Game Theoretical Incentive for USV Fleet-Assisted Data Sharing in Maritime Communication Networks
Notice bibliographique
Résumé
With the rapid proliferations of maritime applications, the data demands of unmanned surface vehicles (USVs) keep ever-increasing. However, due to limitations of resources (e.g., energy, storage, bandwidth, etc.) and high costs on data sharing, USVs do not provide data proactively, which hinders the efficiency of data sharing. To tackle these problems, in this paper, we propose a game based USV fleet-assisted data sharing scheme to enable data exchange among USVs. Specially, we firstly propose a data publish/subscribe framework, where USVs are categorized into publishers and subscribers, and a USV fleet is motivated as a broker to relay data from publishers to subscribers. Then, the optimal waypoints for data publishing are recommended to the USV fleet to improve its probability of acquiring data. Furthermore, a Vickrey-Clarke-Groves (VCG) reverse auction game is utilized for data publishing, which ensures that the data publishers bid for USV fleets with own truthful costs, so as to avoid false bidding of data publishers. A double auction game is then employed for data subscription, which balances the benefits between the USV fleet and the data subscriber. An incentive-based data sharing algorithm is finally designed to obtain the optimal bidding strategies for all game parties including data publishers, USV fleets and data subscribers. Extensive simulation results demonstrate that the proposed scheme efficiently increases the utilities of all participants, as compared to conventional schemes.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».