Opportunistic Channel Selection by Cognitive Wireless Nodes Under Imperfect Observations and Limited Memory: A Repeated Game Model
Notice bibliographique
Résumé
We study the problem of how autonomous cognitive nodes (CNs) can arrive at an efficient and fair opportunistic channel access policy in scenarios where channels may be non-homogeneous in terms of primary user (PU) occupancy. In our model, a CN that is able to adapt to the environment is limited in two ways. First, CNs have imperfect observations (such as due to sensing and channel errors) of their environment. Second, CNs have imperfect memory due to limitations in computational capabilities. For efficient opportunistic channel access, we propose a simple adaptive win-shift lose-randomize (WSLR) strategy that can be executed by a twostate machine (automaton). Using the framework of repeated games (with imperfect observations and limited memory), we show that the proposed strategy enables the CNs (without any explicit coordination) to reach an outcome that: 1) maximizes the total network payoff and also ensures fairness among the CNs; 2) reduces the likelihood of collisions among CNs; and 3) requires a small number of sensing steps (attempts) to find a channel free of PU activity. We compare the performance of the proposed autonomous strategy with a centralized strategy and also test it with real spectrum data collected at RWTH Aachen.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».