一，研究背景
随着网络和互联网的发展云计算在我们生活中出现的越快来越频繁。研究云计算环境下的定价机制有助于云资源供应商和云计算的发展。而定价机制受到云资源分配策略的影响[1] 。云，也通常被称为云网络，通常由硬件（服务器网络）和以现收现付方式向最终用户提供的软件集合组成。而云计算是在互联网，共享信息和软硬资源的基础上，按照设配用户灵活分配资源的模式。具有三个本质特征：理论上可为用户提供不受限制自由的计算资源；技术和经济上方面可灵活对应用户变化的需求作出回应；用户能过够快速的获得与释放云资源 [2] 。云计算允许按需交付软件、硬件和数据作为服务。随着基于云的服务越来越多、越来越动态，开发高效的服务供应策略变得越来越具有挑战性。云计算技术通过互联网将分布在世界上不同物理位置的资源整合连接起来，形成一个能够虚拟化的可供使用的资源池，且这个巨大的资源池能够根据用户的不同需求提供相应的服务支持，满足客户的要求。资源池是在满足需求的前提下以效益最好，分配最优为目标，能够根据用户具体细致的服务要求以及当前资源负载情况进行资源调动和分配 。当云数据中心的用户大量涌入时,如何有效地管理数据中心的硬件资源和虚拟机,以降低经济成本,保证高质量的服务成为云提供商不可避免的工作。云计算提供商能够提供快速有效服务的重要保障是云数据中心的虚拟资源管理,【15】
首先云计算将会增长，所以开发者应该考虑到这一点。无论云提供商是以低抽象级别（如EC2）还是更高抽象级别（如AppEngine）销售服务，我们都认为计算、存储和网络都必须关注虚拟化资源的横向可扩展性，而不是单节点性能 [3]。此外：应用软件需要快速缩小和扩大，这是一个新的要求。这类软件还需要一种按使用付费的许可模式，以满足云计算的需求。基础设施软件必须意识到，它不再在裸机上运行，而是在虚拟机上运行。此外，计量和计费需要从一开始就内置。硬件系统应按一个集装箱（至少十几个机架）的规模设计，这将是最低采购规模。操作成本将在重要性上与性能和购买成本相匹配，通过将内存、磁盘和网络的空闲部分置于低功耗模式，实现能源比例的回报。处理器应与虚拟机配合良好，闪存应添加到内存层次结构中，局域网交换机和广域网路由器必须提高带宽和成本[4] [5]。
其次云计算使IT行业能够在订阅的基础上提供对其基础设施和应用程序服务的访问，从而使IT行业发生了革命性的变化。因此，包括IBM、Microsoft、Google和Amazon在内的多家企业开始向客户提供不同的云服务。由于可用云服务的巨大多样性，从客户的角度来看，很难决定他们应该使用谁的服务以及他们选择的基础是什么[6] 。目前，还没有一个框架允许客户评估云产品，并根据其满足用户服务质量（QoS）需求的能力对其进行排名。云是否长期承载（或发现承载服务有利可图）服务的决策将共同取决于它所设定的价格、它向其客户提供的QoS保证以及所宣传的保证的满意度。我们可以提出一个框架和一个机制来衡量云服务的质量和优先级[7][8] 。这样一个框架可以产生重大影响，并将在云提供商之间建立健康的竞争，以满足他们的服务水平协议（SLA）和提高他们的QoS。
二，研究现状
定价机制方面上，云计算的快速部署为网络用户提供了弹性、丰富、按需的云服务。现收现付模式允许用户只对他们使用的服务收费。然而，目前的采购设计仍然是原始的，有很大的限制[9] 。Spot实例是amazonec2最早部署的拍卖式定价模型，在资源稀缺的情况下，无法实现用户之间的公平竞争，从而可能导致不真实的竞价和不公平的资源配置。不诚实的用户可以滥用这一系统，通过故意设定大额最高报价，而只以较低的现货价格收取费用，从而获得（至少）短期利益。同时，这也可能阻止诚实用户的需求由于资源稀缺而得到满足。此外，Spot实例效率低下，可能无法充分满足用户的总体需求，因为它限制了用户对每个计算实例进行单独投标，而不是一次投标多个不同的实例[10] 。我们可以提出一套计算效率高、真实的拍卖式定价机制，使用户能够公平地竞争资源，云提供商能够增加他们的整体收入。分析表明，所提出的算法可以实现无共谋的真实性，或者（t；p）-容忍概率至少为p的t大小的共谋群的真实性。我们还表明，这两种算法分别具有多项式复杂性O（nm n2）和O（nm），当n个不同的计算单元与m个不同的计算单元竞争时[11] 。大量的模拟结果表明，在竞争激烈的云资源市场中，所提出的机制可以增加云提供商的收入，特别是当将相对有限的计算资源分配给潜在的大量云用户时[12]。除此以外我们可以通过使用技术经济的方法来解决单层和多层云网络中的容量规划/最优资源调配问题。我们开发、分析并比较了云提供商可以采用的模型，以使资源浪费量最小化，同时满足用户服务水平/QoS保证[14]。我们也可以通过考虑一个垄断的基础设施即服务（IaaS）提供商市场，其中有一组软件即服务（SaaS）提供商，每个SaaS提供商从IaaS提供商那里租赁虚拟机（vm），向其最终用户提供基于云的应用服务。我们从IaaS供应商的角度研究了联合定价和容量规划方案的设计问题。具体地说，我们首先研究SaaS提供商在给定IaaS提供商收取的资源价格的情况下，根据最终用户允许的请求量和要租赁的vm数量做出的最优决策。其次，基于SaaS供应商的最佳响应，我们研究了IaaS供应商利润最大化的联合定价和容量规划，利润最大化取决于通过提供vm获得的收入和维护活动服务器的能源成本。通过探讨最优容量与价格之间的关系，将原优化问题简化为一个关于价格的凸问题，并给出了最优解的表达式. [13]。
数据中心的高能耗也是一个亟待解决的问题.近年来,虚拟化技术和云计算模式快速发展起来,因其具有资源利用率高、管理灵活、可扩展性好等优点,未来的数据中心将广泛采用虚拟化技术和云计算技术.将传统的能耗管理技术与虚拟化技术相结合,为云计算数据中心的能耗管理问题提供了新的解决思路,也是一个重要的研究方向【16】。
通过对文献资料进行整理、归纳及分析比较我发现如果想要分析出一种较合适的定价机制，首先要了解目前云计算环境下虚拟机资源的定价机制分类、容量规划方法 并掌握优化资源价格的数学建模，将问题抽象成一个直观的数学优化问题 最后熟悉matlab仿真工具，并利用该仿真工具验证所得出的理论结果
参考文献：[1] M. Armbrust, A. Fox, R. Griffith, A. D. Joseph, R. Katz, A. Konwinski, G. Lee, D. Patterson, A. Rabkin, I. Stoica, and M. Zaharia. A view of cloud computing, 53(4):50–58, April 2010. [2] S. K. Garg, S. Versteeg, and R. Buyya. A framework for ranking of cloud computing services. Future Gneration Computer Systems 29:1012–1023, 2013. [3] Q. Wang, K. Ren, and X. Meng. When cloud meets ebay: Towards effective pricing for cloud computing. In Proceedings of International Conference on Computer Communications(INFOCOMrsquo;12), pages 936–944, 2012.
[4] H. Zhang, B. Li, H. Jiang, F. Liu, A. V. Vasilakos, and J. Liu. A framework for truthful online auctions in cloud computing with heterogeneous user demands. In Proceedings of International Conference on Computer Communications(INFOCOMrsquo;13), pages 1510–1518, 2013.
[5] Q. Zhang, Q. Zhu, and R. Boutaba. Dynamic resource allocation for spot markets in cloud computing environments. In IEEE International Conference on Utility and Cloud Computing, pages 178–185, 2011 [6] B. Sharma, R.K. Thulasiram, P. Thulasiraman, S.K. Garg, and R. Buyya. Pricing cloud compute commodities: A novel financial economic model. In IEEE/ACM 12th International Symposium on Cluster, Cloud and Grid Computing (CCGridrsquo;12)2012.
[7] V. Abhishek, A. K. Ian, and P. Key. Fixed and market pricing for cloud services. In Proceedings of 7th Workshop on the Economicsof Networks, Systems, and Computation, 2012.
[8] D. Ardagna, B. Panicucci, and M. Passacantando. Generalized nash equilibria for the service provisioning problem in cloud systems. IEEE Transactions on Services Computing, 2012.
[9] R. Pal and P. Hui. Economic models for cloud service markets: Pricing and capacity planning. Theoretical Computer Science 496(0):113–124, 2013.
[10] D. Niu, C. Feng, and B. Li. Pricing cloud bandwidth reservations under demand uncertainty. SIGMETRICS Perform. Eval. Rev 40(1):151–162, June 2012.
[11] H. Xu and B. Li. A study of pricing for cloud resources. SIGMETRICS Perform. Eval. Rev, 40(4):3–12, April 2013.
[12] H. Roh, C. Jung, W Lee, and D. Du. Resource pricing game in geo-distributed clouds. In Proceedings of International Conference on Computer Communications(INFOCOMrsquo;13), pages 1519–1527, 2013. [13] L. Tang, J. Qian, L. Xu, and Y. Yu. Joint pricing and capacity planning for iaas cloud. In 28th International Conference on Information Networking, Feb. 2014.
{14] D. Ardagna, B. Panicucci, and M. Passacantando. A game theoretic formulation of the service provisioning problem in cloud systems. Proceedings of the 20th International Conference on World Wide Web (WWWrsquo;11), pages 177–186, 2011
【15】熊章瑞；陈毅红；陆旭；云环境下虚拟机管理研究概述《长春师范大学学报》2020年第四期
