Joukkoistamiseen perustuvat totuudenmukaiset tiedonkeruumenetelmät langattomille solmuille yritysverkoissa

Pilvihallintaan perustuvien resurssienjakoratkaisujen ajamana yritysten langattomat verkot ovat läpikäymässä merkittäviä muutoksia. Lisäksi kuudennen sukupolven (6G) langattomissa verkoissa koneoppimiseen (ML) perustuvat algoritmit ovat osoittaneet tuovansa älykkyyttä verkkoihin mahdollistamalla siirtymisen reaktiivisista / tapahtumaperusteisista verkkotoiminnoista ennakoiviin / datavetoisiin verkkotoimintoihin.

ML-tekniikoiden hyödyntämisen potentiaaliset edut resurssien allokoinnissa tulevissa yritysten langattomissa verkoissa tuovat mukanaan joukon haasteita. ML-tekniikassa verkon suorituskykyindikaattorit (KPI) toimivat polttoaineena, joka ajaa ML-algoritmia. ML-mallit oppivat järjestelmän ominaisuuksia käyttämällä verkkodataa. Langattoman resurssin käytön KPI-datan, kuten langattoman kanavankäytön (CU), kerääminen lukuisista yritysverkossa toimivista itsenäisistä tahoista joukkoistamisen/crowdsourcingin avulla on haastava tehtävä.

Tässä väitöskirjassa, jotta voidaan vastata luotettavan ja tarkan datan keräämisen haasteeseen strategisista yritysverkoissa sijoitetuista langattomista agenteista, on esitelty totuudenmukaisia raportointimenetelmiä ja peliteoreettisia mekanismeja, jotka kannustavat agenteja joukkoistetuissa verkoissa. Tyypillisesti yliopistoissa, sairaaloissa, toimistoissa ja asuinrakennuksissa sijoitetuissa yritysverkoissa esiintyy toistuvia malleja, joita agentit (langattomat tukiasemat) voivat hyödyntää suunnitellessaan ei-rehellisiä raportointistrategioita. Työmme keskittyy haastaviin tilanteisiin, joissa itsenäiset tukiasemat (AP:t) voivat hyödyntää jakautuma-tietoisia strategioita saadakseen suurempia palkkioita samalla kun minimoivat mittauksiensa kustannukset. Suunnittelemme raportointimenetelmiä, jotka hyödyntävät logaritmisia ja neliöllisiä pisteytysääntöjä AP:eille suoritettaville palkkioille. Näytämme, että kun mittauslaskennan kustannukset otetaan huomioon, nämä pisteytysäännöt eivät tietyissä olosuhteissa enää takaa kannustin-yhteensopivuutta. Tätä varten esittelemme uuden palkkiofunktion, joka sisältää jakautuma-tietoisen rangaistuskustannuksen, joka veloittaa AP:itä toistuvien mallien perusteella vääristettyjen raporttien perusteella. Luotettavan datan keräämisen haasteen ratkaisemiseksi ehdotamme myös peliteoreettisen crowdsourcing-pohjaisen langattoman datankeräysmekanismin, jota voidaan käyttää luotettavan datan keräämiseen. Toisin kuin muut peliteoreettiset työt, se ei oleta, että crowdsourcing-agenttien toimet ovat crowdsourcing-entiteetin tiedossa. Ehdotamme myös mittaria, joka kuvaa AP:iltä kerätyn datan arvoa. Väitöskirjassa käytämme myös synteettisten datojen lisäksi todellista dataa, jotka on hankittu käyttämällä useita itsenäisiä mittaus-/raportointilaitteita, jotka sijoitimme Oulun yliopistoon.