Revenue Management For Enterprise Users of Cloud Infrastructure

云基础设施企业用户的收入管理

基本信息

批准号：
1634259
负责人：
Devavrat Shah
金额：
$ 36万
依托单位：
Massachusetts Institute of Technology
依托单位国家：
美国
项目类别：
Standard Grant
财政年份：
2016
资助国家：
美国
起止时间：
2016-09-01 至 2021-08-31
项目状态：
已结题

来源：
https://www.nsf.gov/awardsearch/showAward?AWD_ID=1634259&HistoricalAwards=false
关键词：
Revenue Management Enterprise Users Cloud

项目摘要

The use of virtualized, cloud infrastructure has transformed the nature and scope of modern enterprise computing. Large corporations today, in place of investing in dedicated computing infrastructure, effectively rent compute infrastructure by taking advantage of both free and pay-as-you-go cloud offerings. From an economic perspective this creates a win-win situation: it lets "buyers" pay for what they use and scale their infrastructure seamlessly at low cost without investing to buy or maintain resources while creating profitable businesses for "sellers" or providers. Cost-savings are derived from effectively pooling resource needs across a number of buyers of cloud infrastructure; these cost-savings are in principle shared by providers and consumers of cloud infrastructure. However, as it stands currently buyers end up buying resources from one provider only leading to inefficiency. The goal of this project is to address the operational challenges to enable an efficient market for the enterprise cloud infrastructure. The principle investigators are committed to the mentoring of individuals from underrepresented and minority groups.This project focuses on two parallel research thrusts: buyer-side -and seller-side problems. A key element of both these problems is the role played by uncertainty and the challenge in adopting either stochastic models (which tend to be highly unstable in this domain) or adversarial models (which tend to ignore the copious amount of historical data typically available). As such, project introduces a data-driven model that generalizes a broad class of models with a rich history in the statistics literature. This model treads the line between stochastic and adversarial modeling. In the context of this model, two important classes of problems are studied. On the buyer side, a natural version of what has become known as the k-secretary problem is studied. On the seller side, a Network Revenue Management model of demand is studied. In all of these, the guiding objective is to advance science required to develop out-of-the-box software that can be deployed by practitioners without the need for model fitting or calibration. The project will potentially lead to open-source system that allows buyers to achieve a dramatic reduction in costs taking advantage of spot markets.

虚拟化云基础设施的使用改变了现代企业计算的性质和范围。如今，大型企业不再投资专用计算基础设施，而是通过利用免费和即用即付的云产品来有效地租用计算基础设施。从经济角度来看，这创造了双赢的局面：它让“买家”为他们使用的东西付费，并以低成本无缝扩展其基础设施，而无需投资购买或维护资源，同时为“卖家”或提供商创造有利可图的业务。成本节约来自于有效地汇集众多云基础设施买家的资源需求；这些成本节省原则上由云基础设施的提供商和消费者共享。然而，就目前情况而言，买家最终从一个提供商那里购买资源只会导致效率低下。该项目的目标是解决运营挑战，为企业云基础设施打造高效的市场。主要研究人员致力于对代表性不足和少数群体的个人进行指导。该项目侧重于两个并行的研究主旨：买方和卖方问题。这两个问题的一个关键要素是不确定性所扮演的角色，以及采用随机模型（在该领域往往高度不稳定）或对抗性模型（往往忽略通常可用的大量历史数据）所面临的挑战。因此，该项目引入了一种数据驱动模型，该模型概括了统计文献中具有丰富历史的一类广泛的模型。该模型介于随机模型和对抗模型之间。在此模型的背景下，研究了两类重要的问题。在买方方面，研究了众所周知的 k 秘书问题的自然版本。在卖方方面，研究了需求的网络收益管理模型。所有这些的指导目标是推进开发开箱即用的软件所需的科学，这些软件可以由从业者部署，无需模型拟合或校准。该项目可能会带来开源系统，使买家能够利用现货市场大幅降低成本。

项目成果

期刊论文数量（10）

专著数量（0）

科研奖励数量（0）

会议论文数量（0）

专利数量（0）

mRSC: Multidimensional Robust Synthetic Control

mRSC：多维鲁棒综合控制

DOI：
10.1145/3309697.3331507
发表时间：
2019-07
期刊：
ACM SIGMETRICS
影响因子：
0
作者：
Amjad, Muhammad Jehangir;Misra, Vishal;Shah, Devavrat;Shen, Dennis
通讯作者：
Shen, Dennis

Reducing Crowdsourcing to Graphon Estimation, Statistically

从统计上减少众包到图谱估计

DOI：
发表时间：
2018-04
期刊：
Journal of machine learning research
影响因子：
6
作者：
Lee; Christina and
通讯作者：
Christina and

Censored Demand Estimation in Retail

零售业的审查需求估计

DOI：
发表时间：
2017-10
期刊：
ACM SIGMETRICS performance evaluation review
影响因子：
0
作者：
Amjad; Muhammad J
通讯作者：
Muhammad J

Model Agnostic Time Series Analysis via Matrix Estimation

通过矩阵估计进行与模型无关的时间序列分析

DOI：
发表时间：
2018-12
期刊：
ACM SIGMETRICS performance evaluation review
影响因子：
0
作者：
Agarwal, Anish;Amjad, Muhammad Jehangir;Shah, Devavrat;Shen, Dennis
通讯作者：
Shen, Dennis

A Computationally Efficient Method for Learning Exponential Family Distributions

学习指数族分布的计算有效方法

DOI：
10.1097/00001756-200404090-00017
发表时间：
2021-10-28
期刊：
ArXiv
影响因子：
0
作者：
Abhin Shah;Devavrat Shah;G. Wornell
通讯作者：
G. Wornell

DOI：
{{ item.doi }}
发表时间：
{{ item.publish_year }}
期刊：
{{ item.journal_name }}
影响因子：
{{ item.factor }}
作者：
{{ item.authors }}
通讯作者：
{{ item.author }}

数据更新时间：{{ journalArticles.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ monograph.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ sciAawards.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ conferencePapers.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ patent.updateTime }}

Devavrat Shah其他文献

On Principal Component Regression in a High-Dimensional Error-in-Variables Setting

高维变量误差设置中的主成分回归

DOI：
10.1007/bf02344891
发表时间：
2020-10-27
期刊：
ArXiv
影响因子：
0
作者：
Anish Agarwal;Devavrat Shah;Dennis Shen
通讯作者：
Dennis Shen

tspDB: Time Series Predict DB

tspDB：时间序列预测数据库

DOI：
发表时间：
2024-09-14
期刊：
影响因子：
0
作者：
Anish Agarwal;Abdullah Alomar;Devavrat Shah
通讯作者：
Devavrat Shah

Model Agnostic High-Dimensional Error-in-Variable Regression

模型无关的高维变量误差回归

DOI：
发表时间：
2019-02-28
期刊：
ArXiv
影响因子：
0
作者：
Anish Agarwal;Devavrat Shah;Dennis Shen;Dogyoon Song
通讯作者：
Dogyoon Song

Fluid models of congestion collapse in overloaded switched networks

过载交换网络拥塞崩溃的流体模型

DOI：
10.1007/s11134-011-9250-1
发表时间：
2011-10-01
期刊：
Queueing Systems
影响因子：
1.2
作者：
Devavrat Shah;D. Wischik
通讯作者：
D. Wischik

Spinal codes

脊髓密码

DOI：
10.1145/2342356.2342363
发表时间：
2012-08-13
期刊：
影响因子：
0
作者：
Jonathan Perry;Peter A. Iannucci;Kermin Fleming;H. Balakrishnan;Devavrat Shah
通讯作者：
Devavrat Shah