一种基于深度学习的无线网络资源分配的最优拍卖方法技术

发明专利技术公开了一种基于深度学习的无线网络资源分配的最优拍卖方法，移动网络运营商提供无线网络资源，多个用户同时竞争资源，运营商从而找到最优的分配机制，已提高自己的收入。在传统的资源分配中，运营商的目标是社会福利最大化，但对于运营商，它更加关注自己所得的收入，所以收入最大化更加合理。本机制中，运营商采用深度学习方法，利用深度神经网络框架，寻找出最优的拍卖模型。运营商最终需要决定分配规则以及通过第二价格拍卖规则决定定价策略，从而进行资源的动态分配，实现分配的高效性，并且满足用户的不同需求。

An optimal auction method for wireless network resource allocation based on deep learning

The invention discloses an optimal auction method for wireless network resource allocation based on in-depth learning. Mobile network operators provide wireless network resources, and multiple users compete for resources at the same time. Operators can find the optimal allocation mechanism, which has increased their income. In traditional resource allocation, the goal of operators is to maximize social welfare, but for operators, it pays more attention to their income, so the income maximization is more reasonable. In this mechanism, operators use deep learning method and deep neural network framework to find the optimal auction model. In the end, operators need to decide the allocation rules and pricing strategies through the second price auction rules, so as to realize the dynamic allocation of resources, achieve the efficiency of allocation, and meet the different needs of users.

【技术实现步骤摘要】
一种基于深度学习的无线网络资源分配的最优拍卖方法
本专利技术属于无线虚拟化中无线资源分配
，具体涉及一种基于深度学习的无线网络资源分配的最优拍卖方法，主要用于保证虚拟化网络中资源高效灵活的分配，满足用户的需求，提高资源的利用率，降低运行成本和支出成本，从而使总体的经济效益得到提高。
技术介绍
虚拟化技术在有线网络中已经广泛使用数十年，但随着无线网络中服务和流量的日益增多，很有必要将虚拟化技术扩充到无线网络环境中。无线虚拟化的基本点是将物理网络基础设施和资源抽象成虚拟的无线网络资源。通过无线虚拟化，总的资源利用率得到提高，资本支出和运行支出很大程度上得到降低，并且它可以促使小型的服务提供商来提供更多服务供用户选择，使服务丰富化。虽然无线虚拟化技术有很大应用前景，但是它同时也面临着一些重大的挑战。最重要的挑战是资源分配，其中的难点是分配各种移动网络运营商的资源以适应相应用户的不断变化的需求，同时还要满足资源分配的高效性。拍卖，是一种有效的资源分配机制。拍卖理论起源于经济学，但现在作为一门跨学科的应用，已经广泛应用于计算机学科，比如无线网路中频谱和虚拟资源的拍卖。在一般的拍卖中，有买家，卖家和拍卖师，拍卖师收集到所有用户的投标后，会在卖家的请求和买家的投标中进行合适的匹配。最终决定在此轮拍卖中的赢家们，以及他们对应的支付。将拍卖机制引入到无线虚拟化的资源分配中，它的核心问题是高效灵活地分配资源，从而使移动虚拟运营商的收入最大化。目前存在的无线虚拟化资源分配的工作中，考虑的目标都是社会福利最大化。因为这个问题可以容易的被处理解决。实际上，运营商更感兴趣的是他们从用户上得到的收入。但是收入最大化是非常复杂的，因为价格在计算前是未知的，所以普通的分析法很难解决这个问题。考虑到收入最大化的最优拍卖机制的难度，我们采用了深度学习技术。近些年，深度学习得到相当大的关注，因为它能自动地确定一些特点。实际上，深度学习采用一些梯度下降法，比如随机梯度下降法，并且可以找到全局最优解。深度学习其实是使用多层深度神经网络运作的。一般的神经网络含有一个输入层，多个隐含层和一个输出层，每个隐含层和前一层都利用非线性函数进行连接。神经网络能进行不断的迭代，直到找到最优解。在本专利技术中，神经网络的输入是多个用户的估值，输出是最终的分配规则和定价规则，最后保证收入最大化。
技术实现思路
专利技术目的：为了克服现有技术和文献中存在的不足，本专利技术提供一种基于深度学习的无线网络资源分配的最优拍卖方法，主要用于搭建单个移动虚拟运营商和多个用户之间的虚拟资源动态分配市场，从而解决无线虚拟化网络中的资源分配的问题。通过引入拍卖机制，同时与深度学习技术结合，在满足对应的约束条件下，实现运营商的收入最大化。为实现上述目的，本专利技术采用如下技术方案：一种深度学习的无线网络资源分配的最优拍卖方法，包括以下步骤：步骤1：所有用户提交投标Bids给控制器(运营商)，控制器收集用户投标；步骤2：运营商将收集到的Bids转换为虚拟Bids；步骤3：根据计算得到的虚拟Bids，使用神经网络激活函数softmax实现分配规则，决定此轮拍卖的赢家；步骤4：运营商使用激活函数relu实现定价规则(基于第二价格拍卖规则)，决定此轮赢家的最终支付；步骤5：运营商根据分配规则和定价规则计算其收入，从而使收入最大化。进一步的，所述步骤1的具体方法为：假设有n个用户和1个移动虚拟网络运营商，这些用户想竞争运营商的资源，但资源只能分配给一个用户，所以此拍卖模型是单个物品的拍卖。在每一轮拍卖中每个用户提交一次Bid，所以总的投标Bids＝{v1,v2,...,vn}，其中vi表示用户i对该运营商资源的投标。移动虚拟网络运营商作为控制器，搜集所有用户的投标。进一步的，上述步骤2中，运营商根据所得Bids，将其转化为虚拟Bids，具体细节为：对于每个vi，我们使用相对应的虚拟转换函数φi将其转化为虚拟值为了保证φi是严格单调递增的，我们有如下设计方案：我们使用K组，每组J个线性方程，每个线性方程其中包含参数w和β，w是线性方程的斜率，β是线性方程的截距，为了保证是严格单调递增的，必须确保斜率w＞0。所以虚拟投标的计算公式为：我们根据投标vi计算所有的虚拟投标最终我得到的是虚拟投标Bids:进一步的，所述步骤3的具体方法为：我们根据步骤2所得到的虚拟投标使用神经网络中的softmax激活函数决定分配规则。softmax函数的输入是输出是每个用户分配到该资源的概率，神经网络中的激活函数softmax的特点是输出值位于0～1的范围内。同时我们需要保证该资源分配给提高最高虚拟投标的用户，保证拍卖的合理性，然后对别的用户不予分配，即有最高的虚拟投标用户可以得到该资源。用g表示总的分配概率，所以得到：其中gi表示用户i分配到该运营商资源的概率，公式里面的参数κ表示近似值的准确度，它的值越大，越近似于最优解，但同时也很难优化。所以选择合适的值是非常关键的。进一步的，所述步骤4中，采用基于第二价格拍卖的基础策略实现定价规则。我们使用神经网络激活函数relu实现这一步骤，relu函数的输入是虚拟投标它的输出是用户的虚拟支付(成功分配到资源的前提下)，但我们最终还须将用户的虚拟支付转化为其对应的实际支付。relu函数的特点是：当它的输入值小于0时，输出值是0；当它的输入值大于0时，输出等于输入。其具体过程如下：我们针对每个用户i计算它的虚拟支付(基于第二价格拍卖规则)，即是其他用户的虚拟投标和0之间的最大值，具体的可以表示为：我们得到了每个用户的虚拟支付。其中，relu函数可以保证虚拟支付是非负的。最终我们需要根据虚拟支付计算用户的实际支付：其中，函数是用户i对应的虚拟转换函数φi的反函数，最终ti计算公式为:进一步的，所述步骤5中，我们需要计算运营商的收入，根据步骤3和步骤4的结果，我们可以得到运营商收入的计算公式：其中，gi为用户i分配到运营商资源的概率，而ti表示在成功分配的条件下，用户的最终实际支出。运营商的最终目标是使收入最大化。有益效果：本专利技术公开了一种基于深度学习最优拍卖机制，考虑的模型是单个移动虚拟网络运营商提供资源，多个用户竞争该资源。运营商目标是使自己的收入最大化。本机制中，运营商采用深度学习技术，主要采用多层前馈神经网络框架，进行不断地迭代，从而寻找出最优的拍卖模型。运营商根据最优拍卖机制，可以得到最优的分配规则以及定价策略，而定价策略是基于第二价格拍卖规则，因为它可以保证用户的最终支付是非负的。此最优拍卖机制在保证运营商的收入最大化的同时，也可以保证用户的个体理性和占优策略激励相容，使整个拍卖是真实交易的。运营商进行资源的动态灵活分配，实现分配的高效性，并且满足用户的不同需求。本专利技术的基于深度学习的无线网络资源分配的最优拍卖机制，将移动虚拟网络运营商作为商业拍卖卖家参与市场竞争，多个用户(拍卖买家)通过提交投标对资源进行竞争，具有如下优势特征：1)考虑单个运营商，多个用户之间的资源拍卖模型，实现运营商的收入最大化；2)用户提交隐式投标给运营商(拍卖师)，运营商将其转化为虚拟投标；3)使用深度学习技术决定分配规则和定价策略；4)在收入最大化的同时，也保证了个体理性和占优策略激励相容。附图本文档来自技高网...

【技术保护点】
1.一种基于深度学习的无线网络资源分配的最优拍卖方法，其特征在于，包括如下步骤：1)收集n个用户在L次投标中对无线网络资源的估值，构成训练样本集S＝{v

【技术特征摘要】
1.一种基于深度学习的无线网络资源分配的最优拍卖方法，其特征在于，包括如下步骤：1)收集n个用户在L次投标中对无线网络资源的估值，构成训练样本集S＝{v(1),...,v(L)}，其中表示第l次投标中n个用户对所述无线网络资源的估值；2)将所有用户的每次估值vi利用虚拟转换函数φi将其转化为虚拟估值vi表示用户i对所述无线网络资源的估值；3)根据虚拟估值集合计算每个用户i分配得到所述无线网络资源的概率gi；4)根据虚拟估值集合计算用户i的虚拟支付根据虚拟支付计算实际支付ti，5)计算运营商收入6)以训练样本集训练神经网络，神经网络的输出为gi(v(l))和ti(v(l))，目标是使运营商收入R最大化，迭代次数达到设定次数则训练结束，确定模型参数和神经网络模型，否则更新模型参数重复步骤2)至6)；7)在新一轮投标中将新...

【专利技术属性】
技术研发人员：钱俊，朱琨，王然，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏,32