[论文解读] Online Mechanism Design for Cloud Computing

Weidong Ma, Bo Zheng+3 more|arXiv (Cornell University)|Mar 7, 2014

Auction Theory and Applications参考文献 13被引用 5

一句话总结

本文提出了两种主导策略激励相容（DSIC）的云资源分配与定价在线机制，兼顾效率与真实性。第一种机制采用贪心算法与指数优先函数，实现快速且具有竞争力的分配；第二种机制采用动态规划，在作业需求接近云容量时性能更优，其竞争比为 $ n_{\max} \cdot \frac{\chi}{1 - \chi^{-1/\kappa}} + 1 $。

ABSTRACT

In this work, we study the problem of online mechanism design for resources allocation and pricing in cloud computing (RAPCC). We show that in general the allocation problems in RAPCC are NP-hard, and therefore we focus on designing dominant-strategy incentive compatible (DSIC) mechanisms with good competitive ratios compared to the offline optimal allocation (with the prior knowledge about the future jobs). We propose two kinds of DSIC online mechanisms. The first mechanism, which is based on a greedy allocation rule and leverages a priority function for allocation, is very fast and has a tight competitive bound. We discuss several priority functions including exponential and linear priority functions, and show that the former one has a better competitive ratio. The second mechanism, which is based on a dynamic program for allocation, also has a tight competitive ratio and performs better than the first one when the maximum demand of cloud customers is close to the capacity of the cloud provider.

研究动机与目标

• 解决在对未来作业到达情况不确定的情况下，设计激励相容的在线机制以应对动态云资源分配挑战。
• 开发最大化社会福利（效率）的同时通过主导策略激励相容（DSIC）确保诚实申报的机制。
• 提供相对于已知所有未来作业请求的最优离线分配方案的竞争比保证。
• 设计能够实时处理异构作业需求与时间约束的机制。
• 克服固定价格与现货实例模型的局限性，实现具有强策略保障的动态市场定价。

提出的方法

• 提出一种基于优先函数（指数或线性）的贪心在线机制（ΓG），用于实时对作业进行排序并根据价值与需求分配资源。
• 实现一种基于动态规划的机制（ΓD），在每个关键时间点选择最有价值的作业子集，以确保更优的分配质量。
• 采用临时收费机制，将被中断作业的费用重新分配给新分配的作业，以保持预算平衡与真实性。
• 应用竞争分析，通过作业长度（$ l_j $）、容量（$ C $）和最大需求（$ n_{\max} $）等参数，界定两种机制相对于最优离线解（OPT）的性能边界。
• 引入一种收费规则，将每个中标的作业总费用限制在最多 $ (n_{\max} \cdot \frac{\chi}{1 - \chi^{-1/\kappa}} + 1) \cdot v_j $ 以内，以确保有界的竞争比。
• 证明当作业需求较大且接近容量时，基于动态规划的机制（ΓD）的竞争比优于贪心机制。

实验结果

研究问题

• RQ1 我们如何设计一种主导策略激励相容（DSIC）的云资源分配在线机制，使其既高效又真实？
• RQ2 当作业需求较大且接近云提供商容量时，能否为在线机制保证一个竞争比？
• RQ3 与基于动态规划的机制相比，采用指数优先函数的贪心机制在竞争比方面表现如何？
• RQ4 能否设计一种收费机制，将被中断作业的费用重新分配给新作业，同时保持真实性与有界总费用？
• RQ5 作业长度与需求异质性对云环境中在线分配机制竞争比的影响是什么？

主要发现

• 云资源分配与定价（RAPCC）的最优在线分配问题是NP难的，因此需要近似机制。
• 采用指数优先函数的贪心机制（ΓG）实现了紧致的竞争边界，但当作业需求接近容量时性能下降。
• 基于动态规划的机制（ΓD）的竞争比为 $ n_{\max} \cdot \frac{\chi}{1 - \chi^{-1/\kappa}} + 1 $，当 $ n_{\max} \approx C $ 时，显著优于 ΓG。
• 当作业需求较大时，ΓD 在竞争比上优于 ΓG，因其在每个决策点能更策略性地选择高价值作业。
• 收费机制确保任一参与方支付的费用不超过 $ (n_{\max} \cdot \frac{\chi}{1 - \chi^{-1/\kappa}} + 1) \cdot v_j $，从而保持真实性与预算平衡。
• 两种机制均为主导策略激励相容（DSIC），确保参与方通过报告真实价值与作业参数可最大化自身效用。