CN110856228B - 基于动态规划算法和反向拍卖的数据卸载方法 - Google Patents

基于动态规划算法和反向拍卖的数据卸载方法 Download PDF

Info

Publication number
CN110856228B
CN110856228B CN201911132839.XA CN201911132839A CN110856228B CN 110856228 B CN110856228 B CN 110856228B CN 201911132839 A CN201911132839 A CN 201911132839A CN 110856228 B CN110856228 B CN 110856228B
Authority
CN
China
Prior art keywords
wifi access
access point
reverse auction
mno
dynamic programming
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911132839.XA
Other languages
English (en)
Other versions
CN110856228A (zh
Inventor
周欢
陈鑫
徐守志
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Three Gorges University CTGU
Original Assignee
China Three Gorges University CTGU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Three Gorges University CTGU filed Critical China Three Gorges University CTGU
Priority to CN201911132839.XA priority Critical patent/CN110856228B/zh
Publication of CN110856228A publication Critical patent/CN110856228A/zh
Application granted granted Critical
Publication of CN110856228B publication Critical patent/CN110856228B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W36/00—Hand-off or reselection arrangements
    • H04W36/0005—Control or signalling for completing the hand-off
    • H04W36/0055—Transmission or use of information for re-establishing the radio link
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G06Q30/0222—During e-commerce, i.e. online transactions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0645—Rental transactions; Leasing transactions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/08—Auctions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W36/00—Hand-off or reselection arrangements
    • H04W36/0005—Control or signalling for completing the hand-off
    • H04W36/0055—Transmission or use of information for re-establishing the radio link
    • H04W36/0072—Transmission or use of information for re-establishing the radio link of resource information of target access point
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W36/00—Hand-off or reselection arrangements
    • H04W36/14—Reselecting a network or an air interface
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W36/00—Hand-off or reselection arrangements
    • H04W36/16—Performing reselection for specific purposes
    • H04W36/22—Performing reselection for specific purposes for handling the traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W48/00—Access restriction; Network selection; Access point selection
    • H04W48/20—Selecting an access point

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明实施例提供一种基于动态规划算法和反向拍卖的数据卸载方法，包括：获取每一移动用户MU中的应用程序可容忍的最大时延；基于最大时延构建反向拍卖优化算法模型，反向拍卖优化算法模型的目标是最大化运营商MNO的收益，反向拍卖优化算法模型的约束条件包括确保每一MU的传输延迟不超过对应的最大延迟阈值；利用动态规划获胜者选择算法选择获胜WiFi接入点分配给MU。本发明实施例提供的基于动态规划算法和反向拍卖的数据卸载方法，从商业角度将Wi‑Fi卸载问题转化为基于反向拍卖的激励问题，旨在最大化MNO的收益，并且提出一种新的基于延迟约束和反向竞价的激励机制来刺激Wi‑Fi接入点参与数据卸载过程。

Description

基于动态规划算法和反向拍卖的数据卸载方法
技术领域
本发明涉及通信技术领域，尤其涉及一种基于动态规划算法和反向拍卖的数据卸载方法。
背景技术
近年来，随着移动设备(例如，Ipad，笔记本电脑，智能手机)的迅速普及，移动互联网服务正在经历爆炸式增长，并提供各种应用，包括视频、音频和图像等。蜂窝网络是当今提供移动互联网服务的最流行的方式，特别是随着5G网络的出现。然而，移动服务和用户需求的爆炸性增长很可能在不久的将来使蜂窝网络过载和拥塞。特别是在高峰时段或城市地区，移动用户可能在低网络带宽，错失语音呼叫，较差的信号覆盖等方面面临极端情况。因此，移动网络运营商(MNO)迫切需要提供有效且有前景的解决方案来减轻蜂窝网络的负担。
移动数据卸载是使用互补网络通信技术来传输那些最初计划通过蜂窝网络传输的移动流量。随着移动网络流量持续快速增长，它已成为关键的工业细分领域。蜂窝流量可以通过其他互补网络卸载，例如小型基站(Small Base Station,SBS)，机会移动网络，Wi-Fi接入点(Access Point,AP)或异构网络。通过SBS卸载的数据(SBS卸载)使用诸如微小区，微微小区和毫微微小区的低功率小型基站(SBS)来卸载异构网络中的蜂窝流量。通过机会移动网络卸载数据(机会卸载)，利用机会移动网络从蜂窝网络卸载移动流量。通过Wi-Fi网络卸载数据(Wi-Fi卸载)，当移动设备进入Wi-Fi覆盖区域时将流量从蜂窝网络切换到Wi-Fi AP，以此降低蜂窝网络的成本和流量负载。综上所述，通过异构网络卸载数据是上述三种数据卸载方法的结合。
据报道，2017年移动设备和仅限Wi-Fi设备的Wi-Fi流量将占移动数据流量的60％以上。由于Wi-Fi AP的广泛部署，将过载的蜂窝流量卸载到Wi-Fi AP已经成为一种有效且有前景的方法。最近的研究已经证明了Wi-Fi卸载在缓解蜂窝网络数据流量负担方面的可行性和有效性。然而，Wi-Fi AP在没有接收适当的经济激励(例如，支付或奖励)时可能不愿意参与数据卸载过程。这是因为为MNO提供数据卸载服务将不可避免地产生额外的资源消耗，例如能量消耗，带宽消耗等。此外，在为移动用户提供数据卸载服务时，Wi-Fi AP可能不得不牺牲自己的用户利益，如带宽，传输速率，服务质量等。因此，迫切需要设计有效的激励机制来刺激Wi-Fi AP参与数据卸载过程。
发明内容
本发明实施例提供一种基于动态规划算法和反向拍卖的数据卸载方法，用于解决现有技术中的上述技术问题。
为了解决上述技术问题，一方面，本发明实施例提供一种基于动态规划算法和反向拍卖的数据卸载方法，包括：
获取每一移动用户MU中的应用程序可容忍的最大时延；
基于所述最大时延构建反向拍卖优化算法模型，所述反向拍卖优化算法模型的目标是最大化运营商MNO的收益，所述反向拍卖优化算法模型的约束条件包括确保每一MU的传输延迟不超过对应的最大延迟阈值；
利用动态规划获胜者选择算法选择获胜WiFi接入点分配给MU。
进一步地，所述基于所述最大时延构建反向拍卖优化算法模型之前，还包括：
获取每一WiFi接入点上报的资源和出价。
进一步地，所述基于所述最大时延构建反向拍卖优化算法模型之前，还包括：
获取每一MU上报的可用WiFi接入点。
进一步地，所述反向拍卖优化算法模型的约束条件还包括确保AP向MU租用的频谱带宽与最大可用频谱资源块匹配。
进一步地，所述反向拍卖优化算法模型的约束条件还包括只能分配获胜者来协助MU数据卸载。
进一步地，所述利用动态规划获胜者选择算法选择获胜WiFi接入点分配给MU，具体包括：
使用动态规划算法在每个WiFi接入点的覆盖区域中获得最佳AP-MU关联集；
使用贪婪算法在拍卖过程中选择获胜的WiFi接入点。
进一步地，在选择获胜的WiFi接入点之后，MNO采用标准VCG机制确定为每一WiFi接入点支付的报酬。
另一方面，本发明实施例提供一种基于动态规划算法和反向拍卖的数据卸载装置，包括：
获取模块，用于获取每一移动用户MU中的应用程序可容忍的最大时延；
模型构建模块，用于基于所述最大时延构建反向拍卖优化算法模型，所述反向拍卖优化算法模型的目标是最大化运营商MNO的收益，所述反向拍卖优化算法模型的约束条件包括确保每一MU的传输延迟不超过对应的最大延迟阈值；
分配模块，用于利用动态规划获胜者选择算法选择获胜WiFi接入点分配给MU。
又一方面，本发明实施例提供一种电子设备，包括：存储器、处理器，以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述方法的步骤。
又一方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被处理器执行时，实现上述方法的步骤。
本发明实施例提供的基于动态规划算法和反向拍卖的数据卸载方法，从商业角度将Wi-Fi卸载问题转化为基于反向拍卖的激励问题，旨在最大化MNO的收益，并且提出一种新的基于延迟约束和反向竞价的激励机制来刺激Wi-Fi接入点参与数据卸载过程。
附图说明
图1为本发明实施例提供的基于动态规划算法和反向拍卖的数据卸载方法示意图；
图2为本发明实施例提供的Wi-Fi卸载的网络场景示意图；
图3为本发明实施例提供的在不同AP的数量下MNO的收益示意图；
图4为本发明实施例提供的在不同AP的数量下MNO的流量负载示意图；
图5为本发明实施例提供的在不同MU的数量下MNO的收益示意图；
图6为本发明实施例提供的在不同MU的数量下MNO的流量负载示意图；
图7为本发明实施例提供的基于动态规划算法和反向拍卖的数据卸载装置示意图；
图8为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为了使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的基于动态规划算法和反向拍卖的数据卸载方法示意图，如图1所示，本发明实施例提供一种基于动态规划算法和反向拍卖的数据卸载方法。该方法包括：
步骤S101、获取每一移动用户MU中的应用程序可容忍的最大时延。
步骤S102、基于所述最大时延构建反向拍卖优化算法模型，所述反向拍卖优化算法模型的目标是最大化运营商MNO的收益，所述反向拍卖优化算法模型的约束条件包括确保每一MU的传输延迟不超过对应的最大延迟阈值。
步骤S103、利用动态规划获胜者选择算法选择获胜WiFi接入点分配给MU。
具体来说，图2为本发明实施例提供的Wi-Fi卸载的网络场景示意图，如图2所示，本发明实施例考虑单个蜂窝网络中移动数据卸载的场景，网络由移动网络运营商(MNO)的基站(BS)，若干Wi-Fi接入点(AP)和一组移动用户(MU)构成。这里，BS由MNO部署，并且AP由不同的第三方公司部署。此外假设所有MU都在BS的服务覆盖范围内，而每个AP由于其较小的传输功率而仅覆盖部分MU，并且MU均匀分布在覆盖区域中。每个MU可以从BS下载其喜爱的内容。由于BS具有有限的回程和无线电接入容量，因此MNO可以选择由AP服务的一些MU以最大化网络吞吐量并改善整体网络性能，尤其是在发生网络拥塞时。
然而AP属于不同的第三方公司，由于它们是自私且理性的，因此通过AP卸载的数据通常不是免费的。为了刺激这些自私且理性的AP参与数据卸载过程，MNO需要向AP提供一些支付以补偿其资源消耗。此外，MU可以运行不同的应用程序，因此当MNO做出卸载决定时应考虑不同应用程序可容忍的最大时延。AP将其可用的频谱资源块租赁给MNO以换取报酬。通过租用的频谱资源块，MU可以在不同的频谱带宽中进行数据传输。具体来说，每个AP周期性地报告其可用频谱资源块并向MNO提供报价，而MNO基于所收集的信息选择一些AP参与数据卸载过程并向其支付相应的报酬。相关模型如下：
1)移动运营商收入模型：在上述网络中，MNO通过向MU提供内容服务来获得收入。本发明实施例假设系统中MU请求总的移动数据流量是q，其中AP可以协助卸载的流量是f。因此，由BS传输的总流量为(q-f)。由于MNO在早期阶段建设和维护BS所投入的成本是固定的，因此可以将单位移动数据的成本设置为e，将价格设置为d。然后可以得到MNO从单位流量中获取的收入为(d-e)。
如果不考虑支付给参与数据卸载过程的AP的报酬，则MNO的收入函数表示如下：
U(q,f)＝(d-e)(q-f)+df (1)
其中，U(q,f)为MNO的收入，(d-e)(q-f)是由BS传输的流量产生的收入，df是由AP卸载的流量产生的收入，d为MNO单位移动数据的价格，e为MNO单位移动数据的成本，q为MU请求总的移动数据流量，f为AP可以协助卸载的流量。
本发明实施例将数据卸载过程划分为多个时隙，其中每个时隙至少大于MU的最大容忍延迟。MNO在每个时段发起拍卖并收集AP的出价。根据周围MU的请求信息，MNO可以根据其可用的频谱资源块来评估每个AP的卸载潜力。然后，MNO选择最有价值的AP参与数据卸载。当MU请求内容服务时，MNO首先检查它们是否可以由附近可用的AP服务。如果没有可用的AP，则MU仍然能够直接访问蜂窝网络下载内容。
2)传输模型：假设
Figure GDA0003116824890000061
表示MU的集合，并且每个
Figure GDA0003116824890000065
Figure GDA0003116824890000062
有以下属性：
流量需求sj：系统中的每个MU都有自己的流量需求，这是需要基于不同类型的应用程序并有指定的传输延迟限制。
最大延迟阈值δj：这取决于每个MU的服务类型，不同类型应用程序的MU容忍不同的最大延迟。例如，文件传输程序(例如网盘)比视频应用程序(例如网络直播)有更高的容忍延迟。
信道传输速率Rij：对于每个AP和MU之间的信道模型，本发明实施例考虑路径损耗和小规模衰落。AP i∈K和MU j∈N之间的信道传输速率可表示如下：
Figure GDA0003116824890000063
其中，Bij是AP i和MU j之间租用传输信道的带宽，N0是信道噪声功率，dij是AP i和MU j之间的距离，α是路径损失指数，hj表示瑞利分布的小规模信道衰落。为了便于分析，本发明实施例假设所有AP都采用固定功率传输，并且令Pi＝Pt，
Figure GDA0003116824890000064
3)AP的竞标模型：假设
Figure GDA0003116824890000071
表示AP的集合，并且每个
Figure GDA0003116824890000072
有以下属性：
可用的频谱资源块
Figure GDA0003116824890000073
由于第三方公司拥有的每个AP都有自己的任务，因此AP可能有不同的备用频谱资源块可用于执行数据卸载。
单位租用频谱资源块的真实值vi：它表示通过帮助MNO服务数据卸载过程而导致的消耗的真实值。并且vi是AP i的私人信息，任何其他AP或MNO都无法知道。
单位租用频谱资源块的出价φi：这是AP i想要从MNO收到的奖励或支付，以补偿因进行数据卸载而导致的资源消耗。但是，如果AP i可以通过要求其他价格获得更高的报酬，则出价φi可能不等于消费vi的真实值。MU j的通信成本与租用频谱的带宽Bij以及占用的持续时间tij＝sj/Rij相关联，表示为εij，计算如下：
εij＝φiBijtij (3)
其中，εij为MU j的通信成本，φi为单位租用频谱资源块的出价，Bij为租用频谱的带宽，tij为占用时间。
在拍卖过程中，每个AP i将其出价向量
Figure GDA0003116824890000074
提交给MNO，其中φi代表其出价，以及可用频谱资源块
Figure GDA0003116824890000075
为了使拍卖过程公平，AP之间的交易互惠互利，应设计适当的激励机制，鼓励AP的参与。
4)反向拍卖模型：本发明使用反向拍卖来激励AP参与数据卸载过程，其中MNO充当购买AP容量的拍卖者，而AP充当提供其可用频谱资源以服务于卸载流量的卖方。具体而言，每个AP报告其可用容量并向MNO出价，而MNO根据收集的信息(即所有AP的可用资源和出价)选择一些AP参与数据卸载过程并支付它们相应的报酬。整个拍卖程序包括三个步骤：
1、每个AP将其出价向量
Figure GDA0003116824890000076
提交给MNO。
2、每个MU向MNO报告其附近可用的Wi-Fi连接，以及所请求数据可容忍的最大延迟和数据大小(即sj和δj，
Figure GDA0003116824890000077
)。根据报告的信息，MNO可以生成AP-MU关联集
Figure GDA0003116824890000078
这反映了每个AP覆盖范围内的MU集合，其中Fi表示AP i覆盖的MU集合。
3、MNO确定将参与数据卸载过程的AP的子集，并计算给与每个AP的报酬。
本发明实施例假设所有信道状态信息和MU的传输功率在MNO处是已知的。现在，本发明实施例将xi∈{0,1}和aij∈{0,1}定义为两个指示变量，以指示AP i最终是否被选中协助卸载数据流量，以及是否选择AP i来分别协助MU j进行数据流量卸载。如果选择AP i来执行卸载任务，xi＝1；否则，xi＝0。同样，如果MU j连接到AP i，aij＝1；否则，aij＝0。
然后，可以得到MNO的收益函数如下：
Figure GDA0003116824890000081
其中，
Figure GDA0003116824890000082
是数据卸载的总收入与获胜者的总支付之间的差异，U(·)是MNO的收入函数，如公式(1)所示，xi为指示变量，xi∈{0,1}，aij为指示变量，aij∈{0,1}，sj为MU j的流量需求，εij为MU j的通信成本。
从MNO的角度来看，它的目标是通过减少支付来获得尽可能多的收入。最大化MNO收益的总体问题如下：
Figure GDA0003116824890000083
Figure GDA0003116824890000084
Figure GDA0003116824890000085
Figure GDA0003116824890000086
Figure GDA0003116824890000087
上述公式中约束条件的含义如下：
约束(6)确保AP向MU租用的频谱带宽与最大可用频谱资源块匹配。
约束(7)确保MU传输延迟不超过其最大延迟阈值。
约束(8)表示只能分配获胜者来协助MU数据卸载。
约束(9)保证二进制变量的整数性质。
解决具有整数约束和变量分数运算的问题是难以处理的。目标函数(5)是混合整数非线性规划问题(MINLP)，它通常是NP-hard问题。为了使问题易于处理，本发明实施例首先分析目标函数。为了获得(5)-(9)中的AP选择问题的最优解，广泛使用现有的分支定界(BNB)方法。然而，当存在大量AP时，BNB方法的时间复杂度总是呈指数增长。因此，本发明实施例提出如下解决该问题的方法：
根据上述问题，本发明实施例提出了一种动态规划获胜者选择算法(DynamicProgramming Winner Selection Method,DPWSM)，用于选择获胜AP并分配MU。具体而言，该解决方案分为两部分：第一部分是使用动态规划算法在每个AP的覆盖区域中获得最佳AP-MU关联集，这可以最大化每个AP在每个时隙中可以卸载的流量；第二部分是使用贪婪算法在拍卖过程中选择获胜的AP。
首先做如下定义：
定义1(AP的贡献值)：
Figure GDA0003116824890000091
的贡献值被定义为选择AP i协助数据卸载后MNO的收入增量，其计算公式如下：
Figure GDA0003116824890000092
其中，ui为AP i的贡献值，Ti表示由AP i服务的MU的最优集合，它可以最大化每个时隙中AP i卸载的数据量。sj为MU j的流量需求，d为MNO单位移动数据的价格。
定义2(AP的总出价)：
Figure GDA0003116824890000093
的总出价定义为AP i所服务的MU在其单位租用频谱资源块的出价下的通信成本之和，其计算公式如下：
Figure GDA0003116824890000094
其中，bi为AP i的总出价，Ti表示由AP i服务的MU的最优集合，εij表示MU j与AP i的通信费用。
为了在每个AP i的覆盖区域中获得最优AP-MU关联集Ti，本发明实施例考虑使用动态规划算法来解决。与0-1背包问题类似，此子问题的优化目标是在Fi中找到子集Ti，该子集可以最大化每个时隙中AP i卸载的数据量。
在每个
Figure GDA0003116824890000101
中，将MU j∈Fi按照j进行升序排序，可以将MU
Figure GDA0003116824890000102
排序如下：
Figure GDA0003116824890000103
其中，
Figure GDA0003116824890000104
表示排序中第x个MU的索引，并且最后排序中的最后一个为Q。
然后，可以将这个子问题描述为当AP i的可用频谱资源块是
Figure GDA0003116824890000105
选择哪些
Figure GDA0003116824890000106
在可以使AP i在每个时隙中的卸载最多的数据量。此时可以将子问题的状态定义为：
Ji[x,y]表示当AP i在可用的频谱资源块为
Figure GDA0003116824890000107
时，协助其覆盖范围内的
Figure GDA0003116824890000108
中的MU进行数据卸载时所能卸载的最大数据量。然后可以得到该子问题的状态转移方程为：
Figure GDA0003116824890000109
其中，
Figure GDA00031168248900001010
是
Figure GDA00031168248900001011
在最大延迟约束下所需要的频谱资源块，计算公式如下
Figure GDA00031168248900001012
其中，
Figure GDA00031168248900001013
表示
Figure GDA00031168248900001014
的请求的数据量。
根据状态转移方程(13)：如果
Figure GDA00031168248900001015
不被AP i服务，则Ji[x,y]＝Ji[x-1,y]；如果
Figure GDA00031168248900001016
被AP i服务，则
Figure GDA00031168248900001017
Figure GDA00031168248900001018
最后，当根据状态转移方程遍历完所有的
Figure GDA00031168248900001019
后，可以得到AP i协助卸载的移动数据量最多为
Figure GDA00031168248900001020
由于目标是获得最优AP-MU关联集Ti，因此可以基于最终状态
Figure GDA00031168248900001021
反向递推得到Ti。
根据动态规划算法可以得到最优AP-MU关联集
Figure GDA00031168248900001022
其反应了每个AP覆盖范围内协助数据卸载时最优的MU集合。现在，可以通过结合GWSM对最大化MNO收益的问题进行建模如下：
Figure GDA00031168248900001023
Figure GDA0003116824890000111
Figure GDA0003116824890000112
为了解决上述问题，首先计算在AP i的覆盖范围内每个MU j在最大延迟约束下的频谱资源块需求
Figure GDA0003116824890000113
对于每个
Figure GDA0003116824890000114
在(16)和(17)的约束下使用动态规划算法获得Ti。然后，基于其边际贡献值减去总出价的差值排序来选择获胜AP，直到所选AP的总出价大于或等于其边际贡献。
在选择获胜的AP之后，MNO应该确定对他们的付款。由于自私性和合理性的性质，每个AP可能会通过宣布不真实的出价来欺骗更高的报酬。在这一部分，本发明提出了一种基于标准Vickrey-Clarke-Groves(VCG)方案的创新性的支付方案。支付方案刺激了这些自私和理性的AP在数据卸载过程中的参与，并保证了个体的合理性和真实性。
在标准的VCG方案中，每个获胜者将支付给其他参与者的“机会成本”。竞标人i的“机会成本”定义为：在没有竞标人i参与的情况下，将所有竞标获胜者的出价总和减去所有其他实际竞标人的出价总和。根据定义1与定义2可知ui表示选择AP i后MNO收入的增量，bi表示AP i协助数据卸载所产生的通信成本总和。
为了用数学的形式表达，将
Figure GDA0003116824890000115
定义为不考虑AP i的贡献值情况下的最优解，可以公式表述为：
Figure GDA0003116824890000116
并且用
Figure GDA0003116824890000117
表示不考虑AP i参与数据卸载过程的最优解决方案。然后，支付给AP i的报酬可以表示如下：
Figure GDA0003116824890000118
令
Figure GDA0003116824890000119
表示AP i在参与数据卸载的过程中所消耗的真实价值，另外将支付给
Figure GDA00031168248900001110
的报酬定义为0。因此，每个
Figure GDA00031168248900001111
的收益可以表示为：
μi＝pi-γi (20)
下面结合具体的实验数据对上述实施例中的方法进行说明：
在实验中，本发明实施例考虑在BS的覆盖范围内随机定位的若干个传输距离为[50,100]m的AP。单位频谱资源块的出价均匀分布于[0.2,0.5]货币单位(例如，美元或人民币)/(MHzsec)。每个MU的最大延迟均匀分布在[0.1,1]sec内。MU数量的取值范围为[0,100]，AP数量的取值范围为[0,30]，并且AP的最大可用频谱资源块Bmax的取值范围为[0,80]。路径损耗指数是α＝2.5。本发明实施例将提出的DPWSM(S.1)和GWSM(S.2)的性能与随机获胜者选择方法(S.3)进行比较，该方法选择一组AP随机参与数据卸载过程。为了公平起见，随机获胜者选择方法中所选AP的总数与本发明提出的方法相同，并且随机获胜者选择方法使用动态编程算法来获得最佳AP-MU关联集
Figure GDA0003116824890000121
根据提出的优化问题，本发明使用MNO的收益(或效益)和MNO的流量负载作为评估指标。这里，MNO的收益定义为公式(4)，MNO的流量负载表示BS发送的总数据量。
图3为本发明实施例提供的在不同AP的数量下MNO的收益示意图，图3显示了当MU的数量设置为|N|＝100，AP的可用频谱资源块为20MHz时，在DPWSM(S.1)，GWSM(S.2)和随机优胜者选择方法(S.3)中MNO的收益随着AP数量增加的变化情况。随着AP数量的增加，更多的AP可以帮助MNO卸载流量，因此MNO的效益将不断增加。可以发现，当AP的数量增加时，DPWSM比GWSM表现得更好，特别是当AP的数量较大时。这是因为DPWSM使用动态编程算法来获得每个AP覆盖区域中的最佳AP-MU关联集，因此DPWSM的MNO更有可能在拍卖过程中选择更有价值的AP来卸载流量，而GWSM不考虑AP的重叠区域。很明显，随机获胜者选择方法表现最差，主要原因是随机获胜者选择方法随机选择一组AP参与卸载。
图4为本发明实施例提供的在不同AP的数量下MNO的流量负载示意图，图4显示了当MU的数量设置为|N|＝100，AP的可用频谱资源块为20MHz时，DPWSM(S.1)，GWSM(S.2)和随机获胜者选择方法(S.3)中MNO的流量负载随着AP数量增加的变化情况。随着AP数量的增加，更多的AP可以帮助MNO卸载流量，因此MNO的流量负载不断减少。可以发现，与GWSM和随机获胜者选择方法相比，随着AP数量的增加，DPWSM中MNO的流量负载显著减少，这表明DPWSM表现最佳。随机优胜者选择方法中MNO的流量负载最大，这表明随机优胜者选择方法仍然表现最差。
图5为本发明实施例提供的在不同MU的数量下MNO的收益示意图，图5显示了当AP的数量设置为|K|＝30，AP的可用频谱资源块为20MHz时，DPWSM(S.1)，GWSM(S.2)和随机优胜者选择方法(S.3)中MNO的收益随着MU数量增加的变化情况。随着MU数量的增加，MU将请求的总流量会不断增加，这意味着AP可以卸载的流量也在增加。因此，MNO的效益将不断增加。类似地，可以发现，随着MU数量的增加，DPWSM仍然比GWSM执行得更好，特别是当AP的数量较大时，并且随机获胜者选择方法执行得最差。此外，随着MU数量的增加，GWSM和随机优胜者选择方法实现的效益比DPWSM增加得更慢，这反映了所提出的DPWSM在高密度网络场景中具有更好的性能。这部分是因为AP的频谱资源未得到有效利用，并且当MU的数量增加时，相邻AP之间的重叠的覆盖区域中会有更多的MU。
图6为本发明实施例提供的在不同MU的数量下MNO的流量负载示意图，图6显示了当AP的数量设置为|K|＝30，AP的可用频谱资源块为20MHz时，DPWSM(S.1)，GWSM(S.2)和随机优胜者选择方法(S.3)中MNO流量负载随着MU个数增加的变化情况。随着MU数量的增加，MU要求更多的流量需求，因此MNO的流量负载将不断增加。可以发现，与GWSM和随机优胜者选择方法相比，随着MU的数量增加，DPWSM中的MNO的业务负载增加最慢，这表明DPWSM表现最佳。随机优胜者选择方法中MNO的流量负载增长最快，这表明随机优胜者选择方法仍然表现最差。
本发明实施例提供的基于动态规划算法和反向拍卖的数据卸载方法，从商业角度将Wi-Fi卸载问题转化为基于反向拍卖的激励问题，旨在最大化MNO的收益，并且提出一种新的基于延迟约束和反向竞价的激励机制来刺激Wi-Fi接入点参与数据卸载过程。
本发明实施例通过考虑不同应用的延迟约束将优化问题建模为非线性整数规划问题，并引入一种低复杂度算法：动态规划获胜者选择算法(Dynamic Programming WinnerSelection Method,DPWSM)来解决优化问题。
本发明提出了一种基于标准Vickrey-Clarke-Groves(VCG)方案的创新支付规则，该规则可以保证DPWSM的个体合理性和真实性。
大量的仿真实验结果表明，在不同场景下本发明提出的DPWSM在MNO的效益和流量负载方面比贪婪获胜者选择方法(Greedy Winner Selection Method，DWSM)和随机获胜者选择方法表现更好。
基于上述任一实施例，图7为本发明实施例提供的基于动态规划算法和反向拍卖的数据卸载装置示意图，如图7所示，本发明实施例提供一种基于动态规划算法和反向拍卖的数据卸载装置，包括获取模块701、模型构建模块702和分配模块703，其中：
获取模块701用于获取每一移动用户MU中的应用程序可容忍的最大时延；模型构建模块702用于基于所述最大时延构建反向拍卖优化算法模型，所述反向拍卖优化算法模型的目标是最大化运营商MNO的收益，所述反向拍卖优化算法模型的约束条件包括确保每一MU的传输延迟不超过对应的最大延迟阈值；分配模块703用于利用动态规划获胜者选择算法选择获胜WiFi接入点分配给MU。
本发明实施例提供的基于动态规划算法和反向拍卖的数据卸载装置，从商业角度将Wi-Fi卸载问题转化为基于反向拍卖的激励问题，旨在最大化MNO的收益，并且提出一种新的基于延迟约束和反向竞价的激励机制来刺激Wi-Fi接入点参与数据卸载过程。
图8为本发明实施例提供的电子设备的结构示意图，如图8所示，该电子设备包括：处理器(processor)801、通信接口(Communications Interface)802、存储器(memory)803和通信总线804，其中，处理器801，通信接口802，存储器803通过通信总线804完成相互间的通信。处理器801和存储器802通过总线803完成相互间的通信。处理器801可以调用存储器803中的逻辑指令，以执行如下方法：
获取每一移动用户MU中的应用程序可容忍的最大时延；
基于所述最大时延构建反向拍卖优化算法模型，所述反向拍卖优化算法模型的目标是最大化运营商MNO的收益，所述反向拍卖优化算法模型的约束条件包括确保每一MU的传输延迟不超过对应的最大延迟阈值；
利用动态规划获胜者选择算法选择获胜WiFi接入点分配给MU。
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地，本发明实施例提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例中的步骤，例如包括：
获取每一移动用户MU中的应用程序可容忍的最大时延；
基于所述最大时延构建反向拍卖优化算法模型，所述反向拍卖优化算法模型的目标是最大化运营商MNO的收益，所述反向拍卖优化算法模型的约束条件包括确保每一MU的传输延迟不超过对应的最大延迟阈值；
利用动态规划获胜者选择算法选择获胜WiFi接入点分配给MU。
进一步地，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被处理器执行时，实现上述各方法实施例中的步骤，例如包括：
获取每一移动用户MU中的应用程序可容忍的最大时延；
基于所述最大时延构建反向拍卖优化算法模型，所述反向拍卖优化算法模型的目标是最大化运营商MNO的收益，所述反向拍卖优化算法模型的约束条件包括确保每一MU的传输延迟不超过对应的最大延迟阈值；
利用动态规划获胜者选择算法选择获胜WiFi接入点分配给MU。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种基于动态规划算法和反向拍卖的数据卸载方法，其特征在于，包括：
获取每一移动用户MU中的应用程序可容忍的最大时延；
基于所述最大时延构建反向拍卖优化算法模型，所述反向拍卖优化算法模型的目标是最大化运营商MNO的收益，所述反向拍卖优化算法模型的约束条件包括确保每一MU的传输延迟不超过对应的最大延迟阈值；在反向拍卖优化算法模型中，MNO充当购买WiFi接入点容量的拍卖者；WiFi接入点充当提供MNO可用频谱资源以服务于卸载流量的卖方；每个WiFi接入点报告其可用容量并向MNO出价，MNO根据收集到的所有WiFi接入点的可用资源和出价选择WiFi接入点参与数据卸载过程并支付相应的报酬；
利用动态规划获胜者选择算法确定获胜WiFi接入点，以供MU将数据卸载至所述获胜WiFi接入点；
所述利用动态规划获胜者选择算法确定获胜WiFi接入点，具体包括：
使用动态规划算法在每个WiFi接入点的覆盖区域中获得最佳AP-MU关联集；
基于每个WiFi接入点的边际贡献值减去总出价的差值排序来选择获胜的WiFi接入点，直到所选WiFi接入点的总出价大于或等于其边际贡献，确定所述获胜WiFi接入点。
2.根据权利要求1所述的基于动态规划算法和反向拍卖的数据卸载方法，其特征在于，所述基于所述最大时延构建反向拍卖优化算法模型之前，还包括：
获取每一WiFi接入点上报的资源和出价。
3.根据权利要求1所述的基于动态规划算法和反向拍卖的数据卸载方法，其特征在于，所述基于所述最大时延构建反向拍卖优化算法模型之前，还包括：
获取每一MU上报的可用WiFi接入点。
4.根据权利要求1所述的基于动态规划算法和反向拍卖的数据卸载方法，其特征在于，所述反向拍卖优化算法模型的约束条件还包括确保AP向MU租用的频谱带宽与最大可用频谱资源块匹配。
5.根据权利要求1所述的基于动态规划算法和反向拍卖的数据卸载方法，其特征在于，所述反向拍卖优化算法模型的约束条件还包括只能分配获胜者来协助MU数据卸载。
6.根据权利要求1所述的基于动态规划算法和反向拍卖的数据卸载方法，其特征在于，在选择获胜的WiFi接入点之后，MNO采用标准VCG机制确定为每一WiFi接入点支付的报酬。
7.一种基于动态规划算法和反向拍卖的数据卸载装置，其特征在于，包括：
获取模块，用于获取每一移动用户MU中的应用程序可容忍的最大时延；
模型构建模块，用于基于所述最大时延构建反向拍卖优化算法模型，所述反向拍卖优化算法模型的目标是最大化运营商MNO的收益，所述反向拍卖优化算法模型的约束条件包括确保每一MU的传输延迟不超过对应的最大延迟阈值；在反向拍卖优化算法模型中，MNO充当购买WiFi接入点容量的拍卖者；WiFi接入点充当提供MNO可用频谱资源以服务于卸载流量的卖方；每个WiFi接入点报告其可用容量并向MNO出价，MNO根据收集到的所有WiFi接入点的可用资源和出价选择WiFi接入点参与数据卸载过程并支付相应的报酬；
分配模块，用于利用动态规划获胜者选择算法确定获胜WiFi接入点，以供MU将数据卸载至所述获胜WiFi接入点；
所述利用动态规划获胜者选择算法确定获胜WiFi接入点，具体包括：
使用动态规划算法在每个WiFi接入点的覆盖区域中获得最佳AP-MU关联集；
基于每个WiFi接入点的边际贡献值减去总出价的差值排序来选择获胜的WiFi接入点，直到所选WiFi接入点的总出价大于或等于其边际贡献，确定所述获胜WiFi接入点。
8.一种电子设备，包括存储器、处理器，以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1至6任一项所述基于动态规划算法和反向拍卖的数据卸载方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序被处理器执行时，实现如权利要求1至6任一所述基于动态规划算法和反向拍卖的数据卸载方法的步骤。
CN201911132839.XA 2019-11-19 2019-11-19 基于动态规划算法和反向拍卖的数据卸载方法 Active CN110856228B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911132839.XA CN110856228B (zh) 2019-11-19 2019-11-19 基于动态规划算法和反向拍卖的数据卸载方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911132839.XA CN110856228B (zh) 2019-11-19 2019-11-19 基于动态规划算法和反向拍卖的数据卸载方法

Publications (2)

Publication Number Publication Date
CN110856228A CN110856228A (zh) 2020-02-28
CN110856228B true CN110856228B (zh) 2021-08-10

Family

ID=69602316

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911132839.XA Active CN110856228B (zh) 2019-11-19 2019-11-19 基于动态规划算法和反向拍卖的数据卸载方法

Country Status (1)

Country Link
CN (1) CN110856228B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112492656B (zh) * 2020-11-25 2022-08-05 重庆邮电大学 一种基于强化学习的无线网络接入点切换方法
KR102514798B1 (ko) * 2020-12-21 2023-03-29 한국과학기술원 정량적 클라우드 기반의 엣지 컴퓨팅 환경에서 지연 시간을 고려한 IoT 단말의 태스크 오프로딩을 위한 컴퓨터 시스템 및 그의 방법
CN113115354B (zh) * 2021-03-23 2022-08-16 三峡大学 基于衰减助手选择算法的数据卸载激励方法及装置
CN113905415B (zh) * 2021-10-12 2023-08-18 安徽大学 一种蜂窝网络中移动终端的动态计算任务卸载方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104170428A (zh) * 2012-04-11 2014-11-26 英特尔公司 实现交易的云谱服务模式
CN104751312A (zh) * 2015-03-13 2015-07-01 石河子大学 一种基于lbs的物流货源信息主动获取系统及方法
CN106155740A (zh) * 2016-06-30 2016-11-23 百度在线网络技术（北京）有限公司 用于进行卸载控制的方法和装置
CN106912084A (zh) * 2015-12-22 2017-06-30 阿尔卡特朗讯 一种用于确定wlan接入点的方法与设备
CN107079362A (zh) * 2014-11-07 2017-08-18 高通股份有限公司 对wlan卸载能力指示的处理
CN110192400A (zh) * 2016-12-19 2019-08-30 班德韦斯克公司 无线装置到备选无线网络的优化卸载
CN110443415A (zh) * 2019-07-24 2019-11-12 三峡大学 一种计及动态电价策略的电动汽车充电站多目标优化调度方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8590023B2 (en) * 2011-06-30 2013-11-19 Intel Corporation Mobile device and method for automatic connectivity, data offloading and roaming between networks
US20180216946A1 (en) * 2016-09-30 2018-08-02 Mamadou Mande Gueye Method and system for facilitating provisioning of social activity data to a mobile device based on user preferences

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104170428A (zh) * 2012-04-11 2014-11-26 英特尔公司 实现交易的云谱服务模式
CN107079362A (zh) * 2014-11-07 2017-08-18 高通股份有限公司 对wlan卸载能力指示的处理
CN104751312A (zh) * 2015-03-13 2015-07-01 石河子大学 一种基于lbs的物流货源信息主动获取系统及方法
CN106912084A (zh) * 2015-12-22 2017-06-30 阿尔卡特朗讯 一种用于确定wlan接入点的方法与设备
CN106155740A (zh) * 2016-06-30 2016-11-23 百度在线网络技术（北京）有限公司 用于进行卸载控制的方法和装置
CN110192400A (zh) * 2016-12-19 2019-08-30 班德韦斯克公司 无线装置到备选无线网络的优化卸载
CN110443415A (zh) * 2019-07-24 2019-11-12 三峡大学 一种计及动态电价策略的电动汽车充电站多目标优化调度方法

Also Published As

Publication number Publication date
CN110856228A (zh) 2020-02-28

Similar Documents

Publication Publication Date Title
CN110856228B (zh) 基于动态规划算法和反向拍卖的数据卸载方法
CN110856227B (zh) 基于贪婪算法和反向拍卖的数据卸载方法
Wang et al. TODA: Truthful online double auction for spectrum allocation in wireless networks
Sodagari et al. On a truthful mechanism for expiring spectrum sharing in cognitive radio networks
CN111262940A (zh) 一种车载边缘计算应用缓存方法、装置及系统
Bourdena et al. Efficient radio resource management algorithms in opportunistic cognitive radio networks
CN106604282B (zh) 一种具有功率分配和波束成形的小小区微基站频谱拍卖方法
Yi et al. Combinatorial spectrum auction with multiple heterogeneous sellers in cognitive radio networks
Wu et al. Collusion-resistant multi-winner spectrum auction for cognitive radio networks
Ryan et al. A new pricing model for next generation spectrum access
Liu et al. Multi-item auction based mechanism for mobile data offloading: A robust optimization approach
CN113703970B (zh) 基于拍卖机制的服务器资源分配方法、装置、设备及介质
Bourdena et al. A radio resource management framework for TVWS exploitation under an auction-based approach
Noreen et al. A review on game-theoretic incentive mechanisms for mobile data offloading in heterogeneous networks
Bhooanusas et al. Satisfaction-based Dynamic Bandwidth Reallocation for multipath mobile data offloading
Sridhar et al. Analysis of spectrum pricing for commercial mobile services: A cross country study
Shajaiah et al. An auction-based resource leasing mechanism for under-utilized spectrum
Khasawneh et al. Power trading in cognitive radio networks
Ndikumana et al. Pricing mechanism for virtualized heterogeneous resources in wireless network virtualization
Du et al. 10 Traffic Offloading in Software Defined Ultra-dense Networks
Le et al. On a new incentive and market based framework for multi-tier shared spectrum access systems
Grandblaise et al. Microeconomics inspired mechanisms to manage dynamic spectrum allocation
Alsarhan et al. Profit optimization in multi-service cognitive mesh network using machine learning
CN111639993B (zh) 一种基于多物品拍卖机制的移动数据卸载及定价方法
Raoof et al. Auction and game-based spectrum sharing in cognitive radio networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant