Dynamic Pricing in Multi-Tenant MANO With Resource Sharing: A Stackelberg Game Approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Network slicing is used to support the stringent requirements of sixth generation (6G) services by dividing an infrastructure network into multiple logical networks that can enable service-oriented resource allocation. However, there are several orchestration issues when considering multiple infrastructure providers (InPs) and multiple tenants in a recursive architecture. There are also challenging issues in designing efficient auction mechanisms for such multi-domain and multi-tenant network slicing. To address these challenges, we consider multi-tenant management and orchestration as a multi-buyer, multi-seller scenario, and propose a novel two-stage auction mechanism that aims to increase the overall utility of all participants while mitigating the overall cost of the network. We formulate this two-stage auction mechanism as a multi-leader multi-follower (MLMF) Stackelberg game approach that converges to a Stackelberg equilibrium. In this game, there are multiple InPs that lease network, computing, and storage infrastructure resources to multiple Tier1 tenants in the first stage of the auction mechanism. Next, Tier1 tenants instantiate triple 6G slices as extremely reliable and low-latency communications (eURLLC), ultra-massive machine-type communications (umMTC), and further enhanced mobile broadband (FeMBB) slices, and lease smaller slices to Tier2 tenants through the second step of the auction mechanism. Tier2 tenants then serve different eURLLC, umMTC, and FeMBB users who have specific and mostly different requirements and constraints, while Tier2 tenants manage their own resources to maximize their utility. Due to the distributed nature of the proposed problem, we consider distributed reinforcement learning (DRL) as a solution. Simulation results show that our DRL-based solution increases the average profit of the network by 19% compared to the existing state-of-the-art benchmark.
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.
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 | 0,002 | 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,008 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle