优化新鲜数据采样与交易

《IEEE Transactions on Networking》：Optimizing Fresh Data Sampling and Trading

数据新鲜度对数据交易估值的影响研究，提出新鲜数据市场模型，针对轻量级（如噪声数据）和计算密集型（如图像数据）更新设计统一、双价、动态三种定价策略，通过混合整数规划松弛分析获得最优解，发现高成本数据会降低统一定价，动态定价最优，计算密集型数据通过调整处理时间可提升利润。

　　

摘要：

现有的数据交易研究往往忽视了数据新鲜度对其估值的影响。本文探讨了一个新鲜数据市场，在这个市场中，一个平台向随机到达的用户提供不同新鲜度级别的数据，例如实时交通数据。我们将数据更新分为两类：轻度更新（例如噪声级别）和计算密集型更新（例如交通图像）。最初我们关注轻度更新，并引入了三种定价策略：统一定价、双重定价和动态定价。挑战在于如何共同优化平台的数据采样和定价，这是一个复杂的非光滑混合整数规划问题。然而，通过分析问题的简化版本，我们为所有三种策略都得到了封闭形式的最优解。我们的研究发现了一个令人惊讶的现象：较高的数据获取成本会导致平台降低统一定价，因为数据更新得更慢，价值更低。数值分析表明，最优的双重定价策略在性能上与动态定价策略非常接近，并且在某些情况下利润几乎是统一定价的三倍。将我们的研究扩展到需要预处理的计算密集型更新时，复杂性增加了。我们通过应用分数规划来解决这个问题。数值结果显示，最优的统一定价和双重定价策略所带来的利润与动态定价策略相当，因为平台可以调整处理时间。

引言

随着实时应用（例如智能交通应用、远程监控和实时数据分析）的显著发展，信息新鲜度（由信息年龄 AoI [2]、[3]、[4]、[5] 衡量）在决策制定中变得越来越重要。在这些应用中，如果接收到的数据过时，用户会感到不满，因为过时的数据无法反映准确的信息，可能导致错误的决策。例如，在智能交通应用中，实时交通信息对于用户的路线规划至关重要。