KR102184927B1

KR102184927B1 - System and method for resale reserved instance

Info

Publication number: KR102184927B1
Application number: KR1020190093038A
Authority: KR
Inventors: 김성수; 박대식; 홍경태; 한현우
Original assignee: 베스핀글로벌 주식회사
Priority date: 2019-07-31
Filing date: 2019-07-31
Publication date: 2020-12-01
Anticipated expiration: 2039-07-31

Abstract

The present invention relates to a reserved instance resale system, a reserved instance resale method, and a recording medium. According to the present invention, it is possible to create a profit by purchasing a reserved instance from a reserved instance providing system such as a cloud service system and reselling the reserved instance to a client. The reserved instance resale system is to purchase a reserved instance from a reserved instance providing system and resell the reserved instance to a client. The system includes: an instance usage prediction unit predicting the instance usage of the client using a machine learning model pre-learned with respect to the instance usage; a reserved instance purchase quantity determination unit determining a reserved instance purchase quantity in accordance with the instance usage; a reserved instance purchase unit purchasing the reserved instance in accordance with the reserved instance purchase quantity; and an instance resale unit reselling the purchased reserved instance to the client.

Description

Reserved Instance Resale System and Method {SYSTEM AND METHOD FOR RESALE RESERVED INSTANCE}

본 발명은 예약 인스턴스 재판매 시스템 및 예약 인스턴스 재판매 방법에 관한 것으로, 보다 상세하게는 클라우드 서비스 시스템(Cloud Service System)과 같은 예약 인스턴스(Reserved Instance) 제공 시스템으로부터 예약 인스턴스(Reserved Instance)를 구매하여 고객(Client)에 재판매하는 예약 인스턴스 재판매 시스템 및 예약 인스턴스 재판매 방법에 관한 것이다.The present invention relates to a reserved instance resale system and a reserved instance resale method, and more particularly, to a customer by purchasing a reserved instance from a reserved instance providing system such as a cloud service system ( Client) resale reserved instance resale system and reserved instance resale method.

클라우드(Cloud) 시스템은 단말을 통해 가상 서버에 접속하여 원하는 서비스를 자유롭게 구현하도록 하는 환경을 제공한다. 클라우드 시스템은 일부 저장공간을 개인에게 임대하여 개인 사용자가 단말을 통해 접속하여 할당된 공간에 데이터를 저장하는 서비스부터, 기본적인 컴퓨팅 환경이나 네트워크 서비스 등의 인프라를 제공하는 서비스, 컴퓨터 사용을 위한 플랫폼이나 솔루션을 제공하는 플랫폼 서비스, 응용 소프트웨어를 네트워크를 통해 사용할 수 있도록 하는 소프트웨어 서비스 등의 다양한 서비스를 제공할 수 있다. 클라우드 시스템은 모바일 어플리케이션, 게임, 쇼핑몰, 소셜 네트워크 서비스 등의 다양한 분야에서 사용되고 있다. 이러한 클라우드 시스템은 서비스를 사용하는 사용자가 시간적, 공간적 제약 없이 자원을 사용할 수 있으며, 자원 사용 현황을 실시간으로 확인할 수 있는 이점을 제공한다. 또한, 클라우드 시스템은 기존의 물리적 서버와 동일한 역할을 할 수 있도록 서비스를 제공하는 것은 물론, 제공되는 서비스 자원에 대한 실시간으로 관리할 수 있고, 서비스 자원에 대한 검색 및 분류 기능을 제공할 수 있다.The cloud system provides an environment in which a desired service can be freely implemented by accessing a virtual server through a terminal. The cloud system leases some storage space to an individual and accesses it through a terminal and stores data in the allocated space, a service that provides infrastructure such as a basic computing environment or network service, a platform for computer use, or It can provide a variety of services, such as platform services that provide solutions and software services that enable application software to be used through a network. Cloud systems are used in various fields such as mobile applications, games, shopping malls, and social network services. Such a cloud system provides the advantage that users who use the service can use resources without temporal and spatial constraints, and can check the resource usage status in real time. In addition, the cloud system not only provides a service to play the same role as an existing physical server, but also manages the provided service resource in real time, and provides a search and classification function for the service resource.

고객은 클라우드 시스템의 자원을 사용하는 대가로 클라우드 시스템에서 책정한 비용을 지불해야 한다. 예를 들어, 고객이 클라우드 시스템에 자원 사용을 온디맨드(On-Demand) 요청하여 온디맨드 요금을 지불하면, 고객은 사용 시간에 비례하는 비용을 지불하여 클라우드 시스템의 자원(인스턴스)을 사용할 수 있다. 최근의 클라우드 시스템은 고객이 예약 인스턴스(Reserved Instance)를 구매할 수 있도록 하여, 사용 시간당 과금되는 온디맨드 요금보다 저렴한 비용으로 클라우드 시스템의 자원을 사용할 수 있도록 하고 있다. 예약 인스턴스는 고객이 일정기간(예를 들어, 1년, 3년 등) 동안 인스턴스(Instance)를 예약해서 사용을 할 수 있도록 하는 것으로, 예를 들어 아마존(Amazon)의 EC2 예약 인스턴스(Reserved Instance)는 온디맨드 요금과 비교하여 최대 62% 수준의 할인 혜택을 제공하고 있다.The customer is responsible for paying the cost set by the cloud system in exchange for using the resources of the cloud system. For example, if a customer makes an on-demand request to a cloud system for resource use and pays an on-demand fee, the customer can use the cloud system's resources (instances) by paying a fee proportional to the usage time. . Recent cloud systems allow customers to purchase Reserved Instances so that they can use the resources of the cloud system at a lower cost than the on-demand fee charged per hour of use. Reserved Instances allow customers to reserve and use Instances for a certain period (e.g., 1 year, 3 years, etc.).For example, Amazon's EC2 Reserved Instances Offers discounts of up to 62% compared to on-demand rates.

본 발명은 클라우드 서비스 시스템(Cloud Service System)과 같은 예약 인스턴스 제공 시스템으로부터 예약 인스턴스(Reserved Instance)를 구매하여 고객(Client)에 재판매함으로써 수익을 창출하는 예약 인스턴스 재판매 시스템, 예약 인스턴스 재판매 방법 및 기록 매체를 제공하기 위한 것이다.The present invention is a reserved instance resale system, a reserved instance resale method, and a recording medium for generating revenue by purchasing a reserved instance from a reserved instance providing system such as a cloud service system and reselling it to a client. It is to provide.

또한, 본 발명은 예약 인스턴스를 고객에 재판매함에 있어서, 고객의 인스턴스 사용량을 예측하여 예약 인스턴스의 적정 구매량을 산출함으로써, 예약 인스턴스의 재판매에 따른 수익률을 극대화할 수 있는 예약 인스턴스 재판매 시스템, 예약 인스턴스 재판매 방법 및 기록 매체를 제공하기 위한 것이다.In addition, in reselling Reserved Instances to customers, the present invention predicts the customer's instance usage and calculates the appropriate purchase amount of the Reserved Instances, thereby maximizing the rate of return from the resale of Reserved Instances, the Reserved Instance Resale System. It is to provide a method and a recording medium.

본 발명의 예약 인스턴스 재판매 시스템은, 예약 인스턴스 제공 시스템으로부터 예약 인스턴스(Reserved Instance)를 구매하여 고객에 재판매하는 예약 인스턴스 재판매 시스템으로서, 인스턴스 사용량에 관하여 미리 학습된 기계 학습 모델을 이용하여 상기 고객의 인스턴스 사용량을 예측하도록 구성되는 인스턴스 사용량 예측부; 상기 인스턴스 사용량에 따라 예약 인스턴스 구매량을 결정하도록 구성되는 예약 인스턴스 구매량 결정부; 상기 예약 인스턴스 구매량에 따라 상기 예약 인스턴스를 구매하도록 구성되는 예약 인스턴스 구매부; 및 구매한 상기 예약 인스턴스를 고객에 재판매하도록 구성되는 인스턴스 재판매부를 포함한다.The reserved instance resale system of the present invention is a reserved instance resale system that purchases Reserved Instances from a reserved instance providing system and resells them to a customer, and uses a machine learning model learned in advance for instance usage to An instance usage prediction unit configured to predict usage; A reserved instance purchase amount determining unit configured to determine a reserved instance purchase amount according to the instance usage; A reserved instance purchase unit configured to purchase the reserved instance according to the amount of the reserved instance purchase; And an instance resale unit configured to resell the purchased reserved instance to a customer.

본 발명의 실시예에 따른 예약 인스턴스 재판매 시스템은, 고객으로부터 요청된 온디맨드(On-Demand) 요청 데이터를 포함하는 학습 데이터로부터 인스턴스의 운영체제별, 인스턴스 유형별, 가용 영역별 및 리전별로 사용 패턴 및 고객수를 포함하는 변수들을 추출하여 기계 학습 모델을 생성하도록 구성되는 학습부를 더 포함할 수 있다.The reserved instance resale system according to an embodiment of the present invention includes usage patterns and customers for each instance operating system, instance type, availability area, and region from training data including on-demand request data requested from customers. It may further include a learning unit configured to generate a machine learning model by extracting the variables including the number.

상기 학습부는, 운영체제별, 인스턴스 유형별, 가용 영역별 및 리전별 사용량 패턴 및 고객수를 독립변수로 인스턴스 사용량을 예측하는 선형 회귀(Generalized Linear Regression) 모델, 상기 독립변수에 평활 함수(Smoothing Function)를 적용하여 인스턴스 사용량을 예측하는 다변량 스플라인 회귀(Multivariate Spline Regression) 모델, 과거의 인스턴스 사용시간 패턴으로부터 미래의 인스턴스 사용시간 패턴을 예측하는 장단기 기억(Long Short Term Memory) 모델, 및 상기 독립변수를 기반으로 딥러닝(Deep Learning)으로 인스턴스 사용량을 예측하는 다변량 회귀(Multivariate Regression) 모델 중 적어도 하나의 기계 학습 모델을 생성하도록 구성될 수 있다.The learning unit includes a generalized linear regression model that predicts instance usage using an operating system, instance type, availability pattern, and number of customers as independent variables, and a smoothing function on the independent variable. Based on a multivariate spline regression model that predicts instance usage by applying, a long short term memory model that predicts a future instance usage time pattern from a past instance usage time pattern, and the independent variable It may be configured to generate at least one machine learning model from among multivariate regression models that predict instance usage by deep learning.

상기 인스턴스 사용량 예측부는, 상기 선형 회귀 모델, 상기 다변량 스플라인 회귀 모델, 상기 장단기 기억 모델, 및 상기 다변량 회귀 모델 중 적어도 하나의 기계 학습 모델을 기반으로 상기 인스턴스 사용량을 예측하도록 구성될 수 있다.The instance usage prediction unit may be configured to predict the instance usage based on at least one machine learning model among the linear regression model, the multivariate spline regression model, the long-term memory model, and the multivariate regression model.

상기 학습부는, 상기 선형 회귀 모델을 생성하도록 구성되는 GLR 학습부, 상기 다변량 스플라인 회귀 모델을 생성하도록 구성되는 MSR 학습부, 상기 장단기 기억 모델을 생성하도록 구성되는 LSTM 학습부, 및 상기 다변량 회귀 모델을 생성하도록 구성되는 MR 학습부를 포함할 수 있다.The learning unit includes a GLR learning unit configured to generate the linear regression model, an MSR learning unit configured to generate the multivariate spline regression model, an LSTM learning unit configured to generate the long-term memory model, and the multivariate regression model. It may include an MR learning unit configured to generate.

상기 인스턴스 사용량 예측부는, 상기 선형 회귀 모델, 상기 다변량 스플라인 회귀 모델, 상기 장단기 기억 모델 및 상기 다변량 회귀 모델을 포함하는 기계 학습 모델들의 예측 오차들을 비교하도록 구성되는 오차 비교부; 상기 기계 학습 모델들의 예측 오차들의 비교 결과에 따라 상기 기계 학습 모델들 중의 어느 하나의 기계 학습 모델을 선택하도록 구성되는 기계학습모델 선택부; 및 상기 기계학습 모델 선택부에 의해 선택된 기계 학습 모델을 기반으로 상기 인스턴스 사용량을 추정하도록 구성되는 인스턴스 사용량 추정부를 포함할 수 있다. 상기 기계학습 모델 선택부는 상기 기계 학습 모델들 중 가장 낮은 RMSE(Root Mean Square Error, 평균 제곱근 오차) 값을 갖는 기계 학습 모델을 선택하도록 구성될 수 있다.The instance usage prediction unit may include an error comparison unit configured to compare prediction errors of machine learning models including the linear regression model, the multivariate spline regression model, the long-term memory model, and the multivariate regression model; A machine learning model selection unit configured to select one of the machine learning models according to a comparison result of prediction errors of the machine learning models; And an instance usage estimation unit configured to estimate the instance usage based on the machine learning model selected by the machine learning model selection unit. The machine learning model selection unit may be configured to select a machine learning model having a lowest root mean square error (RMSE) value among the machine learning models.

상기 인스턴스 사용량 예측부는, 상기 선형 회귀 모델을 기반으로 상기 인스턴스 사용량을 예측하여 제1 인스턴스 사용량을 출력하도록 구성되는 제1 인스턴스 사용량 예측부; 상기 다변량 스플라인 회귀 모델을 기반으로 상기 인스턴스 사용량을 예측하여 제2 인스턴스 사용량을 출력하도록 구성되는 제2 인스턴스 사용량 예측부; 상기 장단기 기억 모델을 기반으로 상기 인스턴스 사용량을 예측하여 제3 인스턴스 사용량을 출력하도록 구성되는 제3 인스턴스 사용량 예측부; 상기 다변량 회귀 모델을 기반으로 상기 인스턴스 사용량을 예측하여 제4 인스턴스 사용량을 출력하도록 구성되는 제4 인스턴스 사용량 예측부; 상기 선형 회귀 모델, 상기 다변량 스플라인 회귀 모델, 상기 장단기 기억 모델 및 상기 다변량 회귀 모델을 포함하는 기계 학습 모델들의 예측 오차들을 분석하여 상기 기계 학습 모델들의 가중치를 산출하도록 구성되는 오차 분석부; 및 상기 기계 학습 모델들의 가중치를 기반으로 상기 제1 인스턴스 사용량, 상기 제2 인스턴스 사용량, 상기 제3 인스턴스 사용량 및 상기 제4 인스턴스 사용량의 반영 비율을 조절하여 상기 인스턴스 사용량을 추정하도록 구성되는 인스턴스 사용량 추정부를 포함할 수 있다.The instance usage predictor may include a first instance usage predictor configured to predict the instance usage based on the linear regression model and output the first instance usage; A second instance usage predictor configured to predict the instance usage based on the multivariate spline regression model and output a second instance usage; A third instance usage predictor configured to predict the instance usage based on the long-term memory model and output a third instance usage; A fourth instance usage predictor configured to predict the instance usage based on the multivariate regression model and output a fourth instance usage; An error analysis unit configured to calculate weights of the machine learning models by analyzing prediction errors of the machine learning models including the linear regression model, the multivariate spline regression model, the long-term memory model, and the multivariate regression model; And an instance usage estimation configured to estimate the instance usage by adjusting a reflection ratio of the first instance usage, the second instance usage, the third instance usage and the fourth instance usage based on the weights of the machine learning models. May contain wealth.

본 발명의 실시예에 따른 예약 인스턴스 재판매 시스템은, 인스턴스 요청에 관련된 데이터에서 기준 범위에서 벗어난 데이터를 제거하여 상기 인스턴스 사용량을 예측하도록 구성되는 극한값 제거부를 더 포함할 수 있다.The reserved instance resale system according to an embodiment of the present invention may further include an extreme value removing unit configured to predict the instance usage by removing data out of a reference range from data related to an instance request.

상기 예약 인스턴스 구매량 결정부는, 운영체제별, 인스턴스 유형별, 가용 영역별 및 리전별로 상기 예약 인스턴스의 구매 수량을 추천하고, 예약 인스턴스 구매시의 수익률을 산출하여 제공하도록 구성될 수 있다.The reserved instance purchase amount determining unit may be configured to recommend the purchase quantity of the reserved instance by operating system, instance type, availability area, and region, and to calculate and provide a rate of return when purchasing a reserved instance.

본 발명의 예약 인스턴스 재판매 방법은, 예약 인스턴스 제공 시스템으로부터 예약 인스턴스(Reserved Instance)를 구매하여 고객에 재판매하는 예약 인스턴스 재판매 방법으로서, 인스턴스 사용량 예측부에 의해, 인스턴스 사용량에 관하여 미리 학습된 기계 학습 모델을 이용하여 상기 고객의 인스턴스 사용량을 예측하는 단계; 예약 인스턴스 구매량 결정부에 의해, 상기 인스턴스 사용량에 따라 예약 인스턴스 구매량을 결정하는 단계; 예약 인스턴스 구매부에 의해, 상기 예약 인스턴스 구매량에 따라 상기 예약 인스턴스 제공 시스템으로부터 상기 예약 인스턴스를 구매하는 단계; 및 인스턴스 재판매부에 의해, 상기 예약 인스턴스를 고객에 재판매하는 단계를 포함한다.The reserved instance resale method of the present invention is a reserved instance resale method in which a reserved instance is purchased from a reserved instance providing system and resold to a customer, and is a machine learning model that is pre-learned about instance usage by an instance usage prediction unit. Predicting the instance usage of the customer by using; Determining, by a reserved instance purchase amount determining unit, a reserved instance purchase amount according to the instance usage; Purchasing, by a reserved instance purchase unit, the reserved instance from the reserved instance providing system according to the amount of the reserved instance purchase; And reselling the reserved instance to a customer by the instance resale unit.

본 발명의 실시예에 따른 예약 인스턴스 재판매 방법은, 학습부에 의해, 고객으로부터 요청된 온디맨드(On-Demand) 요청 데이터를 포함하는 학습 데이터로부터 인스턴스의 운영체제별, 인스턴스 유형별, 가용 영역별 및 리전별로 사용 패턴 및 고객수를 포함하는 변수들을 추출하여 상기 기계 학습 모델을 생성하는 단계를 더 포함할 수 있다.The reserved instance resale method according to an embodiment of the present invention includes, by the learning unit, from learning data including on-demand request data requested from a customer, by operating system of instance, by instance type, by availability area, and by region. It may further include generating the machine learning model by extracting variables including usage patterns and number of customers for each.

상기 기계 학습 모델을 생성하는 단계는, 운영체제별, 인스턴스 유형별, 가용 영역별 및 리전별 사용량 패턴 및 고객수를 독립변수로 인스턴스 사용량을 예측하는 선형 회귀(Generalized Linear Regression) 모델, 상기 독립변수에 평활 함수(Smoothing Function)를 적용하여 인스턴스 사용량을 예측하는 다변량 스플라인 회귀(Multivariate Spline Regression) 모델, 과거의 인스턴스 사용시간 패턴으로부터 미래의 인스턴스 사용시간 패턴을 예측하는 장단기 기억(Long Short Term Memory) 모델, 및 상기 독립변수를 기반으로 딥러닝(Deep Learning)으로 인스턴스 사용량을 예측하는 다변량 회귀(Multivariate Regression) 모델 중 적어도 하나의 기계 학습 모델을 생성하는 단계를 포함할 수 있다.The generating of the machine learning model includes a generalized linear regression model that predicts instance usage by using an operating system, instance type, availability pattern and number of customers as independent variables, and smoothing the independent variable. A multivariate spline regression model that predicts instance usage by applying a smoothing function, a long short term memory model that predicts a future instance usage time pattern from a past instance usage time pattern, and And generating at least one machine learning model among multivariate regression models for predicting instance usage by deep learning based on the independent variable.

상기 인스턴스 사용량을 예측하는 단계는, 상기 선형 회귀 모델, 상기 다변량 스플라인 회귀 모델, 상기 장단기 기억 모델, 및 상기 다변량 회귀 모델 중 적어도 하나의 기계 학습 모델을 기반으로 상기 인스턴스 사용량을 예측하는 단계를 포함할 수 있다.The step of predicting the instance usage may include predicting the instance usage based on at least one machine learning model among the linear regression model, the multivariate spline regression model, the long-term memory model, and the multivariate regression model. I can.

상기 인스턴스 사용량을 예측하는 단계는, 오차 비교부에 의해, 상기 선형 회귀 모델, 상기 다변량 스플라인 회귀 모델, 상기 장단기 기억 모델 및 상기 다변량 회귀 모델을 포함하는 기계 학습 모델들의 예측 오차들을 비교하는 단계; 기계학습모델 선택부에 의해, 상기 기계 학습 모델들의 예측 오차들의 비교 결과에 따라 상기 기계 학습 모델들 중의 어느 하나의 기계 학습 모델을 선택하는 단계; 및 인스턴스 사용량 추정부에 의해, 상기 기계학습 모델 선택부에 의해 선택된 기계 학습 모델을 기반으로 상기 인스턴스 사용량을 추정하는 단계를 포함할 수 있다.The predicting of the instance usage may include comparing prediction errors of machine learning models including the linear regression model, the multivariate spline regression model, the long-term memory model, and the multivariate regression model, by an error comparison unit; Selecting, by a machine learning model selection unit, one of the machine learning models according to a result of comparing prediction errors of the machine learning models; And estimating, by the instance usage estimating unit, the instance usage based on the machine learning model selected by the machine learning model selection unit.

상기 인스턴스 사용량을 예측하는 단계는, 제1 인스턴스 사용량 예측부에 의해, 상기 선형 회귀 모델을 기반으로 상기 인스턴스 사용량을 예측하여 제1 인스턴스 사용량을 출력하는 단계; 제2 인스턴스 사용량 예측부에 의해, 상기 다변량 스플라인 회귀 모델을 기반으로 상기 인스턴스 사용량을 예측하여 제2 인스턴스 사용량을 출력하는 단계; 제3 인스턴스 사용량 예측부에 의해, 상기 장단기 기억 모델을 기반으로 상기 인스턴스 사용량을 예측하여 제3 인스턴스 사용량을 출력하는 단계; 제4 인스턴스 사용량 예측부에 의해, 상기 다변량 회귀 모델을 기반으로 상기 인스턴스 사용량을 예측하여 제4 인스턴스 사용량을 출력하는 단계; 오차 분석부에 의해, 상기 선형 회귀 모델, 상기 다변량 스플라인 회귀 모델, 상기 장단기 기억 모델 및 상기 다변량 회귀 모델을 포함하는 기계 학습 모델들의 예측 오차들을 분석하여 상기 기계 학습 모델들의 가중치를 산출하는 단계; 및 인스턴스 사용량 추정부에 의해, 상기 기계 학습 모델들의 가중치를 기반으로 상기 제1 인스턴스 사용량, 상기 제2 인스턴스 사용량, 상기 제3 인스턴스 사용량 및 상기 제4 인스턴스 사용량의 반영 비율을 조절하여 상기 인스턴스 사용량을 추정하는 단계를 포함할 수 있다.The predicting of the instance usage may include, by a first instance usage prediction unit, predicting the instance usage based on the linear regression model and outputting the first instance usage; Outputting a second instance usage by predicting the instance usage based on the multivariate spline regression model by a second instance usage prediction unit; Outputting a third instance usage by predicting the instance usage based on the short-term memory model, by a third instance usage prediction unit; Outputting a fourth instance usage by predicting the instance usage based on the multivariate regression model by a fourth instance usage prediction unit; Calculating weights of the machine learning models by analyzing prediction errors of machine learning models including the linear regression model, the multivariate spline regression model, the long-term memory model, and the multivariate regression model, by an error analysis unit; And a reflection ratio of the first instance usage, the second instance usage, the third instance usage, and the fourth instance usage based on the weights of the machine learning models by the instance usage estimator to adjust the instance usage. It may include the step of estimating.

본 발명에 따르면, 상기 예약 인스턴스 재판매 방법을 실행하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체가 제공된다.According to the present invention, a computer-readable recording medium in which a program for executing the reserved instance resale method is recorded is provided.

본 발명의 실시예에 의하면, 클라우드 서비스 시스템(Cloud Service System)과 같은 예약 인스턴스 제공 시스템으로부터 예약 인스턴스(Reserved Instance)를 구매하여 고객(Client)에 재판매함으로써 수익을 창출할 수 있는 예약 인스턴스 재판매 시스템, 예약 인스턴스 재판매 방법 및 기록 매체가 제공된다.According to an embodiment of the present invention, a reserved instance resale system capable of generating revenue by purchasing a Reserved Instance from a reserved instance providing system such as a cloud service system and reselling it to a client, A reserved instance resale method and recording medium are provided.

또한, 본 발명의 실시예에 의하면, 예약 인스턴스를 고객에 재판매함에 있어서, 고객의 인스턴스 사용량을 예측하여 예약 인스턴스의 적정 구매량을 산출함으로써, 예약 인스턴스의 재판매에 따른 수익률을 극대화할 수 있는 예약 인스턴스 재판매 시스템, 예약 인스턴스 재판매 방법 및 기록 매체가 제공된다.In addition, according to an embodiment of the present invention, when reselling Reserved Instances to a customer, by estimating the instance usage of the customer and calculating an appropriate purchase amount of the Reserved Instance, resale of Reserved Instances capable of maximizing the return on the resale of Reserved Instances. A system, a reserved instance resale method, and a recording medium are provided.

도 1은 본 발명의 실시예에 따른 예약 인스턴스 재판매 시스템의 수익 창출 모델을 설명하기 위한 개념도이다.
도 2는 본 발명의 실시예에 따른 예약 인스턴스 재판매 시스템의 온디맨드 인스턴스 판매 금액과 예약 인스턴스 지불 비용의 차액에 해당하는 수익을 나타낸 개념도이다.
도 3은 본 발명의 실시예에 따른 예약 인스턴스 재판매 시스템의 구성도이다.
도 4는 본 발명의 실시예에 따른 예약 인스턴스 재판매 방법의 순서도이다.
도 5는 본 발명의 일 실시예에 따른 예약 인스턴스 재판매 시스템을 구성하는 학습부와 인스턴스 사용량 예측부의 구성도이다.
도 6은 본 발명의 일 실시예에 따라 인스턴스 사용량을 예측하는 과정을 나타낸 순서도이다.
도 7은 본 발명의 다른 실시예에 따른 예약 인스턴스 재판매 시스템을 구성하는 학습부와 인스턴스 사용량 예측부의 구성도이다.
도 8은 본 발명의 다른 실시예에 따라 인스턴스 사용량을 예측하는 과정을 나타낸 순서도이다.1 is a conceptual diagram illustrating a revenue generation model of a reserved instance resale system according to an embodiment of the present invention.
FIG. 2 is a conceptual diagram illustrating a profit corresponding to a difference between an on-demand instance sales amount and a reserved instance payment cost in a reserved instance resale system according to an embodiment of the present invention.
3 is a block diagram of a reservation instance resale system according to an embodiment of the present invention.
4 is a flowchart of a method for reselling reserved instances according to an embodiment of the present invention.
5 is a configuration diagram of a learning unit and an instance usage prediction unit constituting a reserved instance resale system according to an embodiment of the present invention.
6 is a flowchart illustrating a process of predicting an instance usage according to an embodiment of the present invention.
7 is a block diagram of a learning unit and an instance usage prediction unit constituting a system for reselling a reserved instance according to another embodiment of the present invention.
8 is a flowchart illustrating a process of predicting an instance usage according to another embodiment of the present invention.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.Advantages and features of the present invention, and a method of achieving them will become apparent with reference to the embodiments described below in detail together with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below, but may be implemented in a variety of different forms, and only these embodiments make the disclosure of the present invention complete, and are common knowledge in the technical field to which the present invention pertains. It is provided to completely inform the scope of the invention to those who have, and the invention is only defined by the scope of the claims. The same reference numerals refer to the same components throughout the specification.

본 명세서에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 본 명세서에서 사용되는 '~부'는 적어도 하나의 기능이나 동작을 처리하는 단위로서, 예를 들어 소프트웨어, FPGA 또는 하드웨어 구성요소를 의미할 수 있다. '~부'에서 제공하는 기능은 복수의 구성요소에 의해 분리되어 수행되거나, 다른 추가적인 구성요소와 통합될 수도 있다. 본 명세서의 '~부'는 반드시 소프트웨어 또는 하드웨어에 한정되지 않으며, 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고, 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 이하에서는 도면을 참조하여 본 발명의 실시예에 대해서 구체적으로 설명하기로 한다.In the present specification, when a part "includes" a certain component, it means that other components may be further included rather than excluding other components unless otherwise stated. As used herein,'~ unit' is a unit that processes at least one function or operation, and may mean, for example, software, FPGA, or hardware components. The functions provided by the'~ unit' may be performed separately by a plurality of elements, or may be integrated with other additional elements. The'~ unit' in the present specification is not necessarily limited to software or hardware, and may be configured to be in an addressable storage medium, or may be configured to reproduce one or more processors. Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings.

본 발명의 실시예에 따른 예약 인스턴스 재판매 시스템은 고객들의 인스턴스 사용량에 관하여 미리 학습된 기계 학습(Machine Learning) 모델을 이용하여 인공 지능(Artificial Intelligence) 기반으로 고객의 인스턴스 사용량을 예측하고, 예측한 인스턴스 사용량을 기반으로 예약 인스턴스 구매량을 자동적으로 결정하여 클라우드(Cloud) 서비스 시스템과 같은 예약 인스턴스 제공 시스템으로부터 예약 인스턴스(Reserved Instance)를 구매하고, 구매한 예약 인스턴스를 고객들에 재판매하도록 구성된다.The reserved instance resale system according to an embodiment of the present invention predicts the customer's instance usage based on artificial intelligence using a machine learning model that is pre-learned about the customer's instance usage, and the predicted instance It is configured to automatically determine the amount of reserved instance purchase based on usage, purchase a Reserved Instance from a reserved instance providing system such as a cloud service system, and resell the purchased Reserved Instance to customers.

본 발명의 실시예에 의하면, 적정 수량의 예약 인스턴스를 구매하여 고객들에 재판매함으로써, 인스턴스 재판매에 의한 수익률을 극대화할 수 있다. 또한, 인스턴스 재판매 수익률을 높임으로써 고객들에게 더 많은 인스턴스 할인 혜택을 제공할 수 있으며, 화이트 라벨(White Label) 파트너를 확대하고, 전략 고객을 비롯한 기존 고객들의 이탈을 방어할 수 있으며, 신규 고객의 유치에 활용하여 수익 증대를 도모할 수 있다.According to an embodiment of the present invention, by purchasing an appropriate quantity of reserved instances and reselling them to customers, it is possible to maximize a rate of return by reselling instances. In addition, by increasing the return on instance resale, you can provide more instance discounts to customers, expand White Label partners, prevent churn from existing customers, including strategic customers, and attract new customers. It can be used to increase profits.

또한, 본 발명의 실시예에 의하면, 클라우드 서비스 제공자는 예약 인스턴스의 판매량 증대를 통해 매출 증대를 이룰 수 있으며, 약정 기간 동안 인스턴스 사용율을 확보하여 안정적으로 수익성을 확보할 수 있다. 또한, 고객 입장에서는 예약 인스턴스 재판매 시스템에 의해 다양한 인스턴스 할인 혜택을 받을 수 있으며, 온디맨드 요금 보다 낮은 비용을 지불하여 클라우드 서비스 제공자에 의해 제공되는 가상 서버 등의 인스턴스를 활용할 수 있다.In addition, according to an embodiment of the present invention, a cloud service provider can achieve increased sales by increasing the sales volume of reserved instances, and can securely secure profitability by securing an instance usage rate during a contract period. In addition, customers can receive various instance discounts through the reserved instance resale system, and can use instances such as virtual servers provided by cloud service providers by paying a lower cost than the on-demand fee.

도 1은 본 발명의 실시예에 따른 예약 인스턴스 재판매 시스템의 수익 창출 모델을 설명하기 위한 개념도이다. 도 1을 참조하면, 예약 인스턴스 재판매 시스템(20)은 하나 또는 복수의 클라우드 서비스 시스템(10)으로부터 할인된 가격의 예약 인스턴스(Reserved Instance)를 구매하여, 하나 또는 복수의 고객(30)에 인스턴스를 재판매함으로써 수익을 창출할 수 있다. 클라우드 서비스 시스템(10)은 예약 인스턴스를 제공하는 시스템으로, 아마존 웹 서비스(AWS; Amazon Web Service), Azure 등의 클라우드 제공 시스템을 포함할 수 있다.1 is a conceptual diagram illustrating a revenue generation model of a reserved instance resale system according to an embodiment of the present invention. Referring to FIG. 1, the reserved instance resale system 20 purchases a reserved instance at a discounted price from one or a plurality of cloud service systems 10, and provides the instance to one or more customers 30. You can make money by reselling. The cloud service system 10 is a system that provides a reserved instance, and may include a cloud providing system such as Amazon Web Service (AWS) and Azure.

예약 인스턴스 재판매 시스템(20)은 클라우드 서비스 시스템(10)으로부터 예약 인스턴스(Reserved Instance)를 구매하는 비용을 지불하고, 고객(30)의 온디맨드(On-Demand) 요청에 대해 온디맨드 비용을 지불받을 수 있다. 이때, 예약 인스턴스 재판매 시스템(20)은 고객(30)으로부터 지불받은 온디맨드 비용과, 클라우드 서비스 시스템(10)에 지불한 예약 인스턴스 구매 비용의 차액 만큼 수익을 창출할 수 있다.The reserved instance resale system 20 pays the cost of purchasing a Reserved Instance from the cloud service system 10, and receives an on-demand fee for an On-Demand request from the customer 30. I can. At this time, the reserved instance resale system 20 may generate a profit equal to the difference between the on-demand cost paid from the customer 30 and the reserved instance purchase cost paid to the cloud service system 10.

예약 인스턴스 재판매 시스템(20)은 클라우드 서비스 시스템(10) 및 고객(30)과의 데이터 통신을 위한 유/무선 통신 인터페이스를 구비할 수 있다. 통신 인터페이스는 LAN(Local Area Network), ISDN(Integrated Services Digital Network), CDMA(Code Division Multiple Access), WCDMA(Wideband Code Division Multiple Access), GSM(Global System for Mobile communication), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), Wireless LAN(Local Area Network), WAN(Wide Area Network), WIFI(Wireless Fidelity) 등을 포함할 수 있으나, 이에 제한되지는 않는다.The reserved instance resale system 20 may include a wired/wireless communication interface for data communication with the cloud service system 10 and the customer 30. Communication interfaces are LAN (Local Area Network), ISDN (Integrated Services Digital Network), CDMA (Code Division Multiple Access), WCDMA (Wideband Code Division Multiple Access), GSM (Global System for Mobile communication), LTE (Long Term Evolution) , World Interoperability for Microwave Access (WIMAX), Wireless Local Area Network (LAN), Wide Area Network (WAN), Wireless Fidelity (WIFI), and the like, but are not limited thereto.

도 2는 본 발명의 실시예에 따른 예약 인스턴스 재판매 시스템의 온디맨드 인스턴스 판매 금액과 예약 인스턴스 지불 비용의 차액에 해당하는 수익을 나타낸 개념도이다. 도 2에서 x는 예약 인스턴스 구매량(x > 0), α는 인스턴스 가격(α > 0), θ는 실제 인스턴스 사용량(θ ≥ 0), β는 예약 인스턴스의 할인율(0 < β < 1)이다. α(1-β)x는 클라우드 서비스 시스템에 지불해야 하는 예약 인스턴스 구매 비용이다. αθ는 고객으로부터 지급받을 수 있는 온디맨드 인스턴스 판매 비용이다. 온디맨드 판매 비용이 예약 인스턴스 구매 비용보다 큰 경우 수익 구간에 해당하게 된다.FIG. 2 is a conceptual diagram illustrating a profit corresponding to a difference between an on-demand instance sales amount and a reserved instance payment cost of a reserved instance resale system according to an embodiment of the present invention. In FIG. 2, x is the reserved instance purchase amount (x> 0), α is the instance price (α> 0), θ is the actual instance usage (θ ≥ 0), and β is the discount rate of the reserved instance (0 <β <1). α(1-β)x is the reserved instance purchase cost that must be paid to the cloud service system. αθ is the cost of selling on-demand instances that can be paid by customers. If the cost of selling On-Demand is greater than the cost of buying a Reserved Instance, it falls into the revenue segment.

반대로, 예약 인스턴스 구매 비용이 온디맨드 판매 비용 보다 큰 경우, 즉 예약 인스턴스 구매량(x)이 실제 인스턴스 사용량(θ)의 1/(1-β) 배 보다 큰 경우에는 손해 구간에 속하게 된다. 따라서, 예약 인스턴스를 고객에게 재판매하여 얻게 되는 수익을 극대화하기 위해서는, 고객들의 인스턴스 사용량(온디맨드 요청수)을 정확하게 예측하고, 인스턴스 사용량의 예측값을 기반으로 예약 인스턴스 구매량을 산출하여 클라우드 서비스 시스템으로부터 적정 수량의 예약 인스턴스를 구매할 필요가 있다. 본 발명의 실시예에 따른 예약 인스턴스 재판매 시스템은 기계 학습(Machine Learning) 모델을 기반으로 인공지능(AI; Artificial Intelligence) 방식으로 자동적 분석에 의해 고객들의 인스턴스 사용량을 예측하고 예약 인스턴스 구매 추천 정보를 제공할 수 있다.Conversely, if the reserved instance purchase cost is greater than the on-demand sales cost, that is, if the reserved instance purchase amount (x) is greater than 1/(1-β) times the actual instance usage (θ), it falls into the loss section. Therefore, in order to maximize the profits obtained by reselling Reserved Instances to customers, the customer's instance usage (the number of on-demand requests) is accurately predicted, and the amount of Reserved Instance purchases is calculated based on the predicted value of the instance usage, and appropriate from the cloud service system You need to purchase a quantity of Reserved Instances. The reserved instance resale system according to an embodiment of the present invention predicts the customer's instance usage by automatic analysis using an artificial intelligence (AI) method based on a machine learning model and provides information on recommending reserved instance purchases. can do.

도 3은 본 발명의 실시예에 따른 예약 인스턴스 재판매 시스템의 구성도이다. 도 4는 본 발명의 실시예에 따른 예약 인스턴스 재판매 방법의 순서도이다. 도 3 및 도 4를 참조하면, 인스턴스 사용량의 예측을 위하여, 예약 인스턴스 재판매 시스템(20)은 학습데이터 수집부(210), 학습부(220), 기계 학습 모델(230), 데이터 수집부(240), 극한값 제거부(250), 인스턴스 사용량 예측부(260), 예약 인스턴스 구매량 결정부(270), 예약 인스턴스 구매부(280), 인스턴스 재판매부(290) 및 인스턴스 관리부(300)를 포함할 수 있다.3 is a block diagram of a reservation instance resale system according to an embodiment of the present invention. 4 is a flowchart of a method for reselling reserved instances according to an embodiment of the present invention. 3 and 4, in order to predict the usage of instances, the reserved instance resale system 20 includes a learning data collection unit 210, a learning unit 220, a machine learning model 230, and a data collection unit 240. ), an extreme value removal unit 250, an instance usage prediction unit 260, a reserved instance purchase amount determination unit 270, a reserved instance purchase unit 280, an instance resale unit 290, and an instance management unit 300. .

인스턴스 사용량 예측부(260)는 인스턴스 사용량에 관련된 기계 학습(Machine Learning) 모델(230)을 이용하여 고객들의 인스턴스 사용량을 예측할 수 있다. 기계 학습 모델(230)은 인스턴스의 운영체제(OS; Operating System)별, 리전별, 인스턴스 유형별, 가용 영역별 고객들의 인스턴스 사용패턴, 고객수 등의 독립변수들과, 고객들의 인스턴스 사용량을 포함하는 종속변수의 관계로부터 모델링될 수 있다.The instance usage prediction unit 260 may predict the instance usage of customers using a machine learning model 230 related to the instance usage. The machine learning model 230 is dependent on independent variables such as instance usage patterns of customers by instance operating system (OS), by region, by instance type, and by availability area, the number of customers, and the instance usage by customers. It can be modeled from the relationship of variables.

인스턴스 운영체제(Operating System)는 예를 들어 Windows/Linux 등이 있으나, 이에 제한되지는 않는다. 인스턴스 유형은 예를 들어 Amazon EC2의 T2, C4, M4, M5, C5 등과 같이 CPU, 메모리, 스토리지 및 네트워킹 용량의 다양한 조합으로 구성되는 인스턴스 유형들을 포함할 수 있다. 인스턴스 리전(Region)은 가용 영역이라고 불리는 격리된 위치를 여러개 가지고 있으며, 예를 들어 Amazon EC2의 경우, 미국 동부(비저니아 북부), 미국 동부(오하이오), 미국 서부(캘리포니아 북부 지역), 미국 서부(오레곤), 캐나다(중부), EU(프랑크푸르트), EU(런던), EU(파리), 아시아 태평양(서울), 아시아 태평양(도쿄), 남아메리카(상파울루) 등의 리전이 있으나, 이에 제한되는 것은 아니다.The instance operating system is, for example, Windows/Linux, but is not limited thereto. Instance types may include instance types consisting of various combinations of CPU, memory, storage, and networking capacity, such as T2, C4, M4, M5, C5 of Amazon EC2, for example. Instance Regions have multiple isolated locations called Availability Zones, for example, for Amazon EC2, US East (N. Vigeria), US East (Ohio), US West (N. California), and US West. (Oregon), Canada (Central), EU (Frankfurt), EU (London), EU (Paris), Asia Pacific (Seoul), Asia Pacific (Tokyo), South America (São Paulo), etc. no.

학습 데이터 수집부(210)와 학습부(220)는 인스턴스 사용량과 관련된 기계 학습 모델(230)을 생성하기 위해 제공될 수 있다. 학습 데이터 수집부(210)는 과거의 고객들의 운영체제별, 리전별, 인스턴스 유형별, 가용 영역별 고객들의 인스턴스 사용패턴, 고객수 등의 정보를 포함하는 학습 데이터를 수집할 수 있다. 실시예에서, 학습 데이터는 인스턴스에 대한 고객들의 과거 온디맨드(On-Demand) 요청 데이터를 포함할 수 있다.The learning data collection unit 210 and the learning unit 220 may be provided to generate a machine learning model 230 related to instance usage. The learning data collection unit 210 may collect learning data including information such as past customer's operating system, region, instance type, instance usage pattern of customers by availability area, and the number of customers. In embodiments, the training data may include customer's past On-Demand request data for an instance.

학습부(220)는 학습 데이터로부터 예약 인스턴스의 인스턴스 유형별, 운영체제별, 리전별, 가용 영역별 사용 패턴 및 고객수, 인스턴스 사용량 등을 포함하는 변수들을 추출하여 하나 또는 복수의 기계 학습 모델을 생성할 수 있다(도 4의 단계 S10). 기계 학습 모델은 인스턴스 사용량과 관련하여 기계 학습(Machine Learning)이나 딥 러닝(Deep Learning) 등에 의해 학습된 인스턴스 사용량 예측 모델로 제공될 수 있다.The learning unit 220 extracts variables including the reserved instance instance type, operating system, region, usage pattern and number of customers, instance usage, etc. of the reserved instance from the training data to generate one or more machine learning models. It can (step S10 in Fig. 4). The machine learning model may be provided as an instance usage prediction model learned by machine learning or deep learning in relation to instance usage.

실시예에서, 학습부(220)는 선형 회귀(GLR; Generalized Linear Regression) 모델, 다변량 스플라인 회귀(MSR; Multivariate Spline Regression) 모델, 장단기 기억(LSTM; Long Short Term Memory) 모델, 및 다변량 회귀(MR; Multivariate Regression) 모델 중의 적어도 하나의 기계 학습 모델을 생성할 수 있으나, 이는 예시적인 것이며, 열거되지 않은 기계 학습 모델을 생성할 수도 있다.In an embodiment, the learning unit 220 includes a generalized linear regression (GLR) model, a multivariate spline regression (MSR) model, a long short term memory (LSTM) model, and a multivariate regression (MR) model. ; Multivariate Regression) It is possible to generate at least one machine learning model among models, but this is exemplary, and a machine learning model that is not listed may be generated.

선형 회귀(GLR) 모델은 일반적 다중 선형 회귀 분석 모델로, 인스턴스 유형별, 가용 영역별, 인스턴스 유형별 사용량 패턴 및 고객수를 독립변수로 인스턴스 사용량을 예측하기 위한 기계 학습 모델이다. 선형 회귀(GLR) 모델은 AIC-stepwise기법으로 많은 변수들 중 의미 있는 변수를 결정할 수 있으며, 변수를 다중 선형 관계의 형태로 적용하여 인스턴스 사용량을 예측하는데 활용될 수 있다.The linear regression (GLR) model is a general multiple linear regression analysis model, and is a machine learning model for predicting instance usage using the usage patterns by instance type, availability area, instance type, and number of customers as independent variables. The linear regression (GLR) model can determine a meaningful variable among many variables using an AIC-stepwise technique, and can be used to predict instance usage by applying the variable in the form of multiple linear relationships.

다변량 스플라인 회귀(MSR) 모델은 선형 모델이 현실의 문제에 선형을 가정하는 한계를 극복하는 비선형(non-linear) 회귀 모델로, 독립변수에 평활 함수(Smoothing Function)를 적용하여 인스턴스 사용량을 예측하기 위한 기계 학습 모델이다. MSR 모델은 사용 변수는 GLR 모델과 같으나, GLR 모델에서 각 변수의 관계를 선형 형태로 적용한 것과 달리 각 변수의 패턴을 하나의 함수(function)으로 취급하여 각 변수에 평활 함수(Smoothing Function)를 적용하며, 많은 변수들 중 의미 있는 변수는 ANOVA Test로 결정할 수 있다. 각 변수 별 평활(smoothing) 정도(k_i)는 K-폴드 교차 검증(K-fold Cross Validation)을 통하여 가장 낮은 오차를 갖는 k_i를 구하여 산출될 수 있다.The multivariate spline regression (MSR) model is a non-linear regression model that overcomes the limitation that a linear model assumes linearity in a real problem. It predicts instance usage by applying a smoothing function to an independent variable. Is a machine learning model for The MSR model uses the same variable as the GLR model, but unlike the GLR model, which applies the relationship of each variable in a linear form, the pattern of each variable is treated as a function and a smoothing function is applied to each variable. Among many variables, meaningful variables can be determined by ANOVA Test. The degree of smoothing (k_i) for each variable can be calculated by obtaining k_i having the lowest error through K-fold Cross Validation.

장단기 기억(LSTM) 모델은 과거 인스턴스 사용시간 패턴으로부터 미래 인스턴스 사용량을 예측하는 딥 러닝(Deep Learning) 기반 기계 학습 모델이다. 이는 재귀적 신경망(RNN; Recurrent Neural Network)의 단점인 역전파(Backward Pass)시 그래디언트가 줄어 학습 능력이 저하되는 점을 극복하기 위해 고안된 모델로, RNN의 히든 상태(state)에 셀-상태(cell-state)를 추가하여 인스턴스 사용량 예측에 활용될 수 있다. LSTM 모델은 예를 들어, 과거 60 units(시간)의 패턴으로 다음 1 unit(시간)을 예측하는 모델(60 input layers, 2 hidden layers, 1 output layer) 등으로 구현될 수 있다.The LSTM model is a deep learning-based machine learning model that predicts future instance usage from past instance usage time patterns. This is a model designed to overcome the drawback of a recurrent neural network (RNN), which decreases the gradient during backward pass and decreases the learning ability.It is a cell-state in the hidden state of the RNN. cell-state) can be added to predict instance usage. The LSTM model may be implemented as, for example, a model (60 input layers, 2 hidden layers, 1 output layer) that predicts the next 1 unit (time) with a pattern of 60 units (time) in the past.

다변량 회귀(MR) 모델은 GLR 기법과 같은 독립변수를 기반으로 딥러닝으로 인스턴스 사용량을 예측하기 위한 예측 모델이다. 다변량 회귀(MR) 모델(Keras - D/L)은 GLR 기법을 Keras 환경의 딥 러닝(Deep Learning)으로 예측하는 모델로, 변수 정보는 GLR 모델과 동일하다.The multivariate regression (MR) model is a predictive model for predicting instance usage by deep learning based on independent variables such as the GLR technique. The multivariate regression (MR) model (Keras-D/L) is a model that predicts the GLR technique with deep learning in Keras environment, and the variable information is the same as the GLR model.

인스턴스 사용량 예측부(260)는 선형 회귀(GLR) 모델, 다변량 스플라인 회귀(MSR) 모델, 장단기 기억(LSTM) 모델, 및 다변량 회귀(MR) 모델 중의 적어도 하나의 기계 학습 모델을 기반으로 고객들의 미래의 인스턴스 사용량을 예측할 수 있다. 인스턴스 사용량 예측부(260)는 데이터 수집부(240)에 의해 수집되는 운영체제(OS)별, 리전별, 가용 영역별, 인스턴스 유형별 인스턴스 사용패턴 및 고객수 등의 정보를 기반으로 미래의 고객들의 인스턴스 사용량을 예측할 수 있다.The instance usage prediction unit 260 is based on at least one machine learning model among a linear regression (GLR) model, a multivariate spline regression (MSR) model, a long-term memory (LSTM) model, and a multivariate regression (MR) model. Instance usage can be predicted. Instance usage prediction unit 260 is based on information such as operating system (OS), region, availability area, instance type, instance usage pattern and number of customers collected by the data collection unit 240 Usage can be predicted.

극한값 제거부(250)는 오차 요인을 제거하여 인스턴스 사용량을 보다 정확하게 예측하기 위해, 데이터 수집부(240)에 의해 수집된 데이터 중 기준 범위에서 벗어난 극한값 데이터를 제거할 수 있다. 인스턴스 사용량 예측부(260)는 극한값 데이터가 제거된 데이터의 독립변수들을 기반으로 운영체제별, 리전별, 가용 영역별, 인스턴스 유형별 인스턴스 사용량을 예측할 수 있다(도 4의 단계 S20).In order to more accurately predict the instance usage by removing an error factor, the extreme value removal unit 250 may remove extreme value data out of a reference range from among data collected by the data collection unit 240. The instance usage prediction unit 260 may predict the instance usage by operating system, region, availability area, and instance type based on the independent variables of data from which the extreme value data has been removed (step S20 of FIG. 4 ).

예약 인스턴스 구매량 결정부(270)는 인스턴스 사용량 예측부(260)에 의해 예측된 인스턴스 사용량에 따라 예약 인스턴스 구매량을 결정할 수 있다(도 4의 단계 S30). 실시예에서, 예약 인스턴스 구매량 결정부(270)는 고객들의 예측 인스턴스 사용량을 기반으로, MLE(Maximum Likelihood Estimation, 최대우도추정) 알고리즘에 의해 수익률이 최대가 되는 예약 인스턴스 구매량을 결정할 수 있다. 또한, 예약 인스턴스 구매량 결정부(270)는 운영체제별, 리전별, 가용 영역별, 인스턴스 유형별로 적용중인 지급 계정(Payer Account)에 대한 예약 인스턴스의 구매 수량을 추천하고, 예약 인스턴스 구매시의 수익률을 산출하여 제공할 수 있다.The reserved instance purchase amount determining unit 270 may determine the reserved instance purchase amount according to the instance usage predicted by the instance usage predicting unit 260 (step S30 of FIG. 4 ). In an embodiment, the reserved instance purchase amount determining unit 270 may determine the reserved instance purchase amount at which the profit rate is maximum by using a maximum likelihood estimation (MLE) algorithm based on predicted instance usage of customers. In addition, the reserved instance purchase amount determining unit 270 recommends the purchase quantity of the reserved instance for the payer account applied by operating system, region, availability area, and instance type, and calculates the rate of return when purchasing the reserved instance. Can be provided.

예약 인스턴스 구매량 결정부(270)는 인스턴스 가격(α), 예약 인스턴스 할인율(β), 인스턴스 사용량 예측값(θ) 등의 변수들을 고려하여 예약 인스턴스 구매량(x)을 산출할 수 있다. 예약 인스턴스 구매량 결정부(270)는 MLE 알고리즘을 기반으로 예약 인스턴스 구매량을 산출할 수 있다. Likelihood(우도함수) L(θ|x)는 θ가 전제되었을때 표본 x가 등장할 확률인 p(x|θ)에 비례하며, 표본 x들에 비추어 봤을때 모수 θ에 대한 추정이 그럴듯한 정도를 가리킨다.The reserved instance purchase amount determining unit 270 may calculate the reserved instance purchase amount x by considering variables such as an instance price α, a reserved instance discount rate β, and an instance usage predicted value θ. The reserved instance purchase amount determining unit 270 may calculate the reserved instance purchase amount based on the MLE algorithm. Likelihood (likelihood function) L(θ|x) is proportional to p(x|θ), which is the probability of the sample x appearing when θ is assumed, and the degree to which the estimation of the parameter θ is plausible in the light of the sample x Point.

예약 인스턴스 구매량 결정부(270)는 MLE 모델에 각 시점의 사용량(Utilization)에 따라 상이한 조건을 적용하여 예약 인스턴스 구매량을 결정할 수 있다. 예약 인스턴스 구매량 결정부(270)는 50%, 75%, 90%, 95% 등의 Percentile을 이용하여 편의(bias)를 유도하는 극한값을 제거하여 예약 인스턴스 구매량을 산출할 수 있다. 예약 인스턴스 구매량 결정부(270)는 예를 들어, 하기의 수식에 따라 MLE 알고리즘을 이용하여 최대 수익률(y)을 얻을 수 있는 예약 인스턴스 구매량(x)을 찾을 수 있다.The reserved instance purchase amount determining unit 270 may determine the reserved instance purchase amount by applying different conditions to the MLE model according to utilization at each time point. The reserved instance purchase amount determining unit 270 may calculate the reserved instance purchase amount by removing an extreme value that induces bias using a percentage such as 50%, 75%, 90%, and 95%. The reserved instance purchase amount determining unit 270 may find the reserved instance purchase amount x capable of obtaining the maximum return y using the MLE algorithm according to the following equation.

예약 인스턴스 구매부(280)는 예약 인스턴스 구매량 결정부(270)에 의해 결정된 예약 인스턴스 구매량에 따라 클라우드 서비스 시스템(10)으로부터 운영체제별, 리전별, 가용 영역별, 인스턴스 유형별로 예약 인스턴스를 구매할 수 있다(도 4의 단계 S40).The reserved instance purchase unit 280 may purchase a reserved instance by operating system, region, availability region, and instance type from the cloud service system 10 according to the reserved instance purchase amount determined by the reserved instance purchase amount determination unit 270 ( Step S40 of Fig. 4).

인스턴스 재판매부(290)는 고객의 온디맨드(On-Demand) 요청에 따라, 클라우드 서비스 시스템(10)으로부터 구매한 예약 인스턴스를 고객에 재판매할 수 있다(도 4의 단계 S50). 인스턴스 재판매부(290)는 고객의 유형(예를 들어, 화이트 라벨 파트너, 전략 고객, 신규 고객 등)에 따라 다양한 할인 혜택을 제공하여 인스턴스를 재판매할 수 있다.The instance resale unit 290 may resell the reserved instance purchased from the cloud service system 10 to the customer according to the customer's on-demand request (step S50 of FIG. 4 ). The instance resale unit 290 may resell the instance by providing various discount benefits according to the type of customer (eg, white label partner, strategic customer, new customer, etc.).

실시예에서, 인스턴스 재판매부(290)는 고객에게 온디맨드 금액을 청구할 수 있으며, 신규 고객 유치, 전략 고객 이탈 방어를 위하여 신규 고객이나 전략 고객에게는 할인 적용된 온디맨드 금액을 청구할 수 있다. 또한, 전략 고객 이탈 방어를 위해 전략 고객에게는 예를 들어, 온디맨드 요금을 기준으로 40% 할인된 표준 예약 인스턴스(Standard RI) 가격으로 인스턴스 패밀리(Instance family) 변경이 가능한 컨버터블 예약 인스턴스(Convertible RI)를 제공하는 등의 인스턴스 할인 혜택을 제공할 수도 있다.In an embodiment, the instance resale unit 290 may charge a customer an on-demand amount, and may charge a discounted on-demand amount to a new customer or a strategic customer to attract new customers and prevent strategic customer churn. In addition, in order to protect against churn from strategic customers, for strategic customers, for example, Convertible RIs that can change their instance family at a standard RI price discounted by 40% based on the On-Demand rate. Instance discount benefits such as providing

인스턴스 관리부(300)는 운영체제별, 리전별, 가용 영역별, 인스턴스 유형별 예약 인스턴스의 구매 내역과 인스턴스 판매 내역, 고객에 판매 가능한 인스턴스 정보 등을 관리할 수 있다. 인스턴스 관리부(300)에 의해 관리되는 정보는 학습 데이터 수집부(210)와 데이터 수집부(240)로 피드백되어, 차기 예약 인스턴스 구매량을 결정하기 위한 기계 학습 모델 생성, 인스턴스 사용량 예측에 활용될 수 있다. 인스턴스 관리부(300)는 화이트 라벨(WL; White Label) 파트너 지원 및 관리 기능을 포함할 수 있다.The instance management unit 300 may manage purchase details and instance sales details of reserved instances by operating system, region, availability area, instance type, and instance information that can be sold to customers. The information managed by the instance management unit 300 is fed back to the training data collection unit 210 and the data collection unit 240, and can be used to generate a machine learning model to determine the next reserved instance purchase amount, and to predict the instance usage. . The instance management unit 300 may include a white label (WL) partner support and management function.

도 5는 본 발명의 일 실시예에 따른 예약 인스턴스 재판매 시스템을 구성하는 학습부와 인스턴스 사용량 예측부의 구성도이다. 도 6은 본 발명의 일 실시예에 따라 인스턴스 사용량을 예측하는 과정을 나타낸 순서도이다. 도 5 및 도 6을 참조하면, 학습부(220)는 인스턴스 사용량 예측을 위한 복수의 상이한 기계 학습 모델을 생성할 수 있다(도 6의 단계 S21).5 is a configuration diagram of a learning unit and an instance usage prediction unit constituting a reserved instance resale system according to an embodiment of the present invention. 6 is a flowchart illustrating a process of predicting an instance usage according to an embodiment of the present invention. 5 and 6, the learning unit 220 may generate a plurality of different machine learning models for predicting instance usage (step S21 of FIG. 6 ).

실시예에서, 학습부(220)는 선형 회귀(GLR) 모델을 생성하는 GLR 학습부(222), 다변량 스플라인 회귀(MSR) 모델을 생성하는 MSR 학습부(224), 장단기 기억(LSTM) 모델을 생성하는 LSTM 학습부(226), 및 다변량 회귀(MR) 모델을 MR 학습부(228)를 포함할 수 있다. 인스턴스 사용량 예측부(260)는 오차 비교부(261), 기계학습모델 선택부(262) 및 인스턴스 사용량 추정부(263)를 포함할 수 있다.In an embodiment, the learning unit 220 includes a GLR learning unit 222 for generating a linear regression (GLR) model, an MSR learning unit 224 for generating a multivariate spline regression (MSR) model, and a long-term memory (LSTM) model. The generated LSTM learning unit 226 and a multivariate regression (MR) model may include an MR learning unit 228. The instance usage prediction unit 260 may include an error comparison unit 261, a machine learning model selection unit 262, and an instance usage estimation unit 263.

오차 비교부(261)는 선형 회귀(GLR) 모델(232), 다변량 스플라인 회귀(MSR) 모델(234), 장단기 기억(LSTM) 모델(236) 및 다변량 회귀(MR) 모델(238)을 포함하는 기계 학습 모델들의 예측 오차들을 비교할 수 있다(도 6의 단계 S22). 기계학습모델 선택부(262)는 기계 학습 모델들의 예측 오차들의 비교 결과에 따라 기계 학습 모델들 중의 어느 하나의 기계 학습 모델을 선택할 수 있다(도 6의 단계 S23). 실시예에서, 기계학습 모델 선택부(262)는 예를 들어 아래의 수식에 따라 기계 학습 모델들 각각의 RMSE 값을 산출한 후 가장 낮은 RMSE 값을 갖는 기계 학습 모델을 선택할 수 있다.The error comparison unit 261 includes a linear regression (GLR) model 232, a multivariate spline regression (MSR) model 234, a long-term memory (LSTM) model 236, and a multivariate regression (MR) model 238. The prediction errors of machine learning models can be compared (step S22 of FIG. 6). The machine learning model selection unit 262 may select one of the machine learning models according to a result of comparing prediction errors of the machine learning models (step S23 of FIG. 6 ). In an embodiment, the machine learning model selection unit 262 may select a machine learning model having the lowest RMSE value after calculating an RMSE value of each of the machine learning models according to the following equation.

인스턴스 사용량 추정부(263)는 기계학습 모델 선택부(262)에 의해 선택된 하나 이상의 기계 학습 모델을 기반으로 인스턴스 사용량을 추정할 수 있다. 실시예에서, 인스턴스 사용량 추정부(263)는 가장 낮은 RMSE 값을 갖는 하나의 기계 학습 모델을 기반으로 인스턴스 사용량을 예측하거나, RMSE 값이 기준값 보다 낮은 하나 이상의 기계 학습 모델을 기반으로 인스턴스 사용량을 예측할 수 있다.The instance usage estimating unit 263 may estimate the instance usage based on one or more machine learning models selected by the machine learning model selection unit 262. In an embodiment, the instance usage estimating unit 263 predicts the instance usage based on one machine learning model having the lowest RMSE value, or predicts the instance usage based on one or more machine learning models whose RMSE value is lower than the reference value. I can.

실시예에서, 인스턴스 사용량 추정부(263)는 복수개의 기계 학습 모델에 의해 인스턴스 사용량을 추정하는 경우, 복수개의 기계 학습 모델에 의해 추정된 인스턴스 사용량들을 통계 처리(예를 들어, 산술/기하 평균, 중간값 등)하여 운영체제별, 리전별, 가용 영역별, 인스턴스 유형별로 인스턴스 사용량을 추정할 수 있다.In an embodiment, when estimating the instance usage by a plurality of machine learning models, the instance usage estimation unit 263 statistically processes the instance usage estimated by the plurality of machine learning models (eg, arithmetic/geometric average, Median value), you can estimate instance usage by operating system, region, availability area, and instance type.

도 7은 본 발명의 다른 실시예에 따른 예약 인스턴스 재판매 시스템을 구성하는 학습부와 인스턴스 사용량 예측부의 구성도이다. 도 8은 본 발명의 다른 실시예에 따라 인스턴스 사용량을 예측하는 과정을 나타낸 순서도이다. 도 7 및 도 8을 참조하면, 인스턴스 사용량 예측부(260)는 복수개의 상이한 기계 학습 모델을 기반으로 복수개의 인스턴스 사용량 예측부를 출력할 수 있다(도 8의 단계 S24).7 is a block diagram of a learning unit and an instance usage prediction unit constituting a system for reselling a reserved instance according to another embodiment of the present invention. 8 is a flowchart illustrating a process of predicting an instance usage according to another embodiment of the present invention. 7 and 8, the instance usage prediction unit 260 may output a plurality of instance usage prediction units based on a plurality of different machine learning models (step S24 of FIG. 8 ).

인스턴스 사용량 예측부(260)는 제1 인스턴스 사용량 예측부(264), 제2 인스턴스 사용량 예측부(265), 제3 인스턴스 사용량 예측부(266), 제4 인스턴스 사용량 예측부(267), 오차 분석부(268) 및 인스턴스 사용량 추정부(269)를 포함할 수 있다.The instance usage prediction unit 260 includes a first instance usage prediction unit 264, a second instance usage prediction unit 265, a third instance usage prediction unit 266, a fourth instance usage prediction unit 267, and error analysis. It may include a unit 268 and an instance usage estimation unit 269.

제1 인스턴스 사용량 예측부(264)는 선형 회귀(GRL) 모델(232)을 기반으로 인스턴스 사용량을 예측하여 제1 인스턴스 사용량을 출력할 수 있다. 제2 인스턴스 사용량 예측부(265)는 다변량 스플라인 회귀(MSR) 모델(234)을 기반으로 인스턴스 사용량을 예측하여 제2 인스턴스 사용량을 출력할 수 있다. 제3 인스턴스 사용량 예측부(266)는 장단기 기억(LSTM) 모델(236)을 기반으로 인스턴스 사용량을 예측하여 제3 인스턴스 사용량을 출력할 수 있다. 제4 인스턴스 사용량 예측부(267)는 다변량 회귀(MR) 모델(238)을 기반으로 인스턴스 사용량을 예측하여 제4 인스턴스 사용량을 출력할 수 있다.The first instance usage predictor 264 may predict the instance usage based on the linear regression (GRL) model 232 and output the first instance usage. The second instance usage predictor 265 may predict the instance usage based on the multivariate spline regression (MSR) model 234 and output the second instance usage. The third instance usage predictor 266 may predict the instance usage based on a long-term memory (LSTM) model 236 and output the third instance usage. The fourth instance usage predictor 267 may predict the instance usage based on the multivariate regression (MR) model 238 and output the fourth instance usage.

오차 분석부(268)는 선형 회귀(GRL) 모델(232), 다변량 스플라인 회귀(MSR) 모델(234), 장단기 기억(LSTM) 모델(236) 및 다변량 회귀(MR) 모델(238)을 포함하는 기계 학습 모델들의 예측 오차들을 분석하여 기계 학습 모델들의 가중치를 산출할 수 있다(도 8의 단계 S25). 인스턴스 사용량 추정부(269)는 오차 분석부(268)에 의해 산출된 기계 학습 모델들의 가중치를 기반으로 제1 인스턴스 사용량, 제2 인스턴스 사용량, 제3 인스턴스 사용량 및 제4 인스턴스 사용량의 반영 비율을 조절하여 인스턴스 사용량을 추정할 수 있다(도 8의 단계 S26). 실시예에서, 인스턴스 사용량 추정부(269)는 낮은 예측 오차(예를 들어, RMSE)를 가질수록 기계 학습 모델에 높은 가중치를 부여하여 인스턴스 사용량을 추정할 수 있다.The error analysis unit 268 includes a linear regression (GRL) model 232, a multivariate spline regression (MSR) model 234, a long-term memory (LSTM) model 236, and a multivariate regression (MR) model 238. The weights of the machine learning models may be calculated by analyzing prediction errors of the machine learning models (step S25 of FIG. 8). The instance usage estimation unit 269 adjusts the reflection ratio of the first instance usage, the second instance usage, the third instance usage, and the fourth instance usage based on the weights of the machine learning models calculated by the error analysis unit 268. Thus, the instance usage can be estimated (step S26 in FIG. 8). In an embodiment, the instance usage estimator 269 may estimate the instance usage by assigning a higher weight to the machine learning model as it has a lower prediction error (eg, RMSE).

각각의 인스턴스 예측 모델은 복수개의 상이한 미래 기간(ex, 1개월, 3개월, 6개월 등)의 인스턴스 사용량을 예측하도록 구성될 수 있다. 만약, 예측 결과가 증가 트렌드이면 1개월 단위(최소 구매기간)로 예측한 값을 반영하여 매달 예약 인스턴스 추가 구매량을 추천할 수 있으며, 반대로 예측 결과가 감소 트렌드이면 6개월(예측 최대기간)의 예측 값을 반영하여 예약 인스턴스 구매량을 추천할 수 있다.Each instance prediction model may be configured to predict instance usage for a plurality of different future periods (ex, 1 month, 3 months, 6 months, etc.). If the forecast result is an increasing trend, the amount of additional Reserved Instance purchases can be recommended every month by reflecting the predicted value in units of one month (minimum purchase period). Conversely, if the forecast result is a decreasing trend, a forecast of 6 months (maximum forecast period) By reflecting the value, you can recommend the reserved instance purchase amount.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/ 또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(Arithmetic Logic Unit), 디지털 신호 프로세서(Digital Signal Processor), 마이크로컴퓨터, FPGA(Field Programmable Gate Array), PLU(Programmable Logic Unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다.The embodiments described above may be implemented as a hardware component, a software component, and/or a combination of a hardware component and a software component. For example, the devices, methods, and components described in the embodiments are, for example, a processor, a controller, an Arithmetic Logic Unit (ALU), a digital signal processor, a microcomputer, a field programmable gate (FPGA). Array), Programmable Logic Unit (PLU), microprocessor, or any other device capable of executing and responding to instructions, such as one or more general purpose computers or special purpose computers.

처리 장치는 운영 체제 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술 분야에서 통상의 지식을 가진 자는 처리 장치가 복수 개의 처리 요소(Processing Element) 및/또는 복수 유형의 처리요소를 포함할 수 있음을 이해할 것이다.The processing device may execute an operating system and one or more software applications executed on the operating system. In addition, the processing device may access, store, manipulate, process, and generate data in response to the execution of software. For the convenience of understanding, although it is sometimes described that one processing device is used, those of ordinary skill in the art may use a processing device that includes a plurality of processing elements and/or multiple types of processing elements. It will be understood that it can include.

예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(Parallel Processor) 와 같은, 다른 처리 구성(Processing configuration)도 가능하다. 소프트웨어는 컴퓨터 프로그램(Computer Program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다.For example, the processing device may include a plurality of processors or one processor and one controller. In addition, other Processing configurations are possible, such as a Parallel Processor. The software may include a computer program, code, instruction, or a combination of one or more of them, and configure the processing unit to operate as desired, or process it independently or collectively. You can command the device.

소프트웨어 및/ 또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody) 될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.Software and/or data may be interpreted by a processing device or to provide instructions or data to a processing device, of any type of machine, component, physical device, virtual equipment, computer storage medium or device. , Or may be permanently or temporarily embodyed in a transmitted signal wave. The software may be distributed over networked computer systems and stored or executed in a distributed manner. Software and data may be stored on one or more computer-readable recording media.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, and the like alone or in combination. The program instructions recorded on the medium may be specially designed and configured for the embodiment, or may be known and usable to those skilled in computer software.

컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CDROM, DVD와 같은 광기록 매체(optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CDROMs and DVDs, and ROM, RAM, and flash memory. Hardware devices specially configured to store and execute program instructions such as, etc. are included. Examples of the program instructions include not only machine language codes such as those produced by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like. The hardware device described above may be configured to operate as one or more software modules to perform the operation of the embodiment, and vice versa.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다. 그러므로, 다른 구현들, 다른 실시예들 및 청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.As described above, although the embodiments have been described by the limited embodiments and drawings, various modifications and variations are possible from the above description by those of ordinary skill in the art. For example, the described techniques are performed in a different order from the described method, and/or components such as a system, structure, device, circuit, etc. described are combined or combined in a form different from the described method, or other components Alternatively, even if substituted or substituted by an equivalent, an appropriate result can be achieved. Therefore, other implementations, other embodiments, and equivalents to the claims also fall within the scope of the following claims.

10: 클라우드 서비스 시스템(Cloud Service System)
20: 예약 인스턴스 재판매 시스템(Reserved Instance Resale System)
30: 고객(client)
210: 학습데이터 수집부
220: 학습부
230: 기계 학습 모델(Machine Learning Model)
222: GLR(Generalized Linear Regression) 모델
224: MSR(Multivariate Spline Regression) 모델
226: LSTM(Long Short Term Memory) 모델
228: MR(Multivariate Regression) 모델
240: 데이터 수집부
250: 극한값 제거부
260: 인스턴스 사용량 예측부
261: 오차 비교부
262: 기계학습모델 선택부
263: 인스턴스 사용량 추정부
264: 제1 인스턴스 사용량 예측부
265: 제2 인스턴스 사용량 예측부
266: 제3 인스턴스 사용량 예측부
267: 제4 인스턴스 사용량 예측부
268: 오차 분석부
269: 인스턴스 사용량 추정부
270: 예약 인스턴스 구매량 결정부
280: 예약 인스턴스 구매부
290: 인스턴스 재판매부
300: 인스턴스 관리부10: Cloud Service System
20: Reserved Instance Resale System
30: client
210: learning data collection unit
220: Learning Department
230: Machine Learning Model
222: Generalized Linear Regression (GLR) model
224: Multivariate Spline Regression (MSR) model
226: LSTM (Long Short Term Memory) model
228: Multivariate Regression (MR) model
240: data collection unit
250: extreme value removal unit
260: instance usage prediction unit
261: error comparison unit
262: machine learning model selection unit
263: Instance usage estimation unit
264: first instance usage prediction unit
265: second instance usage prediction unit
266: 3rd instance usage prediction unit
267: 4th instance usage prediction unit
268: error analysis unit
269: Instance usage estimation unit
270: Reserved Instance purchase amount determination unit
280: Reserved Instance Purchase Department
290: Instance Resale Department
300: instance management unit

Claims

As a reserved instance resale system that purchases Reserved Instances from a reserved instance providing system and resells them to customers,
An instance usage prediction unit configured to predict the instance usage of the customer by using a machine learning model learned in advance about the instance usage of the customer who will sell the reserved instance;
A reserved instance purchase amount determining unit configured to determine a reserved instance purchase amount according to the instance usage;
A reserved instance purchase unit configured to purchase the reserved instance according to the amount of the reserved instance purchase; And
Including an instance resale unit configured to resell the purchased Reserved Instance to a customer,
The instance usage prediction unit,
An error analysis unit configured to calculate weights of the machine learning models by analyzing prediction errors of machine learning models including a linear regression model, a multivariate spline regression model, a long-term memory model, and a multivariate regression model; And
A reserved instance resale system comprising an instance usage estimating unit configured to estimate the instance usage of the customer by adjusting a reflection ratio of the instance usage of the machine learning models based on weights of the machine learning models.

The method of claim 1,
Machine learning by extracting variables including usage patterns and number of customers by instance operating system, instance type, region, and availability area from training data including on-demand request data requested by customers in the past Reserved instance resale system further comprising a learning unit configured to generate a model.

The method of claim 2,
The learning unit,
A generalized linear regression model that predicts instance usage using the usage pattern and number of customers by operating system, instance type, region and availability area as independent variables, and instance usage by applying a smoothing function to the independent variable A multivariate spline regression model that predicts the value, a long short term memory model that predicts the future instance usage time pattern from the past instance usage time pattern, and deep learning based on the independent variable. A Reserved Instance Resale system configured to create a Multivariate Regression model that predicts instance usage with Learning.

delete

The method of claim 3,
The instance usage prediction unit,
A first instance usage predictor configured to predict the instance usage based on the linear regression model and output the first instance usage;
A second instance usage predictor configured to predict the instance usage based on the multivariate spline regression model and output a second instance usage;
A third instance usage predictor configured to predict the instance usage based on the long-term memory model and output a third instance usage; And
Further comprising a fourth instance usage prediction unit, configured to output a fourth instance usage by predicting the instance usage based on the multivariate regression model,
The instance usage estimation unit,
A reserved instance resale system for estimating the instance usage by adjusting a reflection ratio of the first instance usage, the second instance usage, the third instance usage, and the fourth instance usage based on the weights of the machine learning models.

The method of claim 1,
Reserved instance resale system further comprising an extreme value removing unit configured to predict the instance usage by removing data out of the reference range from data related to the instance request.

The method of claim 1,
The reserved instance purchase amount determining unit,
A reserved instance resale system configured to recommend the purchase quantity of the reserved instance by operating system, instance type, region, and availability area, and to calculate and provide a rate of return when purchasing a reserved instance.

A Reserved Instance resale method in which a Reserved Instance is purchased from a reserved instance providing system and resold to a customer,
Predicting, by the instance usage prediction unit of the customer who will sell the reserved instance, the instance usage of the customer using a machine learning model learned in advance about the instance usage;
Determining, by a reserved instance purchase amount determining unit, a reserved instance purchase amount according to the instance usage;
Purchasing, by a reserved instance purchase unit, the reserved instance from the reserved instance providing system according to the amount of the reserved instance purchase; And
Reselling the reserved instance to a customer, by an instance resale unit,
The step of predicting the customer's instance usage,
Calculating weights of the machine learning models by analyzing prediction errors of machine learning models including a linear regression model, a multivariate spline regression model, a long-term memory model, and a multivariate regression model; And
And estimating the instance usage by adjusting a reflection ratio of the instance usage of the machine learning models based on the weights of the machine learning models.

The method of claim 11,
From training data including on-demand request data requested by customers in the past by the learning unit, variables including usage patterns and number of customers by instance operating system, instance type, region and availability area The reserved instance resale method further comprising the step of extracting and generating the machine learning model.

The method of claim 12,
Generating the machine learning model,
A generalized linear regression model that predicts instance usage using the usage pattern and number of customers by operating system, instance type, region and availability area as independent variables, and instance usage by applying a smoothing function to the independent variable A multivariate spline regression model that predicts the value, a long short term memory model that predicts the future instance usage time pattern from the past instance usage time pattern, and deep learning based on the independent variable. Learning), a method of reselling Reserved Instances that includes creating a Multivariate Regression model that predicts instance usage.

delete

The step of predicting the customer's instance usage,
Outputting a first instance usage by predicting the instance usage based on the linear regression model by a first instance usage prediction unit;
Outputting a second instance usage by predicting the instance usage based on the multivariate spline regression model, by a second instance usage prediction unit;
Outputting a third instance usage by predicting the instance usage based on the short-term memory model, by a third instance usage prediction unit;
Outputting a fourth instance usage by predicting the instance usage based on the multivariate regression model by a fourth instance usage prediction unit; And
The instance usage estimation unit estimates the instance usage by adjusting the reflection ratio of the first instance usage, the second instance usage, the third instance usage and the fourth instance usage based on the weights of the machine learning models. Reserved Instance resale method further comprising the step of.

A computer-readable recording medium in which a program for executing the reservation instance resale method of any one of claims 11, 12, 13 and 16 is recorded.