CN107767220A - 一种云计算资源采购的价值密度学习算法及应用该算法的云计算资源在线采购方法 - Google Patents
一种云计算资源采购的价值密度学习算法及应用该算法的云计算资源在线采购方法 Download PDFInfo
- Publication number
- CN107767220A CN107767220A CN201711004445.7A CN201711004445A CN107767220A CN 107767220 A CN107767220 A CN 107767220A CN 201711004445 A CN201711004445 A CN 201711004445A CN 107767220 A CN107767220 A CN 107767220A
- Authority
- CN
- China
- Prior art keywords
- value
- computing resources
- cloud computing
- resource
- stage
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0605—Supply or demand aggregation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0611—Request for offers or quotes
Landscapes
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种云计算资源采购的价值密度学习算法和一种应用该价值密度学习算法的云计算资源在线采购方法。通过价值密度学习算法可以得到当前阶段能够接受的云计算资源的价值密度值ρ。云计算资源在线采购方法通过根据历史数据所学习的价值密度ρ确定当前阶段接受的价值密度阈值ρ',根据所述价值密度阈值ρ'确定当前阶段的资源提供者和资源采购价格。在应用本发明中方法时,可以使得有预算限制并且需求还不确定的需求方在云计算资源采购时,通过不断学习历史阶段数据并调整未来阶段的采购规则,即根据学习的价值密度阈值ρ'接受或拒绝资源卖家的报价,使其贴合其需求,从而收益最大化。
Description
技术领域
本发明涉及云计算资源采购领域,具体涉及一种云计算资源采购的价值密度学习算法及采用该算法的云计算资源在线采购方法。
背景技术
现有的文献中,云计算资源的采购一般采用静态的方式,如基于斯坦伯格博弈的采购定价以及基于逆向拍卖的方式。最新的基于在线学习的在线拍卖已经引起关注,但一方面它未能解决使云提供商真实报价的问题,另一方面有预算限制的在线采购方案还未有相似的研究。
另外,关于不确定需求下云资源在线采购还具有以下特点:
(1)需求者(买家)在一段时间内需要采购资源,但是对资源的需求值存在不确定性,每一时刻需求资源的价值是边际价值非递增的,且未来需求价值是不可预测的;
(2)采购者受预算限制;
(3)资源提供方是理性的,为最求自己的效益极大化,可能会策略性的报价。
因此,如何设计合理的采购机制,尽可能在上述情况下提高采购者的效用,是需要解决的技术问题。
发明内容
本发明要解决的技术问题是:提出一种基于在线学习的云计算资源采购的价值密度学习算法以及在预算限制和不确定需求下通过应用前述价值密度学习算法而进行的云计算资源在线采购方法。
本发明为解决上述技术问题提出的技术方案(一)是:一种云计算资源采购的价值密度学习算法,基于N个在历史阶段中所采集到的云计算资源的历史报价b信息和历史资源价值v信息,历史阶段所分配的预算为BL,包括以下步骤:
排序,将所述N个所采集到云计算资源的v/b比值列出并以比值的大小按从高到低的顺序排序,得到编号从1到N的云计算资源序列,序列中的第i个云计算资源的历史报价和历史资源价值分别表示为bi和vi;
模拟买入,在开始时将模拟购买到的资源价值总和Value初始化为0,并模拟买入序列中第1个云计算资源,此时Value=v1;
再按排序的正向顺序依次判断是否模拟买入序列中其余云计算资源,在判断是否模拟买入第i个云计算资源时,考察Value/BL是否小于vi/bi,此时的Value=v1+v2+……+vi-1,如果Value/BL小于vi/bi则模拟买入该云计算资源并按该方式继续判断是否买入序列中下一个云计算资源;如果Value/BL不小于vi/bi,则不模拟买入该云计算资源,判断终止,得到Value的最终值;
获得价值密度值,在判断终止后根据ρ=Value/BL得到价值密度值ρ。
本发明为解决上述技术问题提出的技术方案(二)是:一种应用技术方案(一)中云计算资源采购的价值密度学习算法的云计算资源在线采购方法,包括以下步骤:
资源区间分阶段,将资源需求时间区间T分成L个阶段,并根据所述时间区间T和总预算B计算出每个时间单元的平均预算Ba;
第一阶段静态采购拍卖,在第一阶段的每个时间单元根据所述平均预算Ba采用静态报价方式,进行云计算资源采购,并在第一阶段结束时获得所采购云计算资源的历史报价b信息和历史资源价值v信息;
价值密度学习,在除所述第一阶段外的每一阶段开始之时,通过权利要求1中所述云计算资源采购的价值密度学习算法对当前阶段之前所有历史阶段采购到的云计算资源进行价值密度学习,求出适用于当前阶段的云计算资源的价值密度ρ;
当前阶段的采购,根据所述价值密度ρ确定当前阶段接受的价值密度阈值ρ',根据所述价值密度阈值ρ'确定当前阶段的资源提供者和资源采购价格。
进一步的,所述将资源需求时间区间T分成L个阶段,所述每个阶段分配21-L B,21-LB,22-LB,...2-1B的预算。
进一步的,第一阶段静态采购拍卖时进行以下子步骤:
子步骤1:对当前时刻的报价从低到高排序,即b为当前时刻云提供商的报价向量;
子步骤2:选择最大的值kt,使得其中Ba为平均预算B/T,则前kt个报价的资源被采购;
子步骤3:支付给每一位选中的云资源提供商的价格为
进一步的,所述根据价值密度ρ确定当前阶段接受的价值密度阈值ρ'是指:
在非最后一个阶段时,所述价值密度阈值ρ'=ρ;
在最后一个阶段时,以(δ-1)/(2δ-1)的概率选择ρ′=ρ,以δ/(2δ-1)的概率选择ρ′=ρ/δ,
其中δ是估计的平衡度其中VTS1,VTS2是历史阶段TS1、TS2获得的价值Value,TS1=[1,T/4],TS2=[T/4+1,T/2],T为完整的资源需求区间。
本发明的有益效果是:
本发明中的云计算资源采购的价值密度学习算法及应用该算法的云计算资源在线采购方法具有以下特点:
(1)能够分阶段实施的预算限制采购策略。
(2)通过对历史数据的学习得到具有个性化的阈值。
(3)基于价值密度阈值制定定价规则,其中,基于价值密度阈值的分配与定价是关键技术。
在应用本发明中方法时,可以使得有预算限制并且需求还不确定的需求方在云计算资源采购时,通过不断学习并调整当前阶段的采购规则,即根据学习的价值密度阈值ρ'接受或拒绝资源卖家的报价,使其贴合其需求,从而收益最大化。
附图说明
下面结合附图对本发明的云计算资源在线采购方法作进一步说明。
图1是应用本发明中云计算资源在线采购方法流程图。
具体实施方式
实施例一
本实施例涉及一种云计算资源采购的价值密度学习算法,基于N个在历史阶段中所采集到的云计算资源的历史报价b信息和历史资源价值v信息,历史阶段所分配的预算为BL,包括以下步骤:
排序,将所述N个所采集到云计算资源的v/b比值列出并以比值的大小按从高到低的顺序排序,得到编号从1到N的云计算资源序列,序列中的第i个云计算资源的历史报价和历史资源价值分别表示为bi和vi;
模拟买入,在开始时将模拟购买到的资源价值总和Value初始化为0,并模拟买入序列中第1个云计算资源,此时Value=v1;
再按排序的正向顺序依次判断是否模拟买入序列中其余云计算资源,在判断是否模拟买入第i个云计算资源时,考察Value/BL是否小于vi/bi,此时的Value=v1+v2+……+vi-1,如果Value/BL小于vi/bi则模拟买入该云计算资源并按该方式继续判断是否买入序列中下一个云计算资源;如果Value/BL不小于vi/bi,则不模拟买入该云计算资源,判断终止,得到Value的最终值;
获得价值密度值,在判断终止后根据ρ=Value/BL得到价值密度值ρ。
本实施例的意义在于通过对历史数据的学习以获得价值密度值ρ,价值密度值ρ可以用于指导当前阶段的云计算资源,具有重要意义,具体应用方法可见实施例二。
以下是以具体数据举例说明价值密度学习方法过程。
历史阶段Ts=4;在历史阶段分配的预算BL=20。
表一中为具体的历史数据:vt是t时刻的资源价值列表;bt是t时刻卖家对资源的报价列表。首先每个时间单元报价从小到大排序,而历史阶段资源价值也已知,资源边际价值递减。
表一
步骤1:对上表的v/b进行排序,见表二。
表二
步骤2:从排名为1的开始依次购买资源,计算购买到的资源价值之和Value与BL的比值,直到Value/BL大于单个资源价值与报价之比,停止购买。
在表二中:
(1)初始化购买的资源价值Value=0;
(2)购买排名为1的资源,Value/BL=0/20<20/2,买入该资源,Value=20。
(3)购买排名为2的资源,Value/BL=20/20<30/5,买入该资源,Value=20+30=50。
(4)购买排名为3的资源,Value/BL=50/20<5/1,买入该资源,Value=20+30+5=55。
(5)购买排名为4的资源,Value/BL=55/20<25/7,买入该资源,Value=20+30+5+25=80。
(6)购买排名为5的资源,Value/BL=80/20>10/3,停止购买资源,Value=20+30+5+25=80。
(7)价值密度Value/BL=80/20=4,即单位成本能获得资源价值为4。
步骤3:获得学习的价值密度值ρ=Value/BL。
实施例二
本实施例涉及一种在应用实施例一中云计算资源采购的价值密度学习算法的云计算资源在线采购方法,如图1所示,包括以下步骤:
资源区间分阶段,将资源需求时间区间T分成L个阶段,并根据所述时间区间T和总预算B计算出每个时间单元的平均预算Ba。
第一阶段静态采购拍卖,在第一阶段的每个时间单元根据所述平均预算Ba采用静态报价方式,进行云计算资源采购,并在第一阶段结束时获得所采购云计算资源的历史报价b信息和历史资源价值v信息。
价值密度学习,在除所述第一阶段外的每一阶段开始之时,通过权利要求1中所述云计算资源采购的价值密度学习算法对当前阶段之前所有历史阶段采集到的云计算资源进行价值密度学习,求出适用于当前阶段的云计算资源的价值密度ρ。
当前阶段采购(非第一阶段),根据所述价值密度ρ确定当前阶段接受的价值密度阈值ρ',根据所述价值密度阈值ρ'确定当前阶段的资源提供者和资源采购价格。即对当前时间单元t的所有报价按从小到大排序不b1t≤b2t≤b3前时间单元t的报价进行排序,使得根据目前的资源价值向量vt,购买报价满足的所有资源(假设为前kt个),支付给提供商i的价格为第一个不满足该条件的报价和的最小值。当剩余预算不足以采购当前时间单元所有满足条件的资源,则采用随机选择的方法,随机选择满足条件的资源进行采购和支付,直至预算不足,结束当前时间单元的采购。
其中,可以作为优选的是:所述将资源需求时间区间T分成L个阶段,所述每个阶段分配21-L B,21-LB,22-LB,...2-1B的预算。
其中,可以作为优选的是:第一阶段静态采购拍卖时进行以下子步骤:
子步骤1:对当前时刻的报价从低到高排序,即b为当前时刻云提供商的报价向量。
子步骤2:选择最大的值kt,使得其中Ba为平均预算B/T,则前kt个报价的资源被采购。
子步骤3:支付给每一位选中的云资源提供商的价格为
其中,可以作为优选的是:所述根据价值密度ρ确定当前阶段接受的价值密度阈值ρ'是指:
在非最后一个阶段时,所述价值密度阈值ρ'=ρ;
在最后一个阶段时,以(δ-1)/(2δ-1)的概率选择ρ′=ρ,以δ/(2δ-1)的概率选择ρ′=ρ/δ,
其中δ是估计的平衡度其中VTS1,VTS2是历史阶段TS1、TS2获得的价值Value,TS1=[1,T/4],TS2=[T/4+1,T/2],T为完整的资源需求区间。。
本发明的不局限于上述实施例,本发明的上述各个实施例的技术方案彼此可以交叉组合形成新的技术方案,另外凡采用等同替换形成的技术方案,均落在本发明要求的保护范围内。
Claims (5)
1.一种云计算资源采购的价值密度学习算法,基于N个在历史阶段中所采集到的云计算资源的历史报价b信息和历史资源价值v信息,历史阶段所分配的预算为BL,其特征在于包括以下步骤:
排序,将所述N个所采集到云计算资源的v/b比值列出并以比值的大小按从高到低的顺序排序,得到编号从1到N的云计算资源序列,序列中的第i个云计算资源的历史报价和历史资源价值分别表示为bi和vi;
模拟买入,在开始时将模拟购买到的资源价值总和Value初始化为0,并模拟买入序列中第1个云计算资源,此时Value=v1;
再按排序的正向顺序依次判断是否模拟买入序列中其余云计算资源,在判断是否模拟买入第i个云计算资源时,考察Value/BL是否小于vi/bi,此时的Value=v1+v2+……+vi-1,如果Value/BL小于vi/bi则模拟买入该云计算资源并按该方式继续判断是否买入序列中下一个云计算资源;如果Value/BL不小于vi/bi,则不模拟买入该云计算资源且判断终止,得到Value的最终值;
获得价值密度值,在判断终止后根据ρ=Value/BL得到价值密度值ρ。
2.一种应用权利要求1中云计算资源采购的价值密度学习算法的云计算资源在线采购方法,其特征在于包括以下步骤:
资源区间分阶段,将资源需求时间区间T分成L个阶段,并根据所述时间区间T和总预算B计算出每个时间单元的平均预算Ba;
第一阶段静态采购拍卖,在第一阶段的每个时间单元根据所述平均预算Ba采用静态报价方式,进行云计算资源采购,并在第一阶段结束时获得云计算资源的历史报价b信息和历史资源价值v信息;
价值密度学习,在除所述第一阶段外的每一阶段开始之时,通过权利要求1中所述云计算资源采购的价值密度学习算法对当前阶段之前所有历史阶段采集到的云计算资源进行价值密度学习,求出适用于当前阶段的云计算资源的价值密度ρ;
当前阶段的采购,根据所述价值密度ρ确定当前阶段接受的价值密度阈值ρ',根据所述价值密度阈值ρ'确定当前阶段的资源提供者和资源采购价格。
3.根据权利要求2所述云计算资源在线采购方法,其特征在于:所述将资源需求时间区间T分成L个阶段,所述每个阶段分配21-LB,21-LB,22-LB,...2-1B的预算。
4.根据权利要求3所述云计算资源在线采购方法,其特征在于,第一阶段静态采购拍卖时进行以下子步骤:
子步骤1:对当前时刻的报价从低到高排序,即b为当前时刻云提供商的报价向量;
子步骤2:选择最大的值kt,使得其中Ba为平均预算B/T,则前kt个报价的资源被采购;
子步骤3:支付给每一位选中的云资源提供商的价格为
5.根据权利要求4所述云计算资源在线采购方法,其特征在于,所述根据价值密度ρ确定当前阶段接受的价值密度阈值ρ'是指:
在非最后一个阶段时,所述价值密度阈值ρ'=ρ;
在最后一个阶段时,以(δ-1)/(2δ-1)的概率选择ρ′=ρ,以δ/(2δ-1)的概率选择ρ′=ρ/δ,
其中δ是估计的平衡度其中VTS1,VTS2是历史阶段TS1、TS2获得的价值Value,TS1=[1,T/4],TS2=[T/4+1,T/2],T为完整的资源需求区间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711004445.7A CN107767220A (zh) | 2017-10-18 | 2017-10-18 | 一种云计算资源采购的价值密度学习算法及应用该算法的云计算资源在线采购方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711004445.7A CN107767220A (zh) | 2017-10-18 | 2017-10-18 | 一种云计算资源采购的价值密度学习算法及应用该算法的云计算资源在线采购方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107767220A true CN107767220A (zh) | 2018-03-06 |
Family
ID=61271315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711004445.7A Pending CN107767220A (zh) | 2017-10-18 | 2017-10-18 | 一种云计算资源采购的价值密度学习算法及应用该算法的云计算资源在线采购方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107767220A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886619A (zh) * | 2019-01-22 | 2019-06-14 | 阳光易购(湖南)科技有限公司 | 生鲜时蔬的供货方法及装置、存储介质、终端 |
CN111858517A (zh) * | 2020-06-28 | 2020-10-30 | 北京百度网讯科技有限公司 | 确定资源价值属性的方法、装置、设备和计算机存储介质 |
-
2017
- 2017-10-18 CN CN201711004445.7A patent/CN107767220A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886619A (zh) * | 2019-01-22 | 2019-06-14 | 阳光易购(湖南)科技有限公司 | 生鲜时蔬的供货方法及装置、存储介质、终端 |
CN109886619B (zh) * | 2019-01-22 | 2021-07-23 | 阳光易购(湖南)科技有限公司 | 生鲜时蔬的供货方法及装置、存储介质、终端 |
CN111858517A (zh) * | 2020-06-28 | 2020-10-30 | 北京百度网讯科技有限公司 | 确定资源价值属性的方法、装置、设备和计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8478657B2 (en) | Auction method and server | |
CN110796477A (zh) | 广告展示方法、装置、电子设备及可读存储介质 | |
US20120197758A1 (en) | Computation of user reputation based on transaction graph | |
CN107153970A (zh) | 一种面向实时竞价广告的出价及预算估计方法 | |
US20080183574A1 (en) | Selective presentation of data items | |
US20110307323A1 (en) | Content items for mobile applications | |
US20130006758A1 (en) | User feedback-based selection of online advertisements using normalized cost modifiers | |
CN108460618A (zh) | 一种资源配置方法及装置,电子设备 | |
US20140372202A1 (en) | Predicting performance of content items using loss functions | |
AU2018200995A1 (en) | Auction method and server that establishes a sales price at the lowest bidding price among bidding prices of the selected winning bidders for all winning bidders satisfying an auction condition | |
CN110276670A (zh) | 一种基于任务迁移的计算资源分配方法 | |
US20080154662A1 (en) | System and method for generating a maximum utility slate of advertisements for online advertisement auctions | |
CN108428153A (zh) | 预售商品的策略调整方法、服务器及策略调整系统 | |
CN107767220A (zh) | 一种云计算资源采购的价值密度学习算法及应用该算法的云计算资源在线采购方法 | |
CN107146134A (zh) | 一种订单生成方法及服务器 | |
US20200219180A1 (en) | Auction method and server | |
Kamijo | Bidding behaviors for a keyword auction in a sealed-bid environment | |
CN110533479A (zh) | 一种标识分配方法、装置及电子设备 | |
US8370208B1 (en) | Determining whether to include items in a data feed | |
CN103593788A (zh) | 在线广告拍卖中的表达性出价 | |
US20240112210A1 (en) | Self-learning valuation | |
Lin et al. | A fair reputation system for use in online auctions | |
CN110415082A (zh) | 基于圈层的价格展示方法、装置、服务器和存储介质 | |
Price et al. | DDA in context: Defining a comprehensive ebook acquisition strategy in an access-driven world | |
US11080762B1 (en) | Content item auction bidding |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180306 |