本研究描述現今發展快速的雲端服務產業提供服務的情境，但因為產業快速 興起，服務市場的價格相當不明確，於各大企業中雲端服務資源的分配尚無有效 率的分配準則，服務品質時常受到尖峰時刻的資源缺乏影響，考慮該服務產業為 一個提供合約給客戶做選擇，並且給予簽約客戶該合約的服務品質保證，服務提 供者將提供雲端資源給客戶所使用。探討單一雲端服務提供者的決策，服務提供 者必須決定提供的服務合約與其合約價格，並考量在有限雲端資源下如何適當的 分配雲端資源，以維持服務品質保證。
第三章中，建立一個雲端服務資源定價模式，在雲端服務提供者提供一至兩 種合約的情境下，描述合約其價格與服務品質保證，模式中利用相關參數，建立 客戶購買合約的期望機率，並且考慮若未滿足協議將給予客戶合約價格的比例做 為補償，並依據滿足客戶程度上的不同與合約的差異給予不同的補償。此外客戶 將受到合約價格、品質與服務品質保證的信心影響，來決定簽訂合種合約，即可 計算出簽訂合約的市占率。另外依據客戶的補償的不同設計一個資源分配的準則，
即可針對不同資源數量下，找出不同的市場條件及其利潤函式。延伸單一合約市 場以便於服務提供者於決定合約數量上的比較與探討。
本研究第四章中，利用雲端服務資源定價模式，根據利潤函式找出最佳定價 策略與最大化的利潤解析解，並利用該解析解找出數個論點予以探討。本研究發 現在資源充足的情況下，服務提供者提供兩種合約策略中，合約的價格容易受到 客戶期望獲得補償與品質的影響，期望補償越大，客戶對於合約越具信心，而越 容易提升合約的價格，合約的品質則顯著的影響合約的價格，主要因為合約品質 為客戶決定簽約的主要影響因素之一，高合約品質越高，高合約的價格也就越顯
63
著的上升，此外提供雙重合約對服務提供者的效益有顯著大於提供單一高合約與 低合約的趨勢。為了比較找出更具有意義的管理意涵，本研究同時也採取數值分 析的方式針對模式中各參數對服務提供者的影響，發現與模式論點相符合，服務 提供者若提升客戶期望補償比例與合約品質將有效改善利潤、提升合約補償比例 將對服務提供者利潤具有威脅。另一方面，本研究也探討服務提供者在合約上的 決策，同樣利用數值分析方式分析各參數對服務提供者合約決策的影響，發現有 效的以雙重合約區隔市場必須以合約品質與期望補償比例的控制為主要因素，因 為客戶會因為合約的差異對不同合約具有不同的價值，才能進一步區隔消費市場 賺取多種客群的利潤。此外也探討在資源十分充足與稀少時，服務提供者將以單 一高合約與單一低合約做為決策。
本研究於第五章延伸考慮資訊對稱的情境，客戶可以透過知道服務提供者所 提供的價格得知市場中簽約的人數與資源的數量，客戶能進一步的選擇對客戶本 身最有優勢的合約，服務提供者則難以利用多種品質的合約來區隔消費客群，無 法建立雙重合約於市場中，同時發現許多參數分析中都對利潤無顯著影響，其中 當資源數量提升時，客戶將因為資源數量上升對於合約補償的機會降低而失去購 買意願，故無法顯著提升利潤。最後針對期望補償比例未知與已知兩情境進行比 較，探討各參數對於利潤變化的差異與合約策略的改變，發現針對兩情境僅有合 約品質的提升能有效改善服務提供者的利潤，並能提升整體合約的價格。
本研究針對雲端服務提供者的服務情境，建立了一個資源定價模式，針對該 模式進行分析與探討，發現各參數對利潤與市場的顯著影響，當資源充足時提供 單一高合約獲取較高利潤，若同時具有區隔市場的能力時，可提供品質差異化的 雙重合約來獲取更多利潤，當資源稀少時則改提供單一低合約來避免過多的補償，
此外提升客戶對合約的期望補償比例與合約品質能顯著的改善利潤，因為客戶對
64
於合約信心有效的提升，利用補償比例可以有效控制雙重合約的平衡並且能有效 吸引客戶對於合約的信心。總而言之，服務提供者可以利用此模式先行評估市場 中的情況，再進一步的提供合約與其價格給予消費者選擇，並探討自身參數對利 潤的影響，避免於提供合約與定價上出現錯誤的決策。
本研究對於客戶的願付價格假設為一個均等分配，對於目前的雲端服務產業 仍屬於發展階段，許多對於雲端服務具有需求的客戶，並未是一般社會大眾，甚 至具有許多企業用戶與大型團體，然而假設為一個均等分配並無法完全解釋對該 消費族群的型態，未來研究可以考慮加入多組分配作探討與研究。此外在實務中 客戶簽訂合約主要目的為滿足需求，在本研究僅僅考慮服務提供者所給予的服務 品質保證，也就是保證滿足需求的情境，若無法滿足則給予補償，然而數值分析 中曾出現某些情境，客戶對於服務品質保證的價值大過與滿足與整體需求的價值，
因此導致用以彌補未達合約品質的補償金機制使得客戶為了取得補償金而傾向 資源缺乏中簽訂合約的情況，也是本研究可再深入研究的議題。
在部分的參數分析中發現，在雙重合約的情境中，當資源上升時並非會試圖 滿足所有客戶，多次出現將資源保留以滿足更多高合約客戶，而不願意服務更多 低合約客戶，主要因為本模式考量為利潤最大化的情境，對於客戶服務率並不再 考慮範圍內，但實務中大多數相關企業都以提升整體服務率為主要的目標，以避 免商譽的損失。此外目前雲端服務的產業中，對於服務品質保證的設定大多以連 線時間或是斷線次數作為服務水準的績效，目前較稀少針對雲端資源滿足的服務 層級協議，主要因為現階段雲端資源的開發與技術尚未能如此有效率的分配有限 資源，時常面臨資源上的缺乏，因此較少企業敢給與關於資源需求保證的服務層 級協議，本研究相信未來將會以此類型的服務保證為主流。
65
參考文獻
1. Aloi, G., Musmanno, R., Pace, P., and Pisacane, O. (2012). A wise cost-effective supplying bandwidth policy for multilayer wireless cognitive networks.
Computers and Operations Research, 39, 2836-2847.
2. An, B., Lesser, V., Irwin, D., and Zink, M. (2010). Automated negotiation with decommitment for dynamic resource allocation in cloud computing. 9th International Conference on Autonomous Agents and Multiagent systems, 981-988.
3. Anandasivam, A., and Premm, M. (2009). Bid price control and dynamic pricing in clouds. 17th European Conference on Information Systems, 328-341.
4. Ardagna, D., Trubian, M. and Zhang, L. (2007). SLA based resource allocation policies in autonomic environments. Journal of Parallel Distributed Computing, 67, 259-270.
5. Beloglazov, A., Abawajy, J. and Buyya, R. (2012). Energy-aware resource allocation heuristic for efficient management of data centers for cloud computing.
Future Generation Computer System, 28, 755-768.
6. Bhargava, H. K. and Sun, D. (2008). Pricing under quality of service uncertainty:
Market segmentation via statistical QoS guarantees. European Journal of Operational Research, 191, 1189-1204.
7. Candogan, O., Bimpikis, K., and Ozdaglar, A. (2012). Optimal pricing in networks with externalities. Operations Research, 60(4), 883-905.
8. Durkee, D. (2010). Why cloud computing will never be free. Queue - Emulators Magazine, 8(4), 20.
9. Fishburn, C. P., and Odlyzko, M. A. (2000). Dynamic behavior of differential
66
pricing and quality service options for the internet. Decision Support Systems, 28, 123-136.
10. Fulp, W. E., and Reeves, S. D. (2004). Bandwidth provisioning and pricing for networks with multiple classes of service. Computer Networks, 46, 41-52.
11. Ganesh, A., Laevens, L., and Steinberg R. (2007). Congestion pricing and noncooperative games in communication networks. Operations Research, 55(3), 430-438.
12. Guan, Y., Yang, W., Owen, H., and Blough, M. D. (2008). A pricing approach for bandwidth allocation in differentiated service networks. Computers and Operations Research, 35, 3769-3786.
13. Hosanagar, K., Krishnan, R., Chuang, J., and Choudhary, V. (2005). Pricing and resource allocation in caching service with multiple levels of quality of service.
Management Science, 51(12), 1844-1859.
14. Jain, S., and Kannan, K. P. (2002). Pricing of information products on online servers: issues, models and analysis. Management Science, 48(9), 1123-1142.
15. Jukie, B., Simon, R., and Chang, S. W. (2004). Congestion based resource sharing in multi-service networks. Decision Support Systems, 37, 397-413.
16. Kasap, N., Aytug, H. and Erenguc, S. S. (2007). Provider selection and task allocation issues in networks with different QoS levels and all you can send pricing. Decision Support Systems, 43, 375-389.
17. Li, H., Liu, J., and Tang, G. (2011). A pricing algorithm for cloud computing resource. International Conference on Network Computing and Information Security, 1, 69-73.
18. Liu, T., Methapatara, C., and Wynter, L. (2010). Revenue management model for on-demand IT service. European Journal of Operational Research, 207, 401-408.
67
19. Lin, W.Y., Lin, G.Y., and H.Y. Wei, (2010). Dynamic auction mechanism for cloud resource allocation. 10th IEEE/ACM International Conference on Cluster, Cloud and Grid computing, 591-592.
20. Marston, S., Li, Z., Bandyopadhyay, S., Zhang J. and Ghalsasi A. (2011). Cloud computing — The business perspective. Decision Support Systems, 51, 176-189.
21. Masuda, Y., and Whang S. (1999). Dynamic pricing for network service:
equilibrium and stability. Institute for Operations Research and the Management Sciences, 45(6), 857-869.
22. Mell, P. and Grance, T. (2009). Cloud computing definition. National institute of standards and technology.
23. Mihailescu, M. and Teo, M. Y. (2010). Dynamic resource pricing on federated clouds. 10th IEEE/ACE International Conference on Cluster, Cloud and Grid Computing. 513-517.
24. Oliveira, C., Kim, J.B. and Sudat, T. (1996). Quality-of-service guarantee in high-speed multimedia wireless networks. Communications Conference Record, Converging Technologies for Tomorrow's Applications, 2, 728-734.
25. Ou, J., Parlar, M. and Sharafali M. (2006). A differentiated service scheme to optimize website revenues. Journal of the Operational Research Society, 57, 1323-1340.
26. Parameswaran, M., Stallaert, J. and Whinston, B. A. (2001). A market-based allocation mechanism for the DiffServ framework. Decision Support Systems, 31, 351-361.
27. Rouskas, A. N., Kikilis, A. A., and Ratsiatos S. S. (2008). A game theoretical formulation of integrated admission control and pricing in wireless networks.
European Journal of Operational Research, 191, 1175-1188.
28. Sundararajan, A. (2004). Nonlinear pricing of information goods. Management
68
Science, 50(12), 1660-1673.
29. Teng, F., and Magoules, F. (2010). Resource pricing and equilibrium allocation policy in cloud computing. Computer and Information Technology, 195-202.
30. Tomas, P., Teneketzis, D., and Mackie-Mason, K. J. (2002). A market-based approach to optimal resource allocation in integrated-services connection-oriented networks. Operations Research, 50(4), 603-616.
31. Wei, G., Vasilakos, V. A., Zheng, Y. and Xiong N. (2010). A game-theoretic method of fair resource allocation for cloud computing services. Journal of Supercomputing, 54, 252-269
32. Weinhardt, C., Anandasivam, A., Blau, B., Borissov, N. Meinl, T., Michalk, W.
and Stöber J. (2009). Cloud Computing－ A classification, business models, and research directions. Business and information systems engineering, 1(5), 391-399.
33. Wirzt, J. (1998). Development of a service guarantee model. Asia pacific journal of management, 15(5), 1-75.
34. Zhang, Q., Cheng, L. and Boutaba, R. (2010). Cloud computing: state-of-the-art and research challenges. Journal of Internet Services and Applications, 1(1), 7-18.
35. Zhang, Z., Dey, D., and Tan, Y. (2008). Pricing and QoS competition in data communication services. European Journal of Operational Research, 187, 871-886.
36. Analysys Mason
www.analysysmason.com
http://www.giichinese.com.cn/report/an234173-enterprise-cloud-services-world wide-forecast-2011.html
37. Best education sites
69
http://www.bestedsites.com/the-internet-a-decade-later/
38. IDC (International Data Corporation) www.idc.com
http://www.cionet.com/Data/files/groups/Cloud%20Computing%202010%20-%
20An%20IDC%20Update.pdf
39. 經濟部工業局 101 年度資通訊安全產業推動計畫
http://www.isecurity.org.tw/uploads/plan/%E9%9B%B2%E7%AB%AF%E6%9 C%8D%E5%8B%99%E6%87%89%E7%94%A8%E4%B9%8B%E6%9C%8D
%E5%8B%99%E6%B0%B4%E6%BA%96%E8%88%87%E4%BD%BF%E7%
94%A8%E5%8D%94%E5%AE%9A%E5%85%88%E6%9C%9F%E7%A0%94
%E7%A9%B6%E5%A0%B1%E5%91%8A.pdf
70
附錄一
本附錄針對4.1 所提出的四點論點進行證明，提供部分代入與微分的步驟。
此命題皆適用於在資源數量T 充足的情況下所得到的 ∗, ∗, , 。
雙重合約的最佳定價 ∗, ∗
∗ = (( ) ) (17)
∗= ( ( ) ) (18)
經過 = 1 − 、 = 1 − 、A = β = − 代回後可整理如下：
∗ = ( ) ( ( )()( ))( ) (19)
∗= ( () ( )( )( )() ) (20)
此外單一高低合約在資源充足的情況下，最佳定價 , 如下：
= ( ) (21)
= ( ) (22)
論點一 (a)
對(19) 微分並整理結果為
∗ = ( )( )( )
( )
(23) 經過整理後發現當(2 − 2 + − 2 + ) > 0成立時 ∗隨著
上升而增加將其整理成 (2 − 2 ) − (2 − − ) > 0
( )
( ) < (24)
因此當(24)成立時，高合約的價格 ∗隨著 上升而上升。
71
對(19) 微分並整理結果為
∗ = ( ( ))( ( )( )( )) (25)
< (26)
若(25)成立時發現 ∗隨著 上升而下降。
(b)
對(20) 微分並整理結果為
∗ = ( ) ( ) ( )
( ) ( )( ) (27)
經過整理後發現當 4 ( − 1) − ( + − 2) > 0成立時 ∗隨著 上升而增加。
( )
( ) < (28)
因此當(28)成立時 ∗隨著 上升而增加。
因此當(28)成立時 ∗隨著 上升而增加。