认知型云数据中心的任务准入控制与边界分析

本文研究了一种具有认知能力的新型云数据中心（DC）模型，相较于批处理任务，该模型支持实时（或在线）流处理。在此模型中，DC能够确定使用资源的成本，而在线用户或批处理任务用户可决定是否付费以获取服务。在线服务任务在获取服务时比批处理任务具有更高优先级。两类任务均需要一定数量的虚拟机（VM）。以总折扣奖励最大化为目标，最终验证得到任务准入的最优策略为一种与状态相关的控制限策略。进而，分别推导出该最优策略的下界与上界，以便于实际中的估计与利用。最后，通过一组涵盖多种情形的综合实验对所提模型及求解方案进行了验证。作为示例，采用机器学习方法，利用前馈神经网络模型展示了如何获取最优值。本文所得结果有望以经济最优策略应用于各类具有认知特征的云数据中心。