丁長松，王志英，胡志剛

?

分布式環(huán)境中基于市場機制的資源自適應(yīng)調(diào)價策略

丁長松1,2，王志英1，胡志剛3

（1. 國防科技大學計算機學院，湖南長沙 410073； 2．湖南中醫(yī)藥大學管理與信息工程學院，湖南長沙 410208；3．中南大學軟件學院，湖南長沙 410083）

針對分布式環(huán)境中資源定價面臨的資源使用率、價格、收益三者之間的沖突問題，提出一種基于市場機制的資源自適應(yīng)調(diào)價策略。該策略在保障資源提供者收益前提下，通過資源價格自適應(yīng)動態(tài)調(diào)整來平衡資源節(jié)點上的任務(wù)分配與資源提供者收益之間的沖突。理論分析證明了調(diào)價策略的有效性，并在此基礎(chǔ)上設(shè)計了自適應(yīng)調(diào)價算法。仿真實驗采用真實分布式系統(tǒng)中資源節(jié)點信息作為實驗節(jié)點的性能參數(shù)，在大規(guī)模網(wǎng)格任務(wù)中檢驗了自適應(yīng)調(diào)價策略的性能表現(xiàn)。實驗結(jié)果表明，基于市場機制的“自適應(yīng)調(diào)價策略”在保障資源收益、均衡資源利用率的性能表現(xiàn)方面顯著優(yōu)于傳統(tǒng)的定價策略。

分布式計算；市場機制；自適應(yīng)；調(diào)價策略

1 引言

網(wǎng)格計算[1]和云計算[2]等網(wǎng)絡(luò)計算平臺通過整合資源提供強大的計算能力，為實時計算、可視化遠程醫(yī)療、電子商務(wù)等領(lǐng)域中復(fù)雜的大型任務(wù)提供服務(wù)，并在服務(wù)過程中保障“非凡的服務(wù)質(zhì)量”[3]。相關(guān)研究[4~6]顯示，利用經(jīng)濟模型管理資源在促進資源公平分配、激勵資源所有者和資源使用者參與交易、資源分配與資源供需變化的自適應(yīng)等方面都有很好的表現(xiàn)。然而，作為市場機制中的核心問題之一，資源定價問題一直難以得到有效解決，其復(fù)雜性主要體現(xiàn)在以下2個方面：1）資源提供給其他用戶使用的時間段內(nèi)，到達的本地任務(wù)QoS指標，如等待時間、資源利用率等均受到不同程度的影響，網(wǎng)絡(luò)環(huán)境下資源的動態(tài)性增加了量化這種負面影響的難度；2）市場經(jīng)濟環(huán)境中收益、價格以及資源分配三者之間關(guān)系的復(fù)雜性，加大了利用價格平衡資源提供者收益的難度。因此，如何通過合理的定價機制來保障資源提供者本地任務(wù)的QoS且使資源提供者獲得合理收益，是一個亟待解決的問題。

本文從資源性能的真實統(tǒng)計特性出發(fā)，將市場經(jīng)濟中價格對資源使用者的影響作為價格調(diào)整的基礎(chǔ)，引入成本價格彌補出讓資源使用權(quán)帶來的不利影響、利潤價格增加額外收益，通過價格的自適應(yīng)調(diào)整保障資源提供者得到合理的資源分配，并促使各資源節(jié)點的負載大體平衡。

2 相關(guān)工作

借用經(jīng)濟學理論分析市場交易中各參與方的行為、交易收益的方法已被廣泛應(yīng)用于計算機資源管理中，且其有效性已在諸多基于經(jīng)濟學理論的實際資源管理系統(tǒng)中得到驗證。如為解決聯(lián)網(wǎng)異構(gòu)計算機的調(diào)度問題，Waldspurger等[7]設(shè)計并實現(xiàn)了一個面向市場調(diào)度的Spawn系統(tǒng)。該系統(tǒng)采用Vickrey拍賣機制，用戶根據(jù)各自偏好，如成本最低、響應(yīng)時間最小等指標，制定相應(yīng)競標策略。針對網(wǎng)絡(luò)中多用戶的帶寬分配問題，文獻[8]采用效用函數(shù)衡量網(wǎng)絡(luò)用戶的滿意度，提出了基于網(wǎng)絡(luò)聚合效用最大化的網(wǎng)絡(luò)跨層映射模型，該模型求解出的最優(yōu)帶寬分配與各用戶的支付費用情況相關(guān)。近年來出現(xiàn)的云計算模式由于其提出就考慮商業(yè)實現(xiàn)，因而經(jīng)濟學理論往往應(yīng)用于資源分配中，如針對云虛擬機資源的分配問題，文獻[9]提出了以云效用最大為資源調(diào)度目標的云虛擬機資源分配模型。

資源定價作為經(jīng)濟模型中資源交易各參與方關(guān)注重點，其策略直接影響到資源管理的效果。資源定價主要分為集中式和分布式2種策略。前者根據(jù)資源市場的總體供需情況對資源價格進行同步調(diào)節(jié)，如商業(yè)分配方式[10]；后者則根據(jù)資源供需情況進行單獨調(diào)價，整體資源的均衡價格通過對每個資源重復(fù)調(diào)價獲得。集中式定價算法收斂速度快，但價格相對固定，難以適應(yīng)動態(tài)變化的網(wǎng)絡(luò)環(huán)境，且算法復(fù)雜度相對較高。分布式定價在進行價格調(diào)節(jié)時沒有考慮各個資源價格之間的相關(guān)性，因而不適應(yīng)資源價格關(guān)聯(lián)性較強的情況[11]，但算法復(fù)雜度相對較低。針對市場機制下網(wǎng)格資源調(diào)價動態(tài)變化快，資源價格的調(diào)整節(jié)奏與網(wǎng)格環(huán)境中資源供需關(guān)系變化難以保持相對一致的情況，文獻[11]結(jié)合集中式調(diào)價算法收斂快速的優(yōu)點，對分布式調(diào)價WALRAS算法[12]進行了改進，提了分布式分組調(diào)價算法。文獻[13]針對異構(gòu)無線網(wǎng)絡(luò)資源管理問題，提出了基于Stackelberg博弈模型的分布式定價和資源分配算法。

相關(guān)研究顯示[14~16]，分布式環(huán)境中資源所有者出讓資源使用權(quán)后，將導(dǎo)致本地任務(wù)的性能指標如任務(wù)反應(yīng)時間、任務(wù)平均等待時間增加等問題。為了弱化其給本地任務(wù)帶來的負面影響，文獻[17]根據(jù)本地任務(wù)的統(tǒng)計特性制定定價策略，通過價格來保障資源提供者利益。針對網(wǎng)格計算中多QoS約束的作業(yè)調(diào)度NP難問題，文獻[18]將該問題歸約為多目標組合最優(yōu)化問題，并提出了相應(yīng)的多目標演化算法以保障網(wǎng)格用戶的效用。針對分布式資源管理中用戶的信任QoS與服務(wù)調(diào)度難以融合的問題，文獻[19]通過效用函數(shù)量化服務(wù)提供者與服務(wù)請求者間信任關(guān)系，并在此基礎(chǔ)上提出了保證多QoS的服務(wù)調(diào)度算法。

本文借鑒了分布式定價策略中“根據(jù)資源供需情況單獨調(diào)價以達供需平衡”的思想，但與傳統(tǒng)的分布式資源定價機制沒有考慮資源間的相關(guān)性不同，本文將資源間的相關(guān)性體現(xiàn)在任務(wù)分配的博弈之中，通過市場交易中心根據(jù)資源所有者的報價與市場整體情況確定資源分配方案，資源所有者通過價格調(diào)整使分配方案與整個市場的供需關(guān)系保持一致。

3 問題描述

多資源協(xié)同服務(wù)的交易系統(tǒng)由資源用戶、交易中心、資源代理和資源提供方4個主要實體組成。其中，資源提供方由資源集群組成，作為生產(chǎn)者提供資源。本文僅考慮在某時間段已被使用的資源在該時間段不能再被其他用戶使用的獨占型、消耗型資源，如CPU計算能力、存儲能力等，并由資源代理對價格進行決策；資源用戶作為消費者使用資源提供方的服務(wù)，根據(jù)使用服務(wù)的情況支付相應(yīng)的費用；資源分配由交易中心決定，整個資源交易在交易中心的監(jiān)管下進行；資源代理根據(jù)資源提供方的歷史統(tǒng)計情況與市場交易情況對資源的利潤價格進行自動調(diào)節(jié)。

資源提供方和資源用戶通過市場交易來提供和使用資源，雙方追求各自收益最大化?；谝话闶袌鼋?jīng)濟學中理性選擇原理和曼昆經(jīng)濟學理論[20]，本文基于以下3點假設(shè)。

1) 資源提供方希望通過提供相同資源使用權(quán)所獲得的資源利潤越大越好。

2) 在使用相同服務(wù)的情況下，資源用戶希望支付費用越低越好。

3) 市場希望各交易參與方滿意，各資源提供方的收益大體平衡。

在上述3點假設(shè)的基礎(chǔ)上，設(shè)資源提供方將某時間段內(nèi)的資源使用權(quán)以單位時間價格提供給資源用戶并獲得一定的收益，其收益為

其中，為資源提供方實際出讓的服務(wù)能力，即資源交易中資源的交易量。根據(jù)前面的假設(shè)可知，在提供相同服務(wù)的前提下，價格越低的資源提供方由于資源用戶追求低的費用，因而其獲得資源交易量越大。在為資源用戶提供資源服務(wù)的時間段內(nèi)可能增加“資源碎片”或可能導(dǎo)致該時間段內(nèi)到達的本地任務(wù)QoS無法保障等情況，從而給本地任務(wù)造成一定的損失。本文采用經(jīng)濟學中成本加成定價模式[21]，將資源單位價格表示為單位成本和加成價格

(2)

其中，單位成本0為提供資源使用權(quán)給資源所有者帶來負面影響以及為提供服務(wù)所增加的額外開銷在市場環(huán)境中的貨幣量化，如協(xié)同服務(wù)時增加的網(wǎng)絡(luò)通信開銷成本也包含其中。0根據(jù)實際環(huán)境確定，如文獻[17]針對網(wǎng)格計算環(huán)境采取了本地任務(wù)的概率分布特性進行計算；Δ為加成部分，根據(jù)“3C+R”定價原理中成本是定價下限約束[23]，將Δ>0作為約束條件。由加成定價模式的定價經(jīng)驗公式可知

(4)

根據(jù)第2點假設(shè)可知，理性的資源用戶在相同服務(wù)的前提下會選擇與價格低的資源提供方進行交易。因此，在資源用戶的總需求確定的情況下，資源用戶和資源提供方之間發(fā)生的交易量與資源價格相關(guān)。又由于在實際的資源交易場景中成本0確定，從式（4）可知資源價格隨值的變化而變化。綜合上述分析可得，資源的交易量與利潤因子相關(guān)?；诖?，本文基于資源的交易量與利潤因子之間的相關(guān)性，通過調(diào)節(jié)值促使各節(jié)點負載趨于均衡。

4 自適應(yīng)調(diào)價策略

資源交易中參與者根據(jù)歷史情況對本次交易的結(jié)果做出期望，但由于交易是多方博弈過程，其實際結(jié)果與期望存在著差異。針對該情況，根據(jù)資源代理預(yù)期出讓的服務(wù)能力0與資源提供方實際出讓的服務(wù)能力之間的差距分為：1）|?0|≤0；2）0<|?0|≤1；3）1<|?0|。其中，0和1分別代表資源代理所能接受和較靠近接受的出讓服務(wù)能力與期望出讓服務(wù)能力之間的最大差值，0同時也是價格自適應(yīng)調(diào)整終止參數(shù)。1）和2）分配結(jié)果沒有達到資源代理所能接受的范圍，因而需要對價格進行適當調(diào)整以使出讓的服務(wù)能力滿足資源代理的期望，其調(diào)價流程如圖1所示。

4.1 第1調(diào)價策略

當0<|?0|≤1時，利潤因子值只需進行微調(diào)。由于每次調(diào)整為使|?0|趨近于0，因而該調(diào)整可采用摸索過程（tatonnement）[22]。在調(diào)整過程中利潤因子相近，2次幅度調(diào)整關(guān)系表示為，其中和分別為第次調(diào)價幅度和價格調(diào)整速率，為使每次調(diào)整后|-0|更趨近0，令，其中，為常系數(shù)，其值域為(0, 1)。該摸索過程如圖2所示，通過構(gòu)造李亞普諾夫能量函數(shù)的方法可證明該過程是收斂的。

4.2 第2調(diào)價策略

當1<|?0|時，利潤因子值需調(diào)整的幅度較大，其調(diào)整目標依然是使|?0|趨近于0，因而該調(diào)整過程依然可采用摸索過程。與第1調(diào)價策略不同之處在于，為使|?0|能在盡量少的調(diào)整過程中接近0甚至達到|?0|≤0的范圍，利潤因子相近的2次幅度調(diào)整速率的系數(shù)的取值方法如下

4.3 自適應(yīng)調(diào)價算法

自適應(yīng)調(diào)價算法（A3PA, auto-adapted adjustment price algorithm）的偽碼如圖3所示。

輸入：由各資源集群信息組成的隊列RQ、任務(wù)申請T、資源代理承受閾值k0、k1輸出：價格方案p=(p1,…, pn)Begin1) 初始化價格方案（p=null）2) 過濾掉不滿足任務(wù)申請QoS約束的資源節(jié)點，并對符合條件的資源節(jié)點的利潤因子λi進行初始化，計算成本價格并將價格上報給交易中心，Q=03) while Q=0 do4) 交易中心根據(jù)各資源代理報價，結(jié)合市場規(guī)則選擇資源分配方案5) 計算在各資源代理所能接受的分配方案區(qū)間的任務(wù)QoS表現(xiàn)6) if QoS表現(xiàn)滿足需求約束，then Q=17) end while8) while RQ<>null do9) if 存在資源代理|c?c0|≤k0 then10) 該資源代理出隊列RQ，并將該代理價格加入隊列p=(p1,…, pn)11) else if |c?c0|≤k1 then 12) 執(zhí)行第1調(diào)價策略else13) 執(zhí)行第2調(diào)價策略14)endif15) 隊列RQ中的代理上報交易中心調(diào)整后的價格16)end while17) 輸出p=(p1,…, pn)End

A3PA算法首先初始化價格方案，過濾不滿足任務(wù)QoS約束的節(jié)點和根據(jù)歷史日志計算出成本價格并對利潤因子進行初始化（步驟1)和步驟2)），接下來根據(jù)任務(wù)QoS約束確定資源分配方案（步驟3)~ 步驟7)），然后資源代理隊列根據(jù)交易中心的分配方案確定是否對價格進行調(diào)整以及如何調(diào)整（步驟9)~ 步驟13)）。為保證每個資源代理獲得可接受的分配方案，用<>null作為循環(huán)約束條件（步驟8)~步驟16)）。理想情況為交易中心根據(jù)各資源代理初始化利潤因子λ計算出的分配方案就能滿足各資源代理的期望，在該情況下算法的時間復(fù)雜度為()。最壞情況為根據(jù)各資源代理初始化利潤因子計算出的資源交易量沒有資源代理能接受，每個節(jié)點都需要進行調(diào)價，但是需要調(diào)價的資源代理數(shù)量與時間復(fù)雜度無關(guān)，這是由于在步驟8)~步驟16)中循環(huán)約束條件只要存在資源代理對資源分配方案不滿意就繼續(xù)調(diào)整價格，具體的時間復(fù)雜度與所選的調(diào)整策略承受閾值0相關(guān)，A3PA算法的收斂性由調(diào)價策略1和調(diào)價策略2的收斂性保障。

5 實驗結(jié)果與性能評估

5.1 仿真實驗設(shè)計

為檢驗本文提出的分布式環(huán)境中自適應(yīng)定價策略（A3PS, auto-adapted adjustment price strategy）的性能表現(xiàn)，基于GridSim搭建了一個分布式系統(tǒng)。實驗中各站點性能參數(shù)配置采用Grid’5000[23]在2015年4月22日的實際配置，詳細信息如表1所示。任務(wù)負載采用Lublin-Feitelson模型生成。考慮到任務(wù)由Lublin-Feitelson模型隨機生成，實驗數(shù)據(jù)采用每次實驗重復(fù)10次后的平均結(jié)果。

表1 模擬網(wǎng)格系統(tǒng)的數(shù)據(jù)信息

模擬實驗將A3PS策略與在資源定價中廣泛應(yīng)用的招投標/合同網(wǎng)模型（TCM, tender/contract-net model）[24]和商品市場模型（CMM, commodity market model）[25]的性能表現(xiàn)進行比較。

5.2 性能分析與比較

5.2.1 性能比較

表2 模擬實驗結(jié)果

表2中數(shù)據(jù)顯示，TCM策略的任務(wù)完成時間最長，而A3PS策略的任務(wù)完成時間最短，其原因在于TCM策略中資源價格由資源所有者指定，其定價機制相對固定，導(dǎo)致資源用戶選擇資源時具有隨機性，選擇的資源不一定是最合適的資源。然而，A3PS策略其價格中成本價格部分就蘊含著本地任務(wù)對資源的使用情況，而理性的資源使用者都傾向于選擇價格低的資源，因此其任務(wù)完成時間最短。TCM模型的最大反映出各資源利用率情況相差很大，這正是由于TCM模型中資源用戶一旦選擇了某個資源提供方后就不會考慮其他資源情況的這一缺陷所致，而A3PS策略的最小體現(xiàn)了其有使資源負載趨向平衡的能力，分析原因還是在于A3PS策略的定價考慮了成本價格且利潤價格與市場整體利潤平衡時的資源提供方才停止調(diào)價，而資源用戶將任務(wù)放在價格較低的資源節(jié)點上運行，價格低的資源節(jié)點其本地任務(wù)相對較少，因而起到了平衡資源節(jié)點負載作用。

表2中數(shù)據(jù)顯示，3種策略的總收益和總利潤之間的差距都較大。導(dǎo)致這一現(xiàn)象的原因在于實驗中設(shè)置的費用預(yù)算較大，在進行任務(wù)分配時費用預(yù)算對分配策略影響不大。實驗中發(fā)現(xiàn)如果將費用預(yù)算減少，3種策略的總收益差距會減小。造成總利潤之間的差距較大的原因是，A3PS策略在成本價格較低的資源節(jié)點上分配的任務(wù)多，因而其利潤相對高，根據(jù)定價策略可知，成本價格與資源節(jié)點原有負載相關(guān)，即成本價格低的節(jié)點其負載較低，通過A3PS策略把資源用戶的任務(wù)更多地分配到負載較低的節(jié)點中，這也與A3PS策略值最小相符合。

實驗中發(fā)現(xiàn)，A3PS策略的資源節(jié)點總調(diào)價次數(shù)明顯高于其他策略，正是由于該策略具有自適應(yīng)調(diào)價的靈活性，根據(jù)市場供需情況采用自動調(diào)價，使收益符合各自預(yù)期。

5.2.2 參數(shù)分析

上述檢驗A3PS策略實驗中，當0<|?0|≤1時，采取第1調(diào)價策略時||=0.1；當1<|?0|時，初始=1.2，接納閾值0=0.025。為進一步研究不同參數(shù)情況下調(diào)價策略對資源節(jié)點以及任務(wù)QoS指標的影響，對策略中參數(shù)采取了不同的取值。表3中1、2分別為0<|?0|≤1時，||和1<|?0|中的取值。

表3 模擬實驗結(jié)果

綜合上述實驗結(jié)果可以得出：調(diào)價函數(shù)和接納閾值對系統(tǒng)的調(diào)節(jié)次數(shù)有很大的影響，接納閾值相同的情況下調(diào)價函數(shù)的變化對各資源的總收益與任務(wù)完成時間沒有明顯影響，資源的總收益和任務(wù)完成時間、調(diào)價次數(shù)與接受閾值相關(guān)，而且接受閾值越小調(diào)價次數(shù)越多，收益越大，這表示資源提供者對分配策略的要求比較苛刻，表明資源分配方案與價格調(diào)整函數(shù)關(guān)系不大，只要資源提供方的接納分配策略范圍|?0|<0確定，其資源分配方案就能確定。

6 結(jié)束語

如何合理地對資源定價是基于市場機制進行資源管理的一個核心問題。本文在保障本地節(jié)點利益并尊重市場規(guī)律的前提下，對資源提供方出讓的使用權(quán)進行價格確定，在該定價過程中資源代理利用市場對價格的反應(yīng)，通過對價格進行自適應(yīng)調(diào)整，使市場中資源分配方案符合資源代理所設(shè)置的資源分配接納區(qū)間，以此來保障資源提供方的收益，并建立了資源自適應(yīng)市場變化的定價策略。對GridSim進行了改進與擴展，并在此平臺上對提出的自適應(yīng)定價策略進行的仿真實驗結(jié)果表明，本文提出的定價策略不但保障了資源提供方的收益，而且能使各資源節(jié)點的資源負載趨于平衡。下一步工作將主要集中研究資源提供者不同偏好以及多QoS約束下保障價格的定價機制與價格調(diào)整函數(shù)的優(yōu)化。

[1] FOSTER I, KESSELMAN C. The grid: blueprint for a new computing infrastructure, second edition [M]. Singapore: Elsevier Inc. 2004.

[2] LUO J Z, JIN J H, SONG A B, et al. Cloud computing: architecture and key technologies [J]. Journal on Communications, 2011,32(7): 3-21.

[3] FOSTER I. What is the Grid? a three point checklist [J]. GRID Today, 2002, 1(6): 20-27.

[4] BUYYA R. Economic-based distributed resource management and scheduling for grid computing[D]. Monash University, Australia, 2002.

[5] SANDHOLM T. Making markets and democtacy work: a story of incentives and computing[C]//The International Joint Conference on Artificial Intelligence (IJCAI-03), c2003: 1649-1671.

[6] 曹鴻強, 肖儂, 盧錫城, 等. 一種基于市場機制的計算網(wǎng)格資源分配方法[J]. 計算機研究與發(fā)展, 2002, 39(8): 913-916

CAO H Q, XIAO N, LU X C, et al. A market-based approach to allocate resources for computational grids [J]. Journal of Computer Research and Development, 2002, 8(39): 913-916.

[7] WALDSPURGER C, HOGG T, HUBERMAN B, et al. Spawan: a distributed computation economy [J]. IEEE Transactions on Software Engineering, 1992, 18(2): 103-117.

[8] 李世勇, 楊冬, 秦雅娟, 等.基于效用最大化的網(wǎng)絡(luò)跨層映射[J].軟件學報,2011,22(8):1855-1871.

LI S Y, YANG D, QIN Y J, et al. Network cross-layer mapping based in utility maximization[J]. Journal of Softeware, 2011, 22(8): 1855-1871.

[9] 師雪霖,徐恪.云虛擬機資源分配的效用最大化模型[J]. 計算機學報, 2013,36(2): 252-262.

SHI X L, XU K. Utility maximiztion model of virtual machine scheduling in cloud environment[J]. Chinese Journal of Computers, 2013, 36(2): 252-262.

[10] KENYON C, CHELIOTIS G. Grid resource commercialization: economic engineering and delivery scenarios grid resource management: state of the art and research issues [M]. Kluwer, 2003.

[11] 翁楚良, 陸鑫達. 一種基于市場機制的網(wǎng)格資源調(diào)價算法[J]. 計算機研究與發(fā)展, 2004, 41(7): 1151-1156.

WENG C L, LU X D. A pricing algorithm for market-based resource management on grid computing systems[J]. Jouranl of Computer Research and Development, 2004, 7(41): 1151-1156.

[12] CHENG J Q, WELLMAN M P. The WALRAS algorithm: a convergent distributed implementation of general equilibrium outcomes [J]. Computational Economics, 1998, 12(1): 1-24.

[13] 姜永, 陳山枝, 胡博. 異構(gòu)無線網(wǎng)絡(luò)中基于Stackelberg博弈的分布式定價和資源分配算法[J].通信學報, 2013, 34(1): 61-68.

JIANG Y, CHEN S Z, HU B. Stackelberg games – based distributed algorithm of pricing and resource allocation in heterogeneous wireless netwotks[J]. Journal on Communications, 2013, 34(1): 61-68.

[14] SMITH W, FOSTER I, TAYLOR V. Scheduling with advanced reservations[C]//14th International Parallel and Distributed Processing Symposium(IPDPS 2000), c2000: 127-132.

[15] CAO J F. Zimmermann. Queue scheduling and advance reservations with COSY[C]//18th International conference on Parallel and Distributed Processing Symposium, c2004: 63a.

[16] HEINE F, HOVESTADT M, KAO O, et al. On the impact of reservations from the Grid on planning-based resource management[C]//International Conference on Computational Science-(ICCS 2005). c2005: 155-162.

[17] 丁長松, 王志英, 胡志剛. 基于效用驅(qū)動的網(wǎng)格資源協(xié)同預(yù)留策略[J]. 通信學報, 2014, 35(3): 101-107.

DING C S, WANG Z Y, HU Z G. Utility-driven based co-allocation resource reservation strategy in computational grid[J]. Journal on Communications, 2014, 35(3): 101-107.

[18] 張偉哲, 胡銘曾, 張宏莉, 等. 多QoS約束網(wǎng)格作業(yè)調(diào)度問題的多目標演化算法[J]. 計算機研究與發(fā)展, 2006, 43(11): 1855-1862.

ZHANG W Z, HU M Z, ZHANG H L, et al. A multiobjective evolutionary algorithm for grid job scheduling of multi-QoS constraints [J]. Journal of Computer Research and development, 2006, 43(11): 1855-1862.

[19] 張偉哲, 方濱興, 胡銘曾, 等. 基于信任QoS增強的計算服務(wù)調(diào)度算法[J]. 計算機學報, 2006, 29(7): 1157-1166.

ZHANG W Z, FANG B X, HU M Z, et al. A trust-QoS enhanced grid service scheduling [J]. Chinese Journal of Computers, 2006, 29(7): 1157-1166.

[20] MANKIW N G. Teaching the principles of economics [J]. Eastern Economic Journal, 1998, 24(4): 519-524.

[21] 駱品亮.定價策略[M]. 上海:上海財經(jīng)大學出版社, 2013. 19-22. LUO P L. Pricing strategy. Shanghai: Shanghai University of Finance and Economics Press, 2013. 19-22.

[22] VARIAN H R. Microeconomic analysis[M]. New York: W.W. Norton & Company, 1992.

[23] MediaWiki. Grid5000: Home[EB/OL]. https://www.grid5000.fr/ mediawiki/index.php/Grid5000:Home.

[24] SMITH R, DAVIS R. The contract net protocol: high level communication and control in a distributed problem solver [J]. IEEE Transactions on Computers, 1980, 29(12): 1104-1113.

[25] MCKNIGHT L W, BOROUMAND J. Pricing internet service: approaches and challenges [J]. IEEE Computer, 2000, 33(2): 128-129.

Self-adaptive price adjustment strategy based on market mechanism in distributed environment

DING Chang-song1,2, WANG Zhi-ying1, HU Zhi-gang3

(1. College of Computer, National University of Defense Technology, Changsha 410073, China; 2. School of Management and Information Engineering, Hunan University of Chinese Medicine, Changsha 410208, China; 3. School of Software, Central South University, Changsha 410083, China)

To solve the resource pricing problem of the collision among resource utilization, price and benefits in distributed computing environments, a self-adaptive pricing strategy of resource services based on market mechanism was proposed. On the premise of the local resource benefits, this adaptive pricing strategy guaranteed the resource to self-adapt the price dynamically so as to balance the collision between the assigned tasks on the resource node and the benefits of the resource provider. The theoretical analysis proved the effectiveness of the pricing strategy, and the algorithm of the pricing strategy was designed. Resources node information in the real distributed systems was used as the performance parameters of experimental node in the simulation experiments, and the performance of the adaptive pricing strategy was tested in a large-scale grid mission. Experimental results show that, compared with the traditional pricing strategies, the adaptive pricing strategy based on market mechanism has vastly superior performance on the resource benefits and the balance of resource utilization.

distributed computing, market mechanism, self-adaptive, price adjustment strategy

TP393

A

10.11959/j.issn.1000-436x.2016027

2015-05-20；

2016-01-05

國家自然科學基金資助項目（No.81573985）；湖南省科技廳基金資助項目（No.2011RS4025, No.2013GK3143）；湖南省教育廳優(yōu)秀青年基金資助項目（No.13B079）

The National Natural Science Foundation of China (No.81573985),The Science and Technology Projects Fund of Hunan Province (No.2011RS4025, No.2013GK3143), Scientific Research Fund for Outstanding Young Teachers of Hunan Provincial Education Department (No.13B079)

丁長松（1975-），男，湖南漢壽人，湖南中醫(yī)藥大學副教授、碩士生導(dǎo)師，主要研究方向為云計算、中醫(yī)藥信息化。

王志英（1956-），男，山西長治人，國防科技大學教授、博士生導(dǎo)師，主要研究方向為計算機系統(tǒng)結(jié)構(gòu)。

胡志剛（1963-），男，山西孝義人，中南大學教授、博士生導(dǎo)師，主要研究方向為網(wǎng)絡(luò)并行計算、嵌入式系統(tǒng)、網(wǎng)絡(luò)安全。