傳感資源云共享的動態定價策略

郭文艷 孫英華 周 超 范延濱

(青島大學計算機科學技術學院 山東 青島 266071)

傳感資源云共享的動態定價策略

郭文艷 孫英華 周 超 范延濱

(青島大學計算機科學技術學院 山東 青島 266071)

針對傳感資源在云市場中實現交易共享的問題，提出傳感資源的動態報價策略DPS-SR(Dynamic Pricing Strategy of Sensing Resource)和基于組合雙向拍賣的穩定匹配算法CDA-SMA(Stable Matching Algorithm of Combinatorial Double Auction) 。DPS-SR綜合考慮了歷史成交價格、市場供需情況、供應方資源負荷率和需求方焦急度給出合理的供需報價；CDA-SMA以供需雙方偏好為導向實現雙向穩定匹配。DPS-SR和CDA-SMA共同實現傳感資源的動態定價，仿真實驗結果顯示在不同的市場供需情況下該定價策略比傳統的固定比率定價有更好的適應性。

傳感數據資源 云資源共享 動態報價策略 組合雙向拍賣 資源負荷率 焦急度

0 引 言

隨著物聯網的蓬勃發展，傳感設備和傳感數據的需求量、供應量也在持續增長。如何實現傳感資源的有效共享成了亟待解決的問題。企業根據自己的需求部署傳感設備，或為顧客提供定制的傳感服務，但目前各個傳感網絡之間是孤立的，數據資源不能跨平臺使用，導致傳感設備重復部署，傳感數據復用率低。云計算中Inter-Cloud[1]的提出加速了XaaS[2](Everything as a Service)的發展。鑒于此，物聯網中Sensing as a Service[3-4]成為一種發展趨勢。

1 相關工作

目前關于物聯網共享問題的研究主要集中在傳感網絡，包括解決傳感網絡的異構和數據重用問題[5-8]，這些都是為更大程度上實現物聯網中的資源共享，提高資源利用效率。傳感網絡之間的互操作和傳感數據的可重用問題解決之后，傳感數據資源可以以商品的形式在傳感云平臺上通過市場交易方式實現共享。此時，如何給傳感資源合理定價成為重要問題。現有的云市場多采用固定比率定價方式，即資源供應商根據各自的收益率單方決定價格，如Amazon的EC2和S3、Google App、Microsoft Windows Azure等均是采用此方式。固定比率定價方式簡單易實現，但不能及時反映市場供需關系的動態變化，未考慮用戶利益，因此，動態定價方式得到越來越多的關注。文獻[9]提出一種基于混合博弈策略的云資源定價和交易模型，用于解決定價機制在效率和公平性方面的問題。該定價策略主要針對云資源，云資源與傳感資源之間存在很多差異。文獻[10]提出基于博弈機制的雙向拍賣報價模型，最優報價策略是一個與自身心理定價，市場最高、最低預測價格及對方出價規律有關的線性函數。文獻[11]基于不確定決策問題決策準則中的Hurwicz準則提出連續雙向拍賣的動態定價策略，考慮了歷史成交價格對報價的影響。文獻[10,11]都是從經濟學的角度討論定價策略，文獻[10]的報價策略主要從價格方面考慮雙方收益率以及市場收益對報價的影響。文獻[11]的報價策略只考慮市場供需情況。由于傳感資源屬于實時的數據資源，資源供應能力是多樣化的，用戶對資源的需求也是不同的，經濟學中的報價策略不完全適用于傳感資源。

為解決云間平臺上傳感資源的供需匹配問題，本文結合傳感數據資源多樣性和用戶偏好多樣性的特點設計了傳感資源云共享的交易管理模塊，提出了傳感資源的動態報價策略DPS-SR和穩定匹配算法CDA-SMA。DPS-SR考慮了歷史成交價格的報價影響，通過歷史成交價格預測市場供需情況；并從供需角度考慮了買方焦急度和賣方資源負荷率對報價的影響。CDA-SMA算法用于雙向拍賣中實現多個資源供應與多個不同資源需求之間的穩定匹配。

2 傳感資源云共享的動態定價策略

本文的動態定價分為兩步：先由買賣雙方根據DPS-SR報價策略給出供需報價，再經過CDA-SMA算法實現供需匹配，產生的交易價格即為資源的定價。

2.1 交易管理模塊

傳感資源云共享平臺的交易管理模塊如圖1所示，買賣雙方分別提交資源需求/供應、報價參考系數(賣方：資源負荷率、負荷率影響系數、成本價，買方：焦急度、焦急度影響系數、估價)和偏好系數。歷史價格管理主要負責記錄資源的歷史成交價，為報價提供參考。DSP-SR報價管理根據報價參考系數和歷史成交價格給出供需雙方的報價。用戶偏好管理模塊根據偏好系數計算買賣雙方的偏好列表，將結果提交給CDA-SMA匹配管理，由CDA-SMA匹配管理得出匹配結果并返回給買賣雙方，已經匹配成功的買賣雙方通過支付管理模塊完成支付。買賣雙方將每次交易的反饋評價提交給用戶反饋管理。

圖1 傳感資源交易管理模塊

2.2 傳感資源及資源包的描述

物聯網中的感知設備包括射頻識別設備(RFID)、GPS、傳感器、虛擬傳感設備等。其中傳感器分為：物理傳感器(如溫度、濕度、攝像頭和紅外移動傳感器)、化學傳感器(如毒氣體傳感器和PH計)、生物傳感器(如指紋控制儀)。虛擬傳感設備指通過傳感器虛擬技術將若干個傳感器的數據經過綜合分析得到的可以實現特定應用的設備。這里將從傳感設備以及虛擬傳感設備上得到的數據資源及其副本抽象成商品，表示為傳感資源SR(Sensor Resource)，將若干傳感資源組成的資源包表示為傳感資源包(SR_Package)。

SR= (Kind,Application_Fields,Price,Valid_Time,

Quantity,Location)

其中，Kind指傳感資源的類型，Application指傳感資源的應用領域，Price指傳感資源的價格，Valid_Time指傳感資源的可用時間，Quantity指傳感資源的數量，Location指傳感資源的部署位置。

SR_Package=(SR1,SR2,…,SRi,…)

這里的傳感資源包由若干單個的傳感資源組成。

2.3 交易供需模型

假設有m個賣方，賣方集合記Sellers={S1,S2,…,Sm}。

一個賣方供應：

S=(Seller_ID,Sup_Package,AskPrice_Package,Sup_Time)

其中，Seller_ID為該賣方的ID，Sup_Package為賣方提供的一組資源包，AskPrice_Package為資源包的最低要價，Sup_Time表示資源包的可用時間。這里，相同傳感數據的不同副本也可以作為多個賣方供應參與市場交易。

Sup_Package= (Sup_Resource1,…,Sup_Resourcei,

…,Sup_Resourcek)

其中，k類資源參與交易，Sup_Packagei為第i類資源的數量。

假設有n個買方，買方集合記為Buyers={B1,B2,…,Bn}。

一個買方供應：

B=(Buyer_ID,Dem_Package,BidPrice_Package,Dem_Time)

其中，Buyer_ID為該買方的ID，Dem_Package為買方需要的一組資源包，BidPrice_Package為資源包的最低出價，Dem_Time表示資源包的可用時間。

Dem_Package= (Dem_Resource1,…,Dem_Resourcei,

…,Dem_Resourcek)

其中，k類資源參與交易，Dem_Packagei表示第i類資源的數量。

2.4DPS-SR動態報價策略

在組合雙向拍賣中，資源的成交價是由買賣雙方的報價和拍賣機制決定的，合理的報價機制可以提高匹配成功率，減少交易成本，增加買賣雙方的收益。DPS-SR報價策略不僅考慮了歷史成交價格的因素，還考慮了買方焦急度和賣方資源負荷率的影響。相同傳感數據的不同副本作為多個賣方供應有著同等的報價地位。

這里的報價是針對資源包中的某一類資源的單位價格，資源包的報價是包中資源的報價之和。

將t+1時刻賣方j的報價表示為AskPrice_SR(t+1)，則：

AskPrice_SR(t+1)= (1+(Load_Ratio(t+1))α)×

max{θ(t)max[P(t)]+

(1-θ(t))min[P(t)],Cj}

(1)

式中，Load_Ratio表示資源的負荷率，α表示資源負荷率對要價的影響程度，取值范圍為[0,1]，越接近1表示資源的負荷率影響越大。

(2)

其中，Load表示資源的當前負載量，Loadcapacity表示資源的最大負荷。資源負荷率是指資源及其副本的訪問率，受傳輸帶寬的限制，一種資源不能有無限多的副本或同時賣給無限多的用戶。當資源及其副本的訪問量過多時，可以通過提高要價來增加收益，緩減資源的負荷壓力。

式(1)中，P(t)={P(1),P(2),…,P(t)}為該類資源的歷史成交價格序列，Cj為賣方j的成本價。θ(t)為該時刻的歷史成交價格參考系數，買賣雙方根據各自對市場分析的不同而設定不同的值，θ(start)=1，θ(end)=0。文獻[14]已驗證當θ(t)=1-[Q(t)/E(q)]2時，市場的收益和匹配成功率最高。Q(t)為截止到t時刻市場中某類資源的總成交次數，E(q)買賣雙方對市場最大成交次數的估計值。Q(t)初始值為0，最大值為E(q)。

將t+1時刻買方i的報價表示為BidPrice_SR(t+1)，則：

BidPrice_SR(t+1)= (1+(Anxiety(t+1))β)×

min{θ(t)min[P(t)]+

(1-θ(t))max[P(t)],Vi}

(3)

式中，Vi表示買方i對資源的估價。Anxiety表示買方的焦急程度，β表示焦急度對買方的影響程度，取值范圍為[0,1]，越接近1表示焦急度影響程度越大。

(4)

其中，t表示當前時間，deadline是用戶i資源使用的截止時間。由于用戶對資源的需求是有時間限制的，越接近用戶的使用截止時間，用戶就會越焦急，通過提高出價來增加自己的匹配成功率。

2.5 CDA-MSA組合雙向拍賣算法

DA-SMA匹配算法實現傳感資源的供需匹配，通過匹配雙方達成交易，產生資源成交價格。傳統的雙向匹配算法從價格的角度進行供需匹配，CDA-SMA不僅考慮了價格因素，還考慮了買賣雙方的偏好(包括資源質量和用戶信譽度)，可以實現雙向穩定匹配。

買方優先列表是由買方的偏好以及賣方資源質量和報價決定的，賣方的優先列表是由賣方的偏好以及買方的信譽和報價決定的。在算法開始之前，偏好管理模塊為算法提供每個買方的優先列表和每個賣方的優先列表。

CDA-SMA匹配過程如下：

//Input: 買方優先列表，賣方優先列表

//Output: 匹配結果，即每個買方的最終交易對象和每個賣方的最終交易對象

Step1 初始化買賣雙方交易狀態記錄表；

Step2 每個買方都向自己優先列表中排在第一位的賣方發出交易請求；

Step2-1 如果該賣方還處于自由狀態，則接受該交易請求；

Step2-2 如果該賣方當前處于預交易狀態，則將當前的預交易買方與該買方進行優先級比較；

Step2-2-1 如果該買方比當前的預交易買方優先級低，則拒絕交易請求；

Step2-2-2 如果該買方比當前的預交易買方優先級低高，則接收交易請求，拋棄當前的預交易對象；

Step3 每個自由的買方從還沒有拒絕過他的賣方中選擇優先級最高的賣方，發出交易請求；

Step4 重復Step2、Step3，直到沒有自由的買方或沒有自由的賣方，算法結束。

注：上述匹配過程的條件是(Sup_Package滿足Dem_Package)&&(Sup_Time滿足Dem_Time)&&(BidPrice_Package不低于AskPrice_Package)。

通過CDA-SMA算法，在某一輪拍賣中如果Si賣方和Bj買方匹配成功，達成交易，他們的資源包成交價表示為DealPrice_Package，則：

(5)

若Si賣方資源包中資源A的要價為AskPrice_SRA，Bj買方資源包中資源A的出價為BidPrice_SRA，資源A的成交價格為DealPrice_SRA，則：

(6)

由式(5)、式(6)可見，相同傳感數據的不同副本由于報價和交易對象不同，最終將獲得不同的成交價格。

3 模擬實驗及結果分析

3.1 實驗環境及參數設置

本文仿真實驗主要針對供需平衡與供需不平衡兩種市場狀態，分別驗證DPS-SR和固定比率報價策略FRP(FixingRatePricing)的市場交易情況。為進行仿真實驗，自行設計了一個小型的傳感資源交易模擬系統，先隨機生成供需數據，根據本文的報價策略報價，然后進行供需匹配、匹配結果以圖表的形式輸出。

本文仿真實驗主要使用均勻分布的隨機數據模擬市場供需多樣化的情況，但每個供需數據都有自己的范圍。有關的參數設置：買方數量為M，賣方數量為N，資源成本價服從正態分布fC～N(110,9)，資源估價服從正態分布fV～N(190,9)，歷史成交價格服從正態分布fH～N(150,36)，歷史成交價格參考系數服從標準正態分布fθ～N(0，1)，買方焦急度Anxiety取0.5，賣方資源負荷率Load_Ratio取0.5，賣方資源負荷率的影響系數fα=(0,0.25,0.5,0.75,1)，買方焦急度的影響系數fβ=(0,0.25,0.5,0.75,1)。固定比率報價策略的收益比率服從標準正態分布fθ～N(0，1)。根據以上的數據分布規律和分布范圍隨機產生一定數量的供需報價參數，分別根據DPS-SR和FRP報價策略產生相應的供需報價，采用CDA-SMA匹配算法得到交易結果，將交易結果進行分析，比較兩種報價策略的優劣。

3.2CDA-SMA算法的匹配偏好函數

在CDA-SMA算法中，買方需要根據自己的偏好將相對應的賣方進行優先排序，匹配偏好函數為BM，則：

BM=α1S_Reputation+α2S_Price+α3S_Suitability

其中，S_Reputation表示賣方信譽，是歷史成交中買方對該賣方的評價，可以分為五個等級(0.2，0.4，0.6，0.8，1.0)。S_Price=資源包成本/資源包最低要價。S_Suitability表示賣方提供的資源與買方需求的資源的契合程度，包括距離、資源準確程度。(α1,α2,α3)是買方的偏好系數且不同的買方根據自己的喜好設定不同的值。

賣方需要根據自己的偏好將相對應的買方進行優先排序，賣方的匹配偏好函數為SM，則：

SM=β1B_Reputation+β2B_Price

其中，B_Reputation表示買方信譽，是歷史成交中買方對該賣方的評價，可以分為五個等級(0.2，0.4，0.6，0.8，1.0)。B_Price=資源包最高出價/資源包估價。(β1,β2)是賣方的偏好系數且不同的賣方根據自己的喜好設定不同的值。

3.3DPS_SR動態定價策略的評價函數

本文使用交易成功率衡量市場的總體效益情況，用買賣雙方的資源收益率衡量市場參與者(買方和賣方)的效益情況。在某一輪拍賣中，每個資源提供方和資源需求方的收益率分別為R(s)和R(b)，具體如下：

其中，Tp是資源成交價格，Cp是資源的成本價，Vp是資源的估價。

買賣雙方的交易成功率為R(m)，假設有t對買方和賣方成交，則：

其中，Dem_Num是資源提供方數量，Sup_Num是資源需求方數量，Deal_Num是交易成功的買賣方的對數。在交易中雙方以最大化自己的收益率為目標，整個市場的收益是買賣雙方的收益之和，整個市場以最大化市場收益和匹配成功率為目標。

3.4 實驗仿真結果

DPS-SR主要圍繞市場供需情況制定，模擬實驗驗證兩種報價策略對不同供需的適應情況(供需參數中報價是變量，買賣方的偏好系數是常量)。這里將M∶N=1∶1定義為供需平衡的狀態，M∶N=3∶2和M∶N=2∶3定義為供需一般不平衡狀態，M∶N=2∶1和M∶N=1∶2定義為供需嚴重不平衡狀態。在供需平衡的狀態下，分別將M和N取50、100、150、200，每種情況運行100次，取平均值。當供應大于需求時，一般在供需不平衡的狀態下，M和N分別取90和60、150和100，240和160、300和200；供需嚴重不平衡的狀態下，M和N分別取100和50、160和80、200和100、300和150。每種情況運行100次，取平均值。當供應小于需求時，供需數量取值與上述正好相反。

在供應大于需求狀態下，如圖2所示。

圖2 供大于需狀態下的匹配成功率

當供需平衡時，DPS-SR報價策略比FRP報價策略的交易成功率高。當供需不平衡時，DPS-SR報價策略中買賣雙方根據歷史成交價格以及自身資源負荷率和焦急度來調整報價增加匹配成功率，但由于供需數量不同，賣方屬于資源稀缺方，賣方成交率增加；買方之間的競爭比較激烈，買方成交率降低，總體的成交率下降。DPS-SR根據市場情況對報價做出相應的調整，使得成交率比FRP高一些。隨著市場供需不平衡性增強，成交率優勢會慢慢減弱，但因為DPS-SR考慮了市場情況的因素，這種優勢始終存在，直到賣方全部成交。

在供應大于需求狀態下，如圖3、圖4所示，當供需平衡時，由于DPS-SR比FRP的匹配成功率高，所以雙方收益率都有優勢。一般當供需不平衡時，DPS-SR比FRP的賣方收益率高10.9%，買方收益率高3.4%，整體收益率高14.3%；供需嚴重不平衡時，DPS-SR比FRP的賣方收益率高2.1%，買方收益率低0.4%，整體收益率高1.7%。當供需不平衡時，賣方屬于資源稀缺方，資源負荷率低的賣方可以在保證成交率的情況下適當增加報價從而增加收益；資源負荷率高的賣方可以更大程度增加報價，這樣既增加收益又可以滿足自己的資源負荷率的要求。對買方來說，由于競爭對手很多，資源需求很急的買方要大力度提高自己的報價，這樣交易成功的機會更大；資源需求不急的買方可以適當提高出價，雖然每個買方的收益率下降，但由于成交率的影響，所有買方整體收益率不會低很多。

圖3 供大于需狀態下的賣方收益率

圖4 供大于需狀態的買方收益率

在供應小于需求狀態下，如圖5所示，當供需平衡時，DPS-SR報價策略比FRP報價策略的交易成功率高。當供需不平衡時，由于供需數量不同，買方屬于優勢方，賣方資源之間競爭比較激烈，所以買方成交率增加，賣方成交率降低，總體的成交率下降。與圖2同理，在供需不平衡狀態下，DPS-SR根據市場情況對報價做出相應的調整，使得成交率比FRP高一些，隨著市場供需不平衡性增強，成交率優勢會慢慢減弱，但因為DPS-SR考慮了市場情況的因素，這種優勢始終存在，直到買方全部成交。

圖5 供小于需狀態下的匹配成功率

在供應小于需求狀態下，如圖6、圖7所示，當供需平衡時，由于DPS-SR比FRP的匹配成功率高，所以雙方的收益率都有優勢。當供需一般不平衡時，DPS-SR比FRP的賣方收益率高3.3%，買方收益率高3.9%，整體收益率高7.2%；供需嚴重不平衡時，DPS-SR比FRP的賣方收益率低0.3%，買方收益率高6.1%，整體收益率高5.8%。當供需不平衡時，買方屬于數量優勢方，資源需求焦急度高的買方可以在保證成交率的情況下適當降低報價從而增加收益；需求焦急度小的買方可以更大程度降低報價，這樣可以在滿足自己資源需求的情況下盡可能增加收益。對于賣方來說，由于資源競爭的對手很多，資源負荷率很低的賣方要大力度降低自己的報價，這樣資源出售的機會更大；資源負荷率高的賣方可以適當降低出價，雖然每個賣方的收益率下降，但由于成交率的影響，所有賣方的整體收益率不會低很多。

圖6 供小于需狀態下的賣方收益率

圖7 供小于需狀態的買方收益率

實驗結果顯示由于DPS-SR考慮了歷史成交價格因素以及賣方資源負荷率和買方焦急度的影響，所以對不同的市場供需情況有更好的適應性。整個報價策略緊緊圍繞著供需關系，通過DPS-SR產生的交易結果可以很好地反應這種供需關系。

4 結 語

本文主要工作是通過云間平臺上的交易實現傳感資源共享，提出了針對這種共享方式的DPS-SR動態定價策略。主要貢獻是將歷史成交價格以及賣方資源負荷率和買方焦急度三個因素引入報價機制中，并在CDA-SMA匹配中考慮了買賣雙方的偏好以及資源質量和用戶信譽度。實驗結果顯示DPS-SR可以幫助用戶給出合理報價，提高交易成功率，同時對不同的資源供需情況有更好的適應性。進一步工作是繼續完善偏好函數，滿足用戶的個性化需求。

[1]BuyyaR,RanjanR,CalheirosRN.InterCloud:utility-orientedfederationofcloudcomputingenvironmentsforscalingofapplicationservices[C]//10thInternationalConferenceonAlgorithmsandArchitecturesforParallelProcessing,Busan,Korea,2010:13-31.

[2]GarciaRC,ChungJM.XaaSforXaaS:anevolvingabstractionofwebservicesfortheentrepreneur,developer,andconsumer[C]//2012IEEE55thInternationalMidwestSymposiumonCircuitsandSystems,2012:853-855.

[3]PereraC,ZaslavskyA,ChristenP,etal.SensingasaservicemodelforsmartcitiessupportedbyInternetofThings[J].EuropeanTransactionsonEmergingTelecommunicationsTechnologies,2014,25(1):81-93.

[4]ShengX,TangJ,XiaoX,etal.Sensingasaservice:challenges,solutionsandfuturedirections[J].IEEESensorsJournal,2013,13(10):3733-3741.

[5]ZhangJ,IannucciB,HennessyM,etal.Sensordataasaservice-afederatedplatformformobiledata-centricservicedevelopmentandsharing[C]//2013IEEE10thInternationalConferenceonServicesComputing,2013:446-453.

[6]RegueiroMA,ViqueiraJRR,TaboadaJA,etal.Virtualintegrationofsensorobservationdata[J].Computers&Geosciences,2015,81(C):12-19.

[7]CasolaV,BenedictisAD,RakM,etal.AnSLA-basedapproachtomanagesensornetworksas-a-service[C]//2013IEEE5thInternationalConferenceonCloudComputingTechnologyandScience,2013:191-197.

[8]ModicaGD,PantanoF,TomarchioO.AnOSGImiddlewaretoenablethesensorasaserviceparadigm[J].ScalableComputing:PracticeandExperience,2013,14:188-200.

[9] 肖鵬,胡志剛.云環境中基于混合博弈的虛擬資源定價模型[J].計算機集成制造系統,2014,20(1):198-206.

[10] 羅英,鄭燦釗.基于博弈機制的網上雙向拍賣報價模型研究[J].現代管理科學,2013(7):72-74.

[11] 詹文杰,白延濤.基于動態Hurwicz準則的連續雙向拍賣報價策略研究[J].管理學報,2014,11(3):416-420.

DYNAMIC PRICING STRATEGY OF SENSOR RESOURCE IN CLOUD SHARING

Guo Wenyan Sun Yinghua Zhou Chao Fan Yanbin

(CollegeofComputerScienceandTechnology,QingdaoUniversity,Qingdao266071,Shandong,China)

Aiming at the problem of sensor resources transaction sharing in the cloud market, a dynamic pricing strategy of sensing resource (DPS-SR) and a stable matching algorithm based on combinatorial double auction (CDA-SMA) are proposed. DPS-SR takes into account the historical transaction price, the market supply and demand situation, the supply side resource load ratio and the demand side anxious degree to give a reasonable supply and demand quotation; CDA-SMA achieves two-way stable matching based on both supply and demand preferences. DPS-SR and CDA-SMA are used to realize the dynamic pricing of sensor resources. The simulation results show that this pricing strategy has better adaptability than the traditional fixed-rate pricing in different market supply and demand situations.

Sensor data resource Cloud resource sharing Dynamic pricing strategy Combinatorial double auction Resource load ratio Anxious degree

2016-03-24。山東省計算機網絡重點實驗室開放課題基金項目(SDKLCN-2013-07)。郭文艷，碩士生，主研領域：云資源管理調度。孫英華，副教授。周超，碩士生。范延濱，教授。

TP316.4

A

10.3969/j.issn.1000-386x.2017.04.022