一種云計算環境中基于用戶感知價值的最優服務定價方法技術

本發明專利技術公開了一種云計算環境中基于用戶感知價值的最優服務定價方法，包括：首先基于用戶感知價值的基礎，構建出一種能根據服務價格的變化來反應市場供需關系的定價模型；其次構建出基于該供需關系的收入及系統耗費模型；最后還考慮到服務請求的數量，服務的緊急程度，應用環境中的工作負載，服務質量(QoS)，用戶服務滿意度等約束條件。通過本發明專利技術的定價方法，可以獲得服務器集群最優配置信息，包括最優的工作服務器數量及最優的工作頻率等。基于這些配置可以使得云服務提供商在最大化用戶滿意度的同時最大化其利潤。最后設計了一個動態自適應的閉環控制算法，使得系統能動態適應外界條件的改變。

An optimal service pricing method based on user perceived value in cloud computing environment

The present invention discloses optimal service pricing method based on user perceived value of a cloud computing environment: firstly, based on the user perceived value, constructs a pricing model can respond to the market supply and demand according to the change of service price; secondly construct income and system based on the relationship between supply and demand of the cost model; finally, considering the number of service requests, emergency service level, application workloads, quality of service (QoS), customer service satisfaction constraints. Through the pricing method of the invention, the optimal configuration information of the server cluster can be obtained, including the optimal number of work servers and the optimal working frequency, etc.. Based on these configurations, cloud services providers can maximize their user satisfaction while maximizing their profits. Finally, a dynamic adaptive closed-loop control algorithm is designed to make the system dynamically adapt to changes in external conditions.

【技術實現步驟摘要】
一種云計算環境中基于用戶感知價值的最優服務定價方法
本專利技術涉及云計算環境中關于云服務定價
，尤其涉及一種考慮實際市場環境中基于產品價格與供需關系的服務定價模型；具體來說是一種在實際的市場供需關系基礎上，在保證用戶服務滿意度的前提下，通過尋找最優的云服務定價及云計算系統運行配置，使得云計算服務供應商利潤最大化的方法。
技術介紹
云計算(cloudcomputing)是一種商業計算模型，它將計算任務分布在大量計算機構成的資源池上，使用戶能夠按需獲取計算力、存儲空間和信息服務。通過集中管理互聯網上的資源和服務，云計算提供基于Internet的服務托管方式，例如訪問共享的硬件、軟件、數據庫、信息等等其它所有按用戶需求提供的資源。云計算通過pay-per-use(按訪問量收費)的價格模型，向用戶收取費用。云服務提供商的利潤與很多因素有關，例如，服務價格、市場需求、系統配置、用戶的滿意度等等。選擇一個合適的服務價格和最優的系統運行配置，既可以吸引更多的用戶購買，又可以降低維護云集群運行的費用，使得云服務供應商可以獲得最大的利潤。目前研究領域主要分為靜態定價和動態定價兩種策略。靜態定價意味著某個服務請求的價格固定且可提前預知，而且并不會隨著條件的改變而改變。對于動態定價策略，服務提供商延遲價格制定直到用戶的需求明確，服務提供商可據此制定相應的價格。靜態定價策略目前是在現實世界和相關文獻研究中使用最多的也是最廣泛的定價機制。Ghamkhari和Mohsenian-Rad采用了一種叫做flat-rate的定價策略，對于所有的請求設置一個固定的價格；但是Odlyzko則論證flat-rate策略會導致資源浪費，同時也不能適應服務差異化。另一種靜態定價策略是usage-based。服務的價格分別與服務時間以及服務的執行需求成比例。這種定價策略(usage-based)可以使得資源更有效的利用。動態定價策略是作為一個為了更好解決不可預測的用戶需求而出現的。Macias和Guitart提出了一個用遺傳算法以迭代方式獲得最優定價的策略。目前有很多云服務定價策略的相關文獻研究，但是這些研究工作并沒有考慮過實際的市場供需關系。既然云服務是市場上的一種特殊商品，必然在制定定價策略的時候要考慮實際的市場供需關系，因此需要提出一個能描述市場供需關系的價格模型。
技術實現思路
本專利技術的目的是在云計算平臺中，基于用戶的感知價值，在保證用戶服務滿意度的前提下，根據用戶提交的任務屬性(緊急與否)對用戶進行一定的反饋獎勵，同時獲得最優的服務定價和服務器配置使得云服務提供商的利潤最大化，即一種基于市場供需關系的最優服務定價及系統運行配置方案。在探索該方案的過程中，本專利技術首先根據市場經濟學，在基于用戶感知價值的基礎上，構建出了一種能根據服務價格變化來反應市場供需關系的定價模型；其次構建出基于該供需關系的收入及系統耗費模型；最后還考慮到服務請求的數量，服務的緊急程度，應用環境中的工作負載，服務質量(QoS)，用戶服務滿意度等約束條件。通過以上模型及約束條件，建立利潤模型并將其轉化為一個帶約束條件的優化問題，該優化問題的解即是對應的最優服務定價及系統配置方案。本專利技術的目的是這樣實現的：一種云計算環境中基于用戶感知價值的最優服務定價方法，包括以下步驟：步驟一：基于用戶感知價值，確定收費周期t內實際購買服務用戶數量的概率分布；步驟二：根據步驟一確定收費周期t內實際購買服務的用戶數量的期望模型；步驟三：根據步驟二中實際購買用戶的數量期望模型，構建系統的收入模型；步驟四：基于功耗以及租賃費，構建維護系統運行的開支耗費模型；步驟五：根據步驟三及步驟四，確定系統的利潤模型，并根據相應的約束條件，將利潤最大化轉化為帶約束條件的優化；步驟六：利用增廣拉格朗日方法求解最優化問題；步驟七：將得到的最優解，包括最優服務定價、最優系統運行配置信息插入到歷史數據集中保存；步驟八：當系統參數變動時，根據歷史數據集利用曲線擬合方法重新求得實際購買服務的用戶數量的概率分布。所述步驟一具體包括：步驟A1：基于第i位用戶的感知價值Xi，確定用戶感知價值分布的概率密度函數f(x)以及累積分布函數F(x).當云服務定價設為ω時，F(x)滿足：0≤F(ω)≤1；limω→∞F(ω)≤1；步驟A2：把時間間隔t內服務的需求m定義為：到達并愿意以當前定價購買服務的潛在購買用戶數量，即所有感知價值Xi≥ω的顧客人數；則其概率分布為：其中：n表示對當前定價感興趣的用戶數，m表示感興趣的用戶中實際以當前定價ω購買的用戶數量，Pω(m|n)表示在定價為ω時實際購買服務的用戶數量的概率分布；步驟A3：根據用戶需求確定基于市場供需關系的約束，保證基于用戶感知價值的需求分布符合市場供需關系；用戶的需求和云服務的價格成反比，價格越高，購買的用戶數會下降：當云服務的價格趨向無窮大的時候，購買的用戶數量應該趨向于零：其中：E(m|ω)表示定價為ω時，購買服務的用戶數量的期望；步驟A4：確定收費周期t內，在當前定價下對服務感興趣的人數n的概率分布：其中：λ1表示單位時間內用戶的到達率；步驟A5：由于到達率λ1具有波動性，為了表示這種不均勻的特性，確定λ1的分布：其中：α，β表示Gamma分布的兩個參數；Γ(α)表示gamma函數，與α的階乘相關；步驟A6：根據步驟A2-A5確定時間間隔t內實際購買用戶的概率分布：所述步驟二具體包括：步驟B1：根據步驟A6，確定收費周期t內云服務定價為ω時，購買服務的用戶數量的期望：Eω(m)＝αβt(1-F(ω))。所述步驟三具體包括：步驟C1：云服務收費模型采用按使用量收費，即每個用戶對應一個服務請求；確定收費周期t內系統的收入模型：Revenue＝ω·Eω(m)·t其中：Eω(m)表示定價為ω時實際購買云服務的用戶數量的期望。所述步驟四具體包括：步驟D1：確定動態功耗Pd；在CMOS電路中，動態功耗是指實際執行任務時的功耗,且有Pd∝f3,s∝f；f,s分別表示處理器的頻率與運行速度，用每秒百萬條指令-MIPS衡量；可得Pd：Pd＝aCV2f＝ab2Cf2φ+1＝(ab2C/c2φ+1)s2φ+1＝ξsγ其中，aC分別表示動態活動因子和載入電容，V表示供給電壓；V＝bfφ,s＝cf，a和b表示常量，常量φ>0；ξ＝ab2C/c2φ+1，γ＝2φ+1；步驟D2：確定維護服務器集群正常運行的功耗,包括靜態功耗和動態功耗，考慮兩種下的功耗，即idle-speed及constant-speed模式；根據步驟D1，確定idle-speed模式下的功耗：其中，idle-speed模式表示，當某個服務器處于空閑時只有一個維護該機器正常運行的基本的運行速度，設定該速度為s0，該模式考慮靜態功耗；確定constant-speed模式下的功耗：P＝M(Pd+Ps)＝M(ξsγ+Ps)constant-speed模式表示，無論該機器處于“忙”狀態與否，該機器都以速度s運行；其中，M為服務器的個數；λ2表示服務請求單位時間內的到達率，是一個Poison分布流；ρ表示單位時間內集群中處于忙的服務器所占的百分比；表示任務的執行需求，用待執行的指令數來衡量，是一個獨立同分布的指數隨機變量；Ps本文檔來自技高網...

【技術保護點】
一種云計算環境中基于用戶感知價值的最優服務定價方法，其特征在于該方法包括以下具體步驟：步驟一：基于用戶感知價值，確定收費周期t內實際購買服務用戶數量的概率分布；步驟二：根據步驟一確定收費周期t內實際購買服務的用戶數量的期望模型；步驟三：根據步驟二中實際購買用戶的數量期望模型，構建系統的收入模型；步驟四：基于功耗以及租賃費，構建維護系統運行的開支耗費模型；步驟五：根據步驟三及步驟四，確定系統的利潤模型，并根據相應的約束條件，將利潤最大化轉化為帶約束條件的優化；步驟六：利用增廣拉格朗日方法求解最優化問題；步驟七：將得到的最優解，包括最優服務定價、最優系統運行配置信息插入到歷史數據集中保存；步驟八：當系統參數變動時，根據歷史數據集利用曲線擬合方法重新求得實際購買服務的用戶數量的概率分布。

【技術特征摘要】
1.一種云計算環境中基于用戶感知價值的最優服務定價方法，其特征在于該方法包括以下具體步驟：步驟一：基于用戶感知價值，確定收費周期t內實際購買服務用戶數量的概率分布；步驟二：根據步驟一確定收費周期t內實際購買服務的用戶數量的期望模型；步驟三：根據步驟二中實際購買用戶的數量期望模型，構建系統的收入模型；步驟四：基于功耗以及租賃費，構建維護系統運行的開支耗費模型；步驟五：根據步驟三及步驟四，確定系統的利潤模型，并根據相應的約束條件，將利潤最大化轉化為帶約束條件的優化；步驟六：利用增廣拉格朗日方法求解最優化問題；步驟七：將得到的最優解，包括最優服務定價、最優系統運行配置信息插入到歷史數據集中保存；步驟八：當系統參數變動時，根據歷史數據集利用曲線擬合方法重新求得實際購買服務的用戶數量的概率分布。2.如權利要求1所述的最優服務定價方法，其特征在于所述步驟一具體包括：步驟A1：基于第i位用戶的感知價值Xi，確定用戶感知價值分布的概率密度函數f(x)以及累積分布函數F(x).當云服務定價設為ω時，F(x)滿足：0≤F(ω)≤1；limω→∞F(ω)≤1；步驟A2：把時間間隔t內服務的需求m定義為：到達并愿意以當前定價購買服務的潛在購買用戶數量，即所有感知價值Xi≥ω的顧客人數；則其概率分布為：其中：n表示對當前定價感興趣的用戶數，m表示感興趣的用戶中實際以當前定價ω購買的用戶數量，Pω(m|n)表示在定價為ω時實際購買服務的用戶數量的概率分布；步驟A3：根據用戶需求確定基于市場供需關系的約束，保證基于用戶感知價值的需求分布符合市場供需關系；用戶的需求和云服務的價格成反比，價格越高，購買的用戶數會下降：當云服務的價格趨向無窮大的時候，購買的用戶數量應該趨向于零：其中：E(m|ω)表示定價為ω時，購買服務的用戶數量的期望；步驟A4：確定收費周期t內，在當前定價下對服務感興趣的人數n的概率分布：其中：λ1表示單位時間內用戶的到達率；步驟A5：由于到達率λ1具有波動性，為了表示這種不均勻的特性，確定λ1的分布：其中：α，β表示Gamma分布的兩個參數；Γ(α)表示gamma函數，與α的階乘相關；步驟A6：根據步驟A2-A5確定時間間隔t內實際購買用戶的概率分布：3.如權利要求1所述的最優服務定價方法，其特征在于所述步驟二具體包括：步驟B1：根據步驟A6，確定收費周期t內云服務定價為ω時，購買服務的用戶數量的期望：Eω(m)＝αβt(1-F(ω))。4.如權利要求1所述的最優服務定價方法，其特征在于所述步驟三具體包括：步驟C1：云服務收費模型采用按使用量收費，即每個用戶對應一個服務請求；確定收費周期t內系統的收入模型：Revenue＝ω·Eω(m)·t其中：Eω(m)表示定價為ω時實際購買云服務的用戶數量的期望。5.如權利要求1所述的最優服務定價方法，其特征在于所述步驟四具體包括：步驟D1：確定動態功耗Pd；在CMOS電路中，動態功耗是指實際執行任務時的功耗,且有Pd∝f3,s∝f；f,s分別表示處理器的頻率與運行速度，用每秒百萬條指令-MIPS衡量；可得Pd：Pd＝aCV2f＝ab2Cf2φ+1＝(ab2C/c2φ+1)s2φ+1＝ξsγ其中，aC分別表示動態活動因子和載入電容，V表示供給電壓；V＝bfφ,s＝cf，a和b表示常量，常量φ>0；ξ＝ab2C/c2φ+1，γ＝2φ+1；步驟D2：確定維護服務器集群正常運行的功耗,包括靜態功耗和動態功耗，考慮兩種下的功耗，即idle-speed及constant-speed模式；根據步驟D1，確定idle-speed模式下的功耗：其中，idle-speed模式表示，當某個服務器處于空閑時只有一個維護該機器正常運行的基本的運行速度，設定該速度為s0，該模式考慮靜態功耗；確定constant-speed模式下的功耗：P＝M(Pd+Ps)＝M(ξsγ+Ps)constant-speed模式表示，無論該機器處于“忙”狀態與否，該機器都以速度s運行；其中，M為服務器的個數；λ2表示服務請求單位時間內的到達率，是一個Poison分布流；ρ表示單位時間內集群中處于忙的服務器所占的百分比；表示任務的執行需求，用待執行的指令數來衡量，是一個獨立同分布的指數隨機變量；Ps表示單位時間內集群靜態功耗；步驟D3：確定耗費支出；根據功耗得出應繳納電費：Eleccos＝C(Ptotal)其中，Ptotal表示電費計費周期內總共的功耗，可由P得出，通常為一個月；函數C(x)表示與功耗有關的收費函數，根據不同城市電價規定不同表示不同，通常為階梯電價計費；步驟D4：確定租賃費用；Rentcos＝δM其中，δ表示單位計費周期內每臺服務器的平均租賃費用。6.如權利要求1所述的最優服務定價方法，其特征在于所述步驟五具體包括：步驟E1：確定系統的利潤模型：Profit＝Revenue-Eleccos-Rentcos其中，根據步驟三到步驟四得出上述變量含義；步驟E2：確定平均任務的響應時間用表示每個服務請求的平均執行時間，則有用μ表示單位時間內單個服務器平均完成的服務請求的數量，則有ρ表示單位時間內集群中處于忙的服務器所占的百分比，則有用pk表示M/M/m隊列系統中有k個服務請求正在被處理或處于等待的狀態，確定其概率：其中，p0表示隊列中沒有任務，表示如下：用Pq表示由于沒有空閑處理器，新到達的任務需要排隊的概率：用表示處于等待或執行中的平均任務數量：確定平均任務響應時間：步驟E3：將利潤模型轉化為一個帶約束條件的優化問題，即：max：ω·Eω(m)·t-C(Ptotal)-δMtP＝M(ξsγ+Ps)≤Pth(constant-speed模式)...

【專利技術屬性】
技術研發人員：魏同權，邵高原，
申請(專利權)人：華東師范大學，
類型：發明
國別省市：上海,31