能，认知自治网络（CANs）中的认知功能（CFs）是否需要协调机制？
• RQ2 纳什议价解（NBS）能否有效应用于解决自主CF之间多种类型的冲突（输入、测量、逻辑依赖）？
• RQ3 在无中心控制器的去中心化、非通信多智能体系统中，基于学习的CF如何实现最优网络配置？
• RQ4 与非协调的CF操作相比，协调机制在真实仿真环境中的系统整体性能影响如何？

主要发现

• 纳什议价解（NBS）通过最大化各CF个体输出的乘积，为CFs提供了最优配置，确保了公平性与系统整体效率。
• 仿真结果表明，参数p₁的最优值为6，此时o₁·o₂达到最大，验证了NBS的预测。
• 当p₁固定为6时，p₂的最优值为300，因为在测试范围内o₁·o₂随p₂单调递增，表明性能对p₂具有强依赖性。
• 所提出的协调机制在无需直接通信或共享知识的情况下，有效解决了多智能体系统中的全部三类冲突（A1、B1、C2）。
• 该框架通过利用学习历史和基于梯度的参数调优，实现了收敛至最优设置，展示了在真实场景中的可行性。
• 研究表明，由于CFs具有非确定性行为，基于规则的协调不足以应对，而基于博弈论的协调既必要又有效。