present or future: optimal pricing for spot instances文章阅读笔记
2017-08-20 21:12
501 查看
问题挑战:
如何给竞价型实例定价,当前定价过高,可获得当前较高收益,但会导致将来实例价格过低,从而使将来的收益过低。目标是在保证用户服务质量的前提下,合理定价获取整体较高收益。
两个模型:
1、In the basic model, assuming that all requests cannot be dropped.
2、Extending the basic model to achieve worst-case delay guarantees.
基本模型参数定义:t--time slot. P(t)--实例价格。 N(t)--相应价格对应的实例数量(launched instances意思是当前时间价格为P(t),因此相应及以上价格的实例能够被服务)。 S(t)--可提供服务实例数量(有限的)。Ps(t)--需求个数等于S(t)时的实例定价。Q(t)--instances in pending state(当前时间在搁置队列里的实例个数)。A(t)--新到来的实例需求个数(有限的)。R(t)--P(t) * N(t)(收益)。
第四部分Lyapunov function表示积压的工作量大小,即代表了用户服务质量,目标是使这个函数尽可能的小,并且使总体收益尽可能的大。公式(13)是这两者的权衡表达式,(13)越小越好,即找到公式(13)的上界来衡量模型的好坏。
公式(14)推导过程弄明白了。
C部分假设了一种简单情况,并以这个情况为例分析各个算法的表现,在这个简单例子上实现了离线最优算法,文中算法在一定程度上接近于离线最优算法,这个举例子可以让读者更好更快地理解算法。
第五部分扩展的模型没仔细看。
实验数据用的谷歌集群数据,根据波动情况分为四组(Assuming that the requests with higher latency-sensitive value have higher maximum price.),假设每组中价格一致。实验中有两个基准算法:Match All(baseline)、Single Slot. 再加上文中提到的基本模型算法和扩展模型算法,共有四种算法。Single Slot 在某些情况下表现不错(图7表5),收益居中,延迟居中。但价格波动较大时,Single
Slot虽然可以取得最好的收益,但是其延迟也是巨大的。
另外一个点:Lyapunov optimization,还不懂。。。
如何给竞价型实例定价,当前定价过高,可获得当前较高收益,但会导致将来实例价格过低,从而使将来的收益过低。目标是在保证用户服务质量的前提下,合理定价获取整体较高收益。
两个模型:
1、In the basic model, assuming that all requests cannot be dropped.
2、Extending the basic model to achieve worst-case delay guarantees.
基本模型参数定义:t--time slot. P(t)--实例价格。 N(t)--相应价格对应的实例数量(launched instances意思是当前时间价格为P(t),因此相应及以上价格的实例能够被服务)。 S(t)--可提供服务实例数量(有限的)。Ps(t)--需求个数等于S(t)时的实例定价。Q(t)--instances in pending state(当前时间在搁置队列里的实例个数)。A(t)--新到来的实例需求个数(有限的)。R(t)--P(t) * N(t)(收益)。
第四部分Lyapunov function表示积压的工作量大小,即代表了用户服务质量,目标是使这个函数尽可能的小,并且使总体收益尽可能的大。公式(13)是这两者的权衡表达式,(13)越小越好,即找到公式(13)的上界来衡量模型的好坏。
公式(14)推导过程弄明白了。
C部分假设了一种简单情况,并以这个情况为例分析各个算法的表现,在这个简单例子上实现了离线最优算法,文中算法在一定程度上接近于离线最优算法,这个举例子可以让读者更好更快地理解算法。
第五部分扩展的模型没仔细看。
实验数据用的谷歌集群数据,根据波动情况分为四组(Assuming that the requests with higher latency-sensitive value have higher maximum price.),假设每组中价格一致。实验中有两个基准算法:Match All(baseline)、Single Slot. 再加上文中提到的基本模型算法和扩展模型算法,共有四种算法。Single Slot 在某些情况下表现不错(图7表5),收益居中,延迟居中。但价格波动较大时,Single
Slot虽然可以取得最好的收益,但是其延迟也是巨大的。
另外一个点:Lyapunov optimization,还不懂。。。
相关文章推荐
- 3D【2】非刚性配准:Optimal Step Nonrigid ICP Algorithms for Surface Registration 阅读笔记
- 细粒度图像识别文章 Picking Deep Filter Responses for Fine-grained Image Recognition 阅读笔记
- 图割论文阅读笔记:Interactive Graph Cuts for Optimal Boundary & Region Segmentation of Objects in N-D Images
- LSTM Recurrent Neural Networks for Short Text and Sentiment Classication文章阅读笔记
- Online algorithms for uploading deferrable big data to the cloud文章阅读笔记
- Mina源码阅读笔记(六)—Mina异步IO的实现IoFuture
- Fast dynamic execution offloading for efficient mobile cloud computing阅读笔记
- A Self-paced Multiple-instance Learning Framework for Co-saliency Detection文章阅读
- Weak Attributes for Large-Scale Image Retrieval 阅读笔记
- Deep Visual-Semantic Alignments for Generating Image Descriptions阅读笔记
- the disk drive for uuid=XXXX ( /media/sda1) is not reday yet or not present
- 事件处理指南(Event Handling Guide for iOS) 阅读笔记 (一) 手势识别
- 论文阅读笔记之ICML2012::The Landmark Selection Method for Multiple Output Prediction 基于代表性特征选取的多维度回归方法
- 论文笔记-Person Re-identification Past, Present and Future
- Fast and Provably Good Seedings for k-Means阅读笔记
- 【论文阅读笔记】Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
- 【论文阅读笔记】Deep Learning in Medical Imaging: Overview and Future Promise of an Exciting New Technique
- 论文阅读笔记 Picking Deep Filter Responses for Fine-grained Image Recognition
- 阅读笔记Learning Informative Point Classes for the Acquisition of Object Model Maps及Aligning Point......
- Ask Me Anything: Dynamic Memory Networks for Natural Language Processing 阅读笔记及tensorflow实现