CN105681096A - 一种用于云平台利润最大化的服务器配置方法和装置 - Google Patents
一种用于云平台利润最大化的服务器配置方法和装置 Download PDFInfo
- Publication number
- CN105681096A CN105681096A CN201610067599.XA CN201610067599A CN105681096A CN 105681096 A CN105681096 A CN 105681096A CN 201610067599 A CN201610067599 A CN 201610067599A CN 105681096 A CN105681096 A CN 105681096A
- Authority
- CN
- China
- Prior art keywords
- server
- task
- profit
- represent
- probability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/5038—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及服务器配置领域,提供一种用于云平台利润最大化的服务器配置方法和装置,所述方法包括:步骤1,设置每个任务的最大等待时间;步骤2,根据最大等待时间,利用有限容量的排队模型对多服务器系统进行建模,得到每个服务器对任务的等待时间分布函数;步骤3,获得整个云平台的收入以及多服务器系统的花费和临时租用服务器的花费,并计算出利润;步骤4,根据获得的利润,获得最佳的多服务器配置方案;步骤5,按照获得最佳的多服务器配置方案,对服务器进行配置。本发明能够合理配置云平台的服务器,使服务提供商的利润最大化并提高服务质量。
Description
技术领域
本发明涉及服务器配置领域,尤其涉及一种用于云平台利润最大化的服务器配置方法和装置。
背景技术
云计算是一种高效的整合计算资源与服务的方式。云计算的特点包括集中计算资源以及服务,通过因特网来向用户提供服务。所有资源都可以按需向消费者提供服务,例如计算、存储、数据库等等。云计算把计算资源变成像普通商品一样,采用按需付费的模型。
图1为云计算的架构示意图。如图1所示,在云计算的架构中包含三个层次,分别是基础设施提供商、服务提供商以及消费者。基础设施提供商提供硬件资源以及软件设施;服务提供商从基础设施提供商租用资源然后向消费者提供服务;消费者向服务提供商提交任务请求,并且按照任务量以及服务质量进行付费。作为中间的层次,服务提供商在云计算中扮演了重要的角色。在消费者和服务提供商之间存在一个服务等级协议,协议中定义了服务的价格、每个人物的最大等待时间以及惩罚措施。当任务的等待时间在协议中规定的时间内时,服务将被完全收费,否则的话服务请求将被免费处理。为了提高服务提供商的收入,任务的等待时间不能太久。
现在的云平台服务提供商一般采用无限容量排队模型来处理消费者提交的请求,然而这种方式会导致一部分的服务请求等待过长的时间,超过其协议中规定的,造成这些费用无法收取。为了提高收入服务提供商不得不长期租用更多的服务器来提高服务质量,从而增加收入。然而这样做又会造成租用费用和能耗费用的增加。并且,在价格策略选择方面有静态价格策略和动态价格策略,静态价格策略就是价格不随时间变化,而动态价格策略是服务提供商根据当前的需求设置价格,当需求大的时候设置一个较高的价格,当需求减少的时候设置较低的价格。
在服务器租用方案选择中,大部分采用一种租用方案,即长期租用固定数量的服务器。任务的出来方式采用先来先服务,系统有无限的容量。在服务器运行速度设置方面有两种策略,一种是固定运行速度,即不管有无任务在运行服务器的速度是固定的;另一种是可变运行速度,即当没有任务在上面执行时,服务器采用较低的运行速度,其能耗相对会降低。
因此,现有的服务器配置方式灵活性差,无法保证云平台服务提供商的利润最大化,导致云计算成本增加。
发明内容
本发明的目的在于克服现有技术中服务请求等待时间过长、长期租用过多的机器导致成本增加等技术问题,提出一种用于云平台利润最大化的服务器配置方法和装置,以通过合理配置云平台的服务器,使服务提供商的利润最大化并提高服务质量。
本发明提供了一种用于云平台利润最大化的服务器配置方法,包括以下过程:
步骤1,设置每个任务的最大等待时间;
步骤2,根据最大等待时间,利用有限容量的排队模型对多服务器系统进行建模,得到每个服务器对任务的等待时间分布函数,并获得任务到达多服务器系统不需要等待的概率、任务到达多服务器系统需要等待的概率,以及任务到达多服务器系统后等待时间超过最大等待时间的概率;
步骤3,获得整个云平台的收入以及多服务器系统的花费和临时租用服务器的花费,并计算出利润;
步骤4,根据获得的利润,获得最佳的多服务器配置方案;
步骤5,按照获得最佳的多服务器配置方案,对服务器进行配置。
优选的,步骤2中,根据最大等待时间,利用有限容量的排队模型对多服务器系统进行建模,包括以下过程:
所述多服务器系统由多个长期租用服务器组成,当服务请求到达时候,如果有长期租用服务器空闲,服务请求将会立即被处理;如果没有长期租用服务器空闲并且系统容量没满的情况下,服务请求将进入排队系统进行等待;如果系统容量已经达到上限,服务请求将被分配到临时服务器进行处理。
优选的,步骤2中得到的每个服务器对任务的等待时间分布函数为:
其中,fW(t)表示新到达的任务等待时间为t的概率、n为长期租用服务器的数量、K为多服务器系统的容量、η为平均服务率(即单位时间出来服务请求的数量)、δ(t)为冲激响应函数、πi表示当前多服务器系统中任务数量为i个的概率、πK表示当前多服务器系统中任务数量为K个的概率,即系统容量满的概率。
优选的,步骤3中,获得整个云平台的收入以及多服务器系统的花费和临时租用服务器的花费,并计算出利润,包括以下过程:
建立收入模型如下:
R(r,W)=θr,0≤W≤T(r);
R(r,W)=0,W>T(r);
R(r,W)=0,W>T(r);
其中,W为等待时间,r表示任务请求,θ为服务的单价,T(r)为服务请求的最大等待时间;
建立能耗模型如下:
P=τvα+Pidle.
其中,P为单个服务器的能耗、v为服务器的速度、Pidle表示单个服务器的待机能耗(即当前没有任务在上面运行);
建立利润模型如下:
其中,Revenue表示收入、λ表示任务到达率、θ为服务单价、r为服务请求、PL表示到达的任务被放在临时服务器上处理的概率、υ0表示服务器的默认运行速度;
通过以下公式得到最终的利润:
Profit=Revenue-Cost.
其中,Profit表示利润、Revenue表示收入、Cost表示花费。
对应地,本发明还提供了一种用于云平台利润最大化的服务器配置装置,包括:
初始设置模块,用于设置每个任务的最大等待时间;
建模模块,用于根据最大等待时间,利用有限容量的排队模型对多服务器系统进行建模,得到每个服务器对任务的等待时间分布函数,并获得任务到达多服务器系统不需要等待的概率、任务到达多服务器系统需要等待的概率,以及任务到达多服务器系统后等待时间超过最大等待时间的概率;
获得利润模块,用于获得整个云平台的收入以及多服务器系统的花费和临时租用服务器的花费,并计算出利润;
获得配置方案模块,用于根据获得的利润,获得最佳的多服务器配置方案;
配置模块,用于按照获得最佳的多服务器配置方案,对服务器进行配置。
优选的,所述建模模块,具体用于:
所述多服务器系统由多个长期租用服务器组成,当服务请求到达时候,如果有长期租用服务器空闲,服务请求将会立即被处理;如果没有长期租用服务器空闲并且系统容量没满的情况下,服务请求将进入排队系统进行等待;如果系统容量已经达到上限,新到达的任务服务请求将被分配到临时服务器进行处理。
优选的,所述建模模块中得到的每个服务器对任务的等待时间分布函数为:
其中,fW(t)表示新到达的任务等待时间为t的概率、n为长期租用服务器的数量、K为多服务器系统的容量、η为平均服务率(即单位时间出来服务请求的数量)、δ(t)为冲激响应函数、πi表示当前多服务器系统中任务数量为i个的概率、πK表示当前多服务器系统中任务数量为K个的概率,即系统容量满的概率。
优选的,所述获得利润模块,具体用于:
建立收入模型如下:
R(r,W)=θr,0≤W≤T(r);
R(r,W)=0,W>T(r);
R(r,W)=0,W>T(r);
其中,W为等待时间,r表示任务请求,θ为服务的单价,T(r)为服务请求的最大等待时间;
建立能耗模型如下:
P=τvα+Pidle.
其中,P为单个服务器的能耗、v为服务器的速度、Pidle表示单个服务器的待机能耗(即当前没有任务在上面运行);
建立利润模型如下:
其中,Revenue表示收入、λ表示任务到达率、θ为服务单价、r为服务请求、PL表示到达的任务被放在临时服务器上处理的概率、υ0表示服务器的默认运行速度;
通过以下公式得到最终的利润:
Profit=Revenue-Cost.
其中,Profit表示利润、Revenue表示收入、Cost表示花费。
本发明提供的一种用于云平台利润最大化的服务器配置方法和装置,通过应用排队论中的有限容量排队模型对多服务器系统进行建模,并且采用两种服务器租用方案,长期租用以及临时租用。我们为每个任务设置它的最大等待时间,与其要执行的指令数成正比。由于系统的容量是有限的,当排队系统任务没满的情况下,新到达的任务将会按达到顺序插入排队系统,而当排队系统任务满的情况下,新到达的任务将会分配到临时租用的服务器上。通过对系统中的收入以及花费进行公式化来得到利润的公式。在我们这个系统中,利润由三部分决定,分别是固定租用服务器台数、服务器运行速度以及系统容量。通过求解上述三个变量得到最大利润。本发明不仅增加了服务提供商的利润而且提高了服务质量。
附图说明
图1为云计算的架构示意图;
图2是本发明例提供的用于云平台利润最大化的服务器配置方法的实现流程图;
图3为服务提供商的利润与服务器数量之间的关系示意图;
图4为服务提供商的利润与服务器速度之间的关系示意图;
图5为服务提供商的利润与系统容量之间的关系示意图;
图6是本发明例提供的用于云平台利润最大化的服务器配置装置的结构示意图。
具体实施方式
为使本发明解决的技术问题、采用的技术方案和达到的技术效果更加清楚,下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。
实施例一
图2是本发明提供的用于云平台利润最大化的服务器配置方法的实现流程图,如图2所示,本发明提供的用于云平台利润最大化的服务器配置方法,包括以下过程:
步骤1,设置每个任务的最大等待时间。
在本发明中,每个任务的最大等待时间是与任务的大小成正比的,例如最大等待时间与需要执行的指令数成正比。
步骤2,根据最大等待时间,利用有限容量的排队模型对多服务器系统进行建模,得到任务的等待时间分布函数,并获得任务到达多服务器系统不需要等待的概率、任务到达多服务器系统需要等待的概率,以及任务到达多服务器系统后等待时间超过最大等待时间的概率。
其中,多服务器系统可对用户提交的任务请求进行处理。所述多服务器系统由多个长期租用服务器组成,长期租用的服务器价格相对便宜。与多服务器系统相对的是临时租用服务器,临时租用的服务器是在多服务器系统容量满了的情况下租用,来处理新到达的任务。
使用有限容量的排队模型对多服务系统进行建模,排队模型具体为M/M/N/K模型,得到任务的等待时间分布函数。在M/M/N/K模型中,第一个M代表任务相继到达的时间间隔的概率分布、第二个M代表服务时间的概率分布、N代表多服务器系统中服务器的台数、K代表多服务器系统的容量。通过等待时间分布函数,可以获得出任务到达多服务器系统不需要等待的概率、任务到达多服务器系统需要等待的概率,以及任务到达系统后等待时间超过最大等待时间的概率。
对多服务器系统的建模过程:采用有限容量的策略,使用M/M/n/K排队模型对系统进行建模。并且采用两种服务器租用方案。我们假定多服务器系统有n个固定租用的服务器,并且最大系统容量为K。当一个新的服务请求到达的时候,如果有服务器空闲,服务请求将会立即被处理,而如果没有服务器空闲并且系统容量没满的情况下,服务请求将进入排队系统进行等待。如果系统中的服务请求已经达到上限K,将由租用临时的服务器对新到达的服务请求进行处理。
在M/M/n/K排队系统中,每个请求的等待时间是不同的。根据排队论,它们的等待时间分布函数为:
其中,fW(t)表示新到达的任务等待时间为t的概率、n为长期租用服务器的数量、K为多服务器系统的容量、η为平均服务率(即单位时间出来服务请求的数量)、δ(t)为冲激响应函数、πi表示当前多服务器系统中任务数量为i个的概率、πK表示当前多服务器系统中任务数量为K个的概率,即系统容量满的概率。
表示当前系统中有i个任务的概率,
表示当前系统中有K个任务的概率,也就是说此时如果有新的服务请求到达,它将会分配到临时租用的服务器上处理。n为多服务器系统中服务器的数量、i为当前系统中任务的数量、u表示多服务器系统中服务器的繁忙率。
服务请求的等待时间的累积分布函数可以被计算出,如下
Fw(t)表示等待时间为t的概率、n为长期租用服务器的数量、K为多服务器系统的容量、η为平均服务率(即单位时间出来服务请求的数量)、πi表示当前多服务器系统中任务数量为i个的概率、πK表示当前多服务器系统中任务数量为K个的概率,即系统容量满的概率。
因此,可以计算出一个服务请求的等待时间大于t的概率为:
p(W>t)=1-FW(t).
其中,W代表等待时间、Fw(t)表示等待时间不超过t的概率。
步骤3,获得整个云平台的收入以及多服务器系统的花费和临时租用服务器的花费,并计算出利润。
收入就是云平台服务提供商为用户提供云计算服务的收费,收费等于对所有任务完成费用减去等待时间超过其最大等待时间的那些任务的费用。利用步骤2中得到的等待时间超过其最大等待时间的概率,从而计算出这部分费用。成本包括长期租用服务器的费用以及临时租用服务器的费用,还包括能耗的花费。通过对收入以及成本进行公式化,从而得到最终利润的公式。
具体的过程:利润是有收入减去成本得到的,服务提供商的收入是向消费者提供服务而收取的费用,成本包括租用服务器的花费以及服务器能耗的花费。
其中,收入模型如下:
R(r,W)=θr,0≤W≤T(r);
R(r,W)=0,W>T(r);
其中,W为等待时间,r表示任务请求,θ为服务的单价,T(r)为服务请求的最大等待时间。
能耗模型如下:
P=τvα+Pidle.
其中,P为单个服务器的能耗、v为服务器的速度、Pidle表示单个服务器的待机能耗(即当前没有任务在上面运行)。
利润模型如下:
服务提供商单位时间的收入如下:
其中,Revenue表示收入、λ表示任务到达率、θ为服务单价、r为服务请求、PL表示到达的任务被放在临时服务器上处理的概率、υ0表示服务器的默认运行速度。
通过收入模型以及花费模型(能耗模型、长期租用服务器的费用以及临时租用服务器的费用)可以计算出最终的利润即:
Profit(n,v,K)=Revenue-Cost.
其中,Profit表示利润、Revenue表示收入、Cost表示花费。
步骤4,根据获得的利润,获得最佳的多服务器配置方案。
通过计算不同的n、v、K组合(n为多服务器系统中长期租用服务器的数量、v为服务器的运行速度、K为多服务器系统的系统容量)的利润,选择其中利润最大的组合作为最佳的多服务器配置方案。
通过上面得到的利润公式,求解最佳的多服务器配置方案,即最佳的固定租用服务器台数、服务器运行速度以及多服务器系统的系统容量,得到最大的利润;求解过程通过MATLAB编程实现,对其中的服务器数量、服务器运行速度以及系统容量取离散点,从而得到最佳的多服务器配置方案。
步骤5,按照获得最佳的多服务器配置方案,对服务器进行配置。
下面举例对本实施例进行说明:
本实施例用MATLAB来分别求解最佳的服务器数量(见图3)、运行速度(见图4)以及系统容量(见图5),最后用MATLAB求解最佳组合配置。表1为服务器数量、运行速度以及系统容量的结果图。参见表1,在给定任务到达率的情况下服务提供商获得利润最大化所需要的最佳组合配置,包括服务器的速度、服务器数量、以及系统容量。实验结果表明采用我们这种策略可以使云计算服务提供商获得更大的利润并且提供更好的服务质量。
表1为服务器数量、运行速度以及系统容量的结果。
本实施例提供的用于云平台利润最大化的服务器配置方法,通过应用排队论中的有限容量排队模型对多服务器系统进行建模,并且采用两种服务器租用方案,长期租用以及临时租用。我们为每个任务设置它的最大等待时间,与其要执行的指令数成正比。由于系统的容量是有限的,当排队系统任务没满的情况下,新到达的任务将会按达到顺序插入排队系统,而当排队系统任务满的情况下,新到达的任务将会分配到临时租用的服务器上。通过对系统中的收入以及花费进行公式化来得到利润的公式。在我们这个系统中,利润由三部分决定,分别是固定租用服务器台数、服务器运行速度以及系统容量。通过求解上述三个变量得到最大利润。进而利用最大利润,得到最佳的多服务器配置方案。
实施例二
图6是本发明提供的用于云平台利润最大化的服务器配置装置的结构示意图,如图6所示,本发明提供的用于云平台利润最大化的服务器配置装置,包括:
初始设置模块,用于设置每个任务的最大等待时间;
建模模块,用于根据最大等待时间,利用有限容量的排队模型对多服务器系统进行建模,得到每个服务器对任务的等待时间分布函数,并获得任务到达多服务器系统不需要等待的概率、任务到达多服务器系统需要等待的概率,以及任务到达多服务器系统后等待时间超过最大等待时间的概率;
获得利润模块,用于获得整个云平台的收入以及多服务器系统的花费和临时租用服务器的花费,并计算出利润;
获得配置方案模块,用于根据获得的利润,获得最佳的多服务器配置方案;
配置模块,用于按照获得最佳的多服务器配置方案,对服务器进行配置。
在上述方案中,所述建模模块,具体用于:
所述多服务器系统由多个长期租用服务器组成,当服务请求到达时候,如果有长期租用服务器空闲,服务请求将会立即被处理;如果没有长期租用服务器空闲并且系统容量没满的情况下,服务请求将进入排队系统进行等待;如果系统容量已经达到上限,新到达的任务服务请求将被分配到临时服务器进行处理。
所述建模模块中得到的每个服务器对任务的等待时间分布函数为:
其中,fW(t)表示新到达的任务等待时间为t的概率、n为长期租用服务器的数量、K为多服务器系统的容量、η为平均服务率(即单位时间出来服务请求的数量)、δ(t)为冲激响应函数、πi表示当前多服务器系统中任务数量为i个的概率、πK表示当前多服务器系统中任务数量为K个的概率,即系统容量满的概率。
在本实施例中,所述获得利润模块,具体用于:
建立收入模型如下:
R(r,W)=θr,0≤W≤T(r);
R(r,W)=0,W>T(r);
R(r,W)=0,W>T(r);
其中,W为等待时间,r表示任务请求,θ为服务的单价,T(r)为服务请求的最大等待时间;
建立能耗模型如下:
P=τvα+Pidle.
其中,P为单个服务器的能耗、v为服务器的速度、Pidle表示单个服务器的待机能耗(即当前没有任务在上面运行);
建立利润模型如下:
其中,Revenue表示收入、λ表示任务到达率、θ为服务单价、r为服务请求、PL表示到达的任务被放在临时服务器上处理的概率、υ0表示服务器的默认运行速度;
通过以下公式得到最终的利润:
Profit=Revenue-Cost.
其中,Profit表示利润、Revenue表示收入、Cost表示花费。
注意,上述内容仅为本发明的较佳实施例。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其它等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.一种用于云平台利润最大化的服务器配置方法,其特征在于,包括以下过程:
步骤1,设置每个任务的最大等待时间;
步骤2,根据最大等待时间,利用有限容量的排队模型对多服务器系统进行建模,得到每个服务器对任务的等待时间分布函数,并获得任务到达多服务器系统不需要等待的概率、任务到达多服务器系统需要等待的概率,以及任务到达多服务器系统后等待时间超过最大等待时间的概率;
步骤3,获得整个云平台的收入以及多服务器系统的花费和临时租用服务器的花费,并计算出利润;
步骤4,根据获得的利润,获得最佳的多服务器配置方案;
步骤5,按照获得最佳的多服务器配置方案,对服务器进行配置。
2.根据权利要求1所述的用于云平台利润最大化的服务器配置方法,其特征在于,步骤2中,根据最大等待时间,利用有限容量的排队模型对多服务器系统进行建模,包括以下过程:
所述多服务器系统由多个长期租用服务器组成,当服务请求到达时候,如果有长期租用服务器空闲,服务请求将会立即被处理;如果没有长期租用服务器空闲并且系统容量没满的情况下,服务请求将进入排队系统进行等待;如果系统容量已经达到上限,服务请求将被分配到临时服务器进行处理。
3.根据权利要求1或2所述的用于云平台利润最大化的服务器配置方法,其特征在于,步骤2中得到的每个服务器对任务的等待时间分布函数为:
其中,fW(t)表示新到达的任务等待时间为t的概率、n为长期租用服务器的数量、K为多服务器系统的容量、η为平均服务率(即单位时间出来服务请求的数量)、δ(t)为冲激响应函数、πi表示当前多服务器系统中任务数量为i个的概率、πK表示当前多服务器系统中任务数量为K个的概率,即系统容量满的概率。
4.根据权利要求1所述的用于云平台利润最大化的服务器配置方法,其特征在于,步骤3中,获得整个云平台的收入以及多服务器系统的花费和临时租用服务器的花费,并计算出利润,包括以下过程:
建立收入模型如下:
R(r,W)=θr,0≤W≤T(r);
R(r,W)=0,W>T(r);
其中,W为等待时间,r表示任务请求,θ为服务的单价,T(r)为服务请求的最大等待时间;
建立能耗模型如下:
P=τvα+Pidle.
其中,P为单个服务器的能耗、v为服务器的速度、Pidle表示单个服务器的待机能耗(即当前没有任务在上面运行);
建立利润模型如下:
其中,Revenue表示收入、λ表示任务到达率、θ为服务单价、r为服务请求、PL表示到达的任务被放在临时服务器上处理的概率、υ0表示服务器的默认运行速度;
通过以下公式得到最终的利润:
Profit=Revenue-Cost.
其中,Profit表示利润、Revenue表示收入、Cost表示花费。
5.一种用于云平台利润最大化的服务器配置装置,其特征在于,包括:
初始设置模块,用于设置每个任务的最大等待时间;
建模模块,用于根据最大等待时间,利用有限容量的排队模型对多服务器系统进行建模,得到每个服务器对任务的等待时间分布函数,并获得任务到达多服务器系统不需要等待的概率、任务到达多服务器系统需要等待的概率,以及任务到达多服务器系统后等待时间超过最大等待时间的概率;
获得利润模块,用于获得整个云平台的收入以及多服务器系统的花费和临时租用服务器的花费,并计算出利润;
获得配置方案模块,用于根据获得的利润,获得最佳的多服务器配置方案;
配置模块,用于按照获得最佳的多服务器配置方案,对服务器进行配置。
6.根据权利要求5所述的用于云平台利润最大化的服务器配置装置,其特征在于,所述建模模块,具体用于:
所述多服务器系统由多个长期租用服务器组成,当服务请求到达时候,如果有长期租用服务器空闲,服务请求将会立即被处理;如果没有长期租用服务器空闲并且系统容量没满的情况下,服务请求将进入排队系统进行等待;如果系统容量已经达到上限,新到达的任务服务请求将被分配到临时服务器进行处理。
7.根据权利要求5或6所述的用于云平台利润最大化的服务器配置装置,其特征在于,所述建模模块中得到的每个服务器对任务的等待时间分布函数为:
其中,fW(t)表示新到达的任务等待时间为t的概率、n为长期租用服务器的数量、K为多服务器系统的容量、η为平均服务率(即单位时间出来服务请求的数量)、δ(t)为冲激响应函数、πi表示当前多服务器系统中任务数量为i个的概率、πK表示当前多服务器系统中任务数量为K个的概率,即系统容量满的概率。
8.根据权利要求5所述的用于云平台利润最大化的服务器配置装置,其特征在于,所述获得利润模块,具体用于:
建立收入模型如下:
R(r,W)=θr,0≤W≤T(r);
R(r,W)=0,W>T(r);
其中,W为等待时间,r表示任务请求,θ为服务的单价,T(r)为服务请求的最大等待时间;
建立能耗模型如下:
P=τvα+Pidle.
其中,P为单个服务器的能耗、v为服务器的速度、Pidle表示单个服务器的待机能耗(即当前没有任务在上面运行);
建立利润模型如下:
其中,Revenue表示收入、λ表示任务到达率、θ为服务单价、r为服务请求、PL表示到达的任务被放在临时服务器上处理的概率、υ0表示服务器的默认运行速度;
通过以下公式得到最终的利润:
Profit=Revenue-Cost.
其中,Profit表示利润、Revenue表示收入、Cost表示花费。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610067599.XA CN105681096A (zh) | 2016-01-29 | 2016-01-29 | 一种用于云平台利润最大化的服务器配置方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610067599.XA CN105681096A (zh) | 2016-01-29 | 2016-01-29 | 一种用于云平台利润最大化的服务器配置方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105681096A true CN105681096A (zh) | 2016-06-15 |
Family
ID=56304025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610067599.XA Pending CN105681096A (zh) | 2016-01-29 | 2016-01-29 | 一种用于云平台利润最大化的服务器配置方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105681096A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107797847A (zh) * | 2017-09-25 | 2018-03-13 | 联想(北京)有限公司 | 用于配置服务器集群的方法和装置 |
CN109597680A (zh) * | 2018-10-22 | 2019-04-09 | 阿里巴巴集团控股有限公司 | 任务排队响应参数估算方法及装置 |
CN110097478A (zh) * | 2019-04-09 | 2019-08-06 | 华南理工大学 | 一种基于按需服务的多对多需求分配方法 |
CN112711481A (zh) * | 2021-01-06 | 2021-04-27 | 南京理工大学 | 基于截止时间和可靠性约束的云服务利润最优化方法及系统 |
CN116128139A (zh) * | 2023-02-13 | 2023-05-16 | 南京理工大学 | 基于顾客敏感性分析的云服务利润最优化方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101540016A (zh) * | 2008-12-31 | 2009-09-23 | 深圳市奥拓电子有限公司 | 一种队列等待时间估算方法 |
US20120254413A1 (en) * | 2011-03-30 | 2012-10-04 | International Business Machines Corporation | Proxy server, hierarchical network system, and distributed workload management method |
CN103944985A (zh) * | 2014-04-17 | 2014-07-23 | 南京邮电大学 | 一种异构云计算系统节能方法及任务调度方法 |
-
2016
- 2016-01-29 CN CN201610067599.XA patent/CN105681096A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101540016A (zh) * | 2008-12-31 | 2009-09-23 | 深圳市奥拓电子有限公司 | 一种队列等待时间估算方法 |
US20120254413A1 (en) * | 2011-03-30 | 2012-10-04 | International Business Machines Corporation | Proxy server, hierarchical network system, and distributed workload management method |
CN103944985A (zh) * | 2014-04-17 | 2014-07-23 | 南京邮电大学 | 一种异构云计算系统节能方法及任务调度方法 |
Non-Patent Citations (2)
Title |
---|
蔡敏振: "多服务台排队问题研究及其利润最大化讨论", 《中国优秀硕士学位论文全文数据库》 * |
韩超: "基于马尔科夫的服务能力分享策略排队模型研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107797847A (zh) * | 2017-09-25 | 2018-03-13 | 联想(北京)有限公司 | 用于配置服务器集群的方法和装置 |
CN109597680A (zh) * | 2018-10-22 | 2019-04-09 | 阿里巴巴集团控股有限公司 | 任务排队响应参数估算方法及装置 |
CN110097478A (zh) * | 2019-04-09 | 2019-08-06 | 华南理工大学 | 一种基于按需服务的多对多需求分配方法 |
CN112711481A (zh) * | 2021-01-06 | 2021-04-27 | 南京理工大学 | 基于截止时间和可靠性约束的云服务利润最优化方法及系统 |
CN112711481B (zh) * | 2021-01-06 | 2022-10-28 | 南京理工大学 | 基于截止时间和可靠性约束的云服务利润最优化方法及系统 |
CN116128139A (zh) * | 2023-02-13 | 2023-05-16 | 南京理工大学 | 基于顾客敏感性分析的云服务利润最优化方法及系统 |
CN116128139B (zh) * | 2023-02-13 | 2024-01-23 | 南京理工大学 | 基于顾客敏感性分析的云服务利润最优化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105681096A (zh) | 一种用于云平台利润最大化的服务器配置方法和装置 | |
CN103680496B (zh) | 基于深层神经网络的声学模型训练方法、主机和系统 | |
Xie et al. | Supplementary automatic generation control using controllable energy storage in electric vehicle battery swapping stations | |
CN103218737B (zh) | 一种基于双边市场的移动云计算环境中多维资源定价方法 | |
CN109147386A (zh) | 共享车位方法和装置、云服务器及系统 | |
CN108197813A (zh) | 基于互联网的工单分配方法 | |
CN105719221A (zh) | 针对多任务的路径协同规划方法和装置 | |
JP2000076212A (ja) | 並列シミュレ―ションシステム | |
CN109118224A (zh) | 区块链网络的工作量证明方法、装置、介质及电子设备 | |
CN106600245A (zh) | 一种云计算资源调度系统及其实现方法 | |
CN104536806A (zh) | 一种云环境下的工作流应用弹性资源供应方法 | |
CN104599085A (zh) | 一种众包模式下的用户激励方法和众包系统 | |
CN108806302A (zh) | 一种车辆调度方法及装置 | |
CN108520329B (zh) | 基于经纪人画像的二手房客户精准自动分配方法及装置 | |
CN103631988B (zh) | 面向电力系统仿真的多用户仿真数据管理平台 | |
CN111934315A (zh) | 考虑需求侧的源网荷储协同优化运行方法及终端设备 | |
Gerding et al. | Online mechanism design for vehicle-to-grid car parks | |
CN103581867A (zh) | 业务套餐转换方法、装置及系统 | |
CN103164338B (zh) | 并发处理系统的模拟方法及装置 | |
CN107197045A (zh) | 云计算环境下虚拟机资源的分配方法及分配系统 | |
CN112583609A (zh) | 一种云计费方法、装置、云管理平台、系统及存储介质 | |
CN110381150A (zh) | 区块链上的数据处理方法、装置、电子设备及存储介质 | |
CN109598363A (zh) | 一种车辆预约方法和装置 | |
CN107563578A (zh) | 基于云计算的电动车充电信息查询系统 | |
CN109649212A (zh) | 交通工具的充电方法和充电装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160615 |
|
RJ01 | Rejection of invention patent application after publication |