混合云市场的计算资源交易模型

孙英华 ，吴哲辉 ，郭振波 ，顾卫东

SUN Yinghua1，2,WU Zhehui2,GUO Zhenbo1,GU Weidong3

1.青岛大学 信息工程学院，山东 青岛 266071

2.山东科技大学 信息科学与工程学院，山东 青岛 266510

3.山东省计算机网络重点实验室，济南 250101

1.College of Information Engineering,Qingdao University,Qingdao,Shandong 266071,China

2.College of Information Science and Engineering,Shandong University of Science and Technology,Qingdao,Shandong 266510,China

3.Shandong Provincial Key Laboratory of Computer Network,Jinan 250101,China

1 研究概述

目前网络上拥有超大量的各种各样的计算资源，同时有数不清的各种潜在的计算需求。如何有效和高效地共享计算资源，一方面提高全球现有IT资源的利用率，另一方面为人们提供更方便更廉价的计算服务，是一个具有重大价值的研究课题。近年来，随着网格、云等新型分布式平台和SOA技术的发展，一些基于网格（Grid）、云（Cloud）和社会网络（Social Network）的计算资源共享模型相继被提出，其相应的资源管理、调度和共享机制得到了持续的研究。

1.1 三种计算资源共享模型

本文根据共享特征和实现机制的不同将已有的资源共享模型分为三类：合作共享型、公用计算型和市场交易型。

合作共享模型（Corporation Sharing Model）通常构建在网格或者社会网络的平台上，通过无缝地集成多个自愿加入的广域资源合作解决问题，实现网格内或社会网络内计算资源、存储资源、通信资源、信息资源的全面共享，如DEISA、DutchGrid、EGEE、Co-op[1]等。

公用计算模型（Utility Computing Model）构建在云计算平台，通过计算资源虚拟化技术和SOA技术，以IaaS（Infrastructure as a Service）、PaaS（Platform as a Service）、SaaS（Soft as a Service）甚至是 XaaS（Everything as a Service）的服务形式，在线提供包括硬件、软件和基础设施在内的虚拟计算资源，按照使用时间或流量收费，如 Amazon EC2、Rackspace、Tsunamic、FlexiScale等。

市场交易共享模型（Market Trading Model）将计算能力、存储空间、数据资源、软件服务等计算资源看成是商品，在网格、云甚至是云间构建市场平台，资源所有者和资源需求者直接或通过代理在市场中进行交易，以市场经济规律调控供需和价格，如Nimrod-G、Tycoon、Popcorn、GridEcon等。

1.2 待解决的问题和相关的研究

目前以Google Apps、Amazon Ec2、FlexiScale、Salesforces.com为代表的云服务尚存在一些明显的问题：（1）云服务商提供的资源和服务各成体系，云和云之间是孤立的，没有共享渠道，且大多数云服务商采用“预付费”的结算方式，从而导致“厂商锁定问题（Vendor Lock-in Problem）”[2]。（2）目前云市场有垄断倾向，服务质量和价格由云服务商单方决定，SLA（Service Level Agreement）内容也是云服务商单方确定，主要用于告知服务方式和免责条款，用户无法有效保障自身权益。（3）云间技术还不够完善，中小企业的云资源和云服务尚需借助大企业的云平台发布，限制了中小企业SMEs（Small and Medium Enterprises）的竞争力，用户很难得到优质、低价、个性化的服务。

混合云（Hybrid Cloud）[3]的概念是2011年提出的，最近两年以FP7-ICT为代表的一些项目正在研究异构云接口技术，如Morfeo 4CaaSt[4]旨在开发PaaS的云服务和应用程序框架，支持Internet规模多层应用的优化和弹性托管；mOSAIC[2]的目的是建立一个开源的云应用程序编程接口（API）和一个面向SMEs的应用开发平台。VMware公司的 Cloud Foundry[5]、RedHat的 Openshift[6]提供开源的PaaS函数，为不同架构的私有云或公共云提供弹性开发环境。Andreas Menychtas[7]提出了一种新的云市场，一方面提供一个集成的开发和销售XaaS产品的平台，另一方面为客户提供一个一站式购买计算服务的解决方案。以上研究将为混合云平台的搭建提供技术支持，建立容纳不同云提供商的统一的云计算编程接口和面向多种云的应用开发平台，解决异构云之间的互操作、应用的可移植以及自治服务的自动发现、部署等问题。

在解决了资源层、应用层技术支持且市场平台建立起来之后，如何帮助用户以满意的价格获得满意的资源或服务，是要解决的问题之一。一种做法是研究选择策略[8]，在已有的商品中为用户择优选择，但这种方法仍然只适用于商品市场（定价市场），用户不能参与价格制定。另一种做法是将供需组织到一起进行双向拍卖，市场转化成一个买卖双方平等、定价由买卖方共同决定的双向市场。

文献[9]介绍Tycoon市场按照出价情况对资源按比例分配的拍卖机制；Spawn[10]采用单向Viekery拍卖模型管理异构工作站网络的资源；Popcorn[11]基于Web采用单向和双向拍卖模型实现Internet上的资源在线分配。JaWS[12]基于双向拍卖模型，买方与卖方提交定单到匹配器，定单可以随时更新，匹配器一旦匹配到买方与卖方定单，交易即可完成。文献[13]提出了一种连续的双向拍卖定价机制CDA，对CPU资源采用统一拍卖。文献[14]提出了一种基于双向拍卖的适应性云计算资源分配机制。文献[15]提出了一种基于多单元连续双向拍卖机制MDA（Multi-unit Double Auction）和相应的定价策略及资源分配方法。文献[16]基于CDA提出更新的UCDA，允许供应商根据资源负载自行定价，而用户根据作业时限自行确定投标价格。

以上提及的方法，文献[9-13]适用网格市场CPU计算周期的拍卖，文献[14-16]适用云资源拍卖。以上文献的共同特点是将拍卖的资源默认为同一质量，拍卖顺序由双方报价决定。然而，未来的混合云市场中计算资源来自不同的服务商，因地域、成本、服务质量等因素的差异，其价格必然不同，研究非同质云资源的交易机制很有实用价值和应用前景。

1.3 本文研究重点

本文认为，当前计算资源共享模型的发展趋势是：（1）底层架构将突破一个计算网格或者一家公司提供的资源云和服务云，建立在混合云环境之上。（2）自由交易的市场模式将会代替网格中的统一调度模式和云中的商品市场模式，计算资源的价格将由市场经济规则和供需平衡决定。（3）在混合云平台上，SMEs将获得更多机会，与大型IT供应商竞争，为用户提供更多的个性化的服务。（4）供应和需求之间的匹配过程，将会受到除价格之外的多种因素的影响，包括供给/需求的数量、资源的质量等级、卖方的个性化需求、用户的信用反馈等。

鉴于此，提出一种基于混合云环境的计算资源市场模型 HCRM（Hybrid Cloud Resource Market），重点研究其交易管理机制，本文主要研究：（1）HCRM的功能架构和参与角色；（2）HCRM的交易管理模式；（3）HCRM的供需质量模型；（4）质量感知的双向拍卖匹配算法。

图1 HCRM的分层结构

2 混合云资源市场的交易管理机制

混合云资源市场HCRM是运行在异构的混合云环境、以服务方式为用户提供计算资源交易的虚拟市场。HCRM的参与者分为买方、卖方、市场管理者和交易代理者。买方是资源请求者，包括个人用户、SMEs，自行或者通过买方代理提出购买需求；卖方是资源拥有者，包括个人用户、SMEs和大型云服务提供商，自行或者通过卖方代理提交资源供应。市场管理者为用户提供市场平台、用户管理、交易管理、报价基准参考、交易账户管理和转帐服务，并负责监管市场运营秩序，接受用户反馈。

2.1 HCRM的功能架构

HCRM的组成有四层：物理资源层，资源管理层，市场管理层和用户接口层，如图1所示。

（1）物理资源层是底层的各种网络资源，包括计算资源、存储资源、数据资源、网络应用、远程设备、网络互连设备、云和云间服务设施等。

（2）资源管理层是支持网格和云结构的中间件层，主要负责资源描述、资源组织、资源查找、资源预留、资源部署和资源监控等工作。

（3）市场管理层提供用户管理、交易管理、交易支持服务和安全管理，主要负责管理控制市场活动，约束市场交易行为。

用户管理负责用户身份的管理认证、用户账户信息和信用信息的许可认证，负责对买卖方进行身份登记、用户等级权限检查和对用户请求的管理。

交易管理负责供应管理、需求管理、供给和需求匹配，并为用户提供定价参考，负责提供多种交易模型以供用户选择；根据市场供需变化对商品价格进行调整，提供市场指导价；记录历史交易信息，并用SLA条款约束交易行为。

交易支持服务通常提供工作流管理、信用管理、网上转账和风险代理服务，负责用户信誉更新、管理用户资金账户、计费管理并监管买卖双方资金流向，辅助约束交易行为。

安全管理是通过监测市场交易活动的商品和用户的安全服务负责，负责保障计算资源市场的整体安全，包括身份认证、访问授权和安全审计等。

（4）用户接口层是SOA建构层，为用户提供服务的注册、登录、身份验证和各种应用模块的服务入口。通过门户网站，用户可以无缝地使用符合权限的服务，服务提供者可以发布新的服务。

本文主要研究市场管理层的交易管理机制。

2.2 HCRM的交易模型

一个市场要正常运行，必须要有一套规范的交易机制，如何定价、如何进行供需分配是市场机制必须解答的，有效的交易机制能够鼓励更多的用户参与计算资源交易并直接影响到整个市场的效率。计算资源市场可采用的交易模型大致有三种：（1）商品市场。由云供应商单方规定并公布资源规格和价格，用户从中选择购买。（2）谈判市场。买家和卖家或其代理机构面对面进行价格谈判，双方共同决定成交价格。（3）拍卖市场。买方和卖方各自报价，由拍卖机制决定供需匹配结果和成交价格。

三者各自的局限性是：商品市场由卖方单方面决定价格；谈判市场时间上开销较大；拍卖市场需有大量的供应和需求保证足够的市场流动性。

图2 市场管理层的交易管理模型

HCRM包括大量的供应和需求，供应和需求的添加、删除是动态的且非常频繁，每个买方或卖方根据自己的预算价格或成本价格独立报价，买卖方都想尽可能提高自己的经济效益，且作为商品的计算资源时效性显著，因此HCRM适合采用双向拍卖的交易模式。

图2描述了HCRM市场管理层的交易管理组件，由价格管理器、交易管理器、交易监管器、支付管理器、反馈管理器和数据库组成，各个组件之间的信息流如图2所示。

考虑到HCRM中的资源来自不同卖方，质量差别较大，用户对资源质量的需求也不同，并且买卖双方都接受不同质量不同定价，本文以资源类型筛选为前提，以质量约束的报价策略为支持，将质量感知的双向拍卖机制作为HCRM交易模型的核心，建立了质量感知的供需匹配模型，如图2阴影部分所示。

交易管理的流程如下：（1）买家和卖家分别向市场提交自己的供给和需求，根据价格管理器提供的参考价格，自行或由代理提出报价。（2）交易管理器核查供应质量、需求参数以及买卖双方给出的出价和要价是否合理。（3）类型筛选器按供需类型筛选出类型一致的供应和需求。（4）拍卖器进行质量感知的双向拍卖，拍卖中成功匹配的供应和需求建立交易合约。（5）交易监控器监控交易合约的执行情况。（6）成功执行时由支付管理器负责买卖双方的转账，当有人违反合约时负责扣除违约方的罚款。（7）反馈管理器将收到的交易信息保存归档，并更新相关的数据库。

2.3 HCRM的供需质量模型

卖方提供的供应集合 Supplies={Sp1，Sp2，…，Spi，…}，其中供应 Spi=(Resource_Typei，Seller_IDi，Supply_Numi，Resource_Qualityi，Lowest_Pricei，Valid_Timei) ，这 里Resource_Typei是卖方提供资源的种类；Seller_IDi卖方在市场注册时获得的ID；Supply_Numi是卖方所提供的资源数量；Lowest_Pricei（简记为Lpi）是卖方所报的最低售价，实际成交价格不能低于该值；Valid_Timei是指该资源的有效使用时段，去除该资源已分配和预留给其他买方的时间段。

卖方的Resource_Qualityi是由市场管理者根据资源可信性、卖家信誉、网络安全性和用户的偏好确定的，取值从1到5，用以指定同类型资源的不同质量（5表示最高质量）。

定义1（供应Spi的资源质量）

其中α1+α2+α3=1，具体取值根据用户偏好确定，这里假定 α1=α2=α3=1/3。

（1）Reliabilityi表示资源可信度，由资源进入市场的时间和资源服务成功率决定。Resource_Lifei是Spi进入市场的时间，Market_life是整个市场的生存时间，Successi是Spi成功提供服务的次数，Faili是Spi曾经服务失败的次数。rank()是一个转换函数，将一个百分数转换成1～5之间的数据。

这里β1+β2=1，具体取值根据用户偏好确定，本文假定β1=0.4，β2=0.6。

（2）Reputationi代表卖方信誉度，完全由买方平均信誉反馈值决定。每一个与Spi交易的买家反馈一个1～5之间的数值Feedbackk评价卖家信誉情况，5为最高信誉。m是与Spi交易过的买家数量。

（3）Securityi表示该资源的网络安全度，由市场管理者根据权威机构的评估数据以及历史信息给出，取值在1～5之间，5为最高安全等级。SecuValuei是权威认证机构对资源Spi所在网络的安全性做出的认证值，Normali为Spi所在网络提供安全服务的次数，Unnormali是该资源曾经出现网络非安全服务的次数。rank()函数定义同上。

这里γ1+γ2=1，具体取值根据用户偏好确定，本文假定γ1=0.5，γ2=0.5。

买方提交的需求集合Demand={Dm1，Dm2，…，Dmj，…} ，其中需求Dmj=(Resource_Typej，Buyer_IDj，Demand_Numj，Demand_Qualityj，Highest_Pricej，Demand_Timej)，这里 Resource_Typej是买方需求的资源种类；Buyer_IDj买方在市场注册时获得的ID；Demand_Numj是买方所需求的资源量；Highest_Pricej（简记为Hpj）是指买方可以接受的最高出价，实际交易价格不能高于该值；Demand_Timej指需求的有效时间，超出时效系统不再为该需求进行匹配。

买方的Demand_Qualityj代表买方对资源的质量需求。市场为用户提供与质量等级相应的合理报价参考，以及已成交的历史信息数据，买方根据自己的预算和市场信息提出报价。

2.4 质量感知的双向拍卖算法QaDA

经典的连续双向拍卖CDA（Continuous Double Auction）适用于同质物品拍卖，HCRM中的资源来自不同卖方，质量差别大，用户就不同质量资源差别定价已达成共识，因此设计了一种质量感知的双向拍卖算法QaDA（Quality-aware Double Auction）。

QaDA的交易过程描述如下：

（1）买卖双方提交各自的报价和参加交易的供需数量信息。

（2）市场根据卖方供应的质量判断交易者的报价是否合理，若合理则被市场接受，不合理则通知他们重新报价。

（3）市场中负责资源查找的模块找到资源类型匹配的且都在有效期的供应和需求加入到一个拍卖组，假设有m个供应、n个需求。买方需求按报价从高到低排成一个队列Qd，卖方供应先按质量从高到低、质量相同的再按要价从低到高排成一个队列Qs。供需依次交替进行连续的匹配，直到全部供需都被处理完为止。

匹配过程如下：

注 ：（1）matched(Spi，Dmk)的条件是：(Resource_Typei与Resource_Typek一致或兼容)&&(Supply_Numi不少于Demand_Numk)&&(Valid_Timei满足Demand_Timek)&&(Lpi不高于Hpk)。

（2）在一轮拍卖中成交的一对供需(Spi，Dmj)，其成交价格 Trade_Price 记为 Tpi，j，则

QaDA算法的调度时机有两种：（1）异步调度，即每当一个新的供应Sp或者一个新的需求Dm到达时，供需匹配模块就被调度执行一次。这种方式调度频率比较高。（2）时间段调度，即每到下一个时间段Time_Slot开始，匹配模块被调度一次。与异步调度相比，这种方式调度频率降低，但是匹配算法处理的数据量增大。

2.5 匹配成功率和成交总量

为了保证买方的应用不会因其在不同资源间切换而超时，这里规定：假定(Spi1，Dmj1)、(Spi2，Dmj2)是一轮拍卖中成交的两对供需，则必有i1≠i2，而 j1=j2或者j1≠j2均有可能。

定义2将一个在一轮拍卖中匹配成功的卖方供应 Spi的资源集合定义为 R_Spi=R_Spi1∪R_Spi2∪…∪R_Spik∪…∪R_Spit∪R_Spia，t是正整数且t≥1，其中：

（1）t=1时，Spi中的资源只与一个买方需求成交。

（2）t＞1时，i1≠i2≠…≠ik≠…≠it，在本轮拍卖中成交的供需对中必有(Spi1，Dmj1)，(Spi2，Dmj2)，…，(Spik，Dmjk)，…，(Spit，Dmjt)并且 j1≠j2≠…≠jk≠…≠jt。

（3）R_Spia为Spi中在一轮拍卖结束后剩余的资源子集，R_Spia=∅时Spi中全部资源都成交，R_Spia≠∅时Spi中仍有剩余资源。

定义3一轮拍卖后，匹配成功率记为P：

一轮拍卖后，需求 Dmj的成交额记为 Amj，（1）如果 Dmj没有匹配成功，则 Amj=0；（2）如果 Dmj与供应Spi匹配成功，且匹配成功的资源量是Dj，成交价格是Tpi，j，则

一轮拍卖后，供应Spi的成交额记为 Asi，（1）如果Spi没有匹配成功，则 Asi=0；（2）若果 Spi被匹配给 t(t≥1)个买方，根据定义2将成交的匹配对记为(Spi1，Dmj1)，(Spi2，Dmj2)，…，(Spik，Dmjk)，…，(Spit，Dmjt)，且成交价格分别为 Tpi1，j1，Tpi2，j2，…，Tpik，jk，…，Tpit，jt，则

定义4一轮拍卖中m个卖方与n个买方的成交总量为：

下一章中将用匹配成功率P和拍卖成交总量A来比较不同拍卖算法的效率。

3 仿真结果与分析

为了进行仿真验证，自行设计和开发了一个小型的计算资源交易模拟系统，用Java语言编写，主要实现用户注册、供应和需求提交、供需报价参考和报价代理、供需数据随机生成、供需拍卖匹配、匹配结果图表输出等功能。数据库采用MySQL，有用户表、供应表、需求表、历史成交表、市场信息表等组成。本章实验中使用均匀分布的随机数据，模拟运行CDA算法[13]和QaDA算法，从卖家要价、买家出价、匹配成功率和成交总量方面进行了比较分析。

有关的实验参数配置如下：资源类型分为A、B、C和D四种类型。参加匹配的供应数m、参加匹配的需求数n；所有供应的最低要价服从均匀分布 fL，所有需求的最高出价服从均匀分布 fH；所有供应的数量服从均匀分布 fP，所有需求的数量服从均匀分布 fD；所有供应的可用时间段服从均匀分布 fA，所有需求的求购时间段服从均匀分布 fR；资源质量等级服从均匀分布 fQ。

首先，考察匹配成功率与参与拍卖的供需数量的关系。这里认为所有交易方均能理性报价，且对市场效益率有个基本认同。取 fL=U(100，200)，fH=U(120，240)，单位是元/h；取 fP==U(1，20)，fD=U(1，20)，单位是VM；取 fA=fR=U(1，24)，单位是h。取 fQ=U(0，5)。

先设置 m=n，分别取值50、150、250、350、450、550、650、750、850、950，每种情况运行500次，取其实验平均值，实验结果如图3所示。再设先设置m=n，分别取值500、1 500、2 500、3 500、4 500、5 500、6 500、7 500、8 500、9 500，每种情况运行500次，取其实验值的平均值，实验结果如图4所示。

图3 用户数量较少时两算法的匹配成功率

图4 用户数量较多时两算法的匹配成功率

由实验数据可以看出：（1）随着参与拍卖的供需数量的增加，两种算法的匹配成功率均会增高。（2）相同条件下，QaDA比CDA的匹配成功率要高一些。不难分析CDA中出价高的需求先和报价最低的供应匹配，使出价低的买方和出价高的卖方减少了匹配机会，影响到匹配成功率。QaDA中买/卖方交替与所有剩余卖/买方试探匹配的策略也提高了其匹配成功率。（3）相比之下，CDA对用户数量的增长敏感度较低，随着供需数量的增加QaDA的匹配成功增长率更明显一些。QaDA更适用于拍卖参与者较多的情况。

上述实验的同时，记录每次实验的成交金额，图5由所有实验累计而得，实验数据表明，与CDA比较，QaDA获得更大的成交总额。

图5 两种算法成交总量的比较

下面考察报价对匹配成功率的影响。先考虑卖方的要价，将卖方要价分为五个区间：[100，120）、[120，140）、[140，160）、[160，180）、[180，200]，分别统计不同卖价区间上卖方的匹配成功率，如图6所示。很显然：（1）CDA算法中卖方要价直接影响到匹配能否成功，要价在均衡价格以下的有机会成交，而要价高于均衡价格的则交易机会减为0。（2）QaDA算法中，各要价区间上的卖方匹配成功率没有特别大的波动，要价高的成交率稍微低一点但仍有很大的成交机会。

图6 卖方报价范围对匹配成功率的影响

再考虑买方的出价，将买方出价分为五个区间：[120，144）、[144，168）、[168，192）、[192，216）、[216，240]，分别统计不同出价区间上买方的匹配成功率，如图7所示。实验结果显示：（1）CDA算法中买方出价直接影响到匹配能否成功，出价在均衡价格以上的有机会成交，而出价低于均衡价格的则交易机会减为0。（2）QaDA算法中，各出价区间上的买方匹配成功率随着出价降低慢速下降，出价低的需求成交率低一些，但是仍有成交机会。

图7 买方出价范围对匹配成功率的影响

图6和图7的实验结果表明CDA不支持差别定价，QaDA支持按资源质量合理报价。

从拍卖机制本身容易分析得知，由于CDA让出价高的需求先和报价最低的供应匹配，造成种种不合理现象，如质量差的资源优先成交、质量高（报价高）的资源卖不出去、出价最高的买方却买到质量最低的资源，等等。QaDA保证出价高的买方和质量最高的资源先匹配，出价低的买方有机会买到要价低、质量也低一些的资源。因此，CDA适用于同质物品拍卖，QaDA更适用于不同质量差别定价的混合云环境。

4 总结和展望

本文综述了目前计算资源共享模型的发展，提出了基于混合云环境的计算资源市场HCRM，讨论了HCRM的功能架构、参与角色和交易管理机制。本文主要贡献是建立了供应和需求的质量模型，设计并仿真运行了一种质量感知的双向拍卖算法QaDA。实验结果表明，与普通的连续双向拍卖算法CDA相比，QaDA不仅可以引导用户合理定价，还能获得较高的匹配成功率和较高的成交总量。

进一步的工作有：（1）研究质量模型相关参数取值的确定方法；（2）设计质量评价驱动的报价模型；（3）从理论上对QaDA进行效用分析。

[1]Haas C，Caton S，Chard K，et al.Co-operative infrastructures：an economic model for providing infrastructures for social cloud computing[C]//46th Hawaii International Conference on System Sciences（HICSS），2013：729-738.

[2]Teodor-Florin F，Munteanu V I，Negru V.Towards a service friendly cloud ecosystem[C]//11th International Symposium on Parallel and Distributed Computing，2012：121-130.

[3]Subramanian K.Analyst&researcher krishworld.com，hybrid clouds[R].2011.

[4]García-Gómez S，Escriche-Vicente M，Arozarena-Llopis P.4CaaSt：comprehensive management of cloud services through a PaaS[C]//10th IEEE International Symposium on Parallel and Distributed Processing with Applications，2012：53-64.

[5]The cloudfoundry project[EB/OL].[2013-10-15].http：//www.Cloudfoundry.com/.

[6]The open shift project[EB/OL].[2013-10-15].https：//www.openshift.com/.

[7]The Andreas project[EB/OL].[2013-10-15].http：//www.informatik.uni-trier.de/～ley/pers/hd/m/Menychtas：Andreas.

[8]Nizamani S A.A quality-aware cloud selection service for computational modellers[D].2013.

[9]Lai K，Rasmusson L，Adar E，et al.Tycoon：an implementation of a distributed market-based resource allocation system[J].Multiagent Grid Systems，2005，1（3）：169-182.

[10]Waldspurger C A，Hogg T，Huberman B A，et al.Spawn：a distributed computational economy[J].IEEE Trans on Soft Engineering，1992，18（2）：103-117.

[11]Regev O，Nisan N.The POPCORN market.Online markets for computational resources[J].Decision Support Systems，2000，28：177-189.

[12]Lalis S，Karipidis A.JaWA：an open market-based framework for distributed computing over the Internet[J].Grid，2000，3：36-46.

[13]翁楚良，陆鑫达.一种基于双向拍卖机制的计算网格资源分配方法[J].计算机学报，2006，29（6）：1004-1009.

[14]丁丁，罗四维，艾丽华.基于双向拍卖的适应性云计算资源分配机制[J].通信学报，2012，33（Z1）：132-140.

[15]Lan Youwen，Tong Weiqin，Liu Zongheng，et al.Multiunit continuous double auction based resource allocation method[C]//2012 Third International Conference on Intelligent Control and Information Processing，2012.

[16]Teymouri S，Rahmani A M.A continues double auction method for resource allocation in economic grids[J].International Journal of Computer Applications，2012，43（17）：332-340.