Two-Tier Marketplace with Multi-Resource Bidding and Strategic Pricing for Multi-QoS Services
Notice bibliographique
Résumé
Fog computing introduces a new dimension to the network edge by pooling diverse resources (e.g., processing power, memory, and bandwidth). However, allocating resources from heterogeneous fog nodes often faces limited capacity. To overcome these limitations, integrating fog nodes with cloud resources is crucial, ensuring that Service Providers (SPs) have adequate resources to deliver their services efficiently. In this paper, we propose a game-theoretic model to describe the competition among non-cooperative SPs as they bid for resources from both fog and cloud environments, managed by an Infrastructure Provider (InP), to offer paid services to their end-users. In our game model, each SP bids for the resources it requires, determining its willingness to pay based on its specific service demands and quality requirements. Resource allocation prioritizes the fog environment, which offers local access with lower latency but limited capacity. When fog resources are insufficient, the remaining demand is fulfilled by cloud resources, which provide virtually unlimited capacity. However, this approach has a weakness in that some SPs may struggle to fully utilize the resources allocated in the Nash equilibrium-balanced cloud solution. Specifically, under a nondiscriminatory pricing scheme, the Nash equilibrium may enable certain SPs to acquire more resources, granting them a significant advantage in utilizing fog resources. This leads to unfairness among SPs competing for fog resources. To address this issue, we propose a price differentiation mechanism among SPs to ensure a fair allocation of resources at the Nash equilibrium in the fog environment. We establish the existence and uniqueness of the Nash equilibrium and analyze its key properties. The effectiveness of the proposed model is validated through simulations using Amazon EC2 instances, where we investigate the impact of various parameters on market equilibrium. The results show that SPs may experience profit reductions as they invest to attract end-users and enhance their quality of service QoS. Furthermore, unequal access to resources can lead to an imbalance in competition, negatively affecting the fairness of resource distribution. The results demonstrate that the proposed model is coherent and that it offers valuable information on the allocation of resources, pricing strategies, and QoS management in cloud- and fog-based environments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,005 | 0,007 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».