云计算中资源共享的分层博弈联盟形成与定价机制研究

This study proposes a hierarchical game resource sharing scheme combining cooperative game with non-cooperative game. Then the problems of coalition formation, resource pricing and resource allocating in cloud computing can be optimized jointly by the proposed approach. First, the selfish and cooperative properties of cloud service providers and terminals users will be researched. The relationship between the resource pricing and the utility of both service providers and terminal users is analyzed, then a hierarchical game framework will be formed by integrating a coalition formation game with a Stackelberg game. Second, a reputation incentive mechanism is introduced into the coalition formation game, which will stimulate service providers to share their resources cooperatively, and then a dynamic resource sharing pool is constructed. The optimal coalition structure, which achieves the optimization of resources sharing and profits among service providers, will be obtained by solving the coalition formation game. Third, the deep learning method is introduced into actor-critic reinforcement learning to predict the reward in real time, by which an online policy iteration method will be proposed to solve the hierarchical game problem. Then the utility of service providers and terminal users will be simultaneously maximized and the joint optimization of resource sharing and resource allocating for cloud computing will be achieved. A distributed cloud computing network experimental platform will be constructed to prove the applicability of the proposed hierarchical game based resource sharing scheme. This study proposes a novel hierarchical game resource sharing scheme, and will promote the application of game theory in cloud computing.

本项目针对云计算资源共享中的联盟形成、资源定价与分配的联合优化问题，提出一种融合协作博弈与非协作博弈的分层博弈资源共享方法。通过研究云计算中服务提供者和终端用户的协作特性和自私特性，建立资源定价、云服务提供者效用和终端用户效用之间的关联，将联盟形成博弈和斯坦伯格博弈进行有机融合，构造一种新的分层博弈框架；在寻求最优联盟结构过程中，引入声誉激励机制，激励云服务提供者通过协作形成动态资源共享池，实现云服务提供者之间资源共享与收益的优化；引入深度学习机制对actor-critic增强学习的回报值进行实时预测，提出云计算资源共享分层博弈的在线策略更新方法，完成对博弈的求解，最大化服务提供者和终端用户的效用，实现云计算网络中资源共享与分配的多目标优化；构建分布式云计算网络实验平台，探讨基于分层博弈的资源共享方法的实际应用。本项目提出一种新颖的分层博弈资源共享方法，将促进博弈理论在云计算中的应用。

本项目为了应对用户日益增长的云计算和大数据需求带来的挑战，针对云计算资源共享中的联盟形成、资源定价与分配的联合优化问题，应用博弈理论和优化方法，将云计算同超密集组网，软件定义网络（Software Defined Network, SDN）等技术有机结合，提出一种融合协作博弈与非协作博弈的分层博弈资源共享架构，实现了云计算环境下的用户服务质量和网络通信性能的优化，推动了云计算技术和博弈理论的发展。.申请书中设定的工作目标全部完成，包括：构建地理分布式云数据中心中动态资源预留架构、研究云数据中心的资源分配与虚拟机放置策略、提出基于特征分类与提取的需求动态预测方法、研究基于联盟形成博弈的云无线接入网络部署与资源分配机制、移动云计算中多移动设备的任务卸载策略、基于斯坦伯格博弈的资源共享联合优化方法。.为了应对云服务中按需实例和预留实例共存的情况下用户需求的波动性和时变性，为降低云服务的开销，提高资源利用率，构建云资源预留优化模型；为了合理配置云资源，减少数据中心能耗，提出了一种基于多轮组合双向拍卖的资源分配与定价和虚拟机放置机制；引入最优支持向量回归方法对未来一段时间资源使用状态信息进行精确预测，以实现在线博弈策略的实时优化；为提升云接入系统频谱效率和网络吞吐量，提出了一种基于联盟形成博弈的云资源池动态调度执行和协作传输机制；为了优化云用户移动设备能耗，研究了蜂窝网络环境下多移动设备的云任务卸载决策问题，提出了一种新颖的组合优化方法求解；最后，针对异构云无线接入网络，提出了一种干扰管理与能效优化的分层博弈方法以解决终端用户竞争资源且相互干扰的问题。.受本项目支持，相关的研究成果已发表在国内外权威学术刊物和国际顶级的计算机网络、通信和控制领域的国际会议GLOBECOM、ICC、CDC、ACC、ECCE、IFAC上。发表学术论文99篇，其中SCI收录论文24篇，EI收录论文74篇，CSSCI论文1篇。已获授权发明专利3项，受理发明专利5项，授权软件著作权17项。获得奖励15项。培养毕业博士研究生5名，硕士研究生20名。