论文笔记(9)A Reputation-based Stackelberg Game Model to Enhance Secrecy Rate in Spectrum Leasing to Self

本文主要是介绍论文笔记(9)A Reputation-based Stackelberg Game Model to Enhance Secrecy Rate in Spectrum Leasing to Self,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

A Reputation-based Stackelberg Game Model to Enhance Secrecy Rate in Spectrum Leasing to Selfish IoT Devices

基于声誉的Stackelberg博弈模型,以提高自私物联网设备在频谱租赁中的保密速率

作者:Fatemeh Afghah, Alireza Shamsoshoara, Laurent Njilla时间:2018.2
期刊:Researchgate
链接:https://www.researchgate.net/publication/323257222

Researchgate是一个高水平的学术交流平台,感兴趣的童鞋可以去上面注册个账号相互交流。

这篇论文的创新点主要体现在以下几个方面:

  1. 引入声誉机制:论文将声誉机制引入到频谱租赁过程中,以应对自私的物联网设备。通过对设备的历史行为和信誉进行评估,可以鼓励设备合作并惩罚不合作的设备,从而提高整体的保密率。

  2. Stackelberg博弈模型:论文采用Stackelberg博弈模型来建模频谱租赁过程中的设备之间的互动。在这个模型中,基站作为领导者,制定策略来引导设备的行为,而设备作为追随者,根据基站的策略做出决策。这种模型能够更好地反映现实世界中设备之间的互动和竞争关系。

  3. 提高保密率:通过引入声誉机制和Stackelberg博弈模型,论文提出的模型能够有效地提高频谱租赁过程中的保密率。合作设备可以获得更多的频谱资源,并且通过建立声誉来增加其信任度,从而在频谱租赁中获得更高的优先级。

  4. 考虑设备的自私行为:论文充分考虑了物联网设备的自私行为,并通过设定适当的激励机制来引导设备的合作。通过引入声誉机制,不合作的设备将面临声誉损失和限制资源的惩罚,从而促使设备更倾向于合作,提高整体的保密率。

        Stackelberg博弈模型是一种博弈论中的策略性互动模型,由德国经济学家海因里希·冯·斯塔克伯格(Heinrich von Stackelberg)于1934年提出。在Stackelberg博弈中,参与者被分为两个角色:领导者和追随者。

        在这个模型中,领导者先行动,追随者根据领导者的行动做出反应。领导者可以观察到追随者的反应,并在制定策略时考虑到这些反应。追随者则无法观察到领导者的策略,只能根据自己的利益和目标做出决策。

        Stackelberg博弈模型通常用于描述市场竞争、企业战略等情境,其中一个参与者具有先发优势,能够预先制定策略,并且可以预测其他参与者的反应。这种模型可以帮助分析参与者之间的策略选择和最优行为,以及领导者和追随者之间的权力和影响关系。在研究中,Stackelberg博弈模型常用于分析领导者与追随者之间的竞争和合作关系,以及制定最优的策略。它提供了一种框架,可以研究在不同信息和能力条件下参与者之间的互动和决策过程。

        

声誉机制的建立过程是通过设备的合作行为和对频谱租赁协议的遵守来评估设备的声誉值。

  1. 初始声誉值:在声誉机制建立的初始阶段,每个设备被赋予一个初始声誉值。这个初始声誉值可以是一个固定的值,也可以是根据设备的属性和历史行为进行初始化。

  2. 合作行为评估:在频谱租赁过程中,设备的合作行为被评估并用于更新其声誉值。设备的合作行为可以通过参与频谱租赁协议、按时支付租金等方式来体现。合作设备将获得正面声誉,而不合作设备将面临声誉损失。

  3. 频谱租赁协议遵守评估:设备的声誉值还可以根据其对频谱租赁协议的遵守情况进行评估。设备是否按照协议规定的频谱使用时间、频率等要求进行操作,将影响其声誉值。遵守协议的设备将获得正面声誉,而违反协议的设备将面临声誉损失。

  4. 声誉值更新:根据设备的合作行为和对协议的遵守情况,设备的声誉值会被更新。具体的更新方式可以根据具体的声誉评估算法来确定。例如,可以使用加权平均值或指数平滑法来计算新的声誉值。

  5. 声誉对设备决策的影响:设备的声誉值将影响其在频谱租赁过程中的决策。合作设备由于拥有较高的声誉值,将获得更高的优先级和更多的频谱资源。而不合作设备由于声誉损失,可能面临限制资源的惩罚。

通过以上的声誉机制建立过程,设备的合作性和信任度可以通过声誉值来评估和反映。这样可以激励设备更倾向于合作,提高频谱租赁过程中的保密率和资源利用效率。

频谱租赁协议是指设备之间达成的关于频谱资源使用的协议。它规定了设备在频谱租赁过程中应该遵守的规则和约束条件。下面是频谱租赁协议的详细介绍:

  1. 频谱使用时间:频谱租赁协议规定了设备可以使用频谱资源的时间段。这可以是预先分配的固定时间段,也可以是根据设备需求和网络状况进行动态调整的时间段。

  2. 频谱使用频率:协议还规定了设备可以使用的频率范围。这可以是固定的频率范围,也可以是根据设备需求和网络状况进行动态调整的频率范围。

  3. 频谱使用方式:协议规定了设备在使用频谱资源时应该遵守的方式。这包括设备之间的协作方式、频谱资源的共享方式等。协议可能要求设备遵守一定的频谱接入控制机制,以确保频谱资源的有效利用和公平分配。

  4. 频谱租金支付:协议还规定了设备在使用频谱资源时应该支付的租金。租金可以是一定的固定费用,也可以是根据设备使用的频谱资源量和频谱质量进行动态计算的费用。

  5. 协议遵守和违规处罚:协议规定了设备应该遵守协议的要求,并明确了违反协议的处罚措施。违反协议的设备可能面临声誉损失、频谱资源限制等处罚。

频谱租赁协议的目的是为了确保设备在使用频谱资源时遵守规则,保证频谱资源的有效利用和公平分配。通过协议的约束,可以促使设备合理使用频谱资源,提高整体的频谱效率和保密率。

 

 

 

心得体会:

        本文是通过Stackelberg博弈模型和声誉模型来保证节点安全,这篇论文只有七页,所有内容写的不够详细,有好多都可以深一步的挖掘,本文为大家提供了一些从博弈论角度的新想法,值得进一步思考。

这篇关于论文笔记(9)A Reputation-based Stackelberg Game Model to Enhance Secrecy Rate in Spectrum Leasing to Self的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/385797

相关文章

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

AI hospital 论文Idea

一、Benchmarking Large Language Models on Communicative Medical Coaching: A Dataset and a Novel System论文地址含代码 大多数现有模型和工具主要迎合以患者为中心的服务。这项工作深入探讨了LLMs在提高医疗专业人员的沟通能力。目标是构建一个模拟实践环境,人类医生(即医学学习者)可以在其中与患者代理进行医学

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识

论文翻译:arxiv-2024 Benchmark Data Contamination of Large Language Models: A Survey

Benchmark Data Contamination of Large Language Models: A Survey https://arxiv.org/abs/2406.04244 大规模语言模型的基准数据污染:一项综述 文章目录 大规模语言模型的基准数据污染:一项综述摘要1 引言 摘要 大规模语言模型(LLMs),如GPT-4、Claude-3和Gemini的快

论文阅读笔记: Segment Anything

文章目录 Segment Anything摘要引言任务模型数据引擎数据集负责任的人工智能 Segment Anything Model图像编码器提示编码器mask解码器解决歧义损失和训练 Segment Anything 论文地址: https://arxiv.org/abs/2304.02643 代码地址:https://github.com/facebookresear

数学建模笔记—— 非线性规划

数学建模笔记—— 非线性规划 非线性规划1. 模型原理1.1 非线性规划的标准型1.2 非线性规划求解的Matlab函数 2. 典型例题3. matlab代码求解3.1 例1 一个简单示例3.2 例2 选址问题1. 第一问 线性规划2. 第二问 非线性规划 非线性规划 非线性规划是一种求解目标函数或约束条件中有一个或几个非线性函数的最优化问题的方法。运筹学的一个重要分支。2

fzu 2275 Game KMP

Problem 2275 Game Time Limit: 1000 mSec    Memory Limit : 262144 KB  Problem Description Alice and Bob is playing a game. Each of them has a number. Alice’s number is A, and Bob’s number i

【C++学习笔记 20】C++中的智能指针

智能指针的功能 在上一篇笔记提到了在栈和堆上创建变量的区别,使用new关键字创建变量时,需要搭配delete关键字销毁变量。而智能指针的作用就是调用new分配内存时,不必自己去调用delete,甚至不用调用new。 智能指针实际上就是对原始指针的包装。 unique_ptr 最简单的智能指针,是一种作用域指针,意思是当指针超出该作用域时,会自动调用delete。它名为unique的原因是这个

查看提交历史 —— Git 学习笔记 11

查看提交历史 查看提交历史 不带任何选项的git log-p选项--stat 选项--pretty=oneline选项--pretty=format选项git log常用选项列表参考资料 在提交了若干更新,又或者克隆了某个项目之后,你也许想回顾下提交历史。 完成这个任务最简单而又有效的 工具是 git log 命令。 接下来的例子会用一个用于演示的 simplegit