CN111461507A - 基于客户感知价值和风险意识的多服务器配置利润最大化方法 - Google Patents

基于客户感知价值和风险意识的多服务器配置利润最大化方法 Download PDF

Info

Publication number
CN111461507A
CN111461507A CN202010194478.8A CN202010194478A CN111461507A CN 111461507 A CN111461507 A CN 111461507A CN 202010194478 A CN202010194478 A CN 202010194478A CN 111461507 A CN111461507 A CN 111461507A
Authority
CN
China
Prior art keywords
profit
server
service
risk
cur
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.)
Withdrawn
Application number
CN202010194478.8A
Other languages
English (en)
Inventor
张功萱
王添
沈伟
周俊龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202010194478.8A priority Critical patent/CN111461507A/zh
Publication of CN111461507A publication Critical patent/CN111461507A/zh
Withdrawn legal-status Critical Current

Links

Images

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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06Q30/0206—Price or cost determination based on market factors

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于客户感知价值和风险意识的多服务器配置利润最大化方法，包括以下步骤：建立云服务提供商模型；建立客户感知价值模型；求取基于客户感知价值的用户需求；求取基于风险感知的利润最大化的最优多服务器配置。本发明能够准确地捕捉云服务市场供求的真实情况，并考虑了定价契约中的风险，在云计算资源配置领域有很大意义。且相比相比于现有的两种基准测试方法，平均利润大大提高。

Description

基于客户感知价值和风险意识的多服务器配置利润最大化 方法
技术领域
本发明属于云计算资源配置领域，特别涉及一种基于客户感知价值(CPV)和风险意识的多服务器配置利润最大化方法。
背景技术
随着云计算中基础设施的广泛部署和虚拟化技术的快速发展，越来越多的企业开始采用云服务，各种云服务提供商应运而生。云服务提供商的目标是追求利润最大化。为了实现这一目标，云服务提供商需要很好地理解云计算的经济学。然而，现有的配置策略(如两种最先进的基准测试方法COMCPM和OMCPM)很少考虑用户服务请求与云服务提供商之间的交互。它们预先设定服务请求的价格，而不是根据市场条件对服务请求的价格动态调整，不能准确反映云服务市场的供求规律。此外，以前很少有配置策略考虑到定价合同所涉及的风险。
发明内容
本发明的目的在于提供一种基于客户感知价值和风险意识的多服务器配置利润最大化方法。
实现本发明目的的技术解决方案为：一种基于客户感知价值和风险意识的多服务器配置利润最大化方法，包括以下步骤：
步骤1，建立云服务提供商模型；
步骤2，建立客户感知价值模型；
步骤3，求取基于客户感知价值的用户需求；
步骤4，求取基于风险感知的利润最大化的最优多服务器配置。
进一步地，步骤1所述建立云服务提供商模型，具体包括：
步骤1-1，建立多服务器系统模型，所述多服务器系统包括M个以相同速度s运行的同构服务器，建模为M/M/M服务器队列，服务请求以速率λ到达多服务器系统，M个服务器以速度s并行处理服务请求，所有服务器繁忙即不可用时，服务请求按先后达到顺序等待，先到先服务，且服务为泊松分布；
步骤1-2，求取服务器的利用率：
Figure BDA0002417103810000021
式中，ρ为服务器的利用率，定义为服务器处于繁忙状态的平均时间百分比；针对M/M/M服务器队列系统中的服务请求，服务执行时间x为x＝r/s，其均值为
Figure BDA0002417103810000022
r表示完成服务请求需要执行的请求数即执行需求，μ为执行客户请求服务的速率，
Figure BDA0002417103810000023
步骤1-3，根据服务器的利用率ρ，求取M/M/M服务器队列系统中存在k个服务请求等待或运行中的概率Pk：
Figure BDA0002417103810000024
式中，P0为M/M/M服务器队列系统中没有服务请求的概率；
根据服务器的利用率ρ和概率Pk，求取在所有服务器都处于繁忙即不可用状态时，新的服务请求等待的概率Pb：
Figure BDA0002417103810000025
式中，PM为M/M/M服务器队列系统中存在M个服务请求的概率，由上式(2)求得；
步骤1-4，根据服务请求等待的概率求取服务请求的等待时间；
针对新到达的服务请求，假设W和fW(t)分别为该服务请求的等待时间和对应的概率密度函数，则fW(t)为：
fW(t)＝(1-Pb)μ(t)+MμPMe-(1-ρ)Mμt (4)
式中，μ(t)为单位脉冲函数，表示为：
Figure BDA0002417103810000031
且u(t)＝limz→∞μz(t)成立；
由此，获得服务请求的等待时间W的累积分布函数为：
Figure BDA0002417103810000032
进一步地，步骤2所述建立客户感知价值模型，具体包括：
步骤2-1，求取服务请求的响应时间R：
R＝W+r/s (7)
步骤2-2，将步骤2-1求取的响应时间R代入服务水平协议模型中，获得：
Figure BDA0002417103810000033
式中，a为单位服务的费用，γ为服务质量较差时的补偿强度系数，c为与概率密度函数相关的常数，s0为客户的预期服务处理速度，且为常数。
进一步地，步骤3所述求取基于客户感知价值的用户需求，具体包括：
步骤3-1，利用SERVQUAL对客户感知价值模型CPV进行评分，并建立用户需求函数；
步骤3-2，基于用户需求函数，利用标准二分法计算用户需求。
进一步地，步骤3-1所述利用SERVQUAL对客户感知价值模型进行评分，并建立用户需求函数，具体包括：
步骤3-1-1，利用SERVOUAL得分对服务的CPV进行建模：
Figure BDA0002417103810000034
式中，n为服务属性的数量，ωσ为服务的第σ个属性的权重，Pecσ为用户对该属性的感知程度，Expσ为用户对该属性的期望；
步骤3-1-2，求取价格属性和等待时间属性的期望值；
视价格属性和等待时间属性的重要性同等，则n＝2，ω1＝ω2＝0.5,Pec1＝Pecprice，Exp1＝Expprice，Pec2＝Pecwaiting-time，Exp2＝Expwaiting-time，其中下角标1、2分别代表价格属性和等待时间属性；
结合上式(8)，对于价格属性，感知变量Pecprice为服务费C(r,W)，期望Expprice为ar；
对于等待时间属性，感知变量Pecwaiting-time为W，期望Expwaiting-time为
Figure BDA0002417103810000041
步骤3-1-3，求取关于价格的SQSprice和关于等待时间的SQSwaiting-time，所用公式为：
Figure BDA0002417103810000042
进一步地，
Figure BDA0002417103810000051
Figure BDA0002417103810000052
进一步地，
Figure BDA0002417103810000053
步骤3-1-4，利用最大-最小归一化法对SQSprice和SQSwaiting-time进行规范化，并求取SQS，所用公式为：
SQS＝0.5×SQS′price+0.5×SQS′waiting-time (14)
式中，SQS′price和SQS′waiting-time分别为SQSprice和SQSwaiting-time规范化后的结果；
步骤3-1-5，构建用户需求函数：
Figure BDA0002417103810000054
式中，DCPV表示基于客户感知价值的用户需求，ψ和
Figure BDA0002417103810000055
分别表示基本需求和潜在市场需求的常数，
Figure BDA0002417103810000056
进一步地，步骤4所述求取基于风险感知的利润最大化的最优多服务器配置，具体包括：
步骤4-1，求取云服务提供商的利润；
步骤4-2，利用基于模拟退火的离散启发式算法求取基于风险感知的利润最大化的最优多服务器配置。
进一步地，步骤4-1所述求取云服务提供商的利润，具体包括：
步骤4-1-1，求取云服务提供商的收益Revenue：
Revenue＝C(M,s)×DCPV (16)
式中，C(M,s)为服务请求的预期费用，其计算为：
Figure BDA0002417103810000061
式中，C(r)为执行r数量的指令所需的预期费用；
Figure BDA0002417103810000062
式中，由上式(4)可知fW(t)为等待时间W的概率密度分布函数，由上式(5)可知fr(z)为脉冲函数fr(z)；
步骤4-1-2，求取云服务提供商的成本，包括租用云计算基础设施的费用和维护计算基础设施运行的电费：
1)假设δ为提供商在销售期T内租用一台服务器所支付的费用，则在销售期T内租用由M台服务器组成的多服务器系统需要支付的费用Rent为：
Rent＝Mδ·T (19)
2)电费为服务器的能耗和电价的乘积；
假设ET为M台服务器在销售期T内的能耗，ET计算为：
ET＝M·(Powdyn·ρ+Powsta)·T (20)
式中，ρ为服务器利用率，Powdyn为动态功耗，Powsta为静态功耗；
假设CT为在T时段电的单价，则电费Bill为：
Bill＝ET·CT＝M·(Powdyn·ρ+Powsta)·T·CT (21)
步骤4-1-3，求取云服务提供商的利润Profit：
Figure BDA0002417103810000071
进一步地，步骤4-2所述利用基于模拟退火的离散启发式算法求取基于风险感知的利润最大化的最优多服务器配置，具体包括：
步骤4-2-1，定义损失LOSS，风险RISK以及基于风险感知的利润Profitrisk；
针对一个服务的第i次运行，云服务提供商生成一个带有其预测配置服务器数量M和服务器运行速度s的契约时，利润损失为：
Figure BDA0002417103810000072
式中，
Figure BDA0002417103810000073
和
Figure BDA0002417103810000074
分别表示服务器的实际数量和服务器的实际运行速度；
针对一个服务的第i次运行，云服务提供商的风险定义为该服务的前i-1次服务的利润损失的平均值，即：
Figure BDA0002417103810000075
基于风险感知的利润Profitrisk为：
Figure BDA0002417103810000076
步骤4-2-2，求取风险造成的利润损失；
1)若i＝1,则LOSSi＝0，RISKi＝0，由上式(24)计算可得
Figure BDA0002417103810000077
否则，转至2)；
2)令j＝1，LOSStotal＝0；
3)判别该条件j≤i-1是否满足，若不满足转至4)，否则计算：
Figure BDA0002417103810000078
LOSStotal＝LOSStotal+LOSSj (27)
之后令j递增1，并重复3)，直到不满足j≤i-1。
4)由上式(24)求取RISKi；
步骤4-2-3，利用基于离散模拟退火的启发式算法求取G(M,s)的最优点即最优服务器数量Mopt、最优服务器速度sopt，由此获得最大利润Profitopt；具体过程包括：
1)对已知的服务器数量区间[Mmin,Mmax]和服务器运行速度区间[smin,smax]进行离散化；
2)将节点(Mmax,smax)作为初始节点(M,s)，且令Mcur＝Mmax，scur＝smax，其中Mcur、scur分别表示当前节点的服务器的数量和服务器的速度；
3)通过上式(22)计算当前节点的利润值Profitcur：
Profitcur＝G(Mcur,scur) (28)
4)初始化Mopt＝0，sopt＝0，Profitopt＝0，初始化温度值temperature、冷却率CR、迭代次数iteratornum、服务器数量迭代步长stepM以及服务器速度迭代步长steps，并生成(0,1]之间的随机数
Figure BDA0002417103810000081
5)初始化i＝0；
6)随机生成两个变量
Figure BDA0002417103810000082
7)求取下一节点的服务器的数量Mnext和下一节点的服务器的速度snext：
Figure BDA0002417103810000083
Figure BDA0002417103810000084
8)判断是否Mnext∈[Mmin,Mmax]且snext∈[smin,smax]，若是则执行9)，否则跳转至6)；
9)通过上式(21)计算下一节点的利润值Profitnext：
Profitnext＝G(Mnext,snext) (31)
10)计算：
ΔProfit＝Profitnext-Profitcur (32)
判断是否ΔProfit＞0，若是则执行11)；否则执行12)；
11)令Mopt＝Mnext，sopt＝snext，Profitopt＝Profitnext；
令Mcur＝Mnext，scur＝snext，Profitcur＝Profitnext；
12)判断是否
Figure BDA0002417103810000091
若是则执行13)；否则执行14)；
13)令Mcur＝Mnext，scur＝snext，Profitcur＝Profitnext；
令Mopt＝Mnext，sopt＝snext，Profitopt＝Profitnext；
14)令Mopt＝Mcur，sopt＝scur，Profitopt＝Profitcur；
15)令i＝i+1，判断是否i＜iteratornum，若是则返回6)，反之执行16)；
16)令temperature＝temperature×CR；
17)判断是否Profitnext-Profitcur＜ε，若是则结束，输出G(M,s)的最优点；否则返回5)。
步骤4-2-4：结合公式(25)，利用步骤4-2-2求取的RISKi和步骤4-2-3求取的G(M,s)的最优点求取基于风险感知的最大化利润
Figure BDA0002417103810000092
本发明与现有技术相比，其显著优点为：1)提出了一种基于顾客感知价值(CPV)的动态定价策略，能够准确地捕捉市场供求的真实情况；2)设计的基于CPV感知动态定价策略的利润最大化方案，考虑了定价契约中的风险，使资源配置方案更符合实际情况；3)在实现最优的多服务器配置的同时，实现了利润最大化；4)对于云服务商资源实施资源配置具有很高的应用价值。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为本发明一个实施例中基于客户感知价值和风险意识的多服务器配置利润最大化方法的流程图。
图2为本发明一个实施例中不同服务器配置下的用户需求和利润，其中图(a)为不同服务器配置下的用户需求，图(b)为不同服务器配置下的利润。
图3为本发明一个实施例中不同的多服务器大小和用户需求下的最佳速度和利润，其中图(a)为不同的多服务器大小和用户需求下的最佳速度，图(b)为不同的多服务器大小和用户需求下的利润。
图4为本发明一个实施例中不同的服务器速度和用户需求下的最佳多服务器大小和利润，其中图(a)为不同的服务器速度和用户需求下的最佳多服务器大小，图(b)为不同的服务器速度和用户需求下的利润。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，结合图1，提供了一种基于客户感知价值和风险意识的多服务器配置利润最大化方法，包括以下步骤：
步骤1，建立云服务提供商模型；
步骤2，建立客户感知价值模型；
步骤3，求取基于客户感知价值的用户需求；
步骤4，求取基于风险感知的利润最大化的最优多服务器配置。
进一步地，在其中一个实施例中，上述步骤1建立云服务提供商模型，具体包括：
步骤1-1，建立多服务器系统模型，多服务器系统包括M个以相同速度s运行的同构服务器，建模为M/M/M服务器队列，服务请求以速率λ到达多服务器系统，M个服务器以速度s并行处理服务请求，所有服务器繁忙即不可用时，服务请求按先后达到顺序等待，先到先服务，且服务为泊松分布；
步骤1-2，求取服务器的利用率：
Figure BDA0002417103810000101
式中，ρ为服务器的利用率，定义为服务器处于繁忙状态的平均时间百分比；针对M/M/M服务器队列系统中的服务请求，服务执行时间x为x＝r/s，其均值为
Figure BDA0002417103810000102
r表示完成服务请求需要执行的请求数即执行需求，μ为执行客户请求服务的速率，
Figure BDA0002417103810000103
步骤1-3，根据服务器的利用率ρ，求取M/M/M服务器队列系统中存在k个服务请求等待或运行中的概率Pk：
Figure BDA0002417103810000111
式中，P0为M/M/M服务器队列系统中没有服务请求的概率；
根据服务器的利用率ρ和概率Pk，求取在所有服务器都处于繁忙即不可用状态时，新的服务请求等待的概率Pb：
Figure BDA0002417103810000112
式中，PM为M/M/M服务器队列系统中存在M个服务请求的概率，由上式(2)求得；
步骤1-4，根据服务请求等待的概率求取服务请求的等待时间；
针对新到达的服务请求，假设W和fW(t)分别为该服务请求的等待时间和对应的概率密度函数，则fW(t)为：
fW(t)＝(1-Pb)μ(t)+MμPMe-(1-ρ)Mμt (4)
式中，μ(t)为单位脉冲函数，表示为：
Figure BDA0002417103810000113
且u(t)＝limz→∞μz(t)成立；
由此，获得服务请求的等待时间W的累积分布函数为：
Figure BDA0002417103810000114
进一步地，在其中一个实施例中，上述步骤2建立客户感知价值模型，具体包括：
步骤2-1，求取服务请求的响应时间R：
R＝W+r/s (7)
步骤2-2，将步骤2-1求取的响应时间R代入服务水平协议模型中，获得：
Figure BDA0002417103810000121
式中，a为单位服务的费用，γ为服务质量较差时的补偿强度系数，c为与概率密度函数相关的常数，s0为客户的预期服务处理速度，且为常数。
进一步地，在其中一个实施例中，上述步骤3求取基于客户感知价值的用户需求，具体包括：
步骤3-1，利用SERVQUAL对客户感知价值模型CPV进行评分，并建立用户需求函数；
步骤3-2，基于用户需求函数，利用标准二分法计算用户需求。
进一步地，在其中一个实施例中，上述步骤3-1利用SERVQUAL对客户感知价值模型进行评分，并建立用户需求函数，具体包括：
步骤3-1-1，利用SERVOUAL得分对服务的CPV进行建模：
Figure BDA0002417103810000122
式中，n为服务属性的数量，ωσ为服务的第σ个属性的权重，Pecσ为用户对该属性的感知程度，Expσ为用户对该属性的期望；
步骤3-1-2，求取价格属性和等待时间属性的期望值；
视价格属性和等待时间属性的重要性同等，则n＝2，ω1＝ω2＝0.5,Pec1＝Pecprice，Exp1＝Expprice，Pec2＝Pecwaiting-time，Exp2＝Expwaiting-time，其中下角标1、2分别代表价格属性和等待时间属性；
结合上式(8)，对于价格属性，感知变量Pecprice为服务费C(r,W)，期望Expprice为ar；
对于等待时间属性，感知变量Pecwaiting-time为W，期望Expwaiting-time为
Figure BDA0002417103810000131
步骤3-1-3，求取关于价格的SQSprice和关于等待时间的SQSwaiting-time，所用公式为：
Figure BDA0002417103810000132
进一步地，
Figure BDA0002417103810000133
Figure BDA0002417103810000141
进一步地，
Figure BDA0002417103810000142
步骤3-1-4，利用最大-最小归一化法对SQSprice和SQSwaiting-time进行规范化，并求取SQS，所用公式为：
SQS＝0.5×SQS′price+0.5×SQS′waiting-time (14)
式中，SQS′price和SQS′waiting-time分别为SQSprice和SQSwaiting-time规范化后的结果；
步骤3-1-5，构建用户需求函数：
Figure BDA0002417103810000143
式中，DCPV表示基于客户感知价值的用户需求，ψ和
Figure BDA0002417103810000144
分别表示基本需求和潜在市场需求的常数，
Figure BDA0002417103810000145
进一步地，在其中一个实施例中，上述步骤3-2基于用户需求函数，利用标准二分法计算用户需求，具体包括：
1)定义一个函数
Figure BDA0002417103810000146
并找到一个单调区间[λ'low,λ'high]，使得Y(λ'low)＞0且Y(λ'high)＜0；
2)判断是否Y(λ'low)-Y(λ'high)＞ε，若是执行3)，否则，执行5)；
3)计算λ'mid＝(λ'low+λ'high)/2，判断是否Y(λ'mid)＜0，若是则令λ'high＝λ'mid，否则令λ'low＝λ'mid；
4)计算Y(λ'low)和Y(λ'high)，返回2)；
5)计算λ'mid＝(λ'low+λ'high)/2；
6)求取用户需求：DCPV(SQS)＝λmid。
进一步地，在其中一个实施例中，上述步骤4求取基于风险感知的利润最大化的最优多服务器配置，具体包括：
步骤4-1，求取云服务提供商的利润；
步骤4-2，利用基于模拟退火的离散启发式算法求取基于风险感知的利润最大化的最优多服务器配置。
进一步地，在其中一个实施例中，上述步骤4-1求取云服务提供商的利润，具体包括：
步骤4-1-1，求取云服务提供商的收益Revenue：
Revenue＝C(M,s)×DCPV (16)
式中，C(M,s)为服务请求的预期费用，其计算为：
Figure BDA0002417103810000151
式中，C(r)为执行r数量的指令所需的预期费用；
Figure BDA0002417103810000152
式中，由上式(4)可知fW(t)为等待时间W的概率密度分布函数，由上式(5)可知fr(z)为脉冲函数fr(z)；
步骤4-1-2，求取云服务提供商的成本，包括租用云计算基础设施的费用和维护计算基础设施运行的电费：
1)假设δ为提供商在销售期T内租用一台服务器所支付的费用，则在销售期T内租用由M台服务器组成的多服务器系统需要支付的费用Rent为：
Rent＝Mδ·T (19)
2)电费为服务器的能耗和电价的乘积；
假设ET为M台服务器在销售期T内的能耗，ET计算为：
ET＝M·(Powdyn·ρ+Powsta)·T (20)
式中，ρ为服务器利用率，Powdyn为动态功耗，Powsta为静态功耗；
假设CT为在T时段电的单价，则电费Bill为：
Bill＝ET·CT＝M·(Powdyn·ρ+Powsta)·T·CT (21)
步骤4-1-3，求取云服务提供商的利润Profit：
Figure BDA0002417103810000161
进一步地，在其中一个实施例中，上述步骤4-2利用基于模拟退火的离散启发式算法求取基于风险感知的利润最大化的最优多服务器配置，具体包括：
步骤4-2-1，定义损失LOSS，风险RISK以及基于风险感知的利润Profitrisk；
针对一个服务的第i次运行，云服务提供商生成一个带有其预测配置服务器数量M和服务器运行速度s的契约时，利润损失为：
Figure BDA0002417103810000162
式中，
Figure BDA0002417103810000163
和
Figure BDA0002417103810000164
分别表示服务器的实际数量和服务器的实际运行速度；
针对一个服务的第i次运行，云服务提供商的风险定义为该服务的前i-1次服务的利润损失的平均值，即：
Figure BDA0002417103810000165
基于风险感知的利润Profitrisk为：
Figure BDA0002417103810000166
步骤4-2-2，求取风险造成的利润损失；
1)若i＝1,则LOSSi＝0，RISKi＝0，由上式(24)计算可得
Figure BDA0002417103810000167
否则，转至2)；
2)令j＝1，LOSStotal＝0；
3)判别该条件j≤i-1是否满足，若不满足转至4)，否则计算：
Figure BDA0002417103810000171
LOSStotal＝LOSStotal+LOSSj (27)
之后令j递增1，并重复3)，直到不满足j≤i-1。
4)由上式(24)求取RISKi；
步骤4-2-3，利用基于离散模拟退火的启发式算法求取G(M,s)的最优点即最优服务器数量Mopt、最优服务器速度sopt，由此获得最大利润Profitopt；具体过程包括：
1)对已知的服务器数量区间[Mmin,Mmax]和服务器运行速度区间[smin,smax]进行离散化；
2)将节点(Mmax,smax)作为初始节点(M,s)，且令Mcur＝Mmax，scur＝smax，其中Mcur、scur分别表示当前节点的服务器的数量和服务器的速度；
3)通过上式(22)计算当前节点的利润值Profitcur：
Profitcur＝G(Mcur,scur) (28)
4)初始化Mopt＝0，sopt＝0，Profitopt＝0，初始化温度值temperature、冷却率CR、迭代次数iteratornum、服务器数量迭代步长stepM以及服务器速度迭代步长steps，并生成(0,1]之间的随机数
Figure BDA0002417103810000172
5)初始化i＝0；
6)随机生成两个变量
Figure BDA0002417103810000173
7)求取下一节点的服务器的数量Mnext和下一节点的服务器的速度snext：
Figure BDA0002417103810000174
Figure BDA0002417103810000175
8)判断是否Mnext∈[Mmin,Mmax]且snext∈[smin,smax]，若是则执行9)，否则跳转至6)；
9)通过上式(21)计算下一节点的利润值Profitnext：
Profitnext＝G(Mnext,snext) (31)
10)计算：
ΔProfit＝Profitnext-Profitcur (32)
判断是否ΔProfit＞0，若是则执行11)；否则执行12)；
11)令Mopt＝Mnext，sopt＝snext，Profitopt＝Profitnext；
令Mcur＝Mnext，scur＝snext，Profitcur＝Profitnext；
12)判断是否
Figure BDA0002417103810000181
若是则执行13)；否则执行14)；
13)令Mcur＝Mnext，scur＝snext，Profitcur＝Profitnext；
令Mopt＝Mnext，sopt＝snext，Profitopt＝Profitnext；
14)令Mopt＝Mcur，sopt＝scur，Profitopt＝Profitcur；
15)令i＝i+1，判断是否i＜iteratornum，若是则返回6)，反之执行16)；
16)令temperature＝temperature×CR；
17)判断是否Profitnext-Profitcur＜ε，若是则结束，输出G(M,s)的最优点；否则返回5)。
步骤4-2-4，结合公式(25)，利用步骤4-2-2求取的RISKi和步骤4-2-3求取的G(M,s)的最优点求取基于风险感知的最大化利润
Figure BDA0002417103810000182
在一个实施例中，作为一种具体示例，对本发明的方法进行验证，进行了三组仿真实验，从不同的角度验证了所提出的方案。在第一组实验中，观察不同多服务器配置下用户需求和利润的变化趋势。这个实验是为了展示多服务器配置对用户需求和利润的影响。在第二组实验中，观察不同用户需求下多服务器速度和大小的最优配置以及相应的利润。这个实验是为了说明多服务器的最佳配置和利润如何受到用户需求的影响。在第三组实验中，将本发明提出的利润最大化方案与两种基准方法进行比较。通过实验验证了该方案的有效性。所有的仿真实验都在一台配备了2.2GHz Intel i7六核处理器和16GB DDR4内存的笔记本电脑上进行的，运行的是Unix版本的Matlab x64。
实验1、用户需求和利润
在这组实验中，进行一系列的数值计算显示用户需求和利润在不同配置的服务器大小M和服务器速度s，值分别为{10,15,20,25,30,35,40,45,50,55,60,65,70}和{1,1.25,1.5,1.75,2.0,2.25}。为了得到用户需求和利润，使用的参数s0，
Figure BDA0002417103810000191
a，c如下表1所示。
表1实验中使用符号的定义
Figure BDA0002417103810000192
不同服务器配置下的用户需求和利润结果如图2所示，从图2(a)可以看出，当多服务器规模M从10增长到70，无论多服务器系统采用何种处理速度s，用户对服务的需求先快速增长到峰值，然后逐渐下降，最后保持不变。用户需求首先快速增长的原因是，添加更多的服务器可以通过提供更高的计算性能来吸引更多的用户。然而，当用户需求增加时，多服务器系统可能无法及时处理这些服务请求。在这种情况下，用户不得不等待，它们的CPV变得很低，这反过来又降低了用户对服务的需求。注意，用户需求最终将保持不变。这是因为市场上总有一定的服务需求是稳定的，不受外部因素的影响。
从图2(b)可以看出，当多服务器规模M从10增长到70，无论多服务器系统采用何种处理速度s，云服务提供商的利润也会先快速增长到峰值，然后逐渐下降，最后趋于稳定。利润的最初增长是由于需求增加带来的额外收入，这比使用新增加的服务器带来的额外成本要高得多。但是，随着服务器规模的不断增大，额外的收入可能无法承担额外的成本，用户需求会下降，导致利润下降。最后，当用户需求为常数时，利润趋于稳定。
从图2(a)-(b)中还可以看出，当多服务器规模较小时，提高服务处理速度可以有效地吸引更多的用户需求，从而获得更高的利润。但是，当多服务器的大小增大，提高服务处理速度并不能保证更多的用户需求和更大的利润。这是因为高服务器速度和大服务器规模都会导致操作多服务器系统的高成本。
实验2、优化的多服务器配置和利润
在这组实验中，进行一系列的数值计算，以首先找到最优服务器速度和相应的最大利润为不同用户需求和多服务器大小，然后找到最优多服务器的大小和相应的最大利润为不同用户需求和服务器的速度，并最终找到最优多服务器大小和服务器速度下给定用户的要求。
不同的多服务器大小和用户需求下的最佳速度和利润结果如图3所示，由图3可知，改变多服务器大小和用户服务需求时的最优服务器速度和相应的最大利润。服务器大小取值为{10,20,30,40,50,60,70,80}，用户服务需求取值为{34.73,30.23,25.17,19.7}的。参数的值s0，
Figure BDA0002417103810000201
a，c，ξ，α，Psta，δ，CT与表1一致。从图3(a)可以看出，对于给定的服务需求，最优服务器速度随着多服务器系统规模的增大而减小。这是因为当完成给定数量的服务请求所需的计算能力是固定的时，增加多服务器大小必然会降低服务器速度。图3(b)为增加多服务器规模和用户服务需求时对应的最大利润。显然，用户需求越大，云服务提供商的利润越高。从图中还可以看出，在一定的用户需求下，多服务器的大小会影响利润。具体来说，当多服务器规模较小，服务器速度较高时，租用更多的服务器可以增加利润。当多服务器大小进一步增大并超过阈值时，利润会下降。这是因为为了在给定的用户需求下保持稳定的计算能力，服务器速度必然会随着多服务器大小的增加而降低。在多服务器规模小、服务器速度快的情况下，通过降低服务器速度节省的能源成本大于租用更多服务器的额外成本。但是，当多服务器规模变大，服务器速度下降到一定程度时，增加的租用成本超过了节省的能源成本，导致利润下降。
图4给出了在改变服务器速度和用户服务需求时，最优的多服务器规模和相应的最大利润。服务器速度取值为{1,1.25,1.5,1.75,2,2.25,2.5,2.75,3.0,3.25,3.5}，用户服务需求取值为{19.7,25.17,30.23,34.73}。为了得到结果，使用与表1相同的参数。从图4(a)(b)可以发现：随着服务器的增加速度，1)最优多服务器的尺寸变得越来越小，这是由于增加服务器速度需要较小的多服务器大小在一个特定的用户需求；2)的利润逐渐减少，这是因为使用服务器速度快的高能源成本导致利润的减少。
表2给出了不同用户需求下的最优多服务器大小、最优服务器速度和最大利润。从表中可以看出，最优的多服务器规模M随着用户需求DCPV的增加而单调增加。原因是更高的用户需求需要更大的计算能力。
表2最大的利润和相应的多服务器配置
Figure BDA0002417103810000211
实验3、性能对比
在这组实验中，将基于CPV和风险意识的利润最大化方案与两种最先进的基准测试方法COMCPM和OMCPM在相同的实验设置下进行了比较。这两种基准测试方法都考虑了服务水平协议和客户满意度，并得出了最优的多服务器配置和服务价格，以实现利润最大化。与COMCPM和OMCPM相比，本发明的方案基于反映用户购买云服务意愿的CPV，并考虑了定价合同中涉及的风险。在实验中，改变用户的需求，找到最优的多服务器配置(M和s)和对应的利润。使用相同的值的参数如s0，
Figure BDA0002417103810000212
a，c，ξ，α，Psta，δ，CT如表1。
表3比较了所提出的方案与COMCPM所获得的利润。很明显，该方案在增加云服务提供商利润方面优于COMCPM。本方案所带来的利润较综合成本管理计划平均提高31.6％，最高可达34.9％。还可以从表4中得出类似的结论，即该方案的利润大于OMCPM。具体而言，该方案对OMCPM的利润提升平均为30.8％，最高可达33.7％。本方案所带来的高利润，不单来自最理想的服务器配置(即服务器大小M和服务器速度s)，还有捕获的更多的用户服务需求。此外，本方案还考虑了定价合同所涉及的风险，避免了风险带来的损失，这有助于云服务提供商获得更高的利润。
表3 COMCPM与本方案的利润比较
Figure BDA0002417103810000213
表4 OMCPM与本方案的利润比较
Figure BDA0002417103810000221
综上，本发明能够准确地捕捉云服务市场供求的真实情况，并考虑了定价契约中的风险，在云计算资源配置领域有很大意义。且与现有的两种基准测试方法相比，该方法的平均利润分别提高了31.6％和30.8％。

Claims (8)

1.一种基于客户感知价值和风险意识的多服务器配置利润最大化方法，其特征在于，包括以下步骤：
步骤1，建立云服务提供商模型；
步骤2，建立客户感知价值模型；
步骤3，求取基于客户感知价值的用户需求；
步骤4，求取基于风险感知的利润最大化的最优多服务器配置。
2.根据权利要求1所述的基于客户感知价值和风险意识的多服务器配置利润最大化方法，其特征在于，步骤1所述建立云服务提供商模型，具体包括：
步骤1-1，建立多服务器系统模型，所述多服务器系统包括M个以相同速度s运行的同构服务器，建模为M/M/M服务器队列，服务请求以速率λ到达多服务器系统，M个服务器以速度s并行处理服务请求，所有服务器繁忙即不可用时，服务请求按先后达到顺序等待，先到先服务，且服务为泊松分布；
步骤1-2，求取服务器的利用率：
Figure FDA0002417103800000011
式中，ρ为服务器的利用率，定义为服务器处于繁忙状态的平均时间百分比；针对M/M/M服务器队列系统中的服务请求，服务执行时间x为x＝r/s，其均值为
Figure FDA0002417103800000012
r表示完成服务请求需要执行的请求数即执行需求，μ为执行客户请求服务的速率，
Figure FDA0002417103800000013
步骤1-3，根据服务器的利用率ρ，求取M/M/M服务器队列系统中存在k个服务请求等待或运行中的概率Pk：
Figure FDA0002417103800000014
式中，P0为M/M/M服务器队列系统中没有服务请求的概率；
根据服务器的利用率ρ和概率Pk，求取在所有服务器都处于繁忙即不可用状态时，新的服务请求等待的概率Pb：
Figure FDA0002417103800000021
式中，PM为M/M/M服务器队列系统中存在M个服务请求的概率，由上式(2)求得；
步骤1-4，根据服务请求等待的概率求取服务请求的等待时间；
针对新到达的服务请求，假设W和fW(t)分别为该服务请求的等待时间和对应的概率密度函数，则fW(t)为：
fW(t)＝(1-Pb)μ(t)+MμPMe-(1-ρ)Mμt (4)
式中，μ(t)为单位脉冲函数，表示为：
Figure FDA0002417103800000022
且u(t)＝limz→∞μz(t)成立；
由此，获得服务请求的等待时间W的累积分布函数为：
Figure FDA0002417103800000023
3.根据权利要求1或2所述的基于客户感知价值和风险意识的多服务器配置利润最大化方法，其特征在于，步骤2所述建立客户感知价值模型，具体包括：
步骤2-1，求取服务请求的响应时间R：
R＝W+r/s (7)
步骤2-2，将步骤2-1求取的响应时间R代入服务水平协议模型中，获得：
Figure FDA0002417103800000031
式中，a为单位服务的费用，γ为服务质量较差时的补偿强度系数，c为与概率密度函数相关的常数，s0为客户的预期服务处理速度，且为常数。
4.根据权利要求3所述的基于客户感知价值和风险意识的多服务器配置利润最大化方法，其特征在于，步骤3所述求取基于客户感知价值的用户需求，具体包括：
步骤3-1，利用SERVQUAL对客户感知价值模型CPV进行评分，并建立用户需求函数；
步骤3-2，基于用户需求函数，利用标准二分法计算用户需求。
5.根据权利要求4所述的基于客户感知价值和风险意识的多服务器配置利润最大化方法，其特征在于，步骤3-1所述利用SERVQUAL对客户感知价值模型进行评分，并建立用户需求函数，具体包括：
步骤3-1-1，利用SERVOUAL得分对服务的CPV进行建模：
Figure FDA0002417103800000032
式中，n为服务属性的数量，ωσ为服务的第σ个属性的权重，Pecσ为用户对该属性的感知程度，Expσ为用户对该属性的期望；
步骤3-1-2，求取价格属性和等待时间属性的期望值；
视价格属性和等待时间属性的重要性同等，则n＝2，ω1＝ω2＝0.5,Pec1＝Pecprice，Exp1＝Expprice，Pec2＝Pecwaiting-time，Exp2＝Expwaiting-time，其中下角标1、2分别代表价格属性和等待时间属性；
结合上式(8)，对于价格属性，感知变量Pecprice为服务费C(r,W)，期望Expprice为ar；
对于等待时间属性，感知变量Pecwaiting-time为W，期望Expwaiting-time为
Figure FDA0002417103800000041
步骤3-1-3，求取关于价格的SQSprice和关于等待时间的SQSwaiting-time，所用公式为：
Figure FDA0002417103800000042
进一步地，
Figure FDA0002417103800000043
Figure FDA0002417103800000051
进一步地，
Figure FDA0002417103800000052
步骤3-1-4，利用最大-最小归一化法对SQSprice和SQSwaiting-time进行规范化，并求取SQS，所用公式为：
SQS＝0.5×SQS′price+0.5×SQS′waiting-time (14)
式中，SQS′price和SQS′waiting-time分别为SQSprice和SQSwaiting-time规范化后的结果；
步骤3-1-5，构建用户需求函数：
Figure FDA0002417103800000053
式中，DCPV表示基于客户感知价值的用户需求，ψ和
Figure FDA0002417103800000054
分别表示基本需求和潜在市场需求的常数，ψ,
Figure FDA0002417103800000055
6.根据权利要求5所述的基于客户感知价值和风险意识的多服务器配置利润最大化方法，其特征在于，步骤4所述求取基于风险感知的利润最大化的最优多服务器配置，具体包括：
步骤4-1，求取云服务提供商的利润；
步骤4-2，利用基于模拟退火的离散启发式算法求取基于风险感知的利润最大化的最优多服务器配置。
7.根据权利要求6所述的基于客户感知价值和风险意识的多服务器配置利润最大化方法，其特征在于，步骤4-1所述求取云服务提供商的利润，具体包括：
步骤4-1-1，求取云服务提供商的收益Revenue：
Revenue＝C(M,s)×DCPV (16)
式中，C(M,s)为服务请求的预期费用，其计算为：
Figure FDA0002417103800000061
式中，C(r)为执行r数量的指令所需的预期费用；
Figure FDA0002417103800000062
式中，由上式(4)可知fW(t)为等待时间W的概率密度分布函数，由上式(5)可知fr(z)为脉冲函数fr(z)；
步骤4-1-2，求取云服务提供商的成本，包括租用云计算基础设施的费用和维护计算基础设施运行的电费：
1)假设δ为提供商在销售期T内租用一台服务器所支付的费用，则在销售期T内租用由M台服务器组成的多服务器系统需要支付的费用Rent为：
Rent＝Mδ·T (19)
2)电费为服务器的能耗和电价的乘积；
假设ET为M台服务器在销售期T内的能耗，ET计算为：
ET＝M·(Powdyn·ρ+Powsta)·T (20)
式中，ρ为服务器利用率，Powdyn为动态功耗，Powsta为静态功耗；
假设CT为在T时段电的单价，则电费Bill为：
Bill＝ET·CT＝M·(Powdyn·ρ+Powsta)·T·CT (21)
步骤4-1-3，求取云服务提供商的利润Profit：
Figure FDA0002417103800000063
8.根据权利要求7所述的基于客户感知价值和风险意识的多服务器配置利润最大化方法，其特征在于，步骤4-2所述利用基于模拟退火的离散启发式算法求取基于风险感知的利润最大化的最优多服务器配置，具体包括：
步骤4-2-1，定义损失LOSS，风险RISK以及基于风险感知的利润Profitrisk；
针对一个服务的第i次运行，云服务提供商生成一个带有其预测配置服务器数量M和服务器运行速度s的契约时，利润损失为：
Figure FDA0002417103800000071
式中，
Figure FDA0002417103800000072
和
Figure FDA0002417103800000073
分别表示服务器的实际数量和服务器的实际运行速度；
针对一个服务的第i次运行，云服务提供商的风险定义为该服务的前i-1次服务的利润损失的平均值，即：
Figure FDA0002417103800000074
基于风险感知的利润Profitrisk为：
Figure FDA0002417103800000075
步骤4-2-2，求取风险造成的利润损失；
1)若i＝1,则LOSSi＝0，RISKi＝0，由上式(24)计算可得
Figure FDA0002417103800000076
否则，转至2)；
2)令j＝1，LOSStotal＝0；
3)判别该条件j≤i-1是否满足，若不满足转至4)，否则计算：
Figure FDA0002417103800000077
LOSStotal＝LOSStotal+LOSSj (27)
之后令j递增1，并重复3)，直到不满足j≤i-1。
4)由上式(24)求取RISKi；
步骤4-2-3，利用基于离散模拟退火的启发式算法求取G(M,s)的最优点即最优服务器数量Mopt、最优服务器速度sopt，由此获得最大利润Profitopt；具体过程包括：
1)对已知的服务器数量区间[Mmin,Mmax]和服务器运行速度区间[smin,smax]进行离散化；
2)将节点(Mmax,smax)作为初始节点(M,s)，且令Mcur＝Mmax，scur＝smax，其中Mcur、scur分别表示当前节点的服务器的数量和服务器的速度；
3)通过上式(22)计算当前节点的利润值Profitcur：
Profitcur＝G(Mcur,scur) (28)
4)初始化Mopt＝0，sopt＝0，Profitopt＝0，初始化温度值temperature、冷却率CR、迭代次数iteratornum、服务器数量迭代步长stepM以及服务器速度迭代步长steps，并生成(0,1]之间的随机数
Figure FDA0002417103800000081
5)初始化i＝0；
6)随机生成两个变量
7)求取下一节点的服务器的数量Mnext和下一节点的服务器的速度snext：
Figure FDA0002417103800000083
Figure FDA0002417103800000084
8)判断是否Mnext∈[Mmin,Mmax]且snext∈[smin,smax]，若是则执行9)，否则跳转至6)；
9)通过上式(21)计算下一节点的利润值Profitnext：
Profitnext＝G(Mnext,snext) (31)
10)计算：
ΔProfit＝Profitnext-Profitcur (32)
判断是否ΔProfit＞0，若是则执行11)；否则执行12)；
11)令Mopt＝Mnext，sopt＝snext，Profitopt＝Profitnext；
令Mcur＝Mnext，scur＝snext，Profitcur＝Profitnext；
12)判断是否
Figure FDA0002417103800000085
若是则执行13)；否则执行14)；
13)令Mcur＝Mnext，scur＝snext，Profitcur＝Profitnext；
令Mopt＝Mnext，sopt＝snext，Profitopt＝Profitnext；
14)令Mopt＝Mcur，sopt＝scur，Profitopt＝Profitcur；
15)令i＝i+1，判断是否i＜iteratornum，若是则返回6)，反之执行16)；
16)令temperature＝temperature×CR；
17)判断是否|Profitnext-Profitcur|＜ε，若是则结束，输出G(M,s)的最优点；否则返回5)。
步骤4-2-4，结合公式(25)，利用步骤4-2-2求取的RISKi和步骤4-2-3求取的G(M,s)的最优点求取基于风险感知的最大化利润
Figure FDA0002417103800000091
CN202010194478.8A 2020-03-19 2020-03-19 基于客户感知价值和风险意识的多服务器配置利润最大化方法 Withdrawn CN111461507A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010194478.8A CN111461507A (zh) 2020-03-19 2020-03-19 基于客户感知价值和风险意识的多服务器配置利润最大化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010194478.8A CN111461507A (zh) 2020-03-19 2020-03-19 基于客户感知价值和风险意识的多服务器配置利润最大化方法

Publications (1)

Publication Number Publication Date
CN111461507A true CN111461507A (zh) 2020-07-28

Family

ID=71683552

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010194478.8A Withdrawn CN111461507A (zh) 2020-03-19 2020-03-19 基于客户感知价值和风险意识的多服务器配置利润最大化方法

Country Status (1)

Country Link
CN (1) CN111461507A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112380700A (zh) * 2020-11-13 2021-02-19 上海交通大学 服务型制造模式下产品服务配置和定价方法及介质
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
CN114647498A (zh) * 2021-11-17 2022-06-21 湘潭大学 一种采取循环级联排队机制的服务价值链优化方法
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

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112380700A (zh) * 2020-11-13 2021-02-19 上海交通大学 服务型制造模式下产品服务配置和定价方法及介质
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
CN114647498A (zh) * 2021-11-17 2022-06-21 湘潭大学 一种采取循环级联排队机制的服务价值链优化方法
CN114647498B (zh) * 2021-11-17 2024-09-06 湘潭大学 一种采取循环级联排队机制的服务价值链优化方法
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
CN111461507A (zh) 基于客户感知价值和风险意识的多服务器配置利润最大化方法
WO2016045515A1 (zh) 基于用户满意度的云任务调度算法
CN106817401B (zh) 一种云环境中的资源配置方法
CN111163519A (zh) 系统收益最大化的无线体域网资源分配与任务卸载算法
CN106875211A (zh) 一种云计算环境中基于用户感知价值的最优服务定价方法
Li et al. Energy-efficient and QoS-aware model based resource consolidation in cloud data centers
Pourebrahimi et al. Market-based resource allocation in grids
CN110162390B (zh) 一种雾计算系统的任务分配方法及系统
Mazzucco et al. Profit-aware server allocation for green internet services
Li et al. A game-based combinatorial double auction model for cloud resource allocation
Penmatsa et al. Cost minimization in utility computing systems
CN112232863A (zh) 一种基于云边端协同的虚拟资源管理方法及系统
CN117353290A (zh) 一种数据中心与共享储能电站的联合调度方法及计算设备
CN114650568B (zh) 一种移动Ad Hoc云中基于能量收集的分布式卸载方法
Wang et al. A game theory-based computation offloading method in cloud-edge computing networks
Hao et al. Energy allocation and task scheduling in edge devices based on forecast solar energy with meteorological information
CN111708620A (zh) 一种具有计费机制的任务卸载方法
Tong et al. A bilateral game approach for task outsourcing in multi-access edge computing
CN113378481B (zh) 基于多目标进化算法的互联网数据中心需求响应优化方法
CN113535408B (zh) 边缘侧计算资源拍卖式优化方法
Xu A cloud computing resource allocation model based on combinatorial double auction
CN115686788A (zh) 基于深度q网络的云数据中心启发式任务调度和能耗优化方法
Liu et al. Long-term auction for inner-dependent task offloading in blockchain-enabled edge computing
Huang et al. An enhanced genetic algorithm for web service location-allocation
Xue et al. DDPS: Dynamic Differential Pricing-based Edge Offloading System with Energy Harvesting Devices

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20200728

WW01 Invention patent application withdrawn after publication