本发明涉及资源定价与计算机，尤其涉及一种面向算力网络的资源定价方法和装置。
背景技术：
1、算力网络技术作为5g/b5g时代信息通信技术(ict)融合的一项重要技术之一，将成为驱动各行各业变革的重要技术途径。推进算力网络面向市场化的研究也是构建国家算力网络体系的重要一环。成千上万的互联网企业致力于获取流量和满足算力需求，而提供商则拥有大量的边缘机房和云化网络后的边缘算力，既是算力的提供者又是流量的引导者。在算力网络的场景中，提供商支持提供算力和网络的综合服务。这就需要对算力有一个方便的度量机制，来针对特定的业务需求，按需进行算力资源的合理分配，实现泛在的算力资源的高效利用。在算力网络应用场景下，尤其是在算力网络市场化的过程中，目前缺少提供算力服务时的相关定价的量化标准和定价方法。
2、现有的算力网络的定价方案大多数的设计和研究是针对资源分配方案方面，而对于专门的定价方案方面的设计和研究较为简单，并且都专注于特定的应用场景，方案与场景的绑定比较紧密，这限制了定价方案在其他计算或网络环境中的适用性和扩展性。
技术实现思路
1、鉴于此，本发明实施例提供了一种面向算力网络的资源定价和装置，以消除或改善现有技术中存在的一个或更多个缺陷。
2、本发明的一个方面提供了一种面向算力网络的资源定价方法，所述方法包括：
3、在启发式算法进行定价的每次迭代中，更新预设单位算力资源售价，基于单位算力资源的平均售价对更新的预设单位算力资源售价进行动态修正，获得更新的修正单位算力资源售价，所述平均售价通过对在设定的单位算力资源售价上下限值的闭区间范围内产生的多个随机数取平均而得到，所述预设单位算力资源售价处于设定的单位算力资源售价上下限值的闭区间范围内；
4、基于所述更新的修正单位算力资源售价和所述平均售价获得对应的用户满意度来预测更新的用户算力资源购买量；
5、基于所述更新的修正单位算力资源售价和更新的用户算力资源购买量通过利润分段函数模型计算得到更新的算力资源利润；
6、将更新的算力资源利润分别和上一次迭代得到的算力资源利润、当前最优的算力资源利润进行比较来对当前最优的算力资源利润进行更新，通过多次迭代获得全局最优的算力资源利润和单位算力资源售价，所述全局最优的单位算力资源售价为所述全局最优的算力资源利润对应的修正单位算力资源售价。
7、在本发明的一些实施例中，基于单位算力资源的平均售价对更新的预设单位算力资源售价进行动态修正，获得更新的修正单位算力资源售价，包括：
8、当更新的预设单位算力资源售价低于所述平均售价时，将更新的预设单位算力资源售价作为更新的修正单位算力资源售价；
9、当更新的预设单位算力资源售价高于或等于所述平均售价时，将所述平均售价与更新的预设单位算力资源售价超出所述平均售价的部分的一半之和作为更新的修正单位算力资源售价。
10、在本发明的一些实施例中，基于所述更新的修正单位算力资源售价和所述平均售价通过如下公式来获得对应的用户满意度：
11、
12、其中，u0表示初始用户满意度，介于0到1之间，v表示更新的修正单位算力资源售价，p表示单位算力资源的平均售价，vmin表示设定的单位算力资源售价的下限值，vmax表示设定的单位算力资源售价的上限值。
13、在本发明的一些实施例中，所述更新的用户算力资源购买量为初始用户算力资源购买量和所述用户满意度与初始用户满意度的商之积，所述初始用户算力资源购买量为在无用户满意度影响或者更新的修正单位算力资源售价等于所述平均售价的情况下的预设用户算力资源购买量。
14、在本发明的一些实施例中，所述利润分段函数模型基于成本分段函数模型和利润函数模型得到；其中，所述成本分段函数模型通过如下公式来表示：
15、
16、所述利润函数模型的公式表示为：w＝(v-c)·n；
17、其中，n表示更新的用户算力资源购买量，v表示更新的修正单位算力资源售价，w表示更新的算力资源利润，a0、a1、a2、b0、b1和c0均为参数。
18、在本发明的一些实施例中，所述启发式算法包括模拟退火算法。
19、在本发明的一些实施例中，所述启发式算法为模拟退火算法时，将更新的算力资源利润分别和上一次迭代得到的算力资源利润、当前最优的算力资源利润进行比较来对当前最优的算力资源利润进行更新，包括：
20、将更新的算力资源利润和上一次迭代得到的算力资源利润进行比较，若更新的算力资源利润大于上一次迭代得到的算力资源利润，则接受所述更新的算力资源利润；
21、若更新的算力资源利润小于上一次迭代得到的算力资源利润，则按照麦尔特罗夫准则确定是否接受所述更新的算力资源利润；
22、在接受所述更新的算力资源利润的情况下，将更新的算力资源利润和当前最优的算力资源利润进行比较，若更新的算力资源利润大于当前最优的算力资源利润，则由所述更新的算力资源利润和对应的更新的修正单位算力资源售价分别对当前最优的算力资源利润和单位算力资源售价进行更新。
23、在本发明的一些实施例中，第一次迭代中，将第一次计算得到的算力资源利润和对应的修正单位算力资源售价分别作为最优的算力资源利润和单位算力资源售价。
24、本发明的另一方面提供了一种面向算力网络的资源定价装置，该装置包括：处理器、存储器及存储在存储器上的计算机指令，所述处理器用于执行所述计算机指令，当所述计算机指令被执行时该装置实现前述方法的步骤。
25、本发明的另一方面提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现前述方法的步骤。
26、本发明的另一方面提供了一种计算机程序产品，包括计算机指令，该计算机指令被处理器执行时实现前述方法的步骤。
27、本发明的面向算力网络的资源定价方法和装置，采用启发式算法对算力网络中算力资源定价问题进行迭代求解，设计了一种可以适应于用户各种需求及其变化的动态定价策略，同时考虑且量化了影响用户算力资源购买量或者购买意愿的用户满意度，并且将该动态定价策略和用户满意度纳入定价模型中，通过不断地迭代更新来快速寻找出定价模型中实现利润最大化的全局最优的算力资源售价，从而实现有效的定价。该方法具有一定的通用性和适用性，并可应用于实际云服务的各种场景中。
28、本发明的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在说明书以及附图中具体指出的结构实现到并获得。
29、本领域技术人员将会理解的是，能够用本发明实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。
1.一种面向算力网络的资源定价方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，基于单位算力资源的平均售价对更新的预设单位算力资源售价进行动态修正，获得更新的修正单位算力资源售价，包括：
3.根据权利要求1所述的方法，其特征在于，基于所述更新的修正单位算力资源售价和所述平均售价通过如下公式来获得对应的用户满意度：
4.根据权利要求3所述的方法，其特征在于，所述更新的用户算力资源购买量为初始用户算力资源购买量和所述用户满意度与初始用户满意度的商之积，所述初始用户算力资源购买量为在无用户满意度影响或者更新的修正单位算力资源售价等于所述平均售价的情况下的预设用户算力资源购买量。
5.根据权利要求1所述的方法，其特征在于，所述利润分段函数模型基于成本分段函数模型和利润函数模型得到；其中，所述成本分段函数模型通过如下公式来表示：
6.根据权利要求1所述的方法，其特征在于，所述启发式算法包括模拟退火算法；所述启发式算法为模拟退火算法时，将更新的算力资源利润分别和上一次迭代得到的算力资源利润、当前最优的算力资源利润进行比较来对当前最优的算力资源利润进行更新，包括：
7.根据权利要求1或6所述的方法，其特征在于，将第一次迭代中计算得到的算力资源利润和对应的修正单位算力资源售价分别作为最优的算力资源利润和单位算力资源售价。
8.一种面向算力网络的资源定价装置，包括处理器、存储器及存储在存储器上的计算机指令，其特征在于，所述处理器用于执行所述计算机指令，当所述计算机指令被执行时该装置实现如权利要求1至7中任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。
10.一种计算机程序产品，包括计算机指令，其特征在于，该计算机指令被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。
