传感资源云共享的动态定价策略

郭文艳 孙英华 周 超 范延滨

(青岛大学计算机科学技术学院 山东 青岛 266071)

传感资源云共享的动态定价策略

郭文艳 孙英华 周 超 范延滨

(青岛大学计算机科学技术学院 山东 青岛 266071)

针对传感资源在云市场中实现交易共享的问题，提出传感资源的动态报价策略DPS-SR(Dynamic Pricing Strategy of Sensing Resource)和基于组合双向拍卖的稳定匹配算法CDA-SMA(Stable Matching Algorithm of Combinatorial Double Auction) 。DPS-SR综合考虑了历史成交价格、市场供需情况、供应方资源负荷率和需求方焦急度给出合理的供需报价；CDA-SMA以供需双方偏好为导向实现双向稳定匹配。DPS-SR和CDA-SMA共同实现传感资源的动态定价，仿真实验结果显示在不同的市场供需情况下该定价策略比传统的固定比率定价有更好的适应性。

传感数据资源 云资源共享 动态报价策略 组合双向拍卖 资源负荷率 焦急度

0 引 言

随着物联网的蓬勃发展，传感设备和传感数据的需求量、供应量也在持续增长。如何实现传感资源的有效共享成了亟待解决的问题。企业根据自己的需求部署传感设备，或为顾客提供定制的传感服务，但目前各个传感网络之间是孤立的，数据资源不能跨平台使用，导致传感设备重复部署，传感数据复用率低。云计算中Inter-Cloud[1]的提出加速了XaaS[2](Everything as a Service)的发展。鉴于此，物联网中Sensing as a Service[3-4]成为一种发展趋势。

1 相关工作

目前关于物联网共享问题的研究主要集中在传感网络，包括解决传感网络的异构和数据重用问题[5-8]，这些都是为更大程度上实现物联网中的资源共享，提高资源利用效率。传感网络之间的互操作和传感数据的可重用问题解决之后，传感数据资源可以以商品的形式在传感云平台上通过市场交易方式实现共享。此时，如何给传感资源合理定价成为重要问题。现有的云市场多采用固定比率定价方式，即资源供应商根据各自的收益率单方决定价格，如Amazon的EC2和S3、Google App、Microsoft Windows Azure等均是采用此方式。固定比率定价方式简单易实现，但不能及时反映市场供需关系的动态变化，未考虑用户利益，因此，动态定价方式得到越来越多的关注。文献[9]提出一种基于混合博弈策略的云资源定价和交易模型，用于解决定价机制在效率和公平性方面的问题。该定价策略主要针对云资源，云资源与传感资源之间存在很多差异。文献[10]提出基于博弈机制的双向拍卖报价模型，最优报价策略是一个与自身心理定价，市场最高、最低预测价格及对方出价规律有关的线性函数。文献[11]基于不确定决策问题决策准则中的Hurwicz准则提出连续双向拍卖的动态定价策略，考虑了历史成交价格对报价的影响。文献[10,11]都是从经济学的角度讨论定价策略，文献[10]的报价策略主要从价格方面考虑双方收益率以及市场收益对报价的影响。文献[11]的报价策略只考虑市场供需情况。由于传感资源属于实时的数据资源，资源供应能力是多样化的，用户对资源的需求也是不同的，经济学中的报价策略不完全适用于传感资源。

为解决云间平台上传感资源的供需匹配问题，本文结合传感数据资源多样性和用户偏好多样性的特点设计了传感资源云共享的交易管理模块，提出了传感资源的动态报价策略DPS-SR和稳定匹配算法CDA-SMA。DPS-SR考虑了历史成交价格的报价影响，通过历史成交价格预测市场供需情况；并从供需角度考虑了买方焦急度和卖方资源负荷率对报价的影响。CDA-SMA算法用于双向拍卖中实现多个资源供应与多个不同资源需求之间的稳定匹配。

2 传感资源云共享的动态定价策略

本文的动态定价分为两步：先由买卖双方根据DPS-SR报价策略给出供需报价，再经过CDA-SMA算法实现供需匹配，产生的交易价格即为资源的定价。

2.1 交易管理模块

传感资源云共享平台的交易管理模块如图1所示，买卖双方分别提交资源需求/供应、报价参考系数(卖方：资源负荷率、负荷率影响系数、成本价，买方：焦急度、焦急度影响系数、估价)和偏好系数。历史价格管理主要负责记录资源的历史成交价，为报价提供参考。DSP-SR报价管理根据报价参考系数和历史成交价格给出供需双方的报价。用户偏好管理模块根据偏好系数计算买卖双方的偏好列表，将结果提交给CDA-SMA匹配管理，由CDA-SMA匹配管理得出匹配结果并返回给买卖双方，已经匹配成功的买卖双方通过支付管理模块完成支付。买卖双方将每次交易的反馈评价提交给用户反馈管理。

图1 传感资源交易管理模块

2.2 传感资源及资源包的描述

物联网中的感知设备包括射频识别设备(RFID)、GPS、传感器、虚拟传感设备等。其中传感器分为：物理传感器(如温度、湿度、摄像头和红外移动传感器)、化学传感器(如毒气体传感器和PH计)、生物传感器(如指纹控制仪)。虚拟传感设备指通过传感器虚拟技术将若干个传感器的数据经过综合分析得到的可以实现特定应用的设备。这里将从传感设备以及虚拟传感设备上得到的数据资源及其副本抽象成商品，表示为传感资源SR(Sensor Resource)，将若干传感资源组成的资源包表示为传感资源包(SR_Package)。

SR= (Kind,Application_Fields,Price,Valid_Time,

Quantity,Location)

其中，Kind指传感资源的类型，Application指传感资源的应用领域，Price指传感资源的价格，Valid_Time指传感资源的可用时间，Quantity指传感资源的数量，Location指传感资源的部署位置。

SR_Package=(SR1,SR2,…,SRi,…)

这里的传感资源包由若干单个的传感资源组成。

2.3 交易供需模型

假设有m个卖方，卖方集合记Sellers={S1,S2,…,Sm}。

一个卖方供应：

S=(Seller_ID,Sup_Package,AskPrice_Package,Sup_Time)

其中，Seller_ID为该卖方的ID，Sup_Package为卖方提供的一组资源包，AskPrice_Package为资源包的最低要价，Sup_Time表示资源包的可用时间。这里，相同传感数据的不同副本也可以作为多个卖方供应参与市场交易。

Sup_Package= (Sup_Resource1,…,Sup_Resourcei,

…,Sup_Resourcek)

其中，k类资源参与交易，Sup_Packagei为第i类资源的数量。

假设有n个买方，买方集合记为Buyers={B1,B2,…,Bn}。

一个买方供应：

B=(Buyer_ID,Dem_Package,BidPrice_Package,Dem_Time)

其中，Buyer_ID为该买方的ID，Dem_Package为买方需要的一组资源包，BidPrice_Package为资源包的最低出价，Dem_Time表示资源包的可用时间。

Dem_Package= (Dem_Resource1,…,Dem_Resourcei,

…,Dem_Resourcek)

其中，k类资源参与交易，Dem_Packagei表示第i类资源的数量。

2.4DPS-SR动态报价策略

在组合双向拍卖中，资源的成交价是由买卖双方的报价和拍卖机制决定的，合理的报价机制可以提高匹配成功率，减少交易成本，增加买卖双方的收益。DPS-SR报价策略不仅考虑了历史成交价格的因素，还考虑了买方焦急度和卖方资源负荷率的影响。相同传感数据的不同副本作为多个卖方供应有着同等的报价地位。

这里的报价是针对资源包中的某一类资源的单位价格，资源包的报价是包中资源的报价之和。

将t+1时刻卖方j的报价表示为AskPrice_SR(t+1)，则：

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表示资源的负荷率，α表示资源负荷率对要价的影响程度，取值范围为[0,1]，越接近1表示资源的负荷率影响越大。

(2)

其中，Load表示资源的当前负载量，Loadcapacity表示资源的最大负荷。资源负荷率是指资源及其副本的访问率，受传输带宽的限制，一种资源不能有无限多的副本或同时卖给无限多的用户。当资源及其副本的访问量过多时，可以通过提高要价来增加收益，缓减资源的负荷压力。

式(1)中，P(t)={P(1),P(2),…,P(t)}为该类资源的历史成交价格序列，Cj为卖方j的成本价。θ(t)为该时刻的历史成交价格参考系数，买卖双方根据各自对市场分析的不同而设定不同的值，θ(start)=1，θ(end)=0。文献[14]已验证当θ(t)=1-[Q(t)/E(q)]2时，市场的收益和匹配成功率最高。Q(t)为截止到t时刻市场中某类资源的总成交次数，E(q)买卖双方对市场最大成交次数的估计值。Q(t)初始值为0，最大值为E(q)。

将t+1时刻买方i的报价表示为BidPrice_SR(t+1)，则：

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表示买方i对资源的估价。Anxiety表示买方的焦急程度，β表示焦急度对买方的影响程度，取值范围为[0,1]，越接近1表示焦急度影响程度越大。

(4)

其中，t表示当前时间，deadline是用户i资源使用的截止时间。由于用户对资源的需求是有时间限制的，越接近用户的使用截止时间，用户就会越焦急，通过提高出价来增加自己的匹配成功率。

2.5 CDA-MSA组合双向拍卖算法

DA-SMA匹配算法实现传感资源的供需匹配，通过匹配双方达成交易，产生资源成交价格。传统的双向匹配算法从价格的角度进行供需匹配，CDA-SMA不仅考虑了价格因素，还考虑了买卖双方的偏好(包括资源质量和用户信誉度)，可以实现双向稳定匹配。

买方优先列表是由买方的偏好以及卖方资源质量和报价决定的，卖方的优先列表是由卖方的偏好以及买方的信誉和报价决定的。在算法开始之前，偏好管理模块为算法提供每个买方的优先列表和每个卖方的优先列表。

CDA-SMA匹配过程如下：

//Input: 买方优先列表，卖方优先列表

//Output: 匹配结果，即每个买方的最终交易对象和每个卖方的最终交易对象

Step1 初始化买卖双方交易状态记录表；

Step2 每个买方都向自己优先列表中排在第一位的卖方发出交易请求；

Step2-1 如果该卖方还处于自由状态，则接受该交易请求；

Step2-2 如果该卖方当前处于预交易状态，则将当前的预交易买方与该买方进行优先级比较；

Step2-2-1 如果该买方比当前的预交易买方优先级低，则拒绝交易请求；

Step2-2-2 如果该买方比当前的预交易买方优先级低高，则接收交易请求，抛弃当前的预交易对象；

Step3 每个自由的买方从还没有拒绝过他的卖方中选择优先级最高的卖方，发出交易请求；

Step4 重复Step2、Step3，直到没有自由的买方或没有自由的卖方，算法结束。

注：上述匹配过程的条件是(Sup_Package满足Dem_Package)&&(Sup_Time满足Dem_Time)&&(BidPrice_Package不低于AskPrice_Package)。

通过CDA-SMA算法，在某一轮拍卖中如果Si卖方和Bj买方匹配成功，达成交易，他们的资源包成交价表示为DealPrice_Package，则：

(5)

若Si卖方资源包中资源A的要价为AskPrice_SRA，Bj买方资源包中资源A的出价为BidPrice_SRA，资源A的成交价格为DealPrice_SRA，则：

(6)

由式(5)、式(6)可见，相同传感数据的不同副本由于报价和交易对象不同，最终将获得不同的成交价格。

3 模拟实验及结果分析

3.1 实验环境及参数设置

本文仿真实验主要针对供需平衡与供需不平衡两种市场状态，分别验证DPS-SR和固定比率报价策略FRP(FixingRatePricing)的市场交易情况。为进行仿真实验，自行设计了一个小型的传感资源交易模拟系统，先随机生成供需数据，根据本文的报价策略报价，然后进行供需匹配、匹配结果以图表的形式输出。

本文仿真实验主要使用均匀分布的随机数据模拟市场供需多样化的情况，但每个供需数据都有自己的范围。有关的参数设置：买方数量为M，卖方数量为N，资源成本价服从正态分布fC～N(110,9)，资源估价服从正态分布fV～N(190,9)，历史成交价格服从正态分布fH～N(150,36)，历史成交价格参考系数服从标准正态分布fθ～N(0，1)，买方焦急度Anxiety取0.5，卖方资源负荷率Load_Ratio取0.5，卖方资源负荷率的影响系数fα=(0,0.25,0.5,0.75,1)，买方焦急度的影响系数fβ=(0,0.25,0.5,0.75,1)。固定比率报价策略的收益比率服从标准正态分布fθ～N(0，1)。根据以上的数据分布规律和分布范围随机产生一定数量的供需报价参数，分别根据DPS-SR和FRP报价策略产生相应的供需报价，采用CDA-SMA匹配算法得到交易结果，将交易结果进行分析，比较两种报价策略的优劣。

3.2CDA-SMA算法的匹配偏好函数

在CDA-SMA算法中，买方需要根据自己的偏好将相对应的卖方进行优先排序，匹配偏好函数为BM，则：

BM=α1S_Reputation+α2S_Price+α3S_Suitability

其中，S_Reputation表示卖方信誉，是历史成交中买方对该卖方的评价，可以分为五个等级(0.2，0.4，0.6，0.8，1.0)。S_Price=资源包成本/资源包最低要价。S_Suitability表示卖方提供的资源与买方需求的资源的契合程度，包括距离、资源准确程度。(α1,α2,α3)是买方的偏好系数且不同的买方根据自己的喜好设定不同的值。

卖方需要根据自己的偏好将相对应的买方进行优先排序，卖方的匹配偏好函数为SM，则：

SM=β1B_Reputation+β2B_Price

其中，B_Reputation表示买方信誉，是历史成交中买方对该卖方的评价，可以分为五个等级(0.2，0.4，0.6，0.8，1.0)。B_Price=资源包最高出价/资源包估价。(β1,β2)是卖方的偏好系数且不同的卖方根据自己的喜好设定不同的值。

3.3DPS_SR动态定价策略的评价函数

本文使用交易成功率衡量市场的总体效益情况，用买卖双方的资源收益率衡量市场参与者(买方和卖方)的效益情况。在某一轮拍卖中，每个资源提供方和资源需求方的收益率分别为R(s)和R(b)，具体如下：

其中，Tp是资源成交价格，Cp是资源的成本价，Vp是资源的估价。

买卖双方的交易成功率为R(m)，假设有t对买方和卖方成交，则：

其中，Dem_Num是资源提供方数量，Sup_Num是资源需求方数量，Deal_Num是交易成功的买卖方的对数。在交易中双方以最大化自己的收益率为目标，整个市场的收益是买卖双方的收益之和，整个市场以最大化市场收益和匹配成功率为目标。

3.4 实验仿真结果

DPS-SR主要围绕市场供需情况制定，模拟实验验证两种报价策略对不同供需的适应情况(供需参数中报价是变量，买卖方的偏好系数是常量)。这里将M∶N=1∶1定义为供需平衡的状态，M∶N=3∶2和M∶N=2∶3定义为供需一般不平衡状态，M∶N=2∶1和M∶N=1∶2定义为供需严重不平衡状态。在供需平衡的状态下，分别将M和N取50、100、150、200，每种情况运行100次，取平均值。当供应大于需求时，一般在供需不平衡的状态下，M和N分别取90和60、150和100，240和160、300和200；供需严重不平衡的状态下，M和N分别取100和50、160和80、200和100、300和150。每种情况运行100次，取平均值。当供应小于需求时，供需数量取值与上述正好相反。

在供应大于需求状态下，如图2所示。

图2 供大于需状态下的匹配成功率

当供需平衡时，DPS-SR报价策略比FRP报价策略的交易成功率高。当供需不平衡时，DPS-SR报价策略中买卖双方根据历史成交价格以及自身资源负荷率和焦急度来调整报价增加匹配成功率，但由于供需数量不同，卖方属于资源稀缺方，卖方成交率增加；买方之间的竞争比较激烈，买方成交率降低，总体的成交率下降。DPS-SR根据市场情况对报价做出相应的调整，使得成交率比FRP高一些。随着市场供需不平衡性增强，成交率优势会慢慢减弱，但因为DPS-SR考虑了市场情况的因素，这种优势始终存在，直到卖方全部成交。

在供应大于需求状态下，如图3、图4所示，当供需平衡时，由于DPS-SR比FRP的匹配成功率高，所以双方收益率都有优势。一般当供需不平衡时，DPS-SR比FRP的卖方收益率高10.9%，买方收益率高3.4%，整体收益率高14.3%；供需严重不平衡时，DPS-SR比FRP的卖方收益率高2.1%，买方收益率低0.4%，整体收益率高1.7%。当供需不平衡时，卖方属于资源稀缺方，资源负荷率低的卖方可以在保证成交率的情况下适当增加报价从而增加收益；资源负荷率高的卖方可以更大程度增加报价，这样既增加收益又可以满足自己的资源负荷率的要求。对买方来说，由于竞争对手很多，资源需求很急的买方要大力度提高自己的报价，这样交易成功的机会更大；资源需求不急的买方可以适当提高出价，虽然每个买方的收益率下降，但由于成交率的影响，所有买方整体收益率不会低很多。

图3 供大于需状态下的卖方收益率

图4 供大于需状态的买方收益率

在供应小于需求状态下，如图5所示，当供需平衡时，DPS-SR报价策略比FRP报价策略的交易成功率高。当供需不平衡时，由于供需数量不同，买方属于优势方，卖方资源之间竞争比较激烈，所以买方成交率增加，卖方成交率降低，总体的成交率下降。与图2同理，在供需不平衡状态下，DPS-SR根据市场情况对报价做出相应的调整，使得成交率比FRP高一些，随着市场供需不平衡性增强，成交率优势会慢慢减弱，但因为DPS-SR考虑了市场情况的因素，这种优势始终存在，直到买方全部成交。

图5 供小于需状态下的匹配成功率

在供应小于需求状态下，如图6、图7所示，当供需平衡时，由于DPS-SR比FRP的匹配成功率高，所以双方的收益率都有优势。当供需一般不平衡时，DPS-SR比FRP的卖方收益率高3.3%，买方收益率高3.9%，整体收益率高7.2%；供需严重不平衡时，DPS-SR比FRP的卖方收益率低0.3%，买方收益率高6.1%，整体收益率高5.8%。当供需不平衡时，买方属于数量优势方，资源需求焦急度高的买方可以在保证成交率的情况下适当降低报价从而增加收益；需求焦急度小的买方可以更大程度降低报价，这样可以在满足自己资源需求的情况下尽可能增加收益。对于卖方来说，由于资源竞争的对手很多，资源负荷率很低的卖方要大力度降低自己的报价，这样资源出售的机会更大；资源负荷率高的卖方可以适当降低出价，虽然每个卖方的收益率下降，但由于成交率的影响，所有卖方的整体收益率不会低很多。

图6 供小于需状态下的卖方收益率

图7 供小于需状态的买方收益率

实验结果显示由于DPS-SR考虑了历史成交价格因素以及卖方资源负荷率和买方焦急度的影响，所以对不同的市场供需情况有更好的适应性。整个报价策略紧紧围绕着供需关系，通过DPS-SR产生的交易结果可以很好地反应这种供需关系。

4 结 语

本文主要工作是通过云间平台上的交易实现传感资源共享，提出了针对这种共享方式的DPS-SR动态定价策略。主要贡献是将历史成交价格以及卖方资源负荷率和买方焦急度三个因素引入报价机制中，并在CDA-SMA匹配中考虑了买卖双方的偏好以及资源质量和用户信誉度。实验结果显示DPS-SR可以帮助用户给出合理报价，提高交易成功率，同时对不同的资源供需情况有更好的适应性。进一步工作是继续完善偏好函数，满足用户的个性化需求。

[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] 肖鹏,胡志刚.云环境中基于混合博弈的虚拟资源定价模型[J].计算机集成制造系统,2014,20(1):198-206.

[10] 罗英,郑灿钊.基于博弈机制的网上双向拍卖报价模型研究[J].现代管理科学,2013(7):72-74.

[11] 詹文杰,白延涛.基于动态Hurwicz准则的连续双向拍卖报价策略研究[J].管理学报,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。山东省计算机网络重点实验室开放课题基金项目(SDKLCN-2013-07)。郭文艳，硕士生，主研领域：云资源管理调度。孙英华，副教授。周超，硕士生。范延滨，教授。

TP316.4

A

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