Wireless Multicast Using Relays: Incentive Mechanism and Analysis
Notice bibliographique
Résumé
In wireless multicast systems, cooperative multicast, in which successful users help to relay received packets to unsuccessful users, has been shown to be effective in combating channel fading and improving system performance. However, this mechanism requires the users' voluntary contributions, which cannot be guaranteed since users are selfish and only care about their own performance. Furthermore, users may have heterogeneous costs (which are their private information) to forward packets, and they may lie about their costs if cheating can improve their utilities. To address these problems, in this paper, we model the interaction among users in the wireless multicast system as a multiseller multibuyer payment-based game, where users pay to receive relay service and get paid if they forward packets to others. A simplified case with homogeneous users that have the same cost to forward packets is investigated first. Then, for the case with heterogeneous users, to encourage users to tell their true costs, we use the second-price sealed-bid auction, which is a truth-telling auction, since bidding the true cost is a weakly dominant strategy. To analyze the multiseller multibuyer payment-based game, we observe that under different selected prices, the game can converge to different equilibria, resulting in different user free-riding probabilities and system throughput. We also study the price selection problem and derive the optimal price that maximizes the system throughput. Simulation results show the effectiveness of our proposed mechanism.
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 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 ».