Rozproszone systemy teleinformatyczne: inteligencja, autonomia, racjonalność i bezpieczeństwo kooperacji



Podobne dokumenty

Analiza rodzajów skutków i krytyczności uszkodzeń FMECA/FMEA według MIL STD A

ZAJĘCIA X. Zasada największej wiarygodności

) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4

Proces narodzin i śmierci

Analiza regresji modele ekonometryczne

Technika Próżniowa. Przyszłość zależy od dobrego wyboru produktu. Wydanie Specjalne.

I. Elementy analizy matematycznej

WikiWS For Business Sharks


EKONOMIA MENEDŻERSKA. Wykład 3 Funkcje produkcji 1 FUNKCJE PRODUKCJI. ANALIZA KOSZTÓW I KORZYŚCI SKALI. MINIMALIZACJA KOSZTÓW PRODUKCJI.

SELEKCJA: JAK JEDNA POPULACJA (STRATEGIA) WYPIERA INNĄ

Weryfikacja hipotez dla wielu populacji

Pomiary jakości w dostępie do Internetu

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

SZTUCZNA INTELIGENCJA

BADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda

Analiza danych OGÓLNY SCHEMAT. Dane treningowe (znana decyzja) Klasyfikator. Dane testowe (znana decyzja)

Ekonometryczne modele nieliniowe

Matematyka ubezpieczeń majątkowych r.

Prognozowanie cen detalicznych żywności w Polsce

Informacja - pojęcie abstrakcyjne Dane: konkretna reprezentacja informacji. 3 "Podstawy informatyki", Tadeusz Wilusz 2004

Krzysztof Piontek Weryfikacja modeli Blacka-Scholesa dla opcji na WIG20

KURS STATYSTYKA. Lekcja 1 Statystyka opisowa ZADANIE DOMOWE. Strona 1

Portfel. Portfel pytania. Portfel pytania. Analiza i Zarządzanie Portfelem cz. 2. Katedra Inwestycji Finansowych i Zarządzania Ryzykiem

Dr inż. Robert Smusz Politechnika Rzeszowska im. I. Łukasiewicza Wydział Budowy Maszyn i Lotnictwa Katedra Termodynamiki

Wiedza i umiejętności wykazane poniżej są niezbędnym do nauczania biologii i będą kształtowane przez cały etap edukacyjny w gimnazjum.

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Zaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych

α i = n i /n β i = V i /V α i = β i γ i = m i /m

Estymacja kosztów łamania systemu kryptograficznego


!!" % & $ ( # # ( ( # ( ( TalentowiSKO talenty dodajemy, mnoīymy, potċgujemy. TalentowiSKO@bankbps.pl tel TalentowiSKO.

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7

1. SPRAWDZENIE WYSTEPOWANIA RYZYKA KONDENSACJI POWIERZCHNIOWEJ ORAZ KONDENSACJI MIĘDZYWARSTWOWEJ W ŚCIANIE ZEWNĘTRZNEJ

Badania sondażowe. Braki danych Konstrukcja wag. Agnieszka Zięba. Zakład Badań Marketingowych Instytut Statystyki i Demografii Szkoła Główna Handlowa

Algorytm I. Obliczanie wymaganej powierzchni absorpcji

Natalia Nehrebecka Stanisław Cichocki. Wykład 10

EU - TEMPUS Wspólny Projekt Europejski : Zaawansowany program nauczania Inteligentne Systemy Transportowe. (TransITS) Profesor Kenneth Asp

SYSTEMY UCZĄCE SIĘ WYKŁAD 15. ANALIZA DANYCH WYKRYWANIE OBSERWACJI. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska

OŚWIADCZENIE MAJĄTKOWE radnego gminy. (miejscowość)

KURS STATYSTYKA. Lekcja 6 Regresja i linie regresji ZADANIE DOMOWE. Strona 1

ZAŁĄCZNIK NR 1C KARTA USŁUGI Utrzymanie Systemu Kopii Zapasowych (USKZ)

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7

Dobór zmiennych objaśniających

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7

Hipotezy o istotności oszacowao parametrów zmiennych objaśniających ˆ ) ˆ

Procedura normalizacji



5. ANALIZA NOŚNOŚCI ELEMENTÓW śelbetowych

EKONOMETRIA I Spotkanie 1, dn

( ) ( ) 2. Zadanie 1. są niezależnymi zmiennymi losowymi o. oraz. rozkładach normalnych, przy czym EX. i σ są nieznane. 1 Niech X


Problemy jednoczesnego testowania wielu hipotez statystycznych i ich zastosowania w analizie mikromacierzy DNA

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Pokazać, że wyżej zdefiniowana struktura algebraiczna jest przestrzenią wektorową nad ciałem

Badanie współzależności dwóch cech ilościowych X i Y. Analiza korelacji prostej

Portfele zawierające walor pozbawiony ryzyka. Elementy teorii rynku kapitałowego

dy dx stąd w przybliżeniu: y

SZTUCZNA INTELIGENCJA

5. OPTYMALIZACJA GRAFOWO-SIECIOWA

, 4 m 2 ), S t r o n a 1 z 1 1

Gdyńskim Ośrodkiem Sportu i Rekreacji jednostka budżetowa


Oligopol dynamiczny. Rozpatrzmy model sekwencyjnej konkurencji ilościowej jako gra jednokrotna z pełną i doskonalej informacją


SYSTEM ZALICZEŃ ĆWICZEŃ

p Z(G). (G : Z({x i })),

Modelowanie i obliczenia techniczne. Metody numeryczne w modelowaniu: Optymalizacja

Rachunek prawdopodobieństwa i statystyka W 11: Analizy zależnościpomiędzy zmiennymi losowymi Model regresji wielokrotnej


Wykład 15 Elektrostatyka

DOBÓR SERWOSILNIKA POSUWU

& ( )! ( + !! (#!! #, (#) % )! % % #. /

STATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2

WSHiG Karta przedmiotu/sylabus. Studia stacjonarne 15 w Studia niestacjonarne 8 w Studia stacjonarne 45 ćw Studia niestacjonarne 12 ćw

A C T A U N I V E R S I T A T I S L O D Z I E N S I S FOLIA OECONOMICA 259, Anna Szymańska *

Zestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni.

WPŁYW PARAMETRÓW DYSKRETYZACJI NA NIEPEWNOŚĆ WYNIKÓW POMIARU OBIEKTÓW OBRAZU CYFROWEGO

Połącz sprzęt AGD z przyszłością. Skrócona instrukcja obsługi

Problem nośności granicznej płyt żelbetowych w ujęciu aktualnych przepisów normowych. Prof. dr hab. inż. Piotr Konderla, Politechnika Wrocławska

u u u( x) u, x METODA RÓŻNIC SKOŃCZONYCH, METODA ELEMENTÓW BRZEGOWYCH i METODA ELEMENTÓW SKOŃCZONYCH

WSHiG Karta przedmiotu/sylabus. Studia stacjonarne 15 w Studia niestacjonarne 8 w Studia stacjonarne 45 ćw Studia niestacjonarne 12 ćw

Macierze hamiltonianu kp

Wybrane referencje w cenach specjalnych dla Warsztatów Niezależnych. Oferta ważna od do

-Macierz gęstości: stany czyste i mieszane (przykłady) -równanie ruchu dla macierzy gęstości -granica klasyczna rozkładów kwantowych

Teoria i praktyka. Wyższa Szkoła Turystyki i Ekologii. Fizyka. WSTiE Sucha Beskidzka Fizyka

A4 Klub Polska Audi A4 B6 - sprężyny przód (FWD/Quattro) Numer Kolory Weight Range 1BA / 1BR 1BE / 1BV


Finanse ubezpieczeń społecznych

Rozwiązywanie zadań optymalizacji w środowisku programu MATLAB

Podczas zajęć będziemy zajmować się głownie procesami ergodycznymi zdefiniowanymi na przestrzeniach ciągłych.

F u l l H D, I P S D, I P F u l l H D, I P 5 M P,

Plan wykładu: Typowe dane. Jednoczynnikowa Analiza wariancji. Zasada: porównać zmienność pomiędzy i wewnątrz grup

Algorytm FA. Zastosowanie w zadanich optymalizacji z ograniczeniami dla ciągłych dziedzin poszukiwań

Konstrukcja gier sprawiedliwych i niesprawiedliwych poprzez. określanie prawdopodobieństwa.

WPROWADZENIE DO TEORII DECYZJI STATYSTYCZNYCH

SPECYFIKACJA ISTOTNYCH WARUNKÓW ZAMÓWIENIA

PIERWIASTKI W UKŁADZIE OKRESOWYM

Transkrypt:

Rozprozone yemy elenformayczne: nelgencja, auonoma, racjonalność bezpeczeńwo kooperacj Jerzy Konork Polechnka Gdańka, Wydzał ET dr nż. 984 P PAN Warzawa dr hab. nż. PG 2007 > 00 amodzelnych >25 wpółau. prac opublk. w wyd. mędzynarod. 2005-202 kerownk 4 kraj mędzynarod. projeków naukowych, kerownk zadana w 3 projekach wpółred. 2 omów pec. wyd. Telecomm. J., ały czł. komeów progr. >20 mędzynar konf. n. ec kompuer. lczne wykłady zaprozone w 2 krajach zanereowana: yemy rozprozone, badana operacyjne, zaoowana eor ger w ecach bezprzewodowych J. Konork: KSTT 203 - refera plenarny, Gdańk 6.9.203

Paradygmay projekowana analzy yemów (ele)nformaycznych auonoma urządzeń cenralzacja (opymalzacja) 2000+ 990 970 980 nekooperaywność (ndywdualna racjonalność, zgodność moywacyjna) P2P, prookoły weloagenowe, ot, rado kognywne, ec ad hoc, enorowe, komórkowe, meh, elf-x, DS ndywdualne defnowane użyecznośc (racjonalność) dążene do jej makymalzacj (nekooperaywność) rozprozene (ynchronzacja, bezpeczeńwo) nelgencja urządzeń Wyśledzć momen horyczny, w kórym lczydło doęgło Rozumu, je równe rudno jak ów, co małpę przemenł w człoweka. [S. Lem 98] J. Konork: KSTT 203 - refera plenarny, Gdańk 6.9.203 2

Roung: najańzy ranzy A:2 3 c A D - c A B D B:3 c A C D c A B D c A D - c A C D 20 8 4 D:2 C: Jednokowe kozy ranzyu F 2 =2 F 3 = F =4 u F F 2 F 3 F F 2 F 3 4 6 cenralzacja: np. "mnożene" macerzy 0 0 0 0 2 2 0 0 0 0 3 0 3 3 0 0 0 0 mn plu 0 0 0 0 2 2 0 rozprozene: np. zaada opymalnośc c A D = mn{c B + c A B D, c C + c A C D } nekooperaywność: ne da ę zrealzować! deklarowane kozy jednokowe c użyeczność u = ( c ) k: T k F k ( ) = c makymalzuje użyecznośc węzłów przepływ k dopłaca węzłow koz jednokowy = c(t k ()) c(t k (, )) [Fegenbaum e al. 2005] J. Konork: KSTT 203 - refera plenarny, Gdańk 6.9.203 3

Główne podejśca A Bezpeczeńwo kooperacj: uczcwy (kooperaywny) agen v. racjonalny nruz - Gapowcz: udzał w konumpcj zaobów bez udzału w kozach - Pra Drogowy: łamane zaad doępu do zaobów - Fałzywy Radowóz: uzurpacja przywlejów doępu do zaobów Modyfkacja raeg uczcwego agena ogranczająca użyeczność racjonalnego nruza bez naruzana włanej. Gra nekooperaywna: predykcja wynku nerakcj racjonalnych agenów & mechanzmy zgodnośc moywacyjnej ch użyecznośc celów globalnych. B 2 2 0 3 3 0 Równowaga Domnacj We have alway known ha heedle elf-nere wa bad moral; we know now ha bad economc. [FDR 933] J. Konork: KSTT 203 - refera plenarny, Gdańk 6.9.203 4 A B 2 2 0 5 5 0 3 3 Równowaga Przyłaczana

Syem repuacyjny v. Gapowcze ACK (B,C,D) rep B,C,D + := r(l) (moywacja H) raa l przekoków H: przekaz GAP: przekaz elekywny p(l) (mnmalzacja wydaku energ) Emoc GAP / Emoc H Erep H / Erep GAP Emoc GAP / Emoc H ER 0.5 0-00 agenów --00 różna hghly lczba moble GAP aon - varou #Free Rder --varou różne raegy a..d parameer a.. d Erep H / Erep GAP 0 0.5.5 2 RR 0, l = r( l) = a l, l >, l = b p( l) = cl, 0 < l d 0, l > d H je raegą przyłaczającą (zakazany regon ne zoaje naruzony nezależne od lczby GAP) r() = 0 p(l) = con. dla l >. [J.K. 20] J. Konork: KSTT 203 - refera plenarny, Gdańk 6.9.203 5

Równowaga Naha A Bez dodakowych mechanzmów moywacyjnych ne neje nawe prookół zapewnający domnację H. [Zhong e al. 2007] Mnej (lecz dalej bardzo) przekonująca predykcja wynku gry: B 2 0 0 0 0 2 Równowaga Naha (NE) je NE gdy W(x) = Z(x) ^ Z 2 (x) ^ arg max u ( z, Na ogół nezbędna je wpólna wedza agenów o racjonalnośc funkcjach użyecznośc (założene dość lne). z S ) J. Konork: KSTT 203 - refera plenarny, Gdańk 6.9.203 6

Operaor v. Gapowcze: pokua nadużyca zadane (doarczene pakeu) Należy zapewnć NE przy = H. W { +, } u + lub u H = GAP koz koz = c = 0 Model nezawodnośc nerakcj agenów Przy = H dla każdego agena opłacalne je: (R) przyjęce konraku φ u + φ V E H, H (ZM) wybór H w warunkach konraku u V E H, H W, H - = V, H v ( ) u c 0 - - v c u - φ φ W punkce NE = H, przy równych kozach nezawodnośc end-o-end, dłużze ray ą zawze ańze dla Operaora! [Feldman e al. 2007] J. Konork: KSTT 203 - refera plenarny, Gdańk 6.9.203 7

NE nformacja agena Werje NE zależą od rodzaju nformacj doępnej w grze. Sraega agena je funkcją X S poadanej nformacj. Jeśl każdy agen poada nformację prywaną, a wpólna wedza doyczy jedyne jej charakeryyk probablycznych, o NE równowaga bayeowka (BE). je BE, gdy ( x) arg max z S E u x ( x, z, ( x )) x X W yemach elenformaycznych pojęce BE je przydane, gdy x opuje lokalne warunk ruchowe, konfgurację prookołu, jakość ranmj, fazy rywalzacj o zaoby, percepcję jakośc uług, an zalana, lokalzację p. J. Konork: KSTT 203 - refera plenarny, Gdańk 6.9.203 8

Aukcja pama dla Praów Drogowych H: andardowy MAC PR: agreywny bddng: dummy frame, DFS eon: QoS frame frame bddng: frame, DFS eon: frame aon ' bd aon ' bd me aon 2' bd aon 2' bd 3 3 3 3 3 3 3 3 3 3 3 3 aon 3' bd aon 3' bd E u x z N ( F ( σ ( z) ) + aon 3 ar recevng ACK, learn ha won raega agena je funkcją X S odwzorowującą długość ranferu ruchu na długość ekwencj lcyującej użyeczność u = ranfer - ekwencja lcyująca x prywana nformacja agena, dyrybuana F(x) wpólna wedza N ( x, z, σ ) = z ( x y + Λy) df ( σ 0 ( y)) Symeryczny BE: dla x X rodzna z dających makmum pokrywa ę z funkcją σ. J. Konork: KSTT 203 - refera plenarny, Gdańk 6.9.203 9

Aukcja pama: raega BE W punkce BE:. [J.K. 2009] 20 F ( x) = Λ = 0.5 x x ( x) = y exp N ( v) dv N Λ µ ( y) dy F µ F 0 y x e N = 3 N = 6 0 N = 2 x lambda=0.5 0 0 2 4 6 8 x Nenucyjna lcyacja w BE: 20 Λ = - możlwa powyżej warośc ranferu! 0 - orożnejza przy dużej lczbe rywalzujących acj! - bardzej agreywna przy wzrośce Λ, lecz bez wpływu na Eu! J. Konork: KSTT 203 - refera plenarny, Gdańk 6.9.203 0 % wykorzyana pama w SBE 00 80 60 40 F ( x) = 0.5 x e 2 4 6 8 0 2 4 6 8 20 N

mxne wybór ec Rozzerzene S na (S ) mky: je mxne, gdy arg max E u z ( S ) ( z, ) Przy welu aymerycznych NE ymeryczny mxne je bardzej przekonywującą koncepcją rozwązana gry. A B 2 0 0 0 0 2 mxne = 2 / 3 *+ / 3 * aon WLAN daa PHY raec clen ermnal acje.. N WLAN M daa PHY raec M M aon N Gra "wybór ec" <{..N}, {H, PR}, u> poada wele NE z jednakową lczbą PR = K unkalny mxne, zależny od K. [J.K. 2009] H: andardowy MAC, równomerny wybór ec PR: agreywny MAC, preferencja dla zybkch ec J. Konork: KSTT 203 - refera plenarny, Gdańk 6.9.203 u.4.2 0.8 0.6 0.4 0.2 0 u (H..H ) cena anarch! przepływność nekooperaywna? 5 0 5 20 N

Możlwa je auonomczna korelacja raeg agenów! Zewnęrzny mechanzm louje r S S N, każdemu agenow rekomenduje r. Agen we włanym neree przyjmuje rekomendację. Π ( S... SN ) je CE, gdy r arg max E u ( z, NE równowaga korelowana (CE). Gra "wybór ec" <{..N}, {H, PR}, u> poada unkalny ymeryczny CE, zależny od K ławy do rozprozonej mplemenacj. [J.K. 2009].4.2 0.8 CE CE wybór ec z S u (H..H ) Π( r ) ) u 0.6 0.4 0.2 0 mxne przepływność nekooperaywna (!) 5 0 5 20 N J. Konork: KSTT 203 - refera plenarny, Gdańk 6.9.203 2

Uczene NE: czy można? Analza nropekywna wynkowa poać NE nekedy b. komplkowane. Czy proe prookoły / urządzena o porafą? Czy NE można ę "nauczyć" w grze weloeapowej, j.? EEE 802. DCF rob o bezwedne! + = ω (, u) ;...;(, u) ) DFS backoff DATA SFS ACK + = / max 2 P P ucc, coll, ( ( ) ) = + u gdze +ℵ ℵ zum u ( ) = α P ucc ( ) β P ( ), coll, Gra "DCF" <{..N}, [0.. max ], u> poada NE, do kórego ww. chema je zbeżny! arg max u( z, + Po odpowednm przekalowanu:, j. DCF je chemaem - najlepzej odpowedz! z [Lee e al. 2007] J. Konork: KSTT 203 - refera plenarny, Gdańk 6.9.203 3 )

Uczene NE: czy waro? baza adreów agena prefky rozmar [0, ) baza adreów agena 2 ufky rozmar [0, ) u = rozmar przerzen adreowej u, u 2 Jedyny NE = (0, 0) daje najgorzy możlwy wynk! Jak ę go uczyć chema najgorzej odpowedz?! NE J. Konork: KSTT 203 - refera plenarny, Gdańk 6.9.203 4

Fałzywe Radowozy w EDCA DSCP' AC' AC' Aplkacja EEE 802. DSCP pake P z polem klay ruchu WT z algorymem EDCA kolejk AC AC ramka DATA z polem AC H: deklaracja rzeczywej klay ruchu FR: deklaracja klay ruchu odwzorowanej na wyżzą kaegorę doępu Warygodna groźba wykryca FR: emja DSSAT przez neuayfakcjonowane acje H peneracja zawarośc zagłuzane ramek Użyeczność acj : u ( ) = a ( ) ex ( ) {,0,} DSSAT daa - wymagana acj - doępne pamo narażene na wykryce FR - gra "EDCA" <{..N}, {H, FR}, u> - pożądany NE: "równowaga ayfakcj", j. u(*) = - ne zawze dopuzczalny przez a( ) J. Konork: KSTT 203 - refera plenarny, Gdańk 6.9.203 5

+ Weloeapowa gra EDCA: chema uczena 2-progowy wybór raeg w funkcj ruchomej średnej włanej użyecznośc: = U - Jeżel - a( ) dopuzcza *, - P2 < 0 < P, - arbracja H / FR je uczcwa, o ω gwaranuje oągalność * z dowolnego anu (, U) w kończonej lczbe eapów.???: ω je NE gry weloeapowej <{..N, Ω, U>, j. FR je neefekywny lub nezkodlwy. [J.K. & Szo 202] arbracja H / FR H P P2 U + + = U P, P2 (, U ) ) J. Konork: KSTT 203 - refera plenarny, Gdańk 6.9.203 6 = - acje generują Voce be-effor - wyoke wymagana acj b-e 2 powodują uporczywe aak FR f, u U uly #aacker # FR ( 0.8 0.6 0.4 0.2 0-0.2 3 2 0 + ) (, U) VO aon k + BE aon 3..5 = ω(, U) BE aon..2 0 00 200 300 400 500 0 00 200 k 300 400 500

Podumowane Predykcje punków pracy w paradygmace nekooperaywnośc częo mnej opymyczne, przeważne mnej nucyjne znaczne mocnejze (zgodność moywacyjna).! Dobre raege nropekcja, chemay uczena, ewolucja, akwzycja? Cena anarch, gnorancj, koegzyencj z agenam neracjonalnym? Dzękuję za uwagę, jekon@e.pg.gda.pl J. Konork: KSTT 203 - refera plenarny, Gdańk 6.9.203 7