董春利 王莉

移動(dòng)云網(wǎng)絡(luò)（Mobile Cloud Network，MCN）摘? ?要：云網(wǎng)絡(luò)提供了服務(wù)器的本地網(wǎng)絡(luò)連接和數(shù)據(jù)中心的遠(yuǎn)程鏈接，以創(chuàng)建支持具有不同資源需求和實(shí)用程序的大量用戶和應(yīng)用程序的資源池。因此，資源管理成為云網(wǎng)絡(luò)中最重要的問題之一。文章回顧了云數(shù)據(jù)中心網(wǎng)絡(luò)資源管理中，經(jīng)濟(jì)和定價(jià)模型的應(yīng)用，主要包括云無線接入網(wǎng)、微云和移動(dòng)電信云中的資源管理。

關(guān)鍵詞：云網(wǎng)絡(luò);資源管理;經(jīng)濟(jì)和定價(jià)模型;邊緣計(jì)算

由若干部分構(gòu)成，包括云計(jì)算基礎(chǔ)設(shè)施（即數(shù)據(jù)中心）、無線接入網(wǎng)絡(luò)（Radio Access Network，RAN）、云移動(dòng)核心網(wǎng)絡(luò)和移動(dòng)平臺(tái)服務(wù)。MCN中的無線環(huán)境是動(dòng)態(tài)的、分布式的和異構(gòu)的，傳統(tǒng)的靜態(tài)方法不可能實(shí)現(xiàn)最佳的資源管理，而最近采用的經(jīng)濟(jì)和定價(jià)模型，可以動(dòng)態(tài)、有效地管理MCN中資源。

本文對(duì)經(jīng)濟(jì)和定價(jià)模型在MCN中的云無線接入網(wǎng)（Cloud-RAN）、微云和移動(dòng)電信云中的資源管理，進(jìn)行了回顧。

1? ? Cloud-RAN

Cloud-RAN是一種基于云計(jì)算的集中式無線接入網(wǎng)絡(luò)架構(gòu)。在Cloud-RAN中，基站的信號(hào)處理功能在云中執(zhí)行，即集中式基帶處理單元（Building Base band Unit，BBU）或BBU池。然后，基于從云端接收的基帶信號(hào)，由遠(yuǎn)程無線電頭端（Remote Radio Head，RRH），向用戶發(fā)送無線電信號(hào)。為了連接BBU和RRH，使用前傳鏈路。Cloud-RAN的設(shè)計(jì)目標(biāo)之一是最小化從RRH到用戶的總下行鏈路傳輸功率，同時(shí)，保持前傳容量和用戶服務(wù)質(zhì)量（Quality of Service，QoS）約束。

為實(shí)現(xiàn)這一目標(biāo)，Ha等研究了兩個(gè)問題：第一個(gè)問題旨在確定服務(wù)于每個(gè)移動(dòng)用戶的一組RRH和用于RRH的預(yù)編碼向量，以最小化來自RRH到移動(dòng)用戶的總傳輸功率，同時(shí)，限制前傳容量。第二個(gè)問題是最小化從RRH到移動(dòng)用戶的總傳輸功率，以及BBU和RRH之間的總前傳容量。在調(diào)整與RRH相關(guān)的定價(jià)系數(shù)的同時(shí)，通過迭代地解決第二個(gè)問題來解決第一個(gè)問題。每個(gè)RRH的定價(jià)系數(shù)是指云與RRH之間鏈路的每單位前傳容量的價(jià)格。RRH的前傳容量是其定價(jià)系數(shù)的遞減函數(shù)。解決第一個(gè)問題是通過二元搜索方法實(shí)現(xiàn)的，該方法調(diào)整定價(jià)系數(shù)，使RRH的前傳容量等于其最大允許限值。在第二個(gè)問題中，目標(biāo)函數(shù)是凹的，并且對(duì)應(yīng)于所有約束的可行區(qū)域也是凸的。因此，可以通過使用梯度方法來解決該問題。仿真結(jié)果表明，當(dāng)為一個(gè)用戶服務(wù)的最大RRH數(shù)量較大時(shí)，總傳輸功率較小。然而，這也導(dǎo)致高計(jì)算復(fù)雜性[1]。

Dahrouj等[2]研究的模型包括通過RRH為多個(gè)用戶提供服務(wù)的單個(gè)云。多個(gè)云（Multi-Cloud RAN，M-CRAN）可用于滿足用戶的處理需求。Dahrouj等解決了分配用戶，即買方到云（即賣方）的問題，使得每個(gè)云的總體凈收益最大化。每個(gè)云解決了背包問題，其目標(biāo)和約束分別是凈收益和資源預(yù)算。資源預(yù)算被定義為云可以服務(wù)的最大用戶數(shù)。如果無法保證QoS服務(wù)，云還會(huì)支付其用戶的懲罰成本。因此，服務(wù)于用戶的云的凈效益功能是用戶支付的價(jià)格與懲罰成本之間的差異，完整多項(xiàng)式時(shí)間近似方案可用于找到最佳用戶組。云可以增加懲罰成本以吸引更多用戶，并迭代地執(zhí)行算法以最大化其整體凈收益，但是會(huì)產(chǎn)生很高的計(jì)算復(fù)雜度。

2? ? 微云

微云稱為移動(dòng)邊緣計(jì)算，或移動(dòng)朵云[3]，是一個(gè)移動(dòng)性增強(qiáng)的小規(guī)模云數(shù)據(jù)中心。它可以位于網(wǎng)絡(luò)的邊緣，例如在移動(dòng)用戶連接的基站處，其目標(biāo)是為移動(dòng)用戶提供低延遲下的云服務(wù)。因此，微云被認(rèn)為是3層模型的中間層，即移動(dòng)設(shè)備—微云—云。微云層的資源是有限的，因此，基于競(jìng)爭(zhēng)的定價(jià)模型，如雙重拍賣，被有效地用于移動(dòng)用戶的資源分配。

Jin等[4]在研究中討論的雙重拍賣，可以達(dá)到個(gè)人理性和預(yù)算均衡，但不能保證真實(shí)性。Jin等通過根據(jù)Vickrey拍賣的支付方案向用戶收費(fèi)來解決這個(gè)問題。該模型包括：（1）移動(dòng)用戶，即買方。（2）微云，即賣方。（3）中央控制器，即拍賣方。微云僅為其附近的移動(dòng)用戶提供服務(wù)，以減少通信延遲。拍賣經(jīng)理按照詢價(jià)從高到低的順序?qū)I方進(jìn)行分類。選擇中間賣方的詢問，作為確定獲勝買方和賣方候選者的閾值。對(duì)于每個(gè)獲勝賣方候選人，拍賣經(jīng)理選擇具有最高價(jià)格的獲勝買方，并且以次高出價(jià)的價(jià)格收費(fèi)。如果買方贏得兩個(gè)或兩個(gè)以上的賣方，拍賣經(jīng)理只能選擇一個(gè)賣方，使買方的效用最高。仿真結(jié)果表明，當(dāng)買方以實(shí)際價(jià)格出價(jià)時(shí)，其效用得到改善。然而，系統(tǒng)效率方面，最終買方與獲勝賣方之間的最終匹配數(shù)量?jī)H達(dá)到最優(yōu)方案的50%左右。

Jin等使用相同的模型，考慮了拍賣中的隨機(jī)性和不確定性，以提高系統(tǒng)效率。具體而言，拍賣經(jīng)理將賣方隨機(jī)分類列表。為了確定每個(gè)賣方的獲勝買方，拍賣經(jīng)理定義了不包括該賣方詢問的詢問向量，然后計(jì)算該向量的中值詢問。在出價(jià)高于賣方要求的買方中，出價(jià)最高的買方贏得賣方的服務(wù)。然后，將獲勝的買方和賣方分別插入到獲勝買方和獲勝賣方的集合中。向獲勝買方收取的清算價(jià)格和支付給賣方的價(jià)格設(shè)定為相同。更具體地說，價(jià)格是賣方中間詢價(jià)的最大值和所有買方的次高出價(jià)。由于任何贏家組中的獲勝買方都不會(huì)與剩余賣方的其他買方競(jìng)爭(zhēng)，因此，候選人淘汰算法不是必需的，系統(tǒng)效率因此得到提高。仿真結(jié)果表明，所提出的解決方案實(shí)現(xiàn)的系統(tǒng)效率達(dá)到最優(yōu)方案的80%。但是，所提出的解決方案并不能保證買方強(qiáng)有力的真實(shí)性。

3? ? 移動(dòng)電信云

除了前面提到的微云模型之外，還有一種類似的模型，稱為移動(dòng)電信云（Mobile Telecommunications Cloud，MTC）[5]。邊緣云服務(wù)由移動(dòng)網(wǎng)絡(luò)運(yùn)營商提供，它為移動(dòng)用戶提供最后一英里的互聯(lián)網(wǎng)接入。網(wǎng)絡(luò)運(yùn)營商充當(dāng)代理商，使用來自云提供商（例如亞馬遜）的折扣提供更好、更便宜的云服務(wù)給他們的用戶。特別地，當(dāng)接收用戶的云請(qǐng)求時(shí)，經(jīng)紀(jì)人將資源預(yù)留制定為總成本最小化問題?？偝杀救Q于用戶的云請(qǐng)求，經(jīng)紀(jì)或云提供商提供的云服務(wù)的成本，以及云提供商提供的折扣閾值。然后用線性規(guī)劃結(jié)合舍入技術(shù)或最小成本貪婪來解決這個(gè)問題。最佳解決方案允許經(jīng)紀(jì)人使用兩個(gè)條件來設(shè)定其價(jià)格范圍：（1）報(bào)價(jià)低于云提供商的建議價(jià)格。（2）經(jīng)紀(jì)業(yè)務(wù)的總成本小于給用戶的收費(fèi)價(jià)格總和。這些條件旨在保證經(jīng)紀(jì)人的高利潤，同時(shí)，吸引更多的用戶。仿真結(jié)果表明，最小代價(jià)貪心算法的代理成本小于線性規(guī)劃代價(jià)。此外，最小代價(jià)貪婪算法比具有需要多次迭代收斂的舍入技術(shù)的線性規(guī)劃運(yùn)行速度快得多。

4? ? 結(jié)語

本文回顧了經(jīng)濟(jì)和定價(jià)模型在MCN中的Cloud-RAN，邊緣計(jì)算中的微云和移動(dòng)電信云的資源管理。討論了資源管理方法的現(xiàn)狀、主要方法的優(yōu)缺點(diǎn)。分布式云模型可以降低用戶的成本和服務(wù)延遲，是未來研究應(yīng)用的重要方向。

[參考文獻(xiàn)]

[1]NGUYEN C L，PING W，DUSIT N，et al.Resource management in cloud networking using economic analysis and pricing models：a survey[J].IEEE Communications Surveys and Tutorials，2017（2）：954-1001.

[2]DAHROUJ H，NAFFOURI T Y A，ALOUINI M S.Distributed cloud association in downlink multicloud radio access networks[J].IEEE Transactions on Green Communications & Networking，2018（2）：327-335.

[3]WANG S K，CHAN R，URGAONKAR T H，et al.Emulationbased study of dynamic service placement in mobile micro-clouds[C].Tampa：IEEE Military Communications Conference，2015.

[4]JIN A L W，SONG W，HUANG Z.Auction-based resource allocation for sharing cloudlets in mobile cloud computing[J].IEEE Transactions on Emerging Topics in Computing，2018（10）：11-12.

[5]VAEZPOUR S Y K，WU G C.Shoja mobile telecom cloud brokerage with orchestrated multi-tier resource pooling[C].Kilkenny：IEEE International Conference on Cloud Networking，2015.

Application of economics and pricing models of resource management in cloud networking

Dong Chunli1，2， Wang Li1

（1.School of Electronic Information Engineering， Nanjing Vocational Institute? of Transport Technology， Nanjing 211188， China;

2.Shanghai Jian-Xi Information Technology Co.， Ltd.， Shanghai 200051， China）

Abstract：Cloud networks provide remote links to the server's local network connections and data centers to create resource pools that support a large number of users and applications with different resource requirements and utilities. Therefore， resource management has become one of the most important problems in cloud networks. This paper reviews the application of economic and pricing models in cloud data center network resource management， including cloud wireless access network， micro cloud and mobile telecom cloud.

Key words：cloud networking; resource management; economic and pricing models; edge computing