CN105160487A - 一种基于大数据的多属性数据资源交易方法 - Google Patents

Abstract

本发明公开了一种基于大数据的多属性数据资源交易方法，包括如下步骤：步骤1：买方将自己的任务代理给买方Agent，卖方将自己的任务代理给卖方Agent；步骤2：买方Agent根据需求提出对某一大数据资源的指标要求，多个卖方Agent接收指标要求；步骤3：每个卖方Agent接收指标要求后提供相应数据，再根据效用函数计算出整体响应值；步骤4：买方Agent按照整体响应值由高到低的排序顺次与卖方Agent通过中间Agent自动协商，直至协商成功；步骤5：协商成功后，则根据协商产生的协议建立服务合约，卖方按照服务合约将服务交给买方,买方按照服务合约中的价格进行支付，完成交易。实现大数据交易过程中买卖双方的“双赢”，有益于大数据交易市场的良性发展。

Description

一种基于大数据的多属性数据资源交易方法

技术领域

本发明涉及一种基于大数据的多属性数据资源交易方法。

背景技术

进入二十一世纪以来,全球化的竞争要求企业之间越来越多的协同,网格和云计算模式为企业之间进行资源共享和业务协作提供了支持。制造企业专业化、服务化的分工与协作,要求企业必须不断获得并将其核心资源集中到专长领域,通过提供高效的制造服务来确立自己的独特定位与价值,提升其专业化与服务化水平，同时,用户以获取服务的方式按需利用其他企业的能力,按照需求驱动、用户主导、按需服务、即用即付、用完即散的原则,实现资源的动态、广泛的聚集与协调、综合应用。服务计算、云计算、物联网等新兴信息技术的快速发展为探索云制造服务模式,解决我国制造业发展中面临的种种问题和困难提供了新思路。

在市场经济环境下,供需双方必须基于市场化机制,提供面向制造企业的主动、敏捷、聚合的制造资源和制造能力服务，而参与市场活动的两个重要主体是服务提供者和服务使用者,他们分别有自己的期望和策略来参与到云市场的服务交易当中来。在云市场中,服务使用者希望用更低的代价来使用服务更好的解决他的问题、完成他的任务。而服务提供者希望通过提供服务,在满足用户需求的情况下来获得最大可能的收益。因此,它们之间的服务调用本质上是一个服务交易的过程。服务使用者和提供者之间存在着互相选择的过程,服务提供者要决定他是否参与到服务交易中以及以何种收益提供何种服务,而服务使用者也可以选择最能满足他的要求的服务提供者来进行服务交易。

当前,服务交易的问题并没有得到很好的解决，由于服务计算是一个新兴领域,而服务特征往往是由多个属性决定的,同时,网格和云计算又是一个开放式的动态环境,导致服务的交易成为一个非常复杂的问题,传统的分布式计算及电子商务中资源交易模型如定价交易、拍卖等市场机制并不能满足服务交易的需要。因此,如何在大数据服务市场环境中建立有效的模型和机制来支持服务使用者和提供者之间进行服务交易,成了网格制造和云制造中的一个重要问题。

发明内容

针对上述问题，本发明提供一种基于大数据的多属性数据资源交易方法，实现大数据交易过程中买卖双方的“双赢”，有益于大数据交易市场的良性发展。

为实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

一种基于大数据的多属性数据资源交易方法，其特征在于，包括如下步骤：

步骤1：买方将自己的任务代理给买方Agent，卖方将自己的任务代理给卖方Agent；

步骤2：买方Agent根据需求提出对某一大数据资源的指标要求，多个卖方Agent接收指标要求；

步骤3：每个卖方Agent接收指标要求后提供相应数据，再根据效用函数计算出整体响应值；

步骤4：买方Agent按照整体响应值由高到低的排序顺次与卖方Agent通过中间Agent自动协商，直至协商成功；

步骤5：协商成功后，则根据协商产生的协议建立服务合约，卖方按照服务合约将服务交给买方,买方按照服务合约中的价格进行支付，完成交易。

优选，中间Agent采用同步谈判协议，协商双方进行多轮协商,在每一轮协商中,双方都基于单调让步规则来同步地给出提议。

优选，将双边协商的对象的n个属性表示为属性向量(A₁,...,A_n)，其中，属性向量(A₁,...,A_n)的每一个元素A_i均有取值范围[A_i.min，A_i.max]，应用效用函数来计算用户在某个提议上的整体响应值的具体步骤如下：

A)比例化各个属性维度上的值A_i,使得比例化后的值u_i与它们的表示单位和取值范围无关：

对于正属性A_i比例化采用以下方程：

$u_i=\frac{A_{i.max}-a_i}{A_{i.\max }-A_{i.min}}$

对于负属性A_i比例化采用以下方程：

$u_i=\frac{a_i-A_{i.max}}{A_{i.max}-A_{i.min}}$

B)计算用户在提议上的整体响应值

$u\left(\stackrel{\→}{o}\right)=\underset{i=1}{\overset{n}{\Σ}}\underset{j\≠i}{\overset{n}{\underset{j=1}{\Σ}}}{c}_{i,j}(u_i^2{w}_i+u_j^2{w}_j)$

式中，(a₁,...,a_n)表示一组属性值向量，A_i.min表示元素A_i的最小值，A_i.max表示元素A_i的最大值，c_i,j为属性之间的关联度，w_i为每一维属性A_i的权重，且

本发明的有益效果是：使用本发明的基于大数据的多属性资源交易方法，通过对大数据属性值及其对应的响应值排序，避免了买家与某一卖家签订协议后发现更优卖家的情况，避免了支付解约罚金。优化最终通过协商建立的服务协议，实现大数据交易过程中买卖双方的“双赢”，有益于大数据交易市场的良性发展。

附图说明

图1是本发明一种基于大数据的多属性数据资源交易方法的示意图。

具体实施方式

下面结合附图和具体的实施例对本发明技术方案作进一步的详细描述，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

一种基于大数据的多属性数据资源交易方法，如图1所示，包括如下步骤：

步骤1：交易参与者将自己的任务代理给Agent(Agent指代理软件)，即买方将自己的任务代理给买方Agent，卖方将自己的任务代理给卖方Agent；

步骤2：买方Agent根据需求提出对某一大数据资源的指标要求，如精度、范围、时间跨度等，多个卖方Agent接收指标要求；

步骤3：每个卖方Agent接收指标要求后提供相应数据，再根据效用函数计算出整体响应值；

步骤4：交易服务根据响应值的高低进行排序，买方Agent按照整体响应值由高到低的排序顺次与卖方Agent通过中间Agent自动协商，直至协商成功；即：买方Agent首先与响应值最高的卖方Agent通过中间Agent自动协商，如协商成功，则根据协商产生的协议建立服务合约；若协商失败，则买方Agent再与响应值次高的卖方Agent通过中间Agent进行自动协商。以此类推，直至最终协商成功完成交易。

步骤5：协商成功后，则根据协商产生的协议建立服务合约，卖方按照服务合约将服务交给买方,买方按照服务合约中的价格进行支付，完成交易。

其中，对于不同的指标要求,卖家可能具有不同的满意度。为了量化这种偏好和满意度,采用响应值来表达用户对于某一特定的提议的满意度,也即他从该提议中可以获得的收益。权重和响应值一般表示成[O,l]之间的实数。而效用函数则用来计算用户在各个提议上的响应值。而服务交易问题中,一个服务的属性往往是多维的,如精度、范围、时间跨度等,因此,需要一个基于多属性的效用函数来计算用户对于一个服务的满意度。而在进行一个多属性的对象的交易时,对于进行协商的不同属性,用户也可能有不同的关注度,即对不同的属性有不同的偏好。因此,在多属性协商问题中,采用权重来表示用户对于各个属性的偏好。对于一个协商对象,一个属性可以分为正属性和负属性两类。正属性是指其值越大,用户越满意,而负属性是指其值越小,用户越满意。

买卖双方多属性数据资源交易实质上是一种双边协商问题，将双边协商的对象的n个属性表示为属性向量(A₁,...,A_n)，其中，属性向量(A₁,...,A_n)的每一个元素A_i均有取值范围[A_i.min，A_i.max]，属性值必须严格控制在取值范围之中，这也是后续操作的基本前提。

应用效用函数来计算用户在某个提议上的整体响应值的具体步骤如下：

A)比例化各个属性维度上的值A_i,使得比例化后的值u_i与它们的表示单位和取值范围无关：

对于正属性A_i比例化采用以下方程：

$u_i=\frac{A_{i.max}-a_i}{A_{i.\max }-A_{i.min}}$

对于负属性A_i比例化采用以下方程：

$u_i=\frac{a_i-A_{i.max}}{A_{i.max}-A_{i.min}}$

B)计算用户在提议上的整体响应值

$u\left(\stackrel{\→}{o}\right)=\underset{i=1}{\overset{n}{\Σ}}\underset{j\≠i}{\overset{n}{\underset{j=1}{\Σ}}}{c}_{i,j}(u_i^2{w}_i+u_j^2{w}_j)$

式中，(a₁,...,a_n)表示一组属性值向量，A_i.min表示元素A_i的最小值，A_i.max表示元素A_i的最大值，c_i,j为属性之间的关联度，如价格和数量属性之间是有联系的，所以必须考虑到属性之间的关联度，w_i为每一维属性A_i的权重，且

通过此效用函数可以计算出整体响应值用来对卖家进行排序，响应值越高，说明买家获得此数据资源的成本越低，买家根据响应值的高低排序与卖家进行协商谈判，避免了与某一卖家签订协议后发现更优卖家的情况，避免了支付解约罚金。

由中间Agent代替买家和卖家来进行自动的服务协商,提高效率、降低成本和减少人为操作带来的失误。优选，中间Agent采用同步谈判协议，在该协议下,协商双方进行多轮协商,在每一轮协商中,双方都基于单调让步规则来同步地给出提议。

同步提议协商的一个重要问题是如何保证协商双方同步提议,杜绝某些协商参与者在等待收到对方提议后再给出自己的提议。因此,引入一个中间Agent来实现同步提议,即在每一轮协商中,协商双方首先将给对方的提议交给中间Agent,在双方的提议都到达之后,中间Agent再将提议转发给协商双方。通过这样的方式,还可以最小化协商双方之间的信息交流,让交易者不必担心暴露自己的偏好,从而加快协商进程。虽然该模型需要依赖一个第三方Agent,但是协商双方并不需要将自己的私有信息告诉第三方Agent,而第三方Agent保证了协商的同步性,因此,这样一个第三方Agent是可以让协商双方依赖的。

一般而言，交易市场确定交易双方后，进入协商阶段。买卖双方Agent进行谈判,尝试达成协议。除了关于交易对象即制造服务的价格和属性外,支付方法和服务交付方法等也是在这个阶段确定下来的。协商在参与方之间提供了双向的交互，在这样的交互中,双方都可以表明他们想要什么,愿意以什么做为回报。这样就减轻了不完全信息的问题,可以对双方都产生比较好的结果。买卖双方在正式协商前要选择协商让步策略,让步策略和偏好一起交给Agent,让步策略和偏好对外一般是保密的。如服务交易过程中发生了异常,比如说某服务没有在规定时间内完成,或者违约那么就需要按照服务合约中的规定进行补偿活动。

使用本发明的基于大数据的多属性资源交易方法，通过对大数据属性值及其对应的响应值排序，避免了买家与某一卖家签订协议后发现更优卖家的情况，避免了支付解约罚金。优化最终通过协商建立的服务协议，实现大数据交易过程中买卖双方的“双赢”，有益于大数据交易市场的良性发展。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或者等效流程变换，或者直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (4)

1.一种基于大数据的多属性数据资源交易方法，其特征在于，包括如下步骤：

步骤1：买方将自己的任务代理给买方Agent，卖方将自己的任务代理给卖方Agent；

步骤2：买方Agent根据需求提出对某一大数据资源的指标要求，多个卖方Agent接收指标要求；

步骤3：每个卖方Agent接收指标要求后提供相应数据，再根据效用函数计算出整体响应值；

步骤4：买方Agent按照整体响应值由高到低的排序顺次与卖方Agent通过中间Agent自动协商，直至协商成功；

步骤5：协商成功后，则根据协商产生的协议建立服务合约，卖方按照服务合约将服务交给买方,买方按照服务合约中的价格进行支付，完成交易。

2.根据权利要求1所述的一种基于大数据的多属性数据资源交易方法，其特征在于，中间Agent采用同步谈判协议，协商双方进行多轮协商,在每一轮协商中,双方都基于单调让步规则来同步地给出提议。

3.根据权利要求2所述的一种基于大数据的多属性数据资源交易方法，其特征在于，在每一轮协商中,协商双方首先将给对方的提议交付给中间Agent,在双方的提议都到达之后,中间Agent再将提议转发给协商双方。

4.根据权利要求1所述的一种基于大数据的多属性数据资源交易方法，其特征在于，将双边协商的对象的n个属性表示为属性向量(A₁,...,A_n)，其中，属性向量(A₁,...,A_n)的每一个元素A_i均有取值范围[A_i.min，A_i.max]，应用效用函数来计算用户在某个提议上的整体响应值的具体步骤如下：

A)比例化各个属性维度上的值A_i,使得比例化后的值u_i与它们的表示单位和取值范围无关：

对于正属性A_i比例化采用以下方程：

$u_i=\frac{A_{i.max}-a_i}{A_{i.\max }-A_{i.min}}$

对于负属性A_i比例化采用以下方程：

$u_i=\frac{a_i-A_{i.max}}{A_{i.max}-A_{i.min}}$

B)计算用户在提议上的整体响应值

$u\left(\stackrel{\→}{o}\right)=\underset{i=1}{\overset{n}{\Σ}}\underset{\underset{j\≠i}{j=1}}{\overset{n}{\Σ}}{c}_{i,j}(u_i^2{w}_i+u_j^2{w}_j)$

式中，(a₁,...,a_n)表示一组属性值向量，A_i.min表示元素A_i的最小值，A_i.max表示元素A_i的最大值，c_i,j为属性之间的关联度，w_i为每一维属性A_i的权重，且

$\underset{i=1}{\overset{n}{\Σ}}{w}_i=1.$