云环境下基于资源使用占比的动态定价策略

陈立勇，殷秀叶

（周口师范学院 计算机科学与技术学院，河南 周口466001）

近些年，云计算快速发展，越来越多的学者投入到云计算的研究领域中，而云的商业化问题的研究也越来越重要.一个合理的定价机制在很大程度上决定了云服务商业的成功，研究云服务的定价问题，具有极大的现实意义.

1 当前主要的云服务定价算法

目前，云服务的定价主要分为固定定价和动态定价.很多云服务公司普遍采用的是固定定价的方式，以每单位定价的使用最为广泛.这种定价方式比较简单，对客户来说易于理解，且能够避免资源的浪费，可以允许根据特定的应用需求进行服务定制，比较适用于基础设施型服务（Infrastructure As A Service，IAAS）和平台型服务（Platform As A Service，PAAS）.固定定价方式的代表有Amazon的EC2和Google的App Engine平台，但由于价格的固定，导致缺乏对客户使用服务的引导，因此无法做到使供应商的利益最大化.动态定价目前尚没有一个代表性的定价方式，很多学者提出的动态定价方式都有着各自的优缺点.Amazon EC2提出了一种资源竞价机制，以拍卖的方式根据客户的竞拍价格来分配资源.这种方式能够提高供应商的利益，但忽略了客户的利益，未着眼于长久的市场.

针对当前的现状，笔者在综合考虑用户利益和供应商利益的基础上，提出了一种基于历史用量和资源使用占比的云服务定价算法，将价格与资源的历史使用情况及当前资源的使用占比相互联系，灵活调整价格，积极引导市场需求，在增加供应商利益的同时，降低客户的花费.

2 资源定价算法

2.1 资源定价算法思想

本文提出一种基于历史用量及资源占比的动态资源定价算法 （History Proportion Dynamic Service Pricing，HPDSP）.总体思想是：供应商会根据服务的历史使用情况和某时段的资源使用占比进行定价，当用户定制服务的起始价格高于或等于供应商制定的实时价格时，按照供应商的实时价格进行收费；当用户定制服务的起始价格低于供应商制定的实时价格时，按照供应商的实时价格进行收费；当用户定制服务的起始价格低于供应商制定的实时价格时，按照下文公式（4）中Ps＜Pt的情况进行收费.

2.2 收费函数

设Ps为用户订购服务时的起始价格，Pt为供应商在不同时刻的实时价格，all_resource为供应商能够提供的总资源，use_resource为供应商在某时刻已被使用的资源，α为某时段供应商的资源使用量占比，则α可用以下公式来表示：

供应商会根据服务的历史使用情况来预测不同时段服务的使用情况，故可以通过一个历史预测因子β来表示服务在历史同时刻的使用情况，其中0≤β≤1.β为0时代表无人使用，为1时代表所有资源被全部占用，β的大小代表了根据历史同期情况预测的供应商资源使用量的比例.假设供应商根据服务的历史使用情况预测同期的一个资源使用量为his_resource，则β的值可以用以下公式来表示：

在提供一种服务时，供应商可根据服务的成本与公司的业务运营情况为服务制定一个最大价格，通常这个价格是在资源使用占比为100%时达到.假设供应商的最大价格为Pmax，服务对应的成本价格为Pc，由于供应商的服务价格Pt与自身的服务使用情况有关，所以服务价格是动态变化的.服务价格可通过以下公式来表示：

依据定价策略，客户使用云服务的实际收费价格可用以下分段函数来表示：

从公式（4）中可以看到，当客户使用供应商的服务时，如果客户定制时的起始价格Ps大于供应商的实时价格Pt，则客户实际使用服务需要支付的价格按照供应商的实时价格Pt来计算.反之，如果客户定制服务时的起始价格低于供应商制定的实时价格时，此时客户实际使用服务的价格需要按照公式（4）中Ps＜Pt的情况进行收费，此时的价格既与客户定制服务时的起始价格Ps有关，也与供应商的实时价格Pt有关，还与供应商的资源使用量占比α密不可分，而Pt的大小与供应商资源使用预测比例β的取值息息相关.所以，客户使用服务时实际支付的价格既受供应商的资源使用量占比α影响，也受供应商资源使用预测比例β影响.

在实际的应用中，供应商的价格可能是围绕着客户定制的价格上下波动的.如果把供应商的每一个不同的价格Pi对应的时间段Ti看成是一次运营时间，则客户在定制的时间段内的实际花费C可以表示为：

通过上述定价算法可以看出，当市场供不应求时，当前资源占比的取值必然较大，资源会相对紧张，从而会促使供应商提高服务的价格.由于价格的提高，用户的数量势必会相对减少.而当供过于求时，当前资源占比的取值必然较小，资源会相对宽松.由于资源的浪费和供应商之间竞争的加剧，供应商势必会降低价格，以此吸引更多的用户.当然，供应商不能单纯依靠当前资源占比的情况来调整价格，还需要对资源使用量的趋势进行大致的预测，从而不至于将价格调整的过高而失去太多的用户.而资源使用量的预测，可通过历史同期资源的使用情况进行.

3 实验结果分析

为了验证本文所提出的HPDSP算法的有效性，笔者采用CloudSim云计算仿真软件进行仿真实验.实验中模拟1个资源提供商和100个用户，每个用户向资源提供商提供一个任务，且任务请求为同一种资源类型，每个时间点有不同的任务请求.实验选取五个时间点，并分别对应五个不同的资源使用占比.假定当前资源使用占比α的取值分别为0.2，0.4，0.6，0.8和1.0，由于没有资源的历史使用情况，所以，为了模拟的可行性，实验假定资源在历史同时刻的使用情况β的取值分别为0.3，0.6和0.9.为了实验的准确性，分别计算在这三个不同的历史用量值情况下的结果并取它们的平均值，将HPDSP算法与目前使用比较广泛的固定定价（Fixed Pricing，FP）进行比较，比较指标为在不同的资源使用占比的情况下供应商的利益和客户的利益.供应商的利益比较结果如图1所示.

图1 供应商的利益对比图

当供应商的资源使用占比为1时，达到供应商的最大利益.客户的利益比较结果如图2所示.

图2 客户的利益对比图

图2中当资源使用占比为1时，达到客户的最小支付费用.供应商的资源使用占比越低，价格相应的就越低，客户的利益也就越高.

从图1和图2中可以看出，采用HPDSP算法，相对于采用固定定价算法，能够同时增加供应商和客户的利益.

4 小结

本文提出了一种云环境下的基于历史用量及当前资源使用占比的动态资源定价算法，叙述了定价的依据及方法，给出了收费函数，并利用Cloud-Sim进行仿真.通过仿真结果的对比表明，HPDSP算法与传统的固定定价相比，能够增加供应商的利益和客户的利益.关于定价中价格动态变化周期的确定有待进一步完善.

［1］董永强，杨璐，戴江鹏.一种拥塞补偿的网络服务定价机制［J］.计 算机研究与发展，2008，45（8）：1322-1329.

［2］Marian Mihailescu，Yong Meng Teo.Strategy Proof Dynamic Resource Pricing of Multiple Resource Types on Federated Clouds［J］.LNCS，2010，6081：337-350.

［3］张瑞，杨寿保，路卫娜，等.网格环境中基于信任团体的差别定价策略［J］.中国科学技术大学学报，2010，40（1）：92-97.

［4］陈红，任怡，刘晓建.云计算平台下计费机制研究［J］.计算机科学，2011，38（8）：48-68.

［5］Marian Mihailescu，Yong Meng Teo.Dynamic Resource Pricing on Federated Clouds［C］.Proceedings of 10th IEEE／ACM International Symposium on Cluster，Cloud and Grid Computing，IEEE Computer Society Press，2010：513-517.

［6］胡志刚，刘艳.云环境下基于组合双向拍卖的动态资源定价［J］.计算机工程，2012，38（8）：19-21.