随着计算机硬件设备的不断升级和云计算相关技术的成熟,近些年云计算得到了蓬勃的发展并处于长久的增长趋势。云服务的便捷与性能的高效,使很多研究机构和企业投向了云服务相关领域。云计算服务商除了要提供计算资源,如何定义服务收费也是一个非常关键的问题。合理的定价方式可以在很大程度上影响用户的选择。亚马逊的EC2和Google的GCE都定义了详细的收费方式。为了适应用户多样的需求,提高系统资源的利用率以及最大化平台的收益,云提供商也在不断的丰富云平台的计费方式,如亚马逊云就出售EC2空闲的计算资源,推出了动态定价的Spot实例。动态定价实例是价格实时变化的一种实例类型,如亚马逊的竞价实例。竞价实例的价格往往比按需实例和预留实例低很多。通常情况下,任务使用竞价实例作为任务的需求用户都会获得很低的折扣。动态定价实例与按需实例的另一个区别是按需实例的定价是稳定、不变的。用户在任何的时间申请相同类型的按需实例所支付的费用也是相同的。在使用动态定价实例获得了价格上优惠的同时,动态定价实例变化的价格也增加用户使用云计算服务的难度。对于这种类型的实例用户需要根据经验对预租用的实例进行出价,一个合理或者最优化的出价价格需要用户需要对未来一段时间内的实例价格进行预估。然而,对于很多云用户来说如何预估未来一段时间的价格,以及如何在多样的实例种选择合适的实例或者实例组并对每一种实例进行合理的出价以最优化自身的花费,这仍然是一个困难的问题,对于如何使用动态定价的云实例才能取得最大的价格折扣仍然感到迷惑。本文研究的问题为根据动态价格实例的历史数据,对动态定价实例未来一段时间内的价格进行预测。并对基于IaaS的动态定价实例的竞价策略进行优化。本文的工作主要如下:1.分析动态定价实例价格的波动分布,通过使用自定义参数k-AMSE对动态定价实例价格波动进行量化,k-AMSE比MSE(均方误差)更好的反映出近期的数据波动情况。然后,提出了一种基于循环神经网络GRU的价格预测模型对动态定价实例价格进行预测。本文对基于GRU的价格预测算法进行评估,使用均方根误差(Root Mean Squared Error)和平均绝对误差(Mean Absolute Error)测量算法的准确性。实验结果显示基于GRU神经网络预测模型预测结果的RMSE和MAE分别为1.58e-3和2.50e-6,本文的模型预测精度高于对比实验中其他的预测模型。2.基于IaaS动态定价实例组合和竞价的策略优化问题。首先,讲解动态定价云实例的特征和动态定价的竞价模型。本文考虑基于最小花费的动态实例竞价问题,并把动态定价实例定价和多实例组合的问题建模为有约束条件的最优化问题。接下来介绍了常用的最大值竞价方法和差分进化算法处理优化问题的原理和详细步骤。然后,本文对基本的差分算法进行改善,提出了一种基于参数选择的自适应的差分进化算法,并使用该算法对基于最优花费的价格竞价和实例的组合使用问题进行策略优化。最后使用真实的亚马逊平台发布的动态定价实例价格数据对优化策略进行验证,分别使用最大化竞价算法、差分进化算法和本文的自适应的差分进化算法对竞价策略进行优化,并对比实验结果。实验结果显示,自适应差分进化算法对短期的任务需求和长期的任务需求都有较好的优化效果。自适应的差分进化算法比最大竞价策略对花费的优化平均为12.48%,比基本的差分进化算法花费优化比率平均为3.53%。