云环境下基于组合双向拍卖的动态资源定价

第３８卷　第８期　Ｖ０１．３８　・计算机工程　２０１２年４月　Ａｐｒｉｌ　２０１２　Ｎｏ．８　Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ　软件技术与数据库・　文章编号：１０００＿＿＿３４２８（２ｏ１２）ｏ８—ＩＪ０１９＿＿＿０３　文献标识码：Ａ　中图分类号：ＴＰ３９１　云环境下基于组合双向拍卖的动态资源定价　胡志刚，刘艳　（中南大学信息科学与工程学院，长沙４１００８３）　摘要：云环境下的市场交易机制缺乏灵活性，且在某些情况下定价不合理。为此，提出一种基于组合双向拍卖的动态资源定价模型，给　出云资源分配与定价算法，用户通过响应时间出价，资源提供商根据负载情况要价。仿真实验结果表明，该算法与固定比例的定价算法相　比，能提高１８％的用户利益与９％的资源提供商利益。　关健词：云计算；响应时间；预算；组合双向拍卖；资源定价　Ｄｙｎａｍｉｃ　Ｒｅｓｏｕｒｃｅ　Ｐｒｉｃｉｎｇ　Ｂａｓｅｄ　ｏｎ　Ｃｏｍｂｉｎａｔｏｒｉａｌ　Ｄｏｕｂｌｅ　Ａｕｃｔｉｏｎ　ｉｎ　Ｃｌｏｕｄ　Ｅｎｖｉｒｏｎｍｅｎｔ　ＨＵ　Ｚｈｉ－ｇａｎｇ．ＬＩＵ　Ｙａｎ　（Ｓｃｈｏｏｌ　ｏｆＩｎｆｏｒｍａｔｉｏｎ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｃｅｎｔｒａｌ　Ｓｏｕｔｈ　Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｓｈａ　４１００８３，Ｃｈｉｎａ）　［Ａｂｓｔｒａｃｔ］Ｃｕｒｒｅｎｔｌｙ　ｍａｒｋｅｔ　ｔｒａｄｉｎｇ　ｍｅｃｈａｎｉｓｍ　ｉｎ　ｃｌｏｕｄ　ｅｎｖｉｒｏｎｍｅｎｔ　ｉｓ　ｉｎｆｌｅｘｉｂｌｅ，ａｎｄ　ｔｈｅ　ｐｒｉｃｅ　ｉｓ　ｎｏｔ　ｒｅａｓｏｎａｂｌｅ　ｅｎｏｕｇｈ　ｉｎ　ｓｏｍｅ　ｓｉｔｕａｔｉｏｎ．　Ａｉｍｉｎｇ　ａｔ　ａｔ　ｔｈｉｓ　ｐｒｏｂｌｅｍ，ｔｈｉｓ　ｐａｐｅｒ　ｐｒｏｐｏｓｅｓ　ａ　ｎｅｗ　ｄｙｎａｍｉｃ　ｒｅｓｏｕｒｃｅ　ｐｒｉｃｉｎｇ　ｍｏｄｅｌ　ｂａｓｅｄ　ｏｎ　ｃｏｍｂｉｎａｔｏｒｉａｌ　ｄｏｕｂｌｅ　ａｕｃｔｉｏｎ，ａｎｄ　ｇｉｖｅｓ　ｔｈｅ　ａｌｇｏｒｉｔｈｍ　ｏｆ　ｃｌｏｕｄ　ｒｅｓｏｕｒｃｅ　ａｌｌｏｃａｔｉｏｎ　ａｎｄ　ｐｒｉｃｉｎｇ．Ｔｈｅ　ｕｓｅｒｓ　ｄｅｔｅｒｍｉｎｅ　ｔｈｅｉｒ　ｐｒｉｃｅ　ａｃｃｏｒｄｉｎｇ　ｔｏ　ｔｈｅ　ａｍｏｕｎｔ　ｏｆ　ｒｅｓｐｏｎｄ　ｔｉｍｅ，ａｎｄ　ｔｈｅ　ｒｅｓｏｕｒｃｅ　ｐｒｏｖｉｄｅｒｓ　ａｓｋ　ｐｒｉｃｅ　ｃｏｎｓｉｄｅｒｉｎｇ　ｔｈｅ　ｗｏｒｋｌｏａｄ　ｏｆ　ｔｈｅ　ｓｙｓｔｅｍ．Ｓｉｍｕｌａｔｉｏｎ　ｅｘｐｅｒｉｍｅｎｔａｌ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　ｐｒｏｐｏｓｅｄ　ａｌｇｏｒｉｔｈｍ　ｉｓ　ｂｅｔｔｅｒ　ｔｈａｎ　ｔｈｅ　ｉｘｅｄ　ｆｐｒｉｃｉｎｇ　ａｌｇｏｒｉｔｈｍ．Ｔｈｅ　ｐｒｏｆｉｔ　ｏｆｕｓｅｒ　ｉｓ　ｉｎｃｒｅａｓｅｄ　ｂｙ　１８％ａｎｄ　ｔｈｅ　ｐｒｏｆｉｔ　ｏｆｒｅｓｏｕｒｃｅ　ｐｒｏｖｉｄｅｒ　ｉｓ　ｉｎｃｒｅａｓｅｄ　ｂｙ　９％．　［Ｋｅｙ　ｗｏｒｄｓ］ｃｌｏｕｄ　ｃｏｍｐｕｔｉｎｇ；ｒｅｓｐｏｎｓｅ　ｔｉｍｅ；ｂｕｄｇｅｔ；ｃｏｍｂｉｎａｔｏｒｉａｌ　ｄｏｕｂｌｅ　ａｕｃｔｉｏｎ；ｒｅｓｏｕｒｃｅ　ｐｒｉｃｉｎｇ　Ｄ０ｈ　１Ｏ．３９６９／ｊ．ｉｓｓｎ．１０００—３４２８－２０１２．０８．００７　１概述　云计算ｌ】Ｊ被视为科技业的下一次革命，它带来了工作方　式与商业模式的根本改变，使用户与计算资源的管理相分　离，当用户需要使用资源时，只需要以付费方式从云资源提　供商处获取资源即可。目前绝大多数的企业，包括Ａｍａｚｏｎ、　ＩＢＭ、Ｇｏｏｇｌｅ和微软等，均采用一种固定比率的定价模型。　这种定价模型存在一些不合理情况：当资源负载较低时，资　源浪费比较严重；而当资源负载较重时，用户的某些服务请　求可能会被推迟较长时间。这种定价策略采取的收费标准是　根据使用时间和资源量来收取的，从用户角度来说，完成一　次服务变得很昂贵。因此，如何为资源定价成为一个亟待解　决的问题。本文综合考虑用户和资源提供商双方的需求，提　出一种云环境下的动态资源定价模型，并在此基础上设计了　相应的资源定价算法。　模型，同时也为该模型提出了一种定价策略。　上述研究主要存在下列不足：（１）没有充分考虑用户的服　务质量（Ｑｕａｌｉｔｙ　ｏｆ　Ｓｅｒｖｉｃｅ，ＱｏＳ）需求，致使用户无法客观评　价云资源提供商所提供的资源；（２）由于用户的目标是在满足　其ＱｏＳ需求前提下尽可能减少花费，而资源提供商的目标则　是最大化资源收益，因此缺乏共同的参考指标来使交易双方　所追求的目标在同一模型中求解。　本文在综合考虑用户任务响应时间和价格因素的前提　下，提出一个基于组合双向拍卖机制的资源定价模型。该模　型可以灵活调节交易双方的出价，并将效用函数作为用户和　资源提供商共同的参考指标，同时通过调节买卖双方的出　价，可获得更高的资源利用率和请求成功率。　３云环境下基于组合双向拍卖的动态资源定价　３．１云资源定价模型　假设云环境中有　个资源提供商，用集合Ｃ＝｛ＣＩ，　Ｇ，…，ｃ　｝表示，每一个资源提供商都由一个资源提供商代理　表示。假设有ｋ类资源进行交易，　，＝（ａ　ａ　一，ａ　）为资源　提供商代理Ｃ，提交的组合资源包，其中，　ｉ＝１　２相关工作　在云环境中，已有很多有关资源定价方法的研究［２－５１。　Ａｍａｚｏｎ　ＥＣ２和Ｍｉｃｒｏｓｏｆｔ　Ｗｉｎｄｏｗｓ　Ａｚｕｒｅ对计算资源的使用、　存储和数据传输均采用固定比例的定价策略。近来，Ａｍａｚｏｎ　ＥＣ２又提出了竞价机制，它根据资源的供求关系来确定价　格。文献［２］提出了一个多回合的基于组合拍卖的出价策略。　组合拍卖主要侧重于用户，对资源提供者的利益考虑较少。　文献［３］提出了一个新的云资源分配和定价策略，在满足预算　和截止时间约束下，用户可以预测将来的资源价格。文献［４］　提出了一个联邦云的动态资源定价机制，适用于合法用户请　求多种类型的资源。文献［５］建立了一个统一、完全竞争的云　市场，并为该云市场定义了一个基于贝叶斯的双向拍卖定价　为第ｉ类资源的　数量。ａ，的报价为ａｓｋｂａｓｅ，，ａｓｋｂａｓｅ，＝∑ｅｉｊＰ　其中，ｅｉｊ∈　｛０，１｝，ｅｉｉ＝Ｉ当且仅当日　≠０；Ｐ　表示ａ，中单个资源单位价　基金项目：国家自然科学基金资助项目（６０９７００３８）　作者简介：胡志Ｍ￣（１９６３一），男，教授、博士生导师，主研方向：网　格计算，并行计算；刘艳，硕士研究生　收稿日期：２０１ｌ一０６—１５　Ｅ－ｍａｉｌ：２７６６９３７９７＠ｑｑ．ｃｏｒｎ　２０　计算机工程　２０１２年４月２０日　格，由资源提供商灵活设定。　假设有ｍ个用户申请资源，用户集合Ｕ＝｛　，Ｕ：，…，Ｕｍ｝，　每一个用户都由一个用户代理表示。每个用户代理向云市场　提交一个或多个独立的任务请求，假设在时间　内，所有用　户代理总共提交　个任务，任务集合Ｑ＝｛０ｌ，０２，…，　１。每　个任务用一个五元组表示，即　＝（ｂｕｄｇｅｔｉ，ｓｔａｒｔｔｉｍｅ￣，ｒｕｎｔｉｍｅｉ，　ｄｅａｄｌｉｎｅｉ，ｄｅｍｒｅｓｏｕｒｃｅｉ），ｂｕｄｇｅｔｉ为预算，指完成Ｑ的总花　费不能超过ｂｕｄｇｅｔ　；ｓｔａｒｔｔｉｍｅ｛表示　的提交时间；ｒｕｎｔｉｍｅｆ　为　的运行时间；ｄｅａｄｌｉｎｅ￣为　的截止时间；ｄｅｍ—ｒｅｓｏｕｒｃｅ，　为完成　所需的组合资源包，ｄｅｍ—ｒｅｓｏｕｒｃｅｉ＝（ｄｅｍ—ｒｅｓ＇ｏｕｒｃ￣　，　ｄｅｍｒｅｓｏｕｒｃｅ２　一，ｄｅｍｒｅｓｏｕｒｃｅｋ　）。其中，ｄｅｍ—ｒｅｓｏｕｒｃｅ　为　第Ｗ类资源的数量。用户对ｄｅｍｒｅｓｏｕｒｃ￣出价的底价为　ｂｉｄｂａｓｅｉ，ｂｉｄｂａｓｅｉ为ｄｅｍｒｅｓｏｕｒｃｅ￣中单个资源单位价格之　和。ｍａｘｒｅｓｐｏｎｄｉ表示用户允许Ｑ响应时间的最大值，且　ｍａｘｒｅｓｐｏｎｄ￣＝ｄｅａｄｌｉｎｅｉ—ｓｔａｒｔｔｉｍｅ￣一ｒｕｎｔｉｍｅｉ。　本文的组合双向拍卖模型由多个用户代理、多个资源提　供商代理和一个云市场拍卖师组成。用户代理负责将用户的　任务请求及出价发送给云市场拍卖师，资源提供商代理把资　源提供商拥有的组合资源包及要价发送给云市场拍卖师，云　市场拍卖师则负责搜集用户代理和资源提供商代理对资源的　出价，通过运行组合双向拍卖算法来决定获胜的用户代理和　资源提供商代理，并将拍卖结果通知参与这次拍卖的用户代　理和资源提供商代理。　用户的目标是在截止时间之前以尽可能小的花费完成服　务，资源提供商的目标是最大化资源的收益，因此，资源提　供商代理可能会提出更高的要价，而用户代理则会给出较低　的出价，同时他们都受其他竞争者约束。　３．２动态定价函数　假设在ｔ时刻，用户代理向云环境提交了Ｑ，Ｃ　的当前　工作负载情况可以用，０　表示，则：　ｌｏａｄｔｊ　—ｒｅｓｕｓｅｄ＇　，　（１）　ｒｅｓｍａｘ其中，ｒｅｓｕｓｅｄ￣表示在ｔ到ｄｅａｄｌｉｎｅｉ内被其他接受的任务使用　的资源数量之和；ｒｅｓｍａｘ　表示Ｃ，的资源数量最大值。由于　Ｃ　的资源是一个组合资源包ａ　，由ｋ类资源组成，为了方便　计算资源数量，将　＝１，２，…，后；Ｊ＝１，２，…，　）设为口　的比例　系数。因此，ａ　的数量ｎｕｍｂｅｒ（ａ　）的计算公式为：　ｔ　ｎｕｍｂｅｒ（ａ，）　（２）　ｆ　Ｉ　其中，　为ａｊ中第ｉ类资源的数量权重，满足０≤　≤１且　∑　，：１，其实际数值可根据系统使用偏好设定。　ｉ＝ｌ　假设在，到ｄｅａｄｌｉｎｅ￣时间段内，Ｃｊ接受其他任务使用的　组合资源包为ｂｊ＝（ｂｌ　，　，…，　），根据式（２），可将式（１）改为：　＾　∑％　ｌｏａｄ￣＝　一　（３）　∑％口　ｆ　ｌ　由于Ｃ，的组合资源包ａｊ中的一部分资源６，已经被其他　任务使用，因此假设在，时刻，Ｃ　的组合资源包ａｊ＝ａｊ－６，，　即对任意的ｉＥ｛１，２，…，ｋ），Ｊ∈｛１，２，…，　），有ａｉｊ＝ａｉｊ－　。　假设资源提供商代理ｃ　为了确保被接纳的用户任务都　能够按照用户的要求正常完成，ｃ　在ｔ时刻的要价ａｓｋ＇￣和其　当前工作负载情况ｌｏａｄ￣呈正比，即当　ａ　增大时，　也　增大，反之，则册尼　减小。于是可得如下公式：　七　ａｓｋｂａｓｅｊｘ（１＋（１ｏａｄ￣）　）　（４）　其中，　表示工作负载对要价的影响程度，满足０≤　≤１，　其具体的值由系统灵活设定。　为了满足用户任务的响应时间要求，确保用户提交的任　务能够在截止时间之前完成，假设用户任务Ｑ在ｆ时刻的出　价ｂｉｄ［和其响应时间ｒｅｓｐｏｎ￣ｔ成正比例关系，即当ｒｅｓｐｏｎｄ［　增大时，ｂｉｄｉｔ也增大，反之，则ｂｉｄｆ减小。于是有：　ｂｉｄ［：ｂｉｄｂａｓｅ￣×（１＋（—竺　！　＿）　）　（５）　ｍａｘ—ｒｅｓｐｏｎａｉ　其中，ｒｅｓｐｏｎｄｓ＇表示Ｑ的响应时间，它是一个动态变化的值，　由系统当前时问减去　的提交时间，当　分配给资源提供　商之后，ｒｅｓｐｏｎｄｆ保持不变；　表示响应时间对出价的影响　程度，满足０≤　≤１，其具体的值由系统灵活设定。如果　Ｄ　￣．ｍａｘｒｅｓｐｏｎｄｉ，则设６ｆ　＝０。　假设在ｔ时刻，用户代理将任务请求　及其出价６　发　送给云市场拍卖师，同时资源提供商代理也将其已经更新的　资源信息ａ，和其要价珊　发送给云市场拍卖师。拍卖师将要　价按升序排列，出价按降序排列。当最大出价大于或等于最　小要价时，单位交易价格是最大出价和最小要价的均值。Ｑ　的单位交易价格Ｐ　的计算公式为：　Ｐｉ＝去（６叫＋ａｓｋ￣）　（６）　任务　的总花费ａ　可由式（７）得到。如果满足式（８），　则说明　将会被接受。　ａＺｌｐ，＝Ｐｉｘｒｕｎｔｉｍｅｉ　（７）　ａｌｌｐｇ≤ｂｕｄｇｅｔｉ　（８）　３．３云资源定价算法　，　综合上述分析，本文提出了一种基于组合双向拍卖的动　态资源定价算法（Ｄｙｎａｍｉｃ　Ｓｅｒｖｉｃｅ　Ｐｒｉｃｉｎｇ，ＤＳＰ），具体描述　如下：　输入　ａｎｄａｓｋｂａｓｅｊ　Ｑ　ａｎｄ　ｂｉｄｂａｓｅ　输出ｉ　ａｎｄｊ，Ｐ　ａｎｄａｌｌｐ　Ｂｅｇｉｎ　Ｓｔｅｐ１　ｆｌａｇ＝０：　ｆｏｒｊ＝ｌ　ｔｏ　ｎ　ｄｏ　ｉｆａｊ　１＞ｄｅｍ　ｒｅｓｏｕｒｃｅｉ　ｃａｌｃｕｌａｔｅ　ａｓ　ｏｆ　Ｃｊ　ｕｓｉｎｇ　ｆｏｒｍｕｌａ（４）；　ｌｆａｇ＝１；　ｅｎｄｉｆ　ｅｎｄ　ｆｏｒ　ｉｆｆｌａｇ＝＝＝０　ｒｅｆｕｓｅＱｉ；　ｅｎｄｉｆ　Ｓｔｅｐ２　ｃａｌｃｕｌａｔｅ　ｂｉｄ．　ｏｆ　Ｑｉ　ｕｓｉｎｇ　ｆｏｒｍｕｌａ（５）；　ｓｅｎｄ　ａｓｋｊ‘ａｎｄ　ｂｉ　ｄｌｌ　ｔｏ　ａｕｃｔｉｏｎｅｅｒ；　ｓｏｒｔ　ａｓｋｊ　ｉｎ　ａｓｃｅｎｄｉｎｇ　ｏｒｄｅｒ　ａｎｄ　ｂｉｄ．‘ｉｎ　ｄｅｓｃｅｎｄｉｎｇ　ｏｒｄｅｒ　ｂｙ　ａｕｃｔｉｏｎｅｅｒ；　Ｓｔｅｐ３　ｉｆｂｉｄｉ‘／＞ａｓｋｊ　ｃａｌｃｕｌａｔｅ　ｐｉ　ｕｓｉｎｇ　ｆｏｒｍｕｌａ（６）；　ｅｌｓｅ　ｇｏｔｏ　Ｓｔｅｐ２　第３８卷第８期　胡志刚，刘艳：云环境下基于组合双向拍卖的动态资源定价　２１　Ｓｔｅｐ４　ｃａｌｃｕｌａｔｅ　ａｌｌｐｉ　ｏｆＱｉ　ｕｓｉｎｇ　ｆｏｒｍｕｌａ（７）；　Ｓｔｅｐ５　ｉｆ　ａｌｌｐ，≤ｂｕｄｇｅｔａ　而逐渐增大，但ＤＳＰ算法明显优于ＦＰ算法，这是因为ＤＳＰ　考虑了用户的ＱｏＳ需求，在资源负载较重时，用户的某些服　务由于受到截止时间的约束而不会推迟完成，从而可以提高　用户的利益。　ａｓｓｉｇｎ　Ｑｉｔｏｃｊｗｈｅｎ　ａｓｋｉ　ｉｓｍｉｎｉｍａｌ；　ｅｌｓｅ　ｒｅｆｕｓｅＱ；　Ｓｔｅｐ６　ＯＵｔｐｕｔ　ｉ　ａｎｄｊ；ｐｉ　ａｎｄ　ａｌｌｐｉ　Ｅｎｄ　本文提出的定价算法使资源提供商代理的要价与工作负　载呈正比，从而可避免用户任务超过截止时间仍无法完成的　情况，同时在一定程度上可使用户花费最小。　４实验结果与分析　４．１实验环境设计　采用ＣｌｏｕｄＳｉｍ模拟器对本文提出的ＤＳＰ定价算法进行　仿真，模拟的云计算环境包括１００个用户和２Ｏ个云资源提　供商，每个用户向云市场提交一个或多个独立的任务请求，　共有２００个。　表示工作负载对要价的影响程度，Ｏｒ＂＝｛Ｏ．２５，　０．５，Ｏ．７５，１｝；　表示响应时间对出价的影响程度，　＝｛０．２５，　０．５，０．７５，１｝。实验进行１６次，结果取ｌ６次实验的平均结果。　Ⅱ　畦　响应时ｌ司与最大响应时间的比值　图２　２种算法的用户利益比较　５结束语　ｔ　将ＤＳＰ算法与采用固定比例的定价算法（Ｆｉｘｅｄ　Ｐｒｉｃｉｎｇ，　ＦＰ）从　Ｆ面的指标进行比较：　本文提出一种云环境下基于组合双向拍卖机制的资源定　价模型，并给出相应算法。仿真实验结果表明，本文算法在　资源利用率、用户和资源提供商利益方面的性能明显优于固　定比率定价算法。下一步将在模型中引入信任度以反映服务　（１）用户利益：用户的出价与单位交易价格的差值。　（２）资源提供商的利益：单位交易价格与资源提供商的要　价的差值。　４．２性能分析　在不同工作负载情况下，ＤＳＰ算法与ＦＰ算法得到的资　源提供商利益的比较情况如图１所示。可以看出，资源提供　商的利益随着工作负载的变化而逐渐增大，但ＦＰ的资源提　供商利益始终低于ＤＳＰ，这是由于ＦＰ在调度中没有考虑工　作负载的动态性。　质量，进一步完善定价算法。　参考文献　［１］程仕伟，潘郁．云计算环境下基于可信性的动态资源分配策　略［Ｊ］．计算机工程，２０１　ｌ，３７（１１）：４５—４８．　［２］Ｓｕｉ　Ｘｉｎ，Ｌｅｔｍｇ　Ｈｏ—Ｆｕｎｇ．Ａｎ　Ａｄａｐｔｉｖｅ　Ｂｉｄｄｉｎｇ　Ｓｔｒａｔｅｇｙ　ｉｎ　Ｍｕｌｔｉ—　ｒｏｕｎｄ　Ｃｏｍｂｉｎａｔｏｒｉａｌ　Ａｕｃｔｉｏｎｓ　ｆｏｒ　Ｒｅｓｏｕｒｃｅ　Ａｌｌｏｃａｔｉｏｎ［Ｃ］／／Ｐｒｏｃ．　ｏｆ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆ．ｏｎ　Ｔｏｏｌｓ　ｗｉｔｈ　Ａｒｔｉｆｉｃｉａｌ　Ｉｎｔｅｌｌｉｇｅｎｃｅ．　Ｓｉｎｇａｐｏｒｅ：ＩＥＥＥ　Ｃｏｍｐｕｔｅｒ　Ｓｏｃｉｅｔｙ，２００８．　【３］Ｔｅｎｇ　Ｆｅｉ，Ｍａｇｏｕｌｅｓ　Ｆ．Ｒｅｓｏｕｒｃｅ　Ｐｒｉｃｉｎｇ　ａｎｄ　Ｅｑｕｉｌｉｂｒｉｕｍ　Ａｌｌｏ—　ｃａｔｉｏｎ　Ｐｏｌｉｃｙ　ｉｎ　Ｃｌｏｕｄ　Ｃｏｍｐｕｔｉｎｇ［Ｃ］／／Ｐｒｏｃ．ｏｆ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆ．　ｏｎ　Ｃｏｍｐｕｔｅｒ　ａｎｄ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｔｅｃｈｎｏｌｏｇｙ．［Ｓ．１．］：ＩＥＥＥ　Ｃｏｍｐｕｔｅｒ　Ｓｏｃｉｅｔｙ，２０１０．　［４］Ｍｉｈａｉｌｅｓｃｕ　Ｍ，Ｔｅｏ　Ｙ　Ｍ．Ｄｙｎａｍｉｃ　Ｒｅｓｏｕｒｃｅ　Ｐｒｉｃｉｎｇ　ｏｎ　Ｆｅｄｅｒａｔｅｄ　Ｃｌｏｕｄｓ［Ｃ］／／Ｐｒｏｃ．ｏｆ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆ．ｏｎ　Ｃｌｕｓｔｅ￣Ｃｌｏｕｄ　ａｎｄ　Ｇｒｉｄ　Ｃｏｍｐｕｔｉｎｇ．［Ｓ．１．】：ＩＥＥＥ　Ｃｏｍｐｕｔｅｒ　Ｓｏｃｉｅｔｙ，２０１０．　【５］　Ｓｈａｎｇ　Ｓｈｉｆｅｎｇ，Ｊｉａｎｇ　Ｊｉｎｌｅｉ，Ｗｕ　Ｙｏｎｇｗｅｉ，ｅｔ　ａ１．ＤＡＢＧＰＭ：Ａ　工作负载　Ｄｏｕｂｌｅ　Ａｕｃｔｉｏｎ　Ｂａｙｅｓｉａｎ　Ｇａｍｅ—ｂａｓｅｄ　Ｐｒｉｃｉｎｇ　Ｍｏｄｅｌ　ｉｎ　Ｃｌｏｕｄ　图１　２种算法的资源提供商利益比较　Ｍａｒｋｅｔ［Ｃ］／／Ｐｒｏｃ．ｏｆ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｆｅｄｅｒａｔｉｏｎ　ｆｏｒ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｐｒｏｃｅｓｓｉｎｇ．Ｂｒｉｓｂａｎｅ，Ａｕｓｔｒａｌｉａ：［ｓ＿Ｓ　ｎ．］，２０１０．　ＤＳＰ算法与ＦＰ算法的用户利益比较如图２所示。可以　看出，用户的利益随着响应时间与最大响应时间比值的增大　（上接第ｌ８页）　编辑顾姣健　参考文献　【１］Ｋｅｌｌｙ　Ｄ，ＭｃＤｏｎａｌｄ　Ｊ，Ｍａｒｋｈａｍ　Ｃ．Ａ　Ｐｅｒｓｏｎ　Ｉｎｄｅｐｅｎｄｅｎｔ　Ｓｙｓｔｅｍ　ｏｒｆ　Ｒｅｃｏｇｎｉｔｉｏｎ　ｏｆ　Ｈａｎｄ　Ｐｏｓｔｕｒｅｓ　Ｕｓｅｄ　ｉｎ　Ｓｉｎ　Ｌａｎｇｕａｇｅ［ｇＪ］．　Ｐａｔｔｅｍ　Ｒｅｃｏｇｎｉｔｉｏｎ　Ｌｅｔｔｅｒｓ，２０１０，３１（１１）：１３５９—１３６８，　［４］杨波，宋晓娜，冯志全．复杂背景下基于空间分布特征的手　势识别算法［Ｊ］．计算机辅助设计与图形学学报，２０１０，２２（１０）：　１８４ｌ—ｌ８４８．　［５］　陈一民，张云华．基于手势识别的机器人人机交互技术研究　机器人，２００９，３１（４）：３５１—３５６．　【２］Ｗａｎｇ　Ｃｈｉｅｈ—Ｃｈｉｈ，Ｗａｎｇ　Ｋｏ—Ｃｈｉｈ．Ｈａｎｄ　Ｐｏｓｔｕｒｅ　Ｒｅｃｏｇｎｉｔｉｏｎ　Ｕｓｉｎｇ　Ａｄａｂｏｏｓｔ　ｗｉｔｈ　Ｓｉｆｔ　ｆｏｒ　Ｈｕｍａｎ　Ｒｏｂｏｔ　Ｉｎｔｅｒａｃｔｉｏｎ［Ｃ］／／Ｐｒｏｃ．ｏｆ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ａｄｖａｎｃｅｄ　Ｒｏｂｏｔｉｃｓ．Ｊｅｊｕ　Ｉｓｌａｎｄ，　Ｋｏｒｅａ：［Ｓ．ｎ．】，２００７．　・　［３】　Ｆｌａｓｉｎｓｋｉ　Ｍ，Ｍｙｓｌｉｎｓｋｉ　Ｓ．Ｏｎ　ｔｈｅ　Ｕｓｅ　ｏｆ　Ｇｒａｐｈ　Ｐａｒｓｉｎｇ　ｆｏｒ　Ｒｅｃｏｇｎｉｔｉｏｎ　ｏｆＩｓｏｌａｔｅｄ　Ｈａｎｄ　Ｐｏｓｔｕｒｅｓ　ｏｆＰｏｌｉｓｈ　Ｓｉｇｎ　Ｌａｎｇｕａｇｅ［Ｊ］．　Ｐａｔｔｅｒｎ　Ｒｅｃｏｇｎｉｔｉｏｎ，２０１　０，４３（６）：２２４９—２２６４．　［６】蓝章礼，李益才．数字图像处理与图像通信【Ｍ】，北京：清华大　学出版社，２００９．　［７］Ｗｉｔｔｅｎ　Ｉ　Ｈ，Ｆｒａｎｋ　Ｅ．Ｄａｔａ　Ｍｉｎｉｎｇ：Ｐｒａｃｔｉｃａｌ　Ｍａｃｈｉｎｅ　Ｌｅａｒｎｉｎｇ　Ｔｏｏｌｓ　ａｎｄ　Ｔｅｃｈｎｉｑｕｅｓ［Ｍ］．Ｂｕｒｌｉｎｇｔｏｎ，ＵＳＡ：Ｍｏｒｇａｎ　Ｋａｕｆｍａｎｎ　Ｐｕｂｌｉｓｈｅｒｓ，２００５．　编辑顾姣健