💻 computer science

Pricing-Driven Resource Allocation in the Computing Continuum

本文提出了一种利用定价结构（Pricings）作为通用表示方法来刻画计算连续体中资源分配配置空间的新范式，并通过引入 PRIME 分析引擎、生成合成数据集及构建包含 9600 个场景的基准测试集，实现了在满足功能与非功能约束下的成本最优部署方案。

原作者： Alejandro García-Fernández, Boris Sedlak, José Antonio Parejo, Pantelis Frangoudis, Antonio Ruiz-Cortés, Schahram Dustdar

发布于 2026-04-15

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Alejandro García-Fernández, Boris Sedlak, José Antonio Parejo, Pantelis Frangoudis, Antonio Ruiz-Cortés, Schahram Dustdar

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文讲的是一个关于**“如何在巨大的计算网络中，聪明地挑选最划算的服务器”**的问题。

为了让你更容易理解，我们可以把整个“计算连续体”（Computing Continuum）想象成一个巨大的、分布在全球的“超级外卖配送网络”。

1. 核心问题：点外卖的难题

想象一下，你是一家连锁餐厅的老板（应用开发者），你需要给成千上万的顾客（用户）送餐。

你的仓库（基础设施）： 你的餐厅分布在不同的地方：有的在城市中心（边缘节点，速度快但容量小），有的在郊区（雾节点），还有的在遥远的物流枢纽（云端，容量大但距离远）。
你的挑战： 每个仓库的老板（服务提供商）不一样，他们有的愿意和你合作，有的只跟特定的邻居合作，有的甚至互相排斥。而且，每个仓库的租金、库存（CPU、内存、存储）都不一样。
目标： 你需要决定从哪些仓库调货、调多少，才能既保证顾客能最快吃到饭（满足性能要求），又不会让配送成本爆炸（满足预算要求）。

以前，解决这个问题的方法就像是在用 Excel 表格手动计算，每遇到一个新的仓库老板或新的规则，你就得重新写一套复杂的公式。这导致大家的方法互不通用，很难比较谁更厉害。

2. 这篇论文的“灵光一闪”：把“服务器”变成“菜单”

作者发现，其实我们每天都在解决类似的问题，那就是订阅软件服务（比如 Zoom 或 Netflix）。

传统做法： 软件公司会提供不同的“套餐”（Plan）和“加购项”（Add-ons）。比如，基础套餐包含 100 人会议，你可以加购“录制功能”或“更大屏幕”。这些选项组合起来，就构成了所有可能的订阅方案。
作者的创意： 他们想，为什么不能把“服务器资源”也当成“软件套餐”来卖呢？

于是，他们提出了一种新方法：用“定价策略”（Pricing）来描述“服务器资源”。

比喻： 想象一下，每个服务器节点不再是一个冷冰冰的机器，而是一份**“菜单”**。
- 基础套餐（Plan）： 代表这个节点的基本身份（比如它是“边缘节点”还是“云端节点”）。
- 加购项（Add-ons）： 代表它提供的具体资源（比如“加 10GB 内存”、“加 2 核 CPU"）。
- 价格规则： 不是固定价格，而是根据你用了多少资源来算钱（比如：内存 x 单价 + 存储 x 单价）。

通过这种方式，原本复杂的“选服务器”问题，就变成了一个**“怎么点菜最划算”**的问题。

3. 他们是怎么做的？（三步走流程）

作者设计了一个自动化的流程，就像是一个**“超级点菜机器人”**：

翻译菜单（映射）：
先把现实中复杂的服务器网络（谁和谁能合作、谁在哪里、有什么资源）翻译成一份标准的“定价菜单”。这就把千差万别的服务器变成了统一的格式。
下订单（编码需求）：
把你的需求（比如：需要 100GB 内存，必须在墨尔本附近，预算不超过 500 美元）告诉机器人。机器人会根据这些要求，在“菜单”上划掉那些不合适的选项，并算出每个选项的具体价格。
智能点菜（优化求解）：
机器人利用一个强大的数学引擎（叫 PRIME），在所有可能的“点菜组合”中，瞬间找出唯一那个既满足所有要求（能跑动程序、距离够近），又最省钱的组合。

4. 他们验证了什么？

为了证明这个方法真的好用，他们搞了一个大实验：

数据量： 他们生成了9,600 个不同的模拟场景（就像 9,600 次不同的“点菜”挑战）。
场景： 涵盖了从监控摄像头（CCTV）、虚拟现实（VR）到机器人控制等各种应用，规模从小到大。
结果：
- 全能： 这个方法能处理所有复杂的场景，包括那些互相排斥的服务器供应商。
- 省钱： 它总能找到最便宜的方案。
- 快速： 即使面对几百个候选服务器，它也能在几秒钟内算出答案，完全够得上实时决策的要求。

5. 总结：这有什么意义？

这篇论文的核心思想是**“换个角度看世界”**。

以前，工程师们把“基础设施”（硬件）和“商业服务”（软件订阅）看作两码事，用两套完全不同的语言去描述。
这篇论文告诉我们：其实它们是一回事！ 都是关于“在有限的选项里，通过组合不同的功能，找到最优解”的问题。

简单说：
作者发明了一种通用的“点菜语言”，把复杂的服务器资源变成了简单的菜单。这让计算机能像点外卖一样，自动、快速、便宜地帮我们安排全球的计算资源。这不仅让找服务器变得简单，也为未来更智能的云计算管理打下了基础。

论文技术总结：计算连续体中的定价驱动资源分配

1. 研究背景与问题定义

背景：
随着计算连续体（Computing Continuum，涵盖边缘、雾和云节点）的发展，应用程序的部署变得日益复杂。服务提供商需要在地理分布广泛且异构的基础设施中选择节点，同时满足性能、成本、位置和互操作性等约束。随着基础设施规模和异构性的增长，决策空间呈现出固有的组合爆炸特性。

现有挑战：

建模碎片化： 现有方法通常将资源分配问题表述为受约束的优化任务，但使用特定领域的、临时的（ad-hoc）表示法来描述基础设施拓扑和需求。这导致解决方案之间难以泛化和比较。
多供应商复杂性： 在多供应商生态系统中，不同供应商之间的互操作性限制（如某些节点不能与特定供应商共存）增加了建模难度，而现有方法很少捕捉这些关系。
配置空间表示： 传统方法通常假设配置空间已给定，未将其作为一等公民（first-class artifact）进行显式建模。

核心问题：
如何构建一种通用的表示方法，能够统一描述计算连续体中异构、多供应商的基础设施配置空间，并在此基础上高效地求解满足功能和非功能约束的成本最优部署方案？

2. 方法论：基于定价（Pricing）的驱动框架

本文提出了一种创新视角，将**定价（Pricing）**结构（通常用于 SaaS 生态系统中的订阅计划）作为描述基础设施配置空间的通用抽象。

2.1 核心概念映射

作者将资源分配问题映射到定价领域，利用 iPricing（机器可读的定价结构）和 PRIME（定价分析引擎）来解决问题。

基础设施拓扑 (Offer, $O$ ) $\rightarrow$ $\to$ 定价结构：
- 节点 (Node) $\rightarrow$ 附加组件 (Add-on)
- 节点类型 $\rightarrow$ 功能 (Features)
- 互操作性约束/互斥 $\rightarrow$ 附加组件互斥 (Add-on Exclusions)
- 资源容量 $\rightarrow$ 使用限制 (Usage limits)
需求 (Demand, $D$ ) $\rightarrow$ 使用限制的具体化：将所需的资源总量转化为对附加组件使用上限的约束。
请求 (Request, $R$ ) $\rightarrow$ 过滤条件：包括最大节点数、最大预算、允许的服务商、最大距离等约束。

2.2 工作流程

论文提出了一个三阶段的定价驱动资源分配工作流：

拓扑映射 (Topology Mapping)：
- 将基础设施拓扑 $O$ 投影到定价域，生成一个 iPricing。
- 由于节点提供的容量通常大于实际需求，节点的价格不是固定的，而是符号化价格表达式（例如：请求的 RAM * 单价 + 请求的存储 * 单价）。
需求与请求编码 (Demand and Request Encoding)：
- 利用具体的需求向量 $D$ 和区域 $Z$ 对 iPricing 进行实例化。
- 计算节点到目标区域的距离，将其作为使用限制。
- 根据需求 $D$ 确定每个附加组件的有效使用上限，从而将符号化价格表达式实例化为具体的月度价格。
- 结合请求 $R$ （如预算上限、节点数量上限）生成过滤器，约束搜索空间。
优化与反向投影 (Optimization and Back-Projection)：
- 将实例化后的 iPricing 和约束输入 PRIME 引擎。
- PRIME 将问题转化为约束满足优化问题 (CSP)，使用求解器（如 Gecode 或 Choco）搜索全局最优解（成本最低且满足所有约束的配置）。
- 将求解结果反向映射回基础设施域，得到最终的节点部署集合 $C^*$ 。

3. 关键贡献

基于定价的资源分配公式化： 首次提出将计算连续体中的资源分配问题形式化为定价问题，使得基础设施配置空间可以通过 iPricing 结构进行紧凑且通用的表示。
自动化优化工作流： 设计并实现了一个利用 PRIME 引擎的工作流，能够自动探索配置空间，计算满足功能（如资源容量）和非功能（如成本、延迟、互操作性）约束的成本最优部署。
合成数据生成过程： 定义了生成现实基础设施拓扑（基于 EUA 数据集）和工作负载需求（基于统计模型）的流程，支持可复现的实验场景构建。
大规模基准数据集： 构建并公开了一个包含 9,600 个预计算资源分配场景 的数据集，涵盖不同的拓扑规模、需求水平和优化目标，为后续研究提供了基准。

4. 实验评估与结果

4.1 实验设置

数据集： 基于澳大利亚墨尔本地区的 Edge User Allocation (EUA) 数据集，包含约 9.5 万个边缘节点。
场景设计： 设计了 4 种应用场景（CCTV 监控、VR 旅游、机器人协调、LiDAR 农业监测），结合 3 种部署规模（小、中、大）和 4 种需求强度，共生成 9,600 个测试用例。
约束： 包含多供应商互操作性限制（如 Vodafone 可与 Telstra/Optus 互操作，但 Telstra 与 Optus 互斥）、预算限制、距离限制等。

4.2 研究问题 (RQ) 解答

RQ1 (建模表达能力)： 通过。 所有 9,600 个实例均成功表示为 iPricing，无需临时调整。证明了该公式化方法能有效处理多供应商、异构基础设施及复杂的互操作性约束。
RQ2 (优化能力)： 通过。 系统在所有测试用例中均能计算出可行且成本最优的部署方案；对于不可行场景，求解器能正确报告无解，而非返回次优解。
RQ3 (可扩展性)： 通过。
- 需求规模影响： 随着客户端数量（需求）增加，求解时间保持稳定（因为需求仅收紧约束，不增加决策变量）。
- 拓扑规模影响： 随着候选节点数量增加，求解时间呈增长趋势，但在 200 个候选节点的规模下，求解时间仍控制在 3 秒以内。
- 结论： 该方法在实际规划和支持决策的场景中具有高度的实用性。

5. 意义与未来展望

学术意义：

统一抽象： 打破了资源分配（基础设施层）与服务组合（服务层）之间的传统界限，提出“定价”是描述计算连续体中可变性的通用模型。
工具复用： 证明了将商业领域的定价分析工具（PRIME）迁移到基础设施优化领域的可行性，避免了重复造轮子。
标准化： 为异构、多供应商的计算连续体资源分配提供了一种标准化的建模语言，促进了不同解决方案之间的比较和泛化。

未来工作：

集成运行时监控和动态重优化机制，实现自适应资源管理。
使用真实的基础设施规格和生产工作负载进行验证，以提高外部效度。
探索定价抽象在其他分布式系统领域（如联邦学习编排、能耗感知调度）的应用。
研究混合求解策略或分解技术，以进一步提升针对数千个候选节点超大规模场景的可扩展性。

总结：
该论文通过引入“定价”这一概念，成功地将复杂的计算连续体资源分配问题转化为可系统求解的约束优化问题。其提出的工作流不仅具备强大的表达能力和计算效率，还通过大规模数据集和开源工具为社区提供了重要的研究基准，为下一代异构计算环境的资源管理提供了新的理论视角和实用工具。