یک مدل کارگزاری مالی برای محاسبات ابری

یکی از مهمترین مزایای محاسبات ابری ، امکان دسترسی کاربران برای دسترسی به منابع به صورت پرداختی است ، از این طریق به طور بالقوه هزینه های آنها را کاهش می دهد و آنها را قادر می سازد تا به سرعت مقیاس را مقیاس دهند. با این حال ، این رویکرد لزوماً به نفع ارائه دهنده نیست. ارائه دهندگان مسئولیت اطمینان از داشتن زیرساخت های فیزیکی برای پاسخگویی به تقاضای کاربران خود را دارند و عملکرد آنها با توافق های سطح خدمات توافق شده مطابقت دارد. بدون دید دقیق از تقاضای آینده ، برنامه ریزی برای هزینه های متغیر مانند کارکنان ، سرورهای جایگزینی یا کولرها و منابع برق ، همه می توانند بسیار دشوار باشند و بهینه سازی توزیع ماشینهای مجازی یک چالش بزرگ را نشان می دهد.

در اینجا ، ما یک رویکرد را که برای اولین بار در یک مطالعه نظری توسط وو ، ژانگ و هوبرمن ارائه شده است ، که از آن به عنوان مدل WZH استفاده می کنیم ، بررسی می کنیم. مدل WZH از یک واسطه شخص ثالث ، هماهنگ کننده استفاده می کند ، که از انواع دارایی های ابری برای ارائه منابع به مشتریان با قیمت کاهش یافته استفاده می کند ، ضمن اینکه سود و کمک می کند و به ارائه دهنده (های) در پیش بینی منابع کمک می کند. هماهنگ کننده به عنوان کارگزار عمل می کند.

کاربران با استفاده از نوعی قرارداد مشتق مالی به نام گزینه ، منابع را از قبل از کارگزار خریداری می کنند. کارگزار از جذب این قراردادهای گزینه ها استفاده می کند تا تصمیم بگیرد که آیا باید برای خرید منابع برای مدت طولانی سرمایه گذاری کند. پس از آن می توان این منابع را به مشتریانی که خواستار آن هستند ، ارائه داد.

ما با استفاده از کلاسهای دارایی و سطح قیمت که مستقیماً بر روی داده های دنیای واقعی در حال حاضر از بازارهای مربوط به محاسبات ابری مدل شده است ، برای ارائه دهنده های مربوط به محاسبات ابری ، برای ارائه دهنده خدمات ارائه دهنده خدمات و الگوهای تقاضای مشتریان ، یک مدل WZH را در یک شبیه سازی مبتنی بر عامل اجرا می کنیم. ما نشان می دهیم که سود کارگزار در کلیه شرایط بازار شبیه سازی شده است و می تواند با در نظر گرفتن عملکرد گذشته هنگام تصمیم گیری برای سرمایه گذاری در موارد رزرو شده ، سود خود را تا 36 ٪ افزایش دهد. علاوه بر این ، ما نشان می دهیم که کارگزار می تواند با سرمایه گذاری در نمونه های 36 ماهه در طی 12 ماه ، سود را تا 33 ٪ افزایش دهد. با در نظر گرفتن عملکرد گذشته و سرمایه گذاری در نمونه های محفوظ مدت طولانی مدت ، کارگزار می تواند سود خود را تا 44 ٪ برای همان شرایط بازار افزایش دهد.

زمینه

به طور کلی پذیرفته شده است که قیمت گذاری در صورت تقاضا برای منابع محاسباتی ابری مزایایی را برای مصرف کنندگان فراهم می کند [1 ، 2]. آنها با امکان شروع و متوقف کردن منابع در صورت تقاضا ، کنترل عملیاتی کامل را دارند و مجبور نیستند در هزینه های سرمایه در ساخت زیرساخت های خود ، استخدام کارمندان پشتیبانی سیستم های فناوری اطلاعات یا سرمایه گذاری در نگهداری ماشین آلات فیزیکی شرکت کنند. علاوه بر این ، اگر ارائه دهندگان مختلف منابع محاسباتی ابری بتوانند در حال تعامل باشند ، یک ابر فدرال در اصل اجازه می دهد تا واحدهای منابع رایانه ای به عنوان کالایی در یک بازار آزاد معامله شوند ، در نتیجه این امکان را فراهم می کند که قیمت منابع به آرامی تغییر کند در حالی که مکانیسم بازار امکان پذیر است. تطبیق تقاضای مصرف کننده با عرضه ارائه دهنده [3].

اما آیا تجارت در صورت تقاضا از منابع رایانه ای با قیمت گذاری متغیر در واقع به یک ارائه دهنده خدمات ابری سود می برد؟خرید کالاها و خدمات پیش از تحویل به ارائه دهنده اجازه می دهد تا آینده را برنامه ریزی و آماده کند. چگونه ارائه دهنده می تواند اطمینان حاصل کند که در صورت تأمین منابع بدون آگاهی از تقاضای آینده ، می توانند سود را به حداکثر برسانند و هزینه را کاهش دهند؟

چنین دانش از چندین طریق مزایایی را برای ارائه دهندگان ارائه می دهد. ارائه دهنده باید اطمینان حاصل کند که توانایی جسمی برای منابع مورد نیاز وجود دارد ، اما هنگامی که مصرف کنندگان در قیمت گذاری تقاضا شرکت می کنند ، ارائه دهندگان باید پیش بینی کنند که چه استفاده مورد نیاز است و اطمینان حاصل می کند که زیرساخت ها در آنجا وجود دارد.

چه زمانی آنها در زیرساخت های جدید سرمایه گذاری می کنند؟با افزایش فرآیندهای تولید و افزایش اقتصاد مقیاس ، در حالی که توانایی فناوری آن افزایش می یابد ، هزینه واقعی زیرساخت ها کاهش می یابد. بنابراین بهتر است که ارائه دهنده قبل از سرمایه گذاری در توانایی اضافی منتظر بماند تا بهترین ارزش را برای پول بدست آورند [4]. اما چگونه آنها می دانند بهترین زمان چه زمانی است؟

در مورد هر مشاغل ، ارائه دهنده هزینه های متغیر دارد که مربوط به تولید شده است. چگونه می توان این برنامه ها را برنامه ریزی کرد؟اجرای هزار سرور به جای فقط یک نفر به تعداد زیادی از کارکنان و مهندسان پشتیبانی بیشتری نیاز دارد: اگر تعداد کمی از آنها شاغل باشند ، خرابی ها می توانند سوار شوند و باعث قطع سرویس یا خرابی شوند. این زمان خرابی نه تنها از نظر مجازات و بازپرداخت SLA (توافق نامه سطح خدمات) ، بلکه از نظر خطر شهرت نیز هزینه دارد. با این حال ، اگر تعداد زیادی از آنها شاغل باشند ، هزینه های مربوط به کارکنان مازاد نیاز به الزامات هدر می رود [5].

مصرف برق الکتریکی یکی دیگر از هزینه های متغیر کلیدی است [6]. اگر ارائه دهنده دید خوبی از تقاضای انرژی آینده داشته باشد ، ممکن است با پیش بینی الزامات خود و تهیه این امر به تأمین کننده انرژی خود تخفیف کسب کنند.

همچنین برنامه ریزی نمونه های مشتری به سرورها به طور کارآمد و بدون اطلاع قبلی از استفاده دشوار است [7 ، 8]. بیشتر ارائه دهندگان محاسبات ابری هنگام شروع نمونه ، نیازی به مدت زمان اجرا ندارند. آنقدر برنامه ریزی کارآمد به گونه ای که تعداد سرورهای برق کاهش یابد ، یک چالش بسیار سخت است.

یک روش ساده برای برنامه ریزی ظرفیت صرفاً ردیابی روند تقاضا و اطمینان از ظرفیت کافی (با حاشیه اضافی) برای تحقق حداکثر قبلاً تجربه شده است. با این حال ، منابع محاسبات ابری سازمانی فقط برای مدت زمان نسبتاً کوتاهی در دسترس مصرف کنندگان بوده است ، و این احتمال وجود دارد که اطلاعات تقاضا بیش از حد متغیر و ناقص برای ایجاد یک پیش بینی قابل اعتماد بدون در نظر گرفتن کاربران باشد.

در حال حاضر ، بیشتر ارائه دهندگان مدل های قیمت ثابت را برای تحویل فوری ارائه می دهند. خدمات وب آمازون رهبر بازار (AWS) همچنین یک مدل قیمت نقطه ای را ارائه می دهد ، جایی که قیمت بسته به عرضه و تقاضای فعلی متفاوت است و داوطلبان برنده تا زمانی که قیمت نقطه از حداکثر پیشنهاد آنها حرکت کند ، به منبع دسترسی پیدا می کنند. این طرح ها به برنامه ریزی ظرفیت کمک نمی کنند.

تعدادی طرح جایگزین وجود دارد که می توان از آنها استفاده کرد. در عوض کاربران می توانند قراردادهای مشتقات را خریداری کنند ، که حقوق قراردادی کاربر را در برخی از تاریخ های بعدی مشخص شده به یک منبع می دهد [9]. قراردادهای آتی نوعی مشتق است که خریداران را قبل از تحویل به منابع تضمین می کند ، معمولاً در ازای پرداخت پیش فرض در امضای قرارداد به دنبال تسویه حساب نهایی هنگام تحویل منابع: کاربر موظف استدر تاریخ تحویل که قرارداد مشخص شده است ، از منبع استفاده کنید. از طرف دیگر ، قراردادهای گزینه ها به خریداران حق قانونی (اما نه تعهدی) برای خرید منبعی برای قیمت اعتصاب توافق شده (یا گاهی اوقات به صورت یا قبل از) برخی از تاریخ تحویل بعدی را می دهند [10]. مشتقات مانند آینده و گزینه ها معمولاً در تعدادی از بازارهای کالایی برای ورودی های صنعتی مانند گندم ، نفت ، گاز طبیعی و فلزات مورد استفاده قرار می گیرند و انواع مختلف مشتقات مالی نیز در دهه های اخیر در بازارهای مالی جهانی بسیار مشهور استسهام ، ارز و اوراق قرضه.

به تعبیری محدود ، فروشندگان فعلی رایانه و رایانه در حال حاضر قراردادهای نقطه ای و رو به جلو را ارائه می دهند. خدمات وب آمازون (AWS) تأمین کننده اصلی خدمات زیرساخت ابری است ، و در اصطلاحات AWS یک ماشین مجازی از راه دور میزبان و نرم افزار مرتبط با آن به عنوان نمونه دستگاه آمازون شناخته می شود ، که اغلب به طور خلاصه به AMI یا به سادگی از آن به عنوان نمونه نامیده می شود. AWS دو نوع کلاس دارایی قیمت ثابت را ارائه می دهد: نمونه های تقاضا و نمونه های رزرو شده. موارد AWS در صورت تقاضا منابع قیمت ثابت هستند که به محض خرید تحویل می شوند و قیمت خرید توسط AWS تعیین می شود. موارد محفوظ AWS به کاربران امکان می دهد با پرداخت هزینه پیش فرض ، قیمت کاهش یافته برای هر واحد را برای یک منبع بپردازند. این هزینه آنها را برای یک دوره مشخص ، یا 12 یا 36 ماه ، هزینه های کاهش یافته را تضمین می کند.

سوالی که در این مقاله مورد بررسی قرار می دهیم این است: آیا این امکان وجود دارد که یک کارگزار خدمات رایانه ای از این قراردادهای مشتق شده در ترکیب استفاده کند تا بتواند منابع ارزان تری را برای مصرف کننده فراهم کند و همچنین در پیش بینی استفاده از آینده کمک کند؟

کارگزاری ابری

یک کارگزار با تطبیق خواسته های خریدار با منابع فروشنده سود می برد: کارگزار از روشهای مختلفی برای دستیابی به بهترین قیمت بین این طرفین استفاده می کند ، و به طور معمول با گرفتن هزینه کمیسیون از هرگونه معامله تکمیل شده یا با تغییر کارگزار سود می برد. گسترش ، یا ترکیبی از هزینه ها و گسترش. گسترش تفاوت بین قیمتی است که یک کارگزار از فروشندگان و قیمتی که در آن به خریداران می فروشد.

در بازار کالایی که کالاها به هیچ وجه نمی توانند بین تأمین کنندگان به غیر از قیمت تمایز قائل شوند ، تمام آنچه برای خریداران مهم است این است که آنها قیمتی را که با آنها راحت است پرداخت می کنند و تمام آنچه برای فروشندگان مهم است این است که آنها قیمتی را دریافت می کنندهمچنین راحت با [11] ؛به طور معمول هزینه کارگزار و/یا گسترش توسط خریداران و فروشندگان تحمل می شود زیرا کارگزار به عنوان ارائه دهنده نقدینگی عمل می کند: خریداران و فروشندگان مجبور نیستند وقت خود را صرف یافتن همتایان بالقوه برای معاملات خود کنند و سپس با آنها مذاکره کنند و آنها این کار را انجام دهند. نیازی به نگرانی در مورد وجود هیچ طرفی برای تجارت نیست.

کارگزار قصد دارد ضمن اطمینان از سودآوری ، الزامات این طرفین را برآورده کند. در این کار ، ما با خرید حقوق پیش پرداخت یا تعهدات مربوط به منابع ، از طریق قراردادهای مشتق ، روی یک روش ساده برای دستیابی به این امر تمرکز می کنیم. هنگامی که قرارداد مشتقات بالغ می شود و منابع مربوطه تحویل داده می شود ، کارگزار می تواند منابع را به مشتریانی که نیاز به استفاده از آنها دارند بفروشد: در این زمینه ، کارگزار از مشتقات به عنوان مکانیسمی برای محافظت از خطر در عدم اطمینان بیش از تقاضای آینده استفاده می کندعرضه.

مهارت کارگزار در پیش بینی زمان خرید منابع از قبل و چه موقع به سادگی منابع خریداری شده مستقیم از بازار نقطه یا از سهام خصوصی منابع خود کارگزار را در اختیار مشتریان خود قرار می دهد.

یک مدل کارگزار ساده از دو مرحله تشکیل شده است. در مرحله اول ، کارگزار قصد دارد چه چیزی را خریداری کند. کارگزار پیش بینی تقاضا را می کند ، تعیین می کند چه چیزی و چه زمانی باید بخرید و سپس خرید پیشرفته ای را از ارائه دهنده انجام می دهد.

در مرحله دوم ، مشتریان برای یک منبع به کارگزار نزدیک می شوند. اگر کارگزار قبلاً یک منبع را خریداری کرده باشد ، اگر هزینه کمتر از مشتری بخواهد بپردازد ، می تواند آن را برای سود به مشتری بفروشد. اگر اینگونه نباشد ، کارگزار باید یک نمونه تقاضا را خریداری کرده و آن را به مشتری ارائه دهد.

اما چگونه کارگزار می تواند به طور مؤثر استفاده را پیش بینی کند؟وو ، ژانگ و هوبرمن یک مدل دو دوره (که ما از این پس به عنوان مدل WZH به عنوان مدل WZH یاد می کنیم) برای رزرو منابع پیشنهاد کردند که در آن در دوره اول کاربر احتمال استفاده از منبع را در دوره دوم می داند و رزرو می کندقیمت آنها به این احتمال بستگی دارد [12].

Consider N users who live for two discrete periods. Each user can purchase a unit of resource from a service provider to use in the second period, either at a discounted rate of 1 in Period 1, or at higher price C , where C >1 ، در دوره 2 ، در دوره 1 ، هر کاربر فقط این احتمال را می داند که در دوره 2 به منبع نیاز داشته باشند-تا دوره بعدی به طور مشخص مشخص نیست.

یک عامل سوم ، هماهنگ کننده ، معرفی شده است که با جمع کردن احتمالات کاربران و جذب ریسک از طریق یک بازی دو دوره ای که در زیر شرح داده شده است ، سود می برد:

دوره 1: هر کاربر من یک احتمال را به هماهنگ کننده ارسال می کنم ، q_من، که لازم نیست احتمال واقعی باشد ، ص_من، که آنها در دوره 2 به یک واحد منبع نیاز دارند.

دوره 1: هماهنگ کننده ذخایر Q_منحرف_منواحدهای منبع از ارائه دهنده منابع با قیمت تخفیف برای استفاده در دوره 2 ، جایی که n_منتعداد واحدهای منابع مورد نیاز هر کاربر است. برای سادگی در این شبیه سازی ، n_من= 1 برای همه کاربران.

دوره 2: هماهنگ کننده منابع رزرو شده را به کاربرانی که ادعا می کنند ارائه می دهد. اگر مبلغ رزرو شده توسط هماهنگ کننده برای پوشش تقاضا کافی نباشد ، هماهنگ کننده بیشتر از ارائه دهنده منابع با قیمت واحد بالاتر c خریداری می کند.

دوره 2: کاربر می پردازد:

F (س_من) در صورت نیاز به منبع

g (q_من) در صورت عدم نیاز به منبع

در صورت G (q (q) می توان قرارداد را به عنوان گزینه در نظر گرفت_من) در دوره 1 (یعنی به عنوان حق بیمه) و F (q) پرداخت می شود_من) -G (q_من) در دوره 2 (یعنی به عنوان قیمت) در صورت نیاز به منبع پرداخت می شود. در دوره 1 ، این منبع محفوظ است ، اما کاربر تحت هیچگونه تعهدی برای خرید نیست.

وو و همکاران. نشان داد که اگر شرایط زیر برآورده شود ، هماهنگ کننده سود می برد:

شرط A: هر کاربر ترجیح می دهد از خدمات ارائه شده توسط هماهنگ کننده استفاده کند ، نه اینکه با ارائه دهنده منابع (به عنوان مثال با دستیابی به کاهش هزینه) مقابله کند)

شرط B: هماهنگ کننده می تواند با ارائه خدمات سود کسب کند.

شرایط زیرنویس زیر کاملاً ضروری نیست ، اما برای شرایط A و B برای نگه داشتن شرایط مفید است:

شرط T1 (حقیقت-تالاسیون): هر کاربر احتمال واقعی خود را در دوره 1 ارسال می کند تا انتظار داشته باشد بعداً کمترین مبلغ را بپردازد.

شرط T2 (حقیقت-واقعی): هنگامی که کاربر در دوره 2 به یک منبع نیاز ندارد ، در همان دوره به هماهنگ کننده گزارش می شود.

مورد خاص زیر ثابت شد که این شرایط را برآورده می کند ، جایی که K ، ثابت برای تغییر قیمت پرداخت شده توسط مشتری ، روی 1. 5 تنظیم شده است و C به 2 تنظیم شده است:

در کار قبلی [13] ، ما ادعاهای وو و همکاران را تأیید کردیم هرچند آزمایش های شبیه سازی و نشان داد که یک فرآیند بهینه سازی تکاملی ساده که در یک استخر حداکثر نامناسب کاربران کار می کند ، منجر به صداقت کاربران در هنگام تعامل با زمان می شود. سیستم WZH.

از مدل WZH می توان برای پیش بینی تقاضا استفاده کرد زیرا کاربران را ترغیب می کند با پاداش دادن به آنها با کاهش هزینه در طول زمان ، تخمین صادقانه از استفاده در آینده را ارائه دهند ، در مقایسه با خرید مستقیم از ارائه دهنده با نرخ بالاتر.

در مدل ما ، ما از هماهنگ کننده به عنوان کارگزار یاد می کنیم ، زیرا هماهنگ کننده نقشی را که به طور سنتی توسط یک کارگزار مالی انجام می شود ، انجام می دهد. در دوره اول ، کارگزار از هر کاربر من می خواهد که احتمال P را ارسال کند_منپیش از این که آنها از یک منبع استفاده می کنند و یک حق بیمه G را پرداخت می کنند (q_من ) .

کارگزار این احتمالات را خلاصه می کند ، این پیش بینی میزان منابع در دوره بعدی است.

د

حرف

جف_منمن_{شبیه سازی} ]

داده های تقاضای بازار_{ما از هیچ مجموعه داده دنیای واقعی دامنه عمومی اطلاع نداریم که داده‌های تقاضای تاریخی برای منابع رایانش ابری را که در تعداد زیادی کاربر جمع‌آوری شده است، در بازه‌های زمانی که کارگزاری مانند Coordinator در مدل WZH به آن نیاز دارد، نشان دهد. برای عمل کردنبا این وجود، به طور شهودی، می‌توانیم انتظار داشته باشیم که نوسانات دوره‌ای در تقاضا از سوی هر کاربر وجود داشته باشد، و با این حال می‌توانیم انتظار داشته باشیم که در برخی از بخش‌های بازار همبستگی‌های قابل توجهی در تقاضا از سوی جمعیت کاربران (یا «مبنای کاربر») وجود داشته باشد. در آن بخشاگر تقاضا در همه بخش‌ها به اندازه کافی مرتبط باشد، تقاضای کل یک "صدای سفید" ثابت خواهد بود و تامین آن تقاضا نسبتاً ساده خواهد بود.}با این حال، اگرچه چنین حالت پایدار تقاضای کل صدای سفید مطلوب خواهد بود، اما در عمل برای دوره های پایدار بعید به نظر می رسد. وجود قله‌ها و فرورفتگی‌های دشوار در تقاضای کل از بازارهای دنیای واقعی است که مشکل تأمین کافی برای آن تقاضا را به یک موضوع تحقیقاتی عمیق و چالش برانگیز تبدیل می‌کند - موضوع تحقیقی که در اینجا به آن پرداخته می‌شود. به همین دلیل، ما از داده‌های حوزه عمومی در مورد فعالیت‌های بازار دنیای واقعی استفاده کرده‌ایم که به‌طور منطقی می‌توان استدلال کرد که به عنوان یک پروکسی خوب برای تقاضای دنیای واقعی برای محاسبات ابری در بخش‌های خاص بازار، و در جاهایی که اوج و فرود وجود دارد، عمل می‌کند.. اعتقاد ما این است که با نشان دادن موفقیت در این داده‌های پراکسی دنیای واقعی، می‌توانیم به طور قابل قبولی ادعا کنیم که موفقیت سیستم ما برای هر الگوی نوسان مشابه دیگری از تقاضا نیز محتمل است._{ما فرض می کنیم که تقاضا برای منابع محاسباتی توسط یک برنامه تجارت الکترونیکی مربوط به فروش است که توسط برنامه اجرا می شود (به عنوان مثال ، افزایش فروش آنلاین منجر به افزایش سرور وب و پردازش کارت اعتباری خواهد شد). به دنبال این فرض ، مجموعه داده ها از دفتر آمار ملی انگلستان در شاخص تعدیل شده غیر فصلی فروش با قیمت های فعلی از سال 1988 (اولین موجود) تا سال 2011 برای چهار بخش مختلف بازار بدست آمد. این چهار بخش انتخاب شده اند زیرا آنها رابطه محکمی با استفاده از آن دارند و در طول دوره متفاوت هستند ، بنابراین اجازه می دهد مدل جدید در تعدادی از شرایط بازار ارزیابی شود. مدت زمان جمع آوری این آمار ، یک دوره معمولی از دوران مدرن را نشان می دهد که تقاضا به طور مکرر تغییر کرده است ، با زمان رکود اقتصادی و رشد. به همین ترتیب ، این یک مدل قابل قبول از واریانس بازار است. الگوهای تقاضا بین 0 عادی شد ، جایی که هیچ یک از کاربران N درخواست منابع را ارسال نمی کنند ، و 1 ، جایی که همه کاربران N درخواست منابع را ارسال می کنند. این اجازه می دهد تا مدل بین اندام های کم و زیاد تقاضای زیاد ارزیابی شود.} ]

تمام پروفایل های تقاضا الگوهای سالانه منظم را نشان می دهند (مانند افزایش زیاد در اطراف کریسمس) ، اما برای کمک به ارزیابی هر پروفایل نامی متناسب با رفتار بازار خود در کل دوره اختصاص می یابد:

بازار رشد سریع

Marginal Resource Utilisation (MRU) is the ratio of items in C >(شکل 1)-داده های مربوط به خرده فروشی های غیر فروشگاهی: همه مشاغل-رشد سالانه کمتری و به دنبال رشد سریع در دوره کوچکتر.

If MRU >

_من) -G (q_من