Bublin, M. (2004). A “Pricing” and game theory based approach to radio resource management [Dissertation, Technische Universität Wien]. reposiTUm. https://resolver.obvsg.at/urn:nbn:at:at-ubtuw:1-12505
Radio Ressource Management (RRM) Algorithmen spielen eine wesentliche Rolle bei der effizienten Verwendung der knappen Funkressourcen in Mobilfunknetzen. Die Klasse der verteilten, selbstadaptiven RRM Algorithmen gewinnt wegen ihrer geringen Komplexität und ihres geringen Signalisierungsaufwands immer mehr an Bedeutung. In dieser Arbeit verwenden wir "pricing" und den spieltheoretischen Zugang zur Entwicklung von verteilten, selbstadaptiven RRM Algorithmen. In unserem Model maximiert ein Netzbetreiber seinen Gewinn, indem er die "Preise" für die Funkressourcen gemäß dem Netzzustand festlegt. Die mobilen Teilnehmer wählen dann die Ressourcen aus, die ihre Nutzfunktionen unter Verwendung der "Ressourcepreise" als Parameter maximieren. Wegen der speziellen Form unserer Nutzfunktion können manche bekannte RRM Algorithmen als zustandabhängige "Regeln" durch die Preise "erzwingen" werden.<br />Wir untersuchen weiter, welche "Regeln" (Algorithmen) "nicht "ausbeutbar" ("evolutionär" stabil) in Netzen ohne "Preisen" wie in "ad-hoc" Netzen sind. Wir zeigen auch, durch die Verwendung der Spieltheorie, wie eine Kooperation unter "selbstsüchtigen" Nutzern in solchen Netzen entstehen kann. Weiter, wir setzten voraus, daß unsere "Spieler" "beschränkt rational" sind und beschränkte Informationen wie lokale Messungen zur Verfügung haben. Unsere Algorithmen suchen auch nicht nach absolut optimalen Lösungen, sondern nach "genug guten" Lösungen. Diese Eigenschaften ermöglichen praktische Implementierungen unserer Algorithmen mit niedrigen Berechnungs- und Signalisierungsaufwand. Wir untersuchen Kapazitätsgewinne und Kompromisse von RRM Algorithmen, wie Power Control, Scheduling, Dynamic Channel Allocation oder Handover, durch Systemsimulationen in verschiedenen Umgebungen (städtisch und ländlich) für unterschiedliche Lasten und Dienste (Sprache und Paketdaten), mit und ohne Intelligente Antennen. Die Ergebnisse dieser Arbeit sind sowohl für Mobilfunkgerätehersteller als auch für Netzbetreiber von Nutzen. Die Hersteller können die Ergebnisse verwenden, um effiziente, verteilte, adaptive RRM Algorithmen mit niedrigem Signalisierungsaufwand zu entwickeln. Betreiber können die Ergebnisse dazu verwenden, um optimale RRM Algorithmen für jeden Netzzustand durch Preisparameter ohne Bedarf an Softwareänderungen zu "aktivieren", oder um Teilnehmer optimal zu vergebühren, oder auch als Entscheidungsunterstützung dafür bereitzustellen, wann und wo welche RRM Algorithmen und Technologien wie Intelligente Antennen eingesetzt werden sollen.<br />
de
Radio Resource Management (RRM) algorithms play a main role in the efficient usage of the scarce radio resources in wireless networks.<br />A class of distributed, self-adaptive RRM algorithms gain increasingly on importance due to their low complexity and signalization overhead. In this work, we apply a "pricing" and game theory based approach to the design of distributed, self-adaptive RRM algorithms. In our model a network provider maximizes its gain by setting "prices" for the radio resources according to the network's state. Wireless users then choose those resources that maximize their utility functions using "prices" of the resources as parameters. Due to special form of our utility function we can "enforce" by "prices" some well known RRM algorithms as state dependent "rules". We investigate further what are the non-exploitable ("evolutionary" stable) "rules" (algorithms) in the networks without prices like ad-hoc networks. We show also, using game theory, arguments how cooperation among myopic users might also arise in such networks. Further, we assume that our "players" are "bounded rational" and have limited information available like local measurements. Our algorithms also do not necessary search for absolutely optimal solutions but for "good enough" i.e.<br />"satisfactory" solutions. These properties enable practical applications of our algorithms with low computation and signalization overhead. We estimated capacity gains and trade-offs of some RRM algorithms by system-level simulations in different environments (urban and rural), for different loads and services (speech and packet data), with or without smart antennas. Both wireless equipment manufacturer and network providers can benefit from the results of this work. Manufacturers can use the results to design efficient, decentralized, adaptive RRM algorithms with low signalization overhead. Providers can also use the results of this work to "activate" optimal RRM algorithms for each network state simply by "price" (parameter) settings without the need for software changes as well as to optimally charge users, or to support decisions which and when RRM algorithms and technologies like smart antennas should be employed.