本發(fā)明屬于云計(jì)算領(lǐng)域，尤其是一種基于云容器服務(wù)的批處理拍賣(mài)機(jī)制(Batch Auction Mechanism)。

背景技術(shù)：

云計(jì)算可以為用戶(hù)提供一種現(xiàn)收現(xiàn)付(pay-as-you-go)的計(jì)算服務(wù)，大量的云計(jì)算資源如：CPU,RAM,內(nèi)存和帶寬等都能以租賃的方式為用戶(hù)提供服務(wù)，并利用虛擬技術(shù)將這些資源封裝成多個(gè)云容器(Cloud Container)，每個(gè)云容器都滿(mǎn)足用戶(hù)一個(gè)子任務(wù)的資源需求。在現(xiàn)實(shí)中，由于用戶(hù)資源需求隨時(shí)間動(dòng)態(tài)變化，傳統(tǒng)的靜態(tài)資源定價(jià)機(jī)制不能有效利用云平臺(tái)資源，無(wú)法實(shí)現(xiàn)用戶(hù)以及云平臺(tái)的社會(huì)福利最大化要求。拍賣(mài)機(jī)制可以將用戶(hù)的需求以及報(bào)價(jià)打包成投標(biāo)進(jìn)行拍賣(mài)，價(jià)高者得的拍賣(mài)方式可以有效提高資源的利用率。

在云平臺(tái)拍賣(mài)機(jī)制中，我們把用戶(hù)作為投標(biāo)者，云資源提供商作為拍賣(mài)商，如何制定一個(gè)完美的價(jià)格機(jī)制以及資源分配系統(tǒng)使得社會(huì)福利最大化這一問(wèn)題得到了大家的廣泛關(guān)注。目前的研究成果主要是離線(xiàn)(offline)以及在線(xiàn)(online)的拍賣(mài)機(jī)制，這兩種情況下云資源提供商會(huì)對(duì)用戶(hù)提出的需求立即做出判斷，即中標(biāo)或者沒(méi)中標(biāo)，但是現(xiàn)實(shí)中有些用戶(hù)需求不需要立刻開(kāi)始處理，只需在期限時(shí)間之內(nèi)完成即可。因次，我們可以對(duì)一定時(shí)間間隔內(nèi)到達(dá)的標(biāo)進(jìn)行統(tǒng)一處理，兼顧一段時(shí)間內(nèi)所有到達(dá)的標(biāo)，我們定義為批處理拍賣(mài)(Batch Auction)。

社會(huì)福利定義為資源提供商(拍賣(mài)商)的效益與用戶(hù)(投標(biāo)者)的效益之和，即為中標(biāo)用戶(hù)的投標(biāo)價(jià)格之和。這是一個(gè)NP-hard問(wèn)題，如何設(shè)計(jì)一個(gè)真實(shí)、高效、社會(huì)福利最大化的云平臺(tái)在線(xiàn)批處理拍賣(mài)算法，是一個(gè)重要且極具挑戰(zhàn)性的問(wèn)題。

技術(shù)實(shí)現(xiàn)要素：

為了解決上述技術(shù)問(wèn)題，本發(fā)明提供了一種基于云容器服務(wù)的在線(xiàn)批處理拍賣(mài)機(jī)制(Batch Auction Mechanism)。通過(guò)使用Compact Exponential Optimization將整數(shù)線(xiàn)性規(guī)劃簡(jiǎn)化，然后利用原始-對(duì)偶算法以及Post Price機(jī)制決定中標(biāo)的用戶(hù)并得到該用戶(hù)的云容器調(diào)度(Container Schedule)，同時(shí)保證使社會(huì)福利最大。

本發(fā)明所采用的技術(shù)方案是：

一種基于云容器服務(wù)的批處理拍賣(mài)機(jī)制(Batch Auction Mechanism)，其特征在于，定義一個(gè)資源池中的資源種類(lèi)為R，每種資源的容量定義為C_r.在跨度為{1,…,T}的時(shí)段內(nèi)I個(gè)投標(biāo)者隨機(jī)到達(dá)，每個(gè)投標(biāo)者提交一個(gè)標(biāo)(bid)：{M,t_i,G_i,N_im,H_im,d_i,B_i}，其中M是每個(gè)投標(biāo)者的子任務(wù)數(shù)量(所需容器的數(shù)量)，t_i是投標(biāo)者到達(dá)時(shí)間，G_i是子任務(wù)的關(guān)系圖，N_im是完成每個(gè)子任務(wù)所需的時(shí)隙數(shù)，H_im表示每個(gè)投標(biāo)者子任務(wù)的資源配置集合，d_i,B_i分別表示完成任務(wù)的最后期限和投標(biāo)價(jià)格。投標(biāo)者投標(biāo)后拍賣(mài)商根據(jù)需求已經(jīng)資源量判斷是否中標(biāo)，以期得到社會(huì)福利最大，且每一個(gè)投標(biāo)者都會(huì)給出一個(gè)真實(shí)的估價(jià)v_i，這個(gè)估價(jià)不受其他投標(biāo)者的影響，這時(shí)的拍賣(mài)機(jī)制是真實(shí)的。

步驟1：在拍賣(mài)機(jī)制真實(shí)的前提條件下，將社會(huì)福利最大化的云容器拍賣(mài)寫(xiě)成整數(shù)線(xiàn)性規(guī)劃。

maximize∑_iB_ix_i

由于條件的復(fù)雜度較大，運(yùn)用Compact Exponential Optimization對(duì)上述線(xiàn)性規(guī)劃進(jìn)行簡(jiǎn)化，用Γ_i來(lái)表示每個(gè)投標(biāo)人符合約束條件的調(diào)度(Schedule)集合。

步驟2：利用原始對(duì)偶算法寫(xiě)出對(duì)偶線(xiàn)性規(guī)劃，得到兩個(gè)對(duì)偶變量u_i(投標(biāo)者的效用)與k_r(t)(時(shí)隙t的資源價(jià)格)。

步驟3：利用互補(bǔ)松弛性條件，最小化對(duì)偶變量的增量，并且保證對(duì)偶條件的可行性，一旦投標(biāo)人i的scheduleS使得對(duì)偶約束變緊，即，就更新原始變量x_iS，但是每個(gè)投標(biāo)者的utility不能為負(fù)值，u_i>0，所以

步驟4：將原始變量x_i，z_im(t)(是否將投標(biāo)人i的容器m分配給時(shí)隙t)，w_r(t)(時(shí)隙t中已被分配的資源)以及對(duì)偶變量u_i初始化為0，將k_r(t)初始值設(shè)為其中系數(shù)k為大于1的數(shù)，參數(shù)σ定義為在時(shí)間范圍T內(nèi)所有種類(lèi)資源的最小占用率，F(xiàn)_r表示最小單位資源價(jià)格，即

步驟5：每等待θ個(gè)時(shí)隙處理一次，將到來(lái)的所有投標(biāo)者放入集合ρ_q，用ψ表示中標(biāo)者的集合，當(dāng)ρ_q為空集時(shí)，一輪批處理拍賣(mài)結(jié)束。

步驟6：將屬于集合{ρ_q\ψ}的投標(biāo)者進(jìn)行處理，得到每個(gè)人的最優(yōu)調(diào)度S_i，所需最小費(fèi)用cost_i，效用u_i以及所分配的每個(gè)時(shí)隙占用的資源量集合

步驟7：計(jì)算步驟7中所有用戶(hù)的單位資源價(jià)格，并挑選出單位資源價(jià)格最大的投標(biāo)人。即，

步驟8：如果投標(biāo)人的效用u_i>0，將該投標(biāo)者放入集合ψ，按照調(diào)度S_i為該投標(biāo)人分配資源，并收取費(fèi)用cost_i。同時(shí)將時(shí)隙t∈S_i的剩余資源數(shù)量w_r(t)以及價(jià)格k_r(t)進(jìn)行更新，價(jià)格的更新公式為：

其中，D_r與F_r分別代表最大和最小單位資源價(jià)格，這兩個(gè)是預(yù)估參數(shù)，w_r(t)代表在時(shí)隙t時(shí)的已使用資源量。當(dāng)資源未被使用時(shí)，資源價(jià)格初始為當(dāng)所有資源均被占用時(shí)，該時(shí)隙的資源價(jià)格為D_r，這時(shí)這一時(shí)隙不再被分配。這一價(jià)格公式的設(shè)計(jì)是為將來(lái)具有更高價(jià)值的標(biāo)預(yù)存資源，使得總社會(huì)福利達(dá)到最大值。并返回步驟7，直到集合ρ_q為空集時(shí)，結(jié)束循環(huán)。

步驟9：如果投標(biāo)人的效用u_i<0，該投標(biāo)者被拒絕，將該投標(biāo)者從集合ρ_q中刪除,同時(shí)返回步驟7，直到集合ρ_q為空集時(shí)，結(jié)束循環(huán)。

在步驟6中，對(duì)每個(gè)投標(biāo)者進(jìn)行處理的過(guò)程如下(主要運(yùn)用動(dòng)態(tài)規(guī)劃的思想)：

步驟6.1：將投標(biāo)者的調(diào)度集合S_i置為空，該投標(biāo)者的資源占用量為0。

步驟6.2：窮舉投標(biāo)者i可用的開(kāi)始t_s以及結(jié)束時(shí)隙t_e，并計(jì)算在每個(gè)可用時(shí)隙的資源價(jià)格將可用時(shí)隙(即滿(mǎn)足資源需求量)按照價(jià)格遞增排序，選擇前N_im個(gè)時(shí)隙放入集合τ_m，并計(jì)算出一個(gè)價(jià)格p_m(t_s,t_e]),將所有的schedule集合放入Δ_m中。

步驟6.3：在這里只考慮子任務(wù)關(guān)系為鏈?zhǔn)降?，即每個(gè)子任務(wù)的開(kāi)始時(shí)隙大于上一個(gè)子任務(wù)的結(jié)束時(shí)隙。第一個(gè)子任務(wù)選擇τ_m中價(jià)格最小的schedule，第二個(gè)子任務(wù)在其基礎(chǔ)上選擇最小價(jià)格schedule，以此類(lèi)推，最后得到該投標(biāo)者的總scheduleS_i，更新該用戶(hù)的資源占用量以及需付費(fèi)用cost_i，效用u_i＝B_i-cost_i。

在上的一種基于云容器服務(wù)的批處理拍賣(mài)機(jī)制，所述步驟4中，系數(shù)k滿(mǎn)足

因此，本發(fā)明具有如下優(yōu)點(diǎn)：通過(guò)設(shè)計(jì)合理的價(jià)格機(jī)制和批處理拍賣(mài)系統(tǒng)，解決了拍賣(mài)中的社會(huì)福利最大化問(wèn)題，并得到接近于2.85的近似比。

作為優(yōu)選，在步驟5中，系數(shù)k滿(mǎn)足

附圖說(shuō)明

圖1是本發(fā)明實(shí)施例的流程圖。

圖2是本發(fā)明實(shí)施例的近似比理論數(shù)據(jù)圖。

圖3是本發(fā)明實(shí)施例的社會(huì)福利對(duì)比圖。

圖4是本發(fā)明實(shí)施例在不同投標(biāo)者密度時(shí)社會(huì)福利對(duì)比圖。

圖5是本發(fā)明實(shí)施例的社會(huì)福利以及中標(biāo)概率分布圖。

具體實(shí)施方式

為了便于本領(lǐng)域普通技術(shù)人員理解和實(shí)施本發(fā)明，下面結(jié)合附圖及實(shí)施例對(duì)本發(fā)明作進(jìn)一步的詳細(xì)描述，應(yīng)當(dāng)理解，此處所描述的實(shí)施示例僅用于說(shuō)明和解釋本發(fā)明，并不用于限定本發(fā)明。

在本實(shí)施例中，我們使用R＝2種資源，每種資源容量為C₁＝C₂＝15。時(shí)隙跨度T＝600～1600個(gè)時(shí)隙，為了更好的模擬投標(biāo)者到來(lái)的不確定性，我們使用泊松分布來(lái)描述每個(gè)批處理間隔到來(lái)的投標(biāo)人數(shù)，泊松系數(shù)設(shè)定為3或8，批處理間隙設(shè)為θ＝0～40.每個(gè)投標(biāo)人的資源需求量均為{0～1}的隨機(jī)數(shù)。

步驟1：假設(shè)每一個(gè)投標(biāo)者都會(huì)給出一個(gè)真實(shí)的估價(jià)v_i，這個(gè)估價(jià)不受其他投標(biāo)者的影響，這時(shí)的拍賣(mài)機(jī)制是真實(shí)的。

步驟2：在拍賣(mài)機(jī)制真實(shí)的前提條件下，將社會(huì)福利最大化的云容器拍賣(mài)寫(xiě)成整數(shù)線(xiàn)性規(guī)劃。

由于條件的復(fù)雜度較大，運(yùn)用Compact Exponential Optimization對(duì)上述線(xiàn)性規(guī)劃進(jìn)行簡(jiǎn)化，用Γ_i來(lái)表示每個(gè)投標(biāo)人符合約束條件的調(diào)度集合。

步驟3：利用原始對(duì)偶算法寫(xiě)出對(duì)偶線(xiàn)性規(guī)劃，得到兩個(gè)對(duì)偶變量u_i(投標(biāo)者的效用)與κ_r(t)(時(shí)隙t的資源價(jià)格).

步驟4：將原始變量x_i，z_im(t)(是否將投標(biāo)人i的容器m分配給時(shí)隙t)，w_r(t)(時(shí)隙t中已被分配的資源)以及對(duì)偶變量u_i初始化為0，將κ_r(t)初始值設(shè)為其中系數(shù)k為大于1的數(shù)，參數(shù)σ定義為在時(shí)間范圍T內(nèi)所有種類(lèi)資源的最小占用率，F(xiàn)_r表示最小單位資源價(jià)格，即

步驟5：每等待θ個(gè)時(shí)隙處理一次，將到來(lái)的所有投標(biāo)者放入集合ρ_q，用ψ表示中標(biāo)者的集合，當(dāng)ρ_q為空集時(shí)，一輪批處理拍賣(mài)結(jié)束。

步驟6：將屬于集合{ρ_q\ψ}的投標(biāo)者進(jìn)行處理，得到每個(gè)人的效用u_i，schedule S_i，所需費(fèi)用cost_i以及所分配的每個(gè)時(shí)隙占用的資源量集合

步驟7：計(jì)算步驟7中所有用戶(hù)的單位資源價(jià)格，并挑選出單位資源價(jià)格最大的投標(biāo)人。即，

步驟8：如果投標(biāo)人的效用u_i>0，就接受這個(gè)標(biāo)，按照調(diào)度S_i為該投標(biāo)人分配資源，并收取費(fèi)用cost_i。同時(shí)將時(shí)隙t∈S_i的剩余資源數(shù)量以及價(jià)格進(jìn)行更新，價(jià)格的更新公式為：

其中，D_r與F_r分別代表最大和最小單位資源價(jià)格，這兩個(gè)是預(yù)估參數(shù)，w_r(t)代表在時(shí)隙t時(shí)的已使用資源量。當(dāng)資源未被使用時(shí)，資源價(jià)格初始為當(dāng)所有資源均被占用時(shí)，該時(shí)隙的資源價(jià)格為D_r，這時(shí)這一時(shí)隙不再被分配。這一價(jià)格公式的設(shè)計(jì)是為將來(lái)具有更高價(jià)值的標(biāo)預(yù)存資源，使得總社會(huì)福利達(dá)到最大值。并返回步驟7，直到集合ρ_q為空集時(shí)，結(jié)束循環(huán)。

步驟9：如果投標(biāo)人的效用u_i<0，該投標(biāo)者被拒絕，將該投標(biāo)者從集合ρ_q中刪除,同時(shí)返回步驟7，直到集合ρ_q為空集時(shí)，結(jié)束循環(huán)。

在步驟7中，對(duì)每個(gè)投標(biāo)者進(jìn)行處理的過(guò)程如下(主要運(yùn)用動(dòng)態(tài)規(guī)劃的思想)：

步驟7.1：將投標(biāo)者的schedule集合S_i置為空，該投標(biāo)者的資源占用量為0。

步驟7.2：窮舉投標(biāo)者i可用的開(kāi)始t_s以及結(jié)束時(shí)隙t_e，并計(jì)算在每個(gè)可用時(shí)隙的資源價(jià)格將可用時(shí)隙(即滿(mǎn)足資源需求量)按照價(jià)格遞增排序，選擇前N_im個(gè)時(shí)隙放入集合τ_m，并計(jì)算出一個(gè)價(jià)格p_m(t_s,t_e]),將所有的schedule集合放入Δ_m中。

步驟7.3：在這里只考慮子任務(wù)關(guān)系為鏈?zhǔn)降模疵總€(gè)子任務(wù)的開(kāi)始時(shí)隙大于上一個(gè)子任務(wù)的結(jié)束時(shí)隙。第一個(gè)子任務(wù)選擇τ_m中價(jià)格最小的schedule，第二個(gè)子任務(wù)在其基礎(chǔ)上選擇最小價(jià)格調(diào)度，以此類(lèi)推，最后得到該投標(biāo)者的總scheduleS_i，更新該用戶(hù)的資源占用量以及需付費(fèi)用cost_i，效用u_i＝B_i-cost_i。

本發(fā)明研究了基于云容器服務(wù)的批處理拍賣(mài)系統(tǒng)，通過(guò)設(shè)計(jì)posted price機(jī)制，每隔一定的時(shí)隙間隔對(duì)投標(biāo)者進(jìn)行一輪拍賣(mài)，得到很好的近似解。該方法考慮了未來(lái)可能的投標(biāo)者對(duì)社會(huì)福利的影響，控制資源的合理分配，從而有效的解決了NP-hard問(wèn)題。

應(yīng)當(dāng)理解的是，本說(shuō)明書(shū)未詳細(xì)闡述的部分均屬于現(xiàn)有技術(shù)，上述針對(duì)較佳實(shí)施例的描述較為詳細(xì)，并不能因此而認(rèn)為是對(duì)本發(fā)明專(zhuān)利保護(hù)范圍的限制，本領(lǐng)域的普通技術(shù)人員在本發(fā)明的啟示下，在不脫離本發(fā)明權(quán)利要求所保護(hù)的范圍情況下，還可以做出替換或變形，均落入本發(fā)明的保護(hù)范圍之內(nèi)，本發(fā)明的請(qǐng)求保護(hù)范圍應(yīng)以所附權(quán)利要求為準(zhǔn)。