论文部分内容阅读
随着移动设备的增加，无线通信承载的数据流量爆炸式增长和无线资源紧缺的矛盾日益突出。无线虚拟化技术作为 5G 网络中关键的技术之一，近年来得到了广泛关注。无线虚拟化的核心是通过隔离和切片技术共享物理基础设施和资源，从而降低网络成本，提高资源利用率。
无线虚拟化有巨大的潜在前景，但它也面临着一些严峻的挑战。最重要的挑战就是资源分配，现有的基于拍卖的资源分配方案大都是解决社会福利最大化问题，即最大化赢家用户估值之和。移动虚拟网络运营商（Mobile Virtual Network Operator, MVNO）作为资源提供商，他们更关注自身获得的收入，因此收入最大化拍卖更加合理。收入定义为赢家用户支付之和，由于支付价格在计算前是未知的，所以收入最大化拍卖更加复杂。考虑到问题复杂性，本文通过深度学习设计出资源拍卖方案，解决MVNO收入最大化问题。主要的研究内容如下：
1. 基于深度学习的单 MVNO 资源拍卖设计。考虑到现有的拍卖方案无法保证卖家的收入最大化同时满足拍卖的个体理性和激励相容特性，因此本文引入了虚拟估值的概念，通过一组单调递增的虚拟转换函数将用户估值转换为虚拟估值。通过对收入最大化拍卖的理论分析，设计出相应的神经网络。神经网络使用用户的投标作为输入，分配和定价策略作为输出。神经网络使用期望收入的负值作为损失函数，通过最小化损失函数来优化参数，直至寻找到最优的转换函数实现收入最大化。
2. 基于深度学习的多 MVNO 资源拍卖设计。将问题定义为多物品收入最大化拍卖模型并且考虑用户的经济预算，由于多物品的收入最大化拍卖缺少理论分析并且物品存在更多的分配可能性，所以问题复杂性更高。从分配的高效性和公平性出发，考虑用户可以获得多个和单个MVNO资源两种分配策略，构建出不同的分配神经网络和相应的定价神经网络。在神经网络训练过程中，使用增广拉格朗日法将带等式约束的目标优化问题转换为不带约束的目标优化问题来进行参数的更新。
仿真结果表明了上述设计的基于深度学习的拍卖机制相对于传统的方案可以提高 MVNO的期望收入，有更好的有效性和优越性。
无线虚拟化有巨大的潜在前景，但它也面临着一些严峻的挑战。最重要的挑战就是资源分配，现有的基于拍卖的资源分配方案大都是解决社会福利最大化问题，即最大化赢家用户估值之和。移动虚拟网络运营商（Mobile Virtual Network Operator, MVNO）作为资源提供商，他们更关注自身获得的收入，因此收入最大化拍卖更加合理。收入定义为赢家用户支付之和，由于支付价格在计算前是未知的，所以收入最大化拍卖更加复杂。考虑到问题复杂性，本文通过深度学习设计出资源拍卖方案，解决MVNO收入最大化问题。主要的研究内容如下：
1. 基于深度学习的单 MVNO 资源拍卖设计。考虑到现有的拍卖方案无法保证卖家的收入最大化同时满足拍卖的个体理性和激励相容特性，因此本文引入了虚拟估值的概念，通过一组单调递增的虚拟转换函数将用户估值转换为虚拟估值。通过对收入最大化拍卖的理论分析，设计出相应的神经网络。神经网络使用用户的投标作为输入，分配和定价策略作为输出。神经网络使用期望收入的负值作为损失函数，通过最小化损失函数来优化参数，直至寻找到最优的转换函数实现收入最大化。
2. 基于深度学习的多 MVNO 资源拍卖设计。将问题定义为多物品收入最大化拍卖模型并且考虑用户的经济预算，由于多物品的收入最大化拍卖缺少理论分析并且物品存在更多的分配可能性，所以问题复杂性更高。从分配的高效性和公平性出发，考虑用户可以获得多个和单个MVNO资源两种分配策略，构建出不同的分配神经网络和相应的定价神经网络。在神经网络训练过程中，使用增广拉格朗日法将带等式约束的目标优化问题转换为不带约束的目标优化问题来进行参数的更新。
仿真结果表明了上述设计的基于深度学习的拍卖机制相对于传统的方案可以提高 MVNO的期望收入，有更好的有效性和优越性。