CN116266323A - 云场景下的智能计费方法及装置 - Google Patents
云场景下的智能计费方法及装置 Download PDFInfo
- Publication number
- CN116266323A CN116266323A CN202211398994.8A CN202211398994A CN116266323A CN 116266323 A CN116266323 A CN 116266323A CN 202211398994 A CN202211398994 A CN 202211398994A CN 116266323 A CN116266323 A CN 116266323A
- Authority
- CN
- China
- Prior art keywords
- charging
- factor
- influence
- association
- factors
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种云场景下的智能计费方法及装置,该方法包括:获取训练样本,根据训练样本拟合得到云资源的计费结果与计费影响因子之间的非线性拟合关系;其中,所述计费影响因子为以用户资源偏好作为影响权重的影响因子;选取训练样本的部分或全部,分析出所述计费影响因子中的第一关联影响因子,将所述第一关联因子对应的计费影响因素作为选择项提供给用户;接收用户选定的至少一个选择项,根据所述选定的至少一个选择项得到对应的因子集,利用所述非线性拟合关系和所述因子集输出用于推荐给所述用户的计费方案。通过上述方式,本发明实现了准确匹配用户资源偏好和所推荐云资源及其计费之间的关系,有利于提高用户黏性。
Description
技术领域
本发明涉及云资源计费技术领域,具体涉及一种云场景下的智能计费方法、装置、计算设备及计算机可读存储介质。
背景技术
边缘云是基于云计算技术的核心和边缘计算能力,构建在边缘基础设施之上的云计算平台。边缘云通过把网络转发、存储、计算等资源下沉到用户侧,可以降低响应时延、减轻云端压力、降低带宽成本,并能提供全网调度,算力分发等云服务。若要提升用户使用体验、提高用户黏性、保证边缘云计算服务商持续盈利,不仅要提升厂商自身可提供的云计算资源服务的鲁棒性,也要考虑到用户对资源服务体验偏好与资源资费需求匹配的合理性,需研究一种针对边缘云的新型智能计费方法。
图1示出了现有技术中边缘云资源计费方案架构,如图1所示,现有技术中云厂商的边缘云资源计费总体流程为:用户选择资源规格和资源区域,资源调度模块根据用户所选规格和区域进行资源预调度,然后计费模块根据资源规格对应价格进行计费,并将计费结果反馈给用户。其中,边缘云服务的计费方式主要有以下几种:1)扁平式计费:即包时长计费,按订购时长一次性收费,与用户使用量无关,难点在于厂商定价环节以及用户订购时的资源分配合理性及公平性(不同用户以同样价格购买的资源,可能由于厂商自身资源调度或网络服务等局限性导致用户体验不一致);2)按量计费:根据用户使用量实时计费,更符合用户直观需求及收费规则,这为云厂商计费和实时的动态资源分配带来一定难度,同时缺乏资源分配合理性和公平性;3)套餐定制收费:厂商针对用户不同的资源和服务需求,深度定制差异化套餐,不同套餐间实现资源切片管理,在一定程度上既能缓解云厂商资源调度压力,也能贴合用户自身需求,用户按需选购。但是,就扁平式计费方式、按量计费和套餐定制收费而言,其存在以下缺点:
扁平式计费是一种要求用户按固定时长预付费或者后付费的计费方式,该计费方法存在灵活性较低的问题。区别于中心云集中式的资源部署方式,边缘云资源较为分散地部署在边缘侧且每个机房节点的资源存量相对较少,且机房节点较多,当用户订购资源时,厂商优先调度用户最近侧边缘节点资源。而当面临最近侧资源不足时会调度更远侧边缘机房节点的资源,可能存在相同资费下用户购买到资源和服务体验不一致的问题,即使厂商计费逻辑具有针对资源与用户需求不匹配时进行差异化计费机制,但此时已经违背了用户资源需求初衷,对用户而言存在资源浪费和收费不合理的现象。按量计费相比于包时长计费方式,虽然提高了一定灵活性,缓解了用户资源浪费的现象,但仍存在缺乏资源分配合理性和公平性的现象。套餐定制收费相比于上述两种计费方式,一定程度在考虑到用户选购意愿的前提下对用户进行差异化收费,但此种方式考虑到的可量化计费因素较为片面,灵活性较低,存在用户为附带产品支出等现象,仍存在用户消费倾向、资源使用偏好与云厂商资源分配和收费不匹配的问题。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的云场景下的智能计费方法、装置、计算设备及计算机可读存储介质。
根据本发明的一个方面,提供了一种云场景下的智能计费方法,所述方法包括:
获取训练样本,根据训练样本拟合得到云资源的计费结果与计费影响因子之间的非线性拟合关系;其中,所述计费影响因子为以用户资源偏好作为影响权重的影响因子;
选取训练样本的部分或全部,分析出所述计费影响因子中的第一关联影响因子,将所述第一关联因子对应的计费影响因素作为选择项提供给用户;
接收用户选定的至少一个选择项,根据所述选定的至少一个选择项得到对应的因子集,利用所述非线性拟合关系和所述因子集输出用于推荐给所述用户的计费方案。
可选地,所述选取训练样本的部分或全部,分析出所述计费影响因子中的第一关联影响因子进一步包括:
选取训练样本的部分或全部;
根据所选取的训练样本以及似然公式,计算所选取的训练样本对应的平均似然值,计算不同的计费影响因子组合对应的强关联系数;
根据所述不同的计费影响因子组合对应的强关联系数,分析出所述计费影响因子中的第一关联影响因子。
可选地,所述选取训练样本的部分或全部,分析出所述计费影响因子中的第一关联影响因子进一步包括:
步骤S1,选取t个训练样本,其中t≤k,k为训练样本的总数;将n赋值为m,m为计费影响因子的总数;
步骤S2,获取计费影响因子组合,根据t个训练样本以及似然公式,计算t个训练样本对应的平均似然值;
步骤S3,计算n个计费影响因子对应的强关联系数;
步骤S4,从n个计费影响因子中不重复地抽取n-1个计费影响因子,其中每n-1个计费影响因子为1组计费影响因子组合,根据所述步骤S2得到n组计费影响因子组合下的平均似然值,将n个平均似然值进行排序,选择最大的平均似然值对应的计费影响因子组合,将n赋值为n-1;迭代执行步骤S2至步骤S4,直至迭代次数满足条件而结束;
步骤S5,从计算结果中选取强关联系数最小值对应的计费影响因子组合,作为第一关联影响因子。
可选地,在所述分析出所述计费影响因子中的第一关联影响因子之后,所述方法还包括:
获取所述计费影响因子中除了第一关联影响因子以外的第二关联影响因子;
计算第二关联影响因子与第一关联影响因子之间的相关系数;
根据所述相关系数,将第二关联影响因子分为关联隐藏因子和无关联隐藏因子。
可选地,所述计算第二关联影响因子与第一关联影响因子之间的相关系数具体为:计算第二关联影响因子与第一关联影响因子之间的皮尔逊相关系数。
可选地,所述根据所述相关系数,将第二关联影响因子分为关联隐藏因子和无关联隐藏因子具体为:
将相关系数大于预设值的第二关联影响因子作为关联隐藏因子,将相关系数小于或等于预设值的第二关联影响因子作为无关联隐藏因子。
可选地,所述接收用户选定的至少一个选择项,根据所述选定的至少一个选择项得到对应的因子集,利用所述非线性拟合关系和所述因子集输出用于推荐给所述用户的计费方案进一步包括:
接收用户选定的至少一个选择项,获取所述选定的至少一个选择项对应的第一关联影响因子及其影响权重、关联隐藏因子及其影响权重,结合无关联隐藏因子,得到因子集;
利用所述非线性拟合关系和所述因子集输出用于推荐给所述用户的计费方案。
根据本发明的另一方面,提供了一种云场景下的智能计费装置,所述装置包括:
训练模块,用于获取训练样本,根据训练样本拟合得到云资源的计费结果与计费影响因子之间的非线性拟合关系;其中,所述计费影响因子为以用户资源偏好作为影响权重的影响因子;
分析模块,用于选取训练样本的部分或全部,分析出所述计费影响因子中的第一关联影响因子,将所述第一关联因子对应的计费影响因素作为选择项提供给用户;
计费模块,用于接收用户选定的至少一个选择项,根据所述选定的至少一个选择项得到对应的因子集,利用所述非线性拟合关系和所述因子集输出用于推荐给所述用户的计费方案。
可选地,所述分析模块进一步用于:
选取训练样本的部分或全部;
根据所选取的训练样本以及似然公式,计算所选取的训练样本对应的平均似然值,计算不同的计费影响因子组合对应的强关联系数;
根据所述不同的计费影响因子组合对应的强关联系数,分析出所述计费影响因子中的第一关联影响因子。
可选地,所述分析模块进一步用于通过如下步骤分析出所述计费影响因子中的第一关联影响因子:
步骤S1,选取t个训练样本,其中t≤k,k为训练样本的总数;将n赋值为m,m为计费影响因子的总数;
步骤S2,获取计费影响因子组合,根据t个训练样本以及似然公式,计算t个训练样本对应的平均似然值;
步骤S3,计算n个计费影响因子对应的强关联系数;
步骤S4,从n个计费影响因子中不重复地抽取n-1个计费影响因子,其中每n-1个计费影响因子为1组计费影响因子组合,根据所述步骤S2得到n组计费影响因子组合下的平均似然值,将n个平均似然值进行排序,选择最大的平均似然值对应的计费影响因子组合,将n赋值为n-1;迭代执行步骤S2至步骤S4,直至迭代次数满足条件而结束;
步骤S5,从计算结果中选取强关联系数最小值对应的计费影响因子组合,作为第一关联影响因子。
可选地,所述分析模块还用于:
获取所述计费影响因子中除了第一关联影响因子以外的第二关联影响因子;
计算第二关联影响因子与第一关联影响因子之间的相关系数;
根据所述相关系数,将第二关联影响因子分为关联隐藏因子和无关联隐藏因子。
可选地,所述分析模块具体用于:计算第二关联影响因子与第一关联影响因子之间的皮尔逊相关系数。
可选地,所述分析模块具体用于:将相关系数大于预设值的第二关联影响因子作为关联隐藏因子,将相关系数小于或等于预设值的第二关联影响因子作为无关联隐藏因子。
可选地,所述计费模块进一步用于:
接收用户选定的至少一个选择项,获取所述选定的至少一个选择项对应的第一关联影响因子及其影响权重、关联隐藏因子及其影响权重,结合无关联隐藏因子,得到因子集;
利用所述非线性拟合关系和所述因子集输出用于推荐给所述用户的计费方案。
根据本发明的又一方面,提供了一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行上述云场景下的智能计费方法对应的操作。
根据本发明的再一方面,提供了一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如上述云场景下的智能计费方法对应的操作。
本发明提供的上述方案,量化了云场景中影响资源定价的因素和云节点及资源计费之间的关系,通过利用影响资源定价的量化结果,以及拟合出的用户资源偏好和云资源节点、云资源计费之间的非线性拟合关系,可准确推荐出用户所选资源以及合理计费。本发明通过将用户资源偏好作为影响资源计费的权重系数,并进一步根据分析得到的用户可选倾向因子进行资源计费计算,可进一步准确匹配用户资源偏好和所推荐云资源及其计费之间的关系,有利于提高用户黏性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了现有技术中边缘云资源计费方案架构;
图2示出了本发明一个实施例的云场景下的智能计费方法的流程图;
图3示出了本发明一个实施例的第一关联影响因子的获取方法的流程图;
图4示出了本发明另一个实施例的云场景下的智能计费方法的架构图;
图5示出了本发明又一个实施例的云场景下的智能计费装置的结构示意图;
图6示出了本发明计算设备实施例的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
本申请的发明人发现,现有技术中边缘云服务的计费方式存在共有问题:用户资源需求偏好以及所付对应资源费用与云厂商资源分配之间不匹配。云厂商在资源计费和资源分配上占有主导权,弱化了用户消费和资源使用倾向的问题,因此,有必要研究一种边缘云场景下的智能化计费方式,用以平衡用户资源使用偏好与边缘云厂商资源分配关系。以用户资源使用需求、消费倾向与边缘云厂商资源调度、资源收费之间不匹配为切入点,本申请提出了一种云场景下的智能计费方法,尤其适用于边缘云场景。
图2示出了本发明一个实施例的云场景下的智能计费方法的流程图。如图2所示,该方法包括以下步骤:
步骤210:获取训练样本,根据训练样本拟合得到云资源的计费结果与计费影响因子之间的非线性拟合关系;其中,所述计费影响因子为以用户资源偏好作为影响权重的影响因子。
在本发明实施例中,细化了边缘云场景下的影响资源计费的计费影响因子,计费影响因子为以用户资源偏好作为影响权重的影响因子,通过训练拟合得到云资源的计费结果与计费影响因子之间的非线性拟合关系,使用户意愿、云资源分配和计费之间方程化,用于解决边缘云场景下厂商资源分配和计费与用户偏好不匹配的问题。下面以边缘云场景下的云主机为例进行说明。
具体地,定义gi为多个计费影响因素下的第i个云主机资源(样本)的定价,1≤i≤k,k为训练样本的样本总数,即云主机总数;定义边缘节点机房所在地的租金或电费等成本因素向量为云厂商云主机CPU的计算性能为/>云主机内存读写速度为/>磁盘读写(I/O)能力为/>用户与云主机资源之间由于距离等原因产生的平均网络环境为/>以及其他可细化的影响云主机资源定价的因子/>即影响云主机资源定价的计费影响因子为/>因子总量为m,则得出:
根据m个计费影响因素对云主机资源进行市场化定价(不同类型云主机在各因素影响下的市场化定价可能相同),所有训练样本的标准向量用G来表示,G=(g1,g2,...,gi,...,gk),其中k为样本数量,对应的原计费影响因子向量为
本发明实施例中,为了平衡用户资源使用偏好与边缘云厂商资源分配关系,进一步引入能够在一定程度上反映出用户资源偏好的等级向量ε={ε1,ε2,ε3,...,εm},进行如下计算,得到以用户资源偏好作为影响权重的计费影响因子A:
将G和A作为训练样本,利用非线性拟合函数和***辨识方法拟合每个资源池下资费g与计费影响因子a之间的非线性映射关系,即:
g=θTa=θ1a1+θ12a2+...+θmam (3)
步骤220:选取训练样本的部分或全部,分析出计费影响因子中的第一关联影响因子,将第一关联因子对应的计费影响因素作为选择项提供给用户。
为了量化用户资源偏好,得出用户订购意向对最终计费的影响,本发明实施例分析影响计费的强关联因子,即第一关联影响因子,将第一关联因子对应的计费影响因素作为选择项提供给用户,以供用户在订购时进行意向选择。
在一个可选的实施方式中,步骤220进一步包括:选取训练样本的部分或全部;根据所选取的训练样本以及似然公式,计算所选取的训练样本对应的平均似然值,计算不同的计费影响因子组合对应的强关联系数;根据不同的计费影响因子组合对应的强关联系数,分析出计费影响因子中的第一关联影响因子。
为了减少计算量,可以从上述训练样本中选择部分训练样本进行步骤220的计算。例如,从G和A中选择t个训练样本G*和A*,参照图3,执行如下方法:
步骤S1,选取t个训练样本,其中t≤k,k为训练样本的总数;将n赋值为m,m为计费影响因子的总数。
步骤S2,获取计费影响因子组合,根据t个训练样本以及似然公式,计算t个训练样本对应的平均似然值。
设所选训练样本(G*,A*),所采用的似然公式如下:
基于所获取的计费影响因子组合(随着迭代次数的增加,组合中因子数量递减),利用训练样本(G*,A*)和上述公式(4)计算t个训练样本下的似然值,记为(L1,L2,...,Lt),进一步得出t个训练样本的平均似然值:
步骤S3,计算n个计费影响因子对应的强关联系数。
根据步骤S2计算得到的Laverage计算n个计费影响因子对应的强关联系数AICn,计算公式为:
AICn=2n-2ln(Laverage) (6)
步骤S4,从n个计费影响因子中不重复地抽取n-1个计费影响因子,其中每n-1个计费影响因子为1组计费影响因子组合,根据所述步骤S2得到n组计费影响因子组合下的平均似然值,将n个平均似然值进行排序,选择最大的平均似然值对应的计费影响因子组合,将n赋值为n-1;迭代执行步骤S2至步骤S4,直至迭代次数满足条件而结束。
具体地,从n个计费影响因子中不重复地抽取n-1个计费影响因子,每n-1个计费影响因子为1组计费影响因子组合,通过抽取n次可以得到n组计费影响因子组合。重复执行步骤S2,得到n组计费影响因子组合下的平均似然值,即得到n个平均似然值,将n个平均似然值进行排序,选择最大的平均似然值对应的计费影响因子组合,将该最大的平均值对应的计费影响因子组合作为下一次迭代执行的参数集。
迭代执行步骤S2至步骤S4,直至迭代次数满足条件而结束。其中设定阈值为β,迭代执行(m-β)次,结束迭代过程。
步骤S5,从计算结果中选取强关联系数最小值对应的计费影响因子组合,作为第一关联影响因子。
从上述m-β次计算结果中选取最小AICn值对应的计费影响因子组合Aβ,作为第一关联影响因子,即影响计费的强关联因子集。将该强关联因子集对应的计费影响因素作为选择项提供给用户,以供用户订购时进行选择。
进一步的,获取计费影响因子中除了第一关联影响因子以外的第二关联影响因子;计算第二关联影响因子与第一关联影响因子之间的相关系数;根据相关系数,将第二关联影响因子分为关联隐藏因子和无关联隐藏因子。
为了强化用户资源偏好权重对计费结果的影响,需得出强关联因子集的强关联隐藏因子集。具体地,定义全集A下不属于Aβ的补集CAAβ(第二关联影响因子),利用皮尔逊相关系数法计算CAAβ中的因子与Aβ中的因子之间的皮尔逊相关系数R,并定义预设值0.8,将相关系数大于0.8的因子定义为关联隐藏因子,得出强关联隐藏因子集AR,记强关联属性对为(ax,ay){x,y=1,2,3...m,x≠y},数量为e。将相关系数小于或等于0.8的因子定义为无关联隐藏因子,即另外(m-β-e)个影响因子作为固定的隐藏项。
步骤230:接收用户选定的至少一个选择项,根据所述选定的至少一个选择项得到对应的因子集,利用所述非线性拟合关系和所述因子集输出用于推荐给所述用户的计费方案。
接收用户选定的至少一个选择项,获取所述选定的至少一个选择项对应的第一关联影响因子及其影响权重、关联隐藏因子及其影响权重,结合无关联隐藏因子,得到因子集;利用非线性拟合关系和因子集输出用于推荐给用户的计费方案。
用户选择资源偏好的选择项,根据用户的选择得到等级向量∈,并作为用户所选的资源使用偏好所对应的强关联因子集以及所对应的强关联隐藏因子集权重系数,结合另外的隐藏因子集,通过非线性拟合关系g=θTa,推荐出符合用户所选资源价值等级下的云资源计费方案,云厂商根据用户选择资源偏好和计费结果为用户进行资源预调度和分配。
图4示出了本发明另一个实施例的云场景下的智能计费方法的架构图。如图4所示,对比图1,区别于现有技术中的边缘云资源计费方法,本发明是首先根据用户所选资源偏好和其他非可选的隐形需求,通过影响因子与资源计费间的拟合关系得出最佳计费结果,云厂商根据计费结果和用户需求倾向进行边缘云节点选择和资源调度,云资源计费先于云资源调度之前。同理,上述计费方法可应用于边缘云网络、边缘云存储等其他云资源智能计费场景中。
本发明上述实施例中,量化了边缘云场景中影响资源定价的因素和边缘云节点及资源计费之间的关系,通过利用影响资源定价的量化结果,以及拟合出的用户资源偏好和边缘云资源节点、云资源计费之间的非线性拟合关系,可准确推荐出用户所选资源以及合理计费。本发明上述实施例通过将用户资源偏好作为影响资源计费的权重系数,并进一步根据上述步骤220得出的用户可选倾向因子Aβ和非可选隐形因子AR进行资源计费计算,可进一步准确匹配用户资源偏好和所推荐边缘云资源及其计费之间的关系,有利于提高用户黏性。
相比于现有边缘云厂商简单地根据用户选择的云资源类型为用户进行资源预调度和分配,然后对资源进行扁平化、按量或者套餐定制化收费的方案,本发明方案由用户侧主导,根据用户侧所选资源使用偏好、消费倾向,然后根据拟合出的非线性关系为用户推荐资源及其计费结果,然后云厂商根据用户需求和计费结果进行资源预调度和分配的方法,在一定程度上给予了用户一定的选择权和主导权。
本发明实施例提供的智能计费方法相比于现有边缘云资源计费方法,更具灵活性和资源计费的准确性,具有贴合用户资源使用需求和用户感知下的收费合理性。且该方法在现有计费方法基础上改造较为平滑,即资源调度的前提命令由用户的直接选择,改为了智能计费利用用户的订购选择项计算出的资源计费和资源推荐结果。
本发明实施例量化了边缘云中影响资源计费的因素,能更精细化控制云资源成本和利润。一定程度上既实现了在厂商精细化控制成本和利润,也保障了用户资源使用体验和实际收费之间的公平性,也有利于云厂商提高用户黏性。
图5示出了本发明又一个实施例的云场景下的智能计费装置的结构示意图。如图5所示,该装置包括:
训练模块510,用于获取训练样本,根据训练样本拟合得到云资源的计费结果与计费影响因子之间的非线性拟合关系;其中,所述计费影响因子为以用户资源偏好作为影响权重的影响因子;
分析模块520,用于选取训练样本的部分或全部,分析出所述计费影响因子中的第一关联影响因子,将所述第一关联因子对应的计费影响因素作为选择项提供给用户;
计费模块530,用于接收用户选定的至少一个选择项,根据所述选定的至少一个选择项得到对应的因子集,利用所述非线性拟合关系和所述因子集输出用于推荐给所述用户的计费方案。
可选地,所述分析模块进一步用于:
选取训练样本的部分或全部;
根据所选取的训练样本以及似然公式,计算所选取的训练样本对应的平均似然值,计算不同的计费影响因子组合对应的强关联系数;
根据所述不同的计费影响因子组合对应的强关联系数,分析出所述计费影响因子中的第一关联影响因子。
可选地,所述分析模块进一步用于通过如下步骤分析出所述计费影响因子中的第一关联影响因子:
步骤S1,选取t个训练样本,其中t≤k,k为训练样本的总数;将n赋值为m,m为计费影响因子的总数;
步骤S2,获取计费影响因子组合,根据t个训练样本以及似然公式,计算t个训练样本对应的平均似然值;
步骤S3,计算n个计费影响因子对应的强关联系数;
步骤S4,从n个计费影响因子中不重复地抽取n-1个计费影响因子,其中每n-1个计费影响因子为1组计费影响因子组合,根据所述步骤S2得到n组计费影响因子组合下的平均似然值,将n个平均似然值进行排序,选择最大的平均似然值对应的计费影响因子组合,将n赋值为n-1;迭代执行步骤S2至步骤S4,直至迭代次数满足条件而结束;
步骤S5,从计算结果中选取强关联系数最小值对应的计费影响因子组合,作为第一关联影响因子。
可选地,所述分析模块还用于:
获取所述计费影响因子中除了第一关联影响因子以外的第二关联影响因子;
计算第二关联影响因子与第一关联影响因子之间的相关系数;
根据所述相关系数,将第二关联影响因子分为关联隐藏因子和无关联隐藏因子。
可选地,所述分析模块具体用于:计算第二关联影响因子与第一关联影响因子之间的皮尔逊相关系数。
可选地,所述分析模块具体用于:将相关系数大于预设值的第二关联影响因子作为关联隐藏因子,将相关系数小于或等于预设值的第二关联影响因子作为无关联隐藏因子。
可选地,所述计费模块进一步用于:
接收用户选定的至少一个选择项,获取所述选定的至少一个选择项对应的第一关联影响因子及其影响权重、关联隐藏因子及其影响权重,结合无关联隐藏因子,得到因子集;
利用所述非线性拟合关系和所述因子集输出用于推荐给所述用户的计费方案。
本发明提供的上述装置,量化了云场景中影响资源定价的因素和云节点及资源计费之间的关系,通过利用影响资源定价的量化结果,以及拟合出的用户资源偏好和边缘云资源节点、云资源计费之间的非线性拟合关系,可准确推荐出用户所选资源以及合理计费。本发明装置通过将用户资源偏好作为影响资源计费的权重系数,并进一步根据分析得到的用户可选倾向因子进行资源计费计算,可进一步准确匹配用户资源偏好和所推荐边缘云资源及其计费之间的关系,有利于提高用户黏性。
本发明实施例提供了一种非易失性计算机存储介质,所述计算机存储介质存储有至少一可执行指令,该计算机可执行指令可执行上述任意方法实施例中的云场景下的智能计费方法。
图6示出了本发明计算设备实施例的结构示意图,本发明具体实施例并不对计算设备的具体实现做限定。
如图6所示,该计算设备可以包括:处理器(processor)602、通信接口(Communications Interface)604、存储器(memory)606、以及通信总线608。
其中:处理器602、通信接口604、以及存储器606通过通信总线608完成相互间的通信。通信接口604,用于与其它设备比如客户端或其它服务器等的网元通信。处理器602,用于执行程序610,具体可以执行上述用于计算设备的云场景下的智能计费方法实施例中的相关步骤。
具体地,程序610可以包括程序代码,该程序代码包括计算机操作指令。
处理器602可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器606,用于存放程序610。存储器606可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序610用于使得处理器602执行以下操作:
获取训练样本,根据训练样本拟合得到云资源的计费结果与计费影响因子之间的非线性拟合关系;其中,所述计费影响因子为以用户资源偏好作为影响权重的影响因子;
选取训练样本的部分或全部,分析出所述计费影响因子中的第一关联影响因子,将所述第一关联因子对应的计费影响因素作为选择项提供给用户;
接收用户选定的至少一个选择项,根据所述选定的至少一个选择项得到对应的因子集,利用所述非线性拟合关系和所述因子集输出用于推荐给所述用户的计费方案。
在一种可选的方式中,所述程序610使所述处理器执行以下操作:
选取训练样本的部分或全部;
根据所选取的训练样本以及似然公式,计算所选取的训练样本对应的平均似然值,计算不同的计费影响因子组合对应的强关联系数;
根据所述不同的计费影响因子组合对应的强关联系数,分析出所述计费影响因子中的第一关联影响因子。
在一种可选的方式中,所述程序610使所述处理器执行以下操作:
步骤S1,选取t个训练样本,其中t≤k,k为训练样本的总数;将n赋值为m,m为计费影响因子的总数;
步骤S2,获取计费影响因子组合,根据t个训练样本以及似然公式,计算t个训练样本对应的平均似然值;
步骤S3,计算n个计费影响因子对应的强关联系数;
步骤S4,从n个计费影响因子中不重复地抽取n-1个计费影响因子,其中每n-1个计费影响因子为1组计费影响因子组合,根据所述步骤S2得到n组计费影响因子组合下的平均似然值,将n个平均似然值进行排序,选择最大的平均似然值对应的计费影响因子组合,将n赋值为n-1;迭代执行步骤S2至步骤S4,直至迭代次数满足条件而结束;
步骤S5,从计算结果中选取强关联系数最小值对应的计费影响因子组合,作为第一关联影响因子。
在一种可选的方式中,所述程序610使所述处理器执行以下操作:
获取所述计费影响因子中除了第一关联影响因子以外的第二关联影响因子;
计算第二关联影响因子与第一关联影响因子之间的相关系数;
根据所述相关系数,将第二关联影响因子分为关联隐藏因子和无关联隐藏因子。
在一种可选的方式中,所述程序610使所述处理器执行以下操作:
计算第二关联影响因子与第一关联影响因子之间的皮尔逊相关系数。
在一种可选的方式中,所述程序610使所述处理器执行以下操作:
将相关系数大于预设值的第二关联影响因子作为关联隐藏因子,将相关系数小于或等于预设值的第二关联影响因子作为无关联隐藏因子。
在一种可选的方式中,所述程序610使所述处理器执行以下操作:
接收用户选定的至少一个选择项,获取所述选定的至少一个选择项对应的第一关联影响因子及其影响权重、关联隐藏因子及其影响权重,结合无关联隐藏因子,得到因子集;
利用所述非线性拟合关系和所述因子集输出用于推荐给所述用户的计费方案。
在此提供的算法或显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述,构造这类***所要求的结构是显而易见的。此外,本发明实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤,除有特殊说明外,不应理解为对执行顺序的限定。
Claims (10)
1.一种云场景下的智能计费方法,其特征在于,所述方法包括:
获取训练样本,根据训练样本拟合得到云资源的计费结果与计费影响因子之间的非线性拟合关系;其中,所述计费影响因子为以用户资源偏好作为影响权重的影响因子;
选取训练样本的部分或全部,分析出所述计费影响因子中的第一关联影响因子,将所述第一关联因子对应的计费影响因素作为选择项提供给用户;
接收用户选定的至少一个选择项,根据所述选定的至少一个选择项得到对应的因子集,利用所述非线性拟合关系和所述因子集输出用于推荐给所述用户的计费方案。
2.根据权利要求1所述的方法,其特征在于,所述选取训练样本的部分或全部,分析出所述计费影响因子中的第一关联影响因子进一步包括:
选取训练样本的部分或全部;
根据所选取的训练样本以及似然公式,计算所选取的训练样本对应的平均似然值,计算不同的计费影响因子组合对应的强关联系数;
根据所述不同的计费影响因子组合对应的强关联系数,分析出所述计费影响因子中的第一关联影响因子。
3.根据权利要求1或2所述的方法,其特征在于,所述选取训练样本的部分或全部,分析出所述计费影响因子中的第一关联影响因子进一步包括:
步骤S1,选取t个训练样本,其中t≤k,k为训练样本的总数;将n赋值为m,m为计费影响因子的总数;
步骤S2,获取计费影响因子组合,根据t个训练样本以及似然公式,计算t个训练样本对应的平均似然值;
步骤S3,计算n个计费影响因子对应的强关联系数;
步骤S4,从n个计费影响因子中不重复地抽取n-1个计费影响因子,其中每n-1个计费影响因子为1组计费影响因子组合,根据所述步骤S2得到n组计费影响因子组合下的平均似然值,将n个平均似然值进行排序,选择最大的平均似然值对应的计费影响因子组合,将n赋值为n-1;迭代执行步骤S2至步骤S4,直至迭代次数满足条件而结束;
步骤S5,从计算结果中选取强关联系数最小值对应的计费影响因子组合,作为第一关联影响因子。
4.根据权利要求1所述的方法,其特征在于,在所述分析出所述计费影响因子中的第一关联影响因子之后,所述方法还包括:
获取所述计费影响因子中除了第一关联影响因子以外的第二关联影响因子;
计算第二关联影响因子与第一关联影响因子之间的相关系数;
根据所述相关系数,将第二关联影响因子分为关联隐藏因子和无关联隐藏因子。
5.根据权利要求4所述的方法,其特征在于,所述计算第二关联影响因子与第一关联影响因子之间的相关系数具体为:计算第二关联影响因子与第一关联影响因子之间的皮尔逊相关系数。
6.根据权利要求4所述的方法,其特征在于,所述根据所述相关系数,将第二关联影响因子分为关联隐藏因子和无关联隐藏因子具体为:
将相关系数大于预设值的第二关联影响因子作为关联隐藏因子,将相关系数小于或等于预设值的第二关联影响因子作为无关联隐藏因子。
7.根据权利要求4所述的方法,其特征在于,所述接收用户选定的至少一个选择项,根据所述选定的至少一个选择项得到对应的因子集,利用所述非线性拟合关系和所述因子集输出用于推荐给所述用户的计费方案进一步包括:
接收用户选定的至少一个选择项,获取所述选定的至少一个选择项对应的第一关联影响因子及其影响权重、关联隐藏因子及其影响权重,结合无关联隐藏因子,得到因子集;
利用所述非线性拟合关系和所述因子集输出用于推荐给所述用户的计费方案。
8.一种云场景下的智能计费装置,其特征在于,所述装置包括:
训练模块,用于获取训练样本,根据训练样本拟合得到云资源的计费结果与计费影响因子之间的非线性拟合关系;其中,所述计费影响因子为以用户资源偏好作为影响权重的影响因子;
分析模块,用于选取训练样本的部分或全部,分析出所述计费影响因子中的第一关联影响因子,将所述第一关联因子对应的计费影响因素作为选择项提供给用户;
计费模块,用于接收用户选定的至少一个选择项,根据所述选定的至少一个选择项得到对应的因子集,利用所述非线性拟合关系和所述因子集输出用于推荐给所述用户的计费方案。
9.一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行根据权利要求1-7中任一项所述的云场景下的智能计费方法对应的操作。
10.一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行根据权利要求1-7中任一项所述的云场景下的智能计费方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211398994.8A CN116266323A (zh) | 2022-11-09 | 2022-11-09 | 云场景下的智能计费方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211398994.8A CN116266323A (zh) | 2022-11-09 | 2022-11-09 | 云场景下的智能计费方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116266323A true CN116266323A (zh) | 2023-06-20 |
Family
ID=86744213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211398994.8A Pending CN116266323A (zh) | 2022-11-09 | 2022-11-09 | 云场景下的智能计费方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116266323A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117499313A (zh) * | 2024-01-02 | 2024-02-02 | 中移(苏州)软件技术有限公司 | 请求控制方法、装置、存储介质、电子设备 |
-
2022
- 2022-11-09 CN CN202211398994.8A patent/CN116266323A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117499313A (zh) * | 2024-01-02 | 2024-02-02 | 中移(苏州)软件技术有限公司 | 请求控制方法、装置、存储介质、电子设备 |
CN117499313B (zh) * | 2024-01-02 | 2024-05-03 | 中移(苏州)软件技术有限公司 | 请求控制方法、装置、存储介质、电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Toosi et al. | Revenue maximization with optimal capacity control in infrastructure as a service cloud markets | |
CN109714797B (zh) | 一种基于拍卖理论的移动边缘网络资源分配方法 | |
CN106817401B (zh) | 一种云环境中的资源配置方法 | |
CN108090208A (zh) | 融合数据处理方法及装置 | |
CN110796513B (zh) | 多任务学习方法、装置、电子设备及存储介质 | |
Pourebrahimi et al. | Market-based resource allocation in grids | |
US8832694B2 (en) | Method and system for the dynamic allocation of resources based on a multi-phase negotiation mechanism | |
Liu et al. | Strategy-proof mechanism for provisioning and allocation virtual machines in heterogeneous clouds | |
CN110111189B (zh) | 基于双边拍卖的在线组合资源分配与支付方法 | |
Lee | Pricing schemes and profit-maximizing pricing for cloud services | |
CN106934648A (zh) | 一种数据处理方法和装置 | |
CN116266323A (zh) | 云场景下的智能计费方法及装置 | |
CN112017042A (zh) | 基于tweedie分布的资源配额确定方法、装置和电子设备 | |
Mashayekhy et al. | Truthful mechanisms for competitive reward-based scheduling | |
Kumar et al. | Fair mechanisms for combinatorial reverse auction-based cloud market | |
CN115907926A (zh) | 商品的推荐方法、装置、电子设备及存储介质 | |
CN115130811A (zh) | 电力用户画像的建立方法、装置及电子设备 | |
CN113159213A (zh) | 一种业务分配方法、装置及设备 | |
CN106157138A (zh) | 一种银行交易数据所属群组确定方法及装置 | |
CN109858756A (zh) | 一种服务质量缺陷诊断方法和装置 | |
CN110992056B (zh) | 对象的等级服务方法、装置、电子设备及存储介质 | |
Zhou et al. | Maximizing the profits of cloud service providers via dynamic virtual resource renting approach | |
Vinothiyalakshmi et al. | Enhanced multi-attribute combinative double auction (emcda) for resource allocation in cloud computing | |
Kwon et al. | Royalties vs. upfront lump-sum fees in data communication environments | |
CN113128597B (zh) | 一种用户行为特征的提取和分类预测的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |