面向能耗優(yōu)化的數(shù)據(jù)中心服務(wù)定價策略

余 曉 吳劍章 王 巍

(1東南大學(xué)繼續(xù)教育學(xué)院，南京 210096)

(2東南大學(xué)計算機科學(xué)與工程學(xué)院，南京 210096)

面向能耗優(yōu)化的數(shù)據(jù)中心服務(wù)定價策略

余 曉1吳劍章2王 巍2

(1東南大學(xué)繼續(xù)教育學(xué)院，南京 210096)

(2東南大學(xué)計算機科學(xué)與工程學(xué)院，南京 210096)

針對降低云數(shù)據(jù)中心的能耗問題，從經(jīng)濟學(xué)角度出發(fā)，通過制定3種合理的價格策略來引導(dǎo)消費者正確消費，從而達到節(jié)能減排的目的.鑒于數(shù)據(jù)中心規(guī)模龐大、承載任務(wù)繁重的特點，采用基于重負載近似的大規(guī)模排隊系統(tǒng)對數(shù)據(jù)中心進行建模.針對不同利益方的利益訴求，探討了滿足能耗最小化、服務(wù)方收益最大化、全局效益最大化這3種不同優(yōu)化目標(biāo)的定價和節(jié)能策略，給出了最優(yōu)價格和能耗的近似解.實驗結(jié)果表明，近似解能夠較好地滿足各方的利益需求，并在數(shù)據(jù)中心服務(wù)器數(shù)量趨于無窮的情況下，漸進地逼近精確解.

數(shù)據(jù)中心;能耗;價格策略;排隊系統(tǒng)

當(dāng)前，工業(yè)界和學(xué)術(shù)界針對數(shù)據(jù)中心的能耗問題研究成果豐碩［1-4］.這些研究工作主要從結(jié)構(gòu)(布局)、制冷、能效等技術(shù)角度來對數(shù)據(jù)中心進行建模和評測，試圖優(yōu)化數(shù)據(jù)中心的能耗總量或在性能與能耗之間尋求一種最佳的折中.然而，不同利益方看待能耗問題的角度不同，這種視角差異性往往導(dǎo)致這些技術(shù)難以發(fā)揮作用.電力資源和服務(wù)資源作為商品，價格因時因地因需而異，因此可以利用經(jīng)濟杠桿的調(diào)節(jié)作用，通過科學(xué)合理地制定服務(wù)價格來引導(dǎo)消費者正確消費，從而達到節(jié)能減排的目的.即通過對能耗成本的控制和服務(wù)收費的管理來滿足相關(guān)利益方的利益需求，同時達到優(yōu)化能耗的目的.

綜合考慮電力差價和服務(wù)定價可以獲得更好的節(jié)能效果.基于此，本文提出了3種基于不同優(yōu)化目標(biāo)、滿足不同利益方需求的節(jié)能和服務(wù)定價策略，即能耗最優(yōu)策略、服務(wù)方收益最優(yōu)策略和全局效益最優(yōu)策略.

1 數(shù)據(jù)中心節(jié)能及服務(wù)定價問題模型

假定當(dāng)用戶訪問數(shù)據(jù)中心時，服務(wù)提供者設(shè)定的服務(wù)價格為p，且p＞0.當(dāng)數(shù)據(jù)中心請求過多時，系統(tǒng)擁塞導(dǎo)致服務(wù)能力降低，表現(xiàn)為用戶感受到的延遲D.假定用戶延遲代價為q;用戶對數(shù)據(jù)中心的保留價格為隨機變量v，服從概率累積分布函數(shù)F.假定F連續(xù)可微，其密度函數(shù)f處處為正，初值為有限值.當(dāng)給定p時，用戶可根據(jù)自身的保留價格v，利用概率P(v≥p+qD)來判定是否訪問數(shù)據(jù)中心.本文關(guān)注的是數(shù)據(jù)中心處于穩(wěn)定狀態(tài)時的行為.用戶需求量應(yīng)滿足如下的需求關(guān)系:

λ(p)=ψP(v≥p+qD)=ψ(1－F(p+qD))式中，λ(p)為數(shù)據(jù)中心客戶的實際需求量;ψ為代理的用戶最大潛在需求量.

假定用戶通過代理訪問數(shù)據(jù)中心，不同代理處在不同的地理位置，其用戶市場的保留價格分布函數(shù)為Fi(i為代理的編號索引，其最大值為M)，代理i產(chǎn)生的需求量為φi.按照上述分析，φi=ψ(1－Fi(p+qD)).令 φ 為總需求量，則

任務(wù)請求按概率)分解到數(shù)據(jù)中心j(j=1，2，…，N)處接受服務(wù).令 φipij= λij，則數(shù)據(jù)中心j的用戶需求量

本文將單個數(shù)據(jù)中心建模成大規(guī)模的M/M/n(n→∞為服務(wù)器數(shù)量)系統(tǒng)，并基于重負載近似理論來分析其排隊時延和定價策略，以期實現(xiàn)既定的優(yōu)化目標(biāo).當(dāng)需求函數(shù)滿足彈性關(guān)系時，有如下定理.

定理1 假定和數(shù)據(jù)中心總服務(wù)能力保持線性關(guān)系，即，其中nj和μj分別為數(shù)據(jù)中心j的服務(wù)器數(shù)量和服務(wù)能力，κ為線性系數(shù).那么，對于任何滿足的概率路由矩陣P和服務(wù)價格p，有

式中，Pj，c為數(shù)據(jù)中心j的擁塞概率.

此外，用戶的總需求量為

式中，η為非線性系數(shù).

服務(wù)價格p可表示為

式中，p*=ˉF－1(κ)為獨立于數(shù)據(jù)中心的服務(wù)器數(shù)量;;π為η的函數(shù).

數(shù)據(jù)中心j的平均延遲為

式中，d為線性系數(shù);(π，η，d)由v唯一決定［5］.限于篇幅，該定理的證明從略.

定理1表明，雖然系統(tǒng)接近滿負載，但擁塞概率可能較低，并且經(jīng)過負載均衡策略，可將各數(shù)據(jù)中心的平均時延控制在左右.

2 面向不同優(yōu)化目標(biāo)的節(jié)能與定價策略

2.1 面向能耗最小化的優(yōu)化策略

目前節(jié)能研究工作大多為優(yōu)化數(shù)據(jù)中心的能耗總量［3，6-7］.由于數(shù)據(jù)中心的能耗量與溫室氣體排放量直接相關(guān)，因此降低數(shù)據(jù)中心的能耗總量對于控制溫室氣體的排放起著非常重要的作用.許多國家或地區(qū)對于溫室氣體的排放有著嚴(yán)格的規(guī)定.該類問題的分析適用于嚴(yán)格控制溫室氣體排放的數(shù)據(jù)中心.

假設(shè)數(shù)據(jù)中心j每提供一單位服務(wù)能力所消耗的能量為 ωj，則整個數(shù)據(jù)中心的總耗能量為假定數(shù)據(jù)中心j的延遲約束為Dj，價格p的變化區(qū)間為［a，b］，則能耗最小化問題可形式化為

根據(jù)定理1，由.假設(shè) ρj為數(shù)據(jù)中心j的利用率，當(dāng)nj→∞時，ρj→1.經(jīng)過簡單的代數(shù)變換，問題(4)可近似為

問題(5)的求解可采用文獻［5］中的拉格朗日乘子法.

2.2 面向服務(wù)方效益最大化的優(yōu)化策略

數(shù)據(jù)中心服務(wù)提供商的目標(biāo)是攫取商業(yè)利益的最大化.因此，數(shù)據(jù)中心服務(wù)者希望既要節(jié)約能耗，又要使自身的收益最大.服務(wù)提供者面臨的優(yōu)化問題為

式中，ej為區(qū)域j的電力價格;R(p，nj)為服務(wù)方收取的服務(wù)費用，根據(jù)定理1可得

代入式(6)，可得到如下的近似表達式:

假定負載分配策略(即路由矩陣)未知，數(shù)據(jù)中心規(guī)模(即服務(wù)器數(shù)量)有限，服務(wù)方收益最大化問題可形式化為

式中，Lj為數(shù)據(jù)中心服務(wù)器數(shù)量的上限.

為了降低問題求解的難度，當(dāng)，問題(7)可近似為，可分為以下3步進行求解:①求解近似路由矩陣.M/M/n排隊系統(tǒng)延遲的精確表達式為ρs/(nμ－λ)，其中，s為系統(tǒng)的擁塞概率，ρ為數(shù)據(jù)中心的總體利用率.假定nj=Lj，令 ρjsj/(njμj－ λj)=Dj，由定理 1，令各數(shù)據(jù)中心擁塞概率sj相同且趨近于1，再由ρj→1，便可求出路由向量.②根據(jù)已知的路由向量，得到整體能耗成本的加權(quán)值.③在延遲和價格約束的條件下，求解各數(shù)據(jù)中心的最優(yōu)服務(wù)器數(shù)量.

2.3 面向全局效益最大化的優(yōu)化策略

全局效益(又稱社會效益)是指服務(wù)方和消費方的效益之和.學(xué)術(shù)界一般采用社會效益的概念來折中不同受益方的利益.社會效益能夠使得服務(wù)方和消費方的效益之和達到最優(yōu)［5，8-9］.

第1節(jié)介紹了只有當(dāng)保留價格v≥p+qD時，用戶才會選擇訪問數(shù)據(jù)中心.單位時間內(nèi)所有選擇提交服務(wù)請求的用戶產(chǎn)生的回報收益定義為

單位時間內(nèi)系統(tǒng)產(chǎn)生的總效益為

當(dāng)nj→∞時，式(11)中等號右側(cè)的后半部分可舍去，近似為加上約束條件之后，其求解過程和2.2節(jié)類似.

3 實驗

3.1 實驗設(shè)置

實驗采用的電力價格取自于Amazon在美國數(shù)據(jù)中心所在地(弗吉尼亞、達拉斯、洛杉磯、西雅圖和新澤西)的定價(見表1)，相關(guān)數(shù)據(jù)可在美國能源部官網(wǎng)上查到.代理數(shù)量設(shè)置為3.

表1 電力價格表

本文給出了線性需求、負指數(shù)需求和異彈性需求3種不同需求模型下，價格近似解的變化趨勢以及節(jié)能效果.需求函數(shù)的表達式見表2，具體參數(shù)根據(jù)實驗另行設(shè)置.

表2 需求函數(shù)表

為了驗證本文提出的最優(yōu)價格策略的有效性，構(gòu)造了另外2種價格策略(固定價格策略和隨機價格策略)進行對比分析.固定價格策略是根據(jù)p來設(shè)置價格p= m in {p*+πDj/d，1≤j≤ }N;隨機價格策略是在價格區(qū)間［2，2.5］內(nèi)隨機選取數(shù)據(jù).

3.2 實驗結(jié)果

實驗1 不同需求函數(shù)的服務(wù)器數(shù)量與價格之間的變化關(guān)系分析

對于線性需求，需求函數(shù)為ψ1=ψ2=ψ3=5C－2Cp，其中C為與Λ相關(guān)的值，且Λ=5C;對于負指數(shù)需求，需求函數(shù)為ψ1=ψ2=ψ3=5C－0.8p;對于異彈性需求，需求函數(shù)為 ψ1=ψ2=ψ3=5Cp－2.32，延遲約束分別為 2/C，1.5/C，1/C，1.2/C，2/C.由ω4≥ω2≥ω1=ω5≥ω3，依次確定 5 個地區(qū)的流量，得到路由向量為{0.16，0.19，0.29，0.12，0.24}.由圖1可知，當(dāng)服務(wù)器數(shù)量較少時，3種需求函數(shù)的價格分別為2.18，2.45，2.42，均與極限價格2差距較大，延遲約束設(shè)置得較為寬松.當(dāng)總服務(wù)能力達到2×104時，服務(wù)價格分別為2.005，2.026，2.011，趨近于2，延遲時間為10－4量級，基本滿足用戶的延遲需求.

實驗2 能耗最小化策略的節(jié)能效果驗證

實驗中采用的數(shù)據(jù)與實驗1相同.由圖2可知，隨機價格策略波動性較大，平均能耗最高;固定價格策略較最優(yōu)價格策略能耗高，增長趨勢大致相同，隨著服務(wù)能力的增加，能源消耗量趨于一致.

圖1 需求函數(shù)的價格與服務(wù)器數(shù)量的關(guān)系

圖2 能耗最優(yōu)目標(biāo)下不同價格策略的耗能對比

實驗3 服務(wù)方效益最大化優(yōu)化策略的最優(yōu)效益驗證

采用實驗1中的需求函數(shù)，延遲約束分別設(shè)為0.002 0，0.001 5，0.001 0，0.001 2，0.002 0.考慮線性需求，根據(jù)2.2節(jié)中的策略，得到路由向量為{0.164，0.29，0.164，0.244，0.136}，從而解出進而得到最優(yōu)價格為1.842.對于負指數(shù)需求，p*expo=2.42，C'expo=21 600;對于異彈性需求，p*iso=3.04，C'iso=12 500.以上結(jié)果均可從圖3中得到驗證.

圖3 服務(wù)方的最優(yōu)效益示意圖

實驗4 服務(wù)方效益最大化優(yōu)化策略的效益和節(jié)能效果驗證.

采用實驗3中的數(shù)據(jù)，僅選用線性需求作為需求函數(shù).根據(jù)實驗3的結(jié)果，計算可得固定價格策略下的服務(wù)價格pfixed=1.912.隨機價格在［1.842，2.000］中取值.價格固定時，需求量固定.為了演示服務(wù)方效益的變化趨勢，令最大需求量取值為［10C，20C］.圖4對比了3種價格策略所產(chǎn)生的服務(wù)方效益.由圖可知，固定價格策略的回報效益較最優(yōu)價格策略低，這是因為實驗中固定價格的計算是基于最優(yōu)價格的，對延遲策略的優(yōu)化不夠;而隨機策略波動性較大，其服務(wù)方回報效益較差.圖5顯示了3種策略的能量消耗對比.由圖可知，盡管服務(wù)方收益最大策略不是以能耗最小為目標(biāo)的，但其消耗的能源依然較其余2種策略少.

圖4 不同價格策略的服務(wù)方收益對比示意圖

圖5 服務(wù)方效益最大目標(biāo)下不同價格策略的能耗對比

4 結(jié)語

當(dāng)前，學(xué)者們大多從降低能耗總量的角度出發(fā)，研究各種數(shù)據(jù)中心節(jié)能技術(shù).本文從經(jīng)濟學(xué)的角度出發(fā)，研究價格與能耗之間的關(guān)系，并從不同利益方的角度出發(fā)，給出最優(yōu)的價格策略和最優(yōu)的能耗量.實驗結(jié)果表明，本文的價格策略能夠滿足既定的目標(biāo)，獲得較好的實際效果.

［1］ Flinn J，Satyanarayanan M.Managing battery lifetime with energy aware adaptation［J］.ACM Transactions on Computer Systems，2004，22(2):179-184.

［2］Nathuji R，Schwan K.Virtual power:coordinated power management in virtualized enterprise systems［J］.ACM SIGOPS Operating Systems Review，2007，41(6):265-278.

［3］Verma A，Ahuja P，Neogi A.pMapper:power and migration cost aware application placement in virtualized systems［C］//Proceedings of the9th ACM/IFIP/USENIX International Conferenceon Middleware.New York，USA，2008:243-264.

［4］ Maglaras C，Zeevi A.Pricing and capacity sizing for systems with shared resources:approximate solutions and scaling relations［J］.Management Science，2001，49(8):1018-1038.

［5］ Raghavendra R，Ranganathan P，Talwar V，et al.No“power”struggles:coordinated multi-level power management for the data center［J］.ACM SIGARCH Computer Architecture News，2008，36(1):48-59.

［6］Meisner D，Gold B T，Wenisch T F.PowerNap:eliminating server idle power［J］.ACM SIGPLAN Notices，2009，44(3):205-216.

［7］ Buyya R，Beloglazov A，Abawajy J.Energy efficient management of data center resources for cloud computing:a vision，architectural elements，and open challenges［C］//Proceedings of the2010International Conference on Parallel and Distributed Processing Techniques and Applications.Las Vegas，Nevada，USA，2010:1-8.

［8］ Rao Lei，Liu Xue，Xie Le，et al.Minimizing electricity cost:optimization of distributed internet data centers in a multi-electricity-market environment［C］//Proceedings of2010IEEE INFOCOM.San Diego，California，USA，2010:1-9.

［9］ Andrew L L，Lin M，Wierman A.Optimality，fairness，and robustness in speed scaling designs［C］//Proceedings of ACM International Conference on Measurement and Modeling of International Computer Systems(SIGMETRICS 2010).New York，USA，2010:37-48.

Data center service pricing strategies for energy consumption optimization

Yu Xiao1Wu Jianzhang2Wang Wei2

(1School of Continuing Education，Southeast University，Nanjing 210096，China)
(2School of Computer Science and Engineering，Southeast University，Nanjing 210096，China)

To minimize the energy consumption in green data center，three optimal pricing strategies are presented，from the economic point of view，to guide consumers toward right choices and achieve the purpose of energy saving.In view of the fact that the data center has a large size and takes heavy traffic，a large-scale queuing system based on heavy traffic approximation is used to model the data center.According to the interests and needs of different stakeholders，the strategy of pricing and energy consumption，which meets three different optimization objectives，the minimization of energy consumption，the maximization of the interests of supplier and the maximization of global benefits，is discussed.The best price and energy consumption of the approximate solution are given.The experimental results show that the proposed approximate solution can meet the interests and needs of all parties.Furthermore，when the number of servers in data centers approach infinity，the approximation solutions gradually approximate the exact solutions.

data center;energy consumption;pricing strategies;queuing system

TP393

A

1001－0505(2012)06-1080-05

10.3969/j.issn.1001 －0505.2012.06.011

2012-04-27.

余曉(1973—)，女，碩士，講師，pp_xyu@seu.edu.cn.

余曉，吳劍章，王巍.面向能耗優(yōu)化的數(shù)據(jù)中心服務(wù)定價策略［J］.東南大學(xué)學(xué)報:自然科學(xué)版，2012，42(6):1080-1084.［doi:10.3969/j.issn.1001 －0505.2012.06.011］