హలో.
  క్లౌడ్ కంప్యూటింగ్(cloud computing)లో మన చర్చను లేదా ఉపన్యాసాన్ని కొనసాగిద్దాం.
  ఈ రోజు మనం ఒక అంశాన్ని తీసుకుందాం, క్లౌడ్ కంప్యూటింగ్(cloud computing) వెనక ఉన్న ఎకనమి(economy) ఏంటి అనేది మనము చూడాలి.
  ఎందుకు ప్రజలు ఈ క్లౌడ్ కంప్యూటింగ్(cloud computing) రకాన్ని ఎంచుకున్నారు?. 
  మనము క్రొత్తగా ఏదో ఒకదాన్నిపొందటానికి కాదు.
  వివిధ రకాల అప్లికేషన్(applications)లు మొదలైనవాటిని పొందటానికి.
  ఇప్పుడు మనము దీన్ని సర్విస్(service)గా పొందుతున్నాము.
  కాబట్టి, ఇది ఆచరణీయమైనది.
  ఎల్లప్పుడూ క్లౌడ్(cloud)కి వెళ్లడం అనేది ప్రయోజనకరమా లేదా, ఎలా నిర్ణయించాలనేది; నేను క్లౌడ్(cloud) కి వెళ్ళాలా లేదా లేదో ఏదో కొనుగోలు చేయాలా మరియు ఎంత ఇన్ఫ్రాస్ట్రక్చర్(infrastructure) కి మరియు క్లౌడ్ ప్రొవిజనింగ్(cloud provisioning)ల మధ్య సమతుల్యం కావాలో లేదో.
  మరి అలా చేయడానికి, కొన్ని ప్రాథమిక విషయాలను లేదా ప్రాథమిక ఆర్ధిక విషయాలను చూద్దాం, ఏ రకం కార్యకలాపాలలో లేదా ఏ పరిస్థితులలో క్లౌడ్(cloud) ఆచరణీయంగా ఉంటుంది.  
  అనగా SLAs సమస్యలు మన ప్రారంభ ఉపన్యాసాల సమయంలో చెప్పుకున్న కొన్ని సమస్యలు ఉన్నాయి, అన్నీ క్రమంగా పనిచేస్తున్నప్పటికి కొన్ని సమస్యలు ఉన్నాయి.
  ఎల్లప్పుడు క్లౌడ్(cloud) ని ఉపయోగించడం అనేది ఏకొనిమిక్(economic) గా ఉంటుంది. ఈ రకమైన విషయాలపై మరియు వ్యాపార పరిశీలన ఉండాలి.
  కాబట్టి, దానిపై క్లుప్త చర్చ ఉంటుంది.
  కాబట్టి, మీలో ఈ లైన్‌లో పనిచేయడానికి ఆసక్తి ఉన్నవారు, ప్రాథమికంగా ఇప్పుడు ఈ రకమైన పనిని సద్వినియోగం చేసుకోవచ్చు.
  ఆర్థిక దృక్కోణం నుండి, ఏయే క్లౌడ్ ప్రాపర్టీస్(cloud properties) ఉంటాయో చూస్తే, అందులో ఒకటి కామన్ ఇన్ఫ్రాస్ట్రక్చర్(common infrastructure).
  స్టాటిస్తికల్(statistical) మల్టిప్లక్షింగ్(multiplexing) ద్వారా సృష్టించబడిన లాభాలతో ప్రామాణీకరించబడిన రెసోర్స్(resources)లు.
  అన్నింటిలో మొదటిది, నిల్వచేయబడిన ప్రామాణిక రెసోర్స్(resources)లు.
  సర్వీసు ప్రొవైడర్ వద్ద రిసోర్సస్ కలెక్షన్(resource collection) ఉంటుంది, వీటిని ఏ విధంగా ఇంటెగ్రేట్(integrate) చేయవచ్చో ప్రామాణికం చేయబడతాయి.
  మల్టిప్లెక్సింగ్(multiplexing) వలన ప్రయోజనం ఏమిటి.
  స్టాటిస్తికల్(statistical) మల్టిప్లెక్సింగ్(multiplexing) వలన ప్రయోజనాలు ఉన్నాయి; అనగా, మన దగ్గర 100 సిస్టమ్(systems)లు ఉన్నాయి అనుకుందాం.
  కాబట్టి, ఇది చాలా తక్కువ అంచనా వేయబడింది, 15-20 ప్రోత్సాహకాలు కూడా నా స్వంత పనిభారం లేదా కొంత పనిభారం ద్వారా ఉపయోగించబడవు. 
  కాబట్టి, నేను బహుళ వర్క్ లోడ్(workloads)లను కలిగి ఉంటే, నేను అదే రకమైన వ్యవస్థతో ఉండవచ్చు.
  నేను 10 లేదా 100 సిస్టమ్(systems) లను ఎందుకు కొనుగోలు చేయాలి, మొదలైనవి ఆలోచిస్తున్నాను.
  చాలా సందర్భాలలో పీక్ వర్క్ లోడ్(peek work load)ని పరిగణనలోకి తీసుకున్నాము.
  పీక్ టైమ్(peek time) లో ఈ విషయాలు సరిగ్గా అవసరం అవుతాయి.
  ఉదాహరణకు, ఐఐటి ఖరగ్పూర్(IIT Kharagpur) లోని ఒక ప్రత్యేక డిపార్ట్మెంట్(department) లో, ఒక నిర్దిష్ట సంవత్సరానికి MTech మొదటి సంవత్సరంలో ఒక ప్రత్యేక ల్యాబ్(lab) ఉంది.
  అందులో సీట్ల సంఖ్యను ఒక ప్రత్యేక విభాగానికి 50 అని మరియు 50 శాతం వర్క్ లో ఉంటాయి అనుకుందాం.మేము 50 పర్సనల్ సిస్టమ్(personal systems)లపై పని చేస్తామని మేము భావిస్తున్నాము; అక్కడ ప్రాథమికంగా 50 సిస్టమ్(systems)ల లాబ్(lab) ను ఏర్పాటు చేసాము.
  అదేసమయంలో మనము పవర్(power) ని ,AC ని పరిగణలోకి తీసుకోవాలి మరియు ఏదైనా ఒక సిస్టమ్(system) పని చేయకపోతే అలాంటి పరిస్థితులలో, మరో 5, 10 శాతం, 5 స్టాండ్ బై(stand by)లో ఉంచుతాము.
  కాబట్టి, 55 సిస్టమ్(systems)లను కలిగి ఉంటాము, కానీ అలా తీసుకున్నప్పుడు, కోర్సులో చేరిన విద్యార్థుల సంఖ్య 50 కన్నా తక్కువగా ఉండచ్చు.
  కాబట్టి, వారు క్లాస్(classes)లలో చేరినప్పటికి ఇక్కడ సర్ప్లుస్(surplus) పవర్(power)ని కలిగి ఉంటాము.
  ఈ 50 సిస్టమ్(systems)లు మళ్లీ ఉపయోగించుకుంది, ల్యాబ్ హౌర్(lab hours)లో మాత్రమే మనము అన్ని సిస్టమ్(systems)లను ఉపయోగిస్తాము మిగిలిన సమయములో వాటిని ఉపయోగించము.
  ఆ ల్యాబ్(lab) సమయము ప్రతిరోజూ 8 గంటలు ఉండవచ్చు.
  కానీ పీక్ లోడ్(peak load) ఉన్నప్పుడు ఇది సరైనది కాదు.
  కానీ నేను సిస్టమ్ ఇండివిజువల్(individual) గా పరిగణలోకి తీసుకున్నప్పుడు, 
  నేను ఈ ప్రాసెసర్(processor), మెమరీ(memory) మొదలైనవాటి గురించి ఆలోచిస్తాము, ల్యాబ్ అసైన్మెంట్(lab assignment) పీక్ లోడ్(peak load) వరకు ఉండవచ్చు.
  ఈ పరిశీలన అనేక సార్లు చేస్తాము.
  కనుక ఎక్కువగా ఓవర్ సైజింగ్(over seizing) కి వెళ్తాము.
  కొన్నిసార్లు ఇది క్లిష్టంగా ఉంటుంది, మనము ఒకే ఒక సర్వర్(server) ఉన్నప్పుడు, ఏదైతే ఎక్కువ వినియోగదారులకు ఉపయోగపడుతుందో, మరియు అప్పుడు అన్ని యూజర్(users)లు ఈ విషయం లోకి మారుతారు మరియు అప్పుడు పీక్ లోడ్(peak load) ఉంటుంది అనుకుంటున్నాను.
  నెట్వర్కింగ్ (networking)లో వర్క్(work) చేస్తున్న వారు సాధారణంగా 10, 24 పోర్ట్(port) నెట్ వర్క్(networks) లకు మారుతూ ఉంటారు.
  ఎంత మంది వ్యక్తులు కనెక్ట్(connect) అవ్వగలరు? 24.100 mbps లైన్(line) కి కూడా సుమారుగా 24 గానే ఉంటుంది. అది కూడా 24x100.
  కాబట్టి, ఇది సుమారు 2.4 గిగాబైట్లు(giga bytes), కానీ స్విచ్ అప్లింక్(switch uplink) 1 గిగాబైట్(gigabyte).
  ఇది ఒక రకమైన బ్లోక్కింగ్ ఆర్కిటెక్చర్(blocking architecture)ని కలిగి ఉంది, అయితే 2.4 లేదా 3 గిగాబైట్(gigabytes)ల అప్లింక్(uplink) ఇచ్చినట్లైతే అది ఓవర్ ప్రొవిజనింగ్(over provisioning) అవుతుంది.
  అందరూ స్టాస్తికల్(statistical)గా ఒకే పీక్ టైమ్(peak time)లో వచ్చే అవకాశం ఉండకపోవచ్చు.
  స్టాస్తికల్(statistical)గా అది నియమానికి తగినదిగా ఉందో లేదో చూద్దాం.
  మనము ఎక్కువగా ప్రొవిజన్(provision) చేస్తే సర్విస్(services)ల నిర్వహణకు చాలా ఖర్చులు, మైంటెనెన్స్(maintenance), ఇతర ఆక్సెసరీస్(accessories) మరియు ఇతర విషయాలు ఉంటాయి.
  ఎక్విప్మెంట్ (equipment) ఖర్చు కూడా ఇప్పటి వరకు పెరిగింది.
  కాబట్టి, మరొక విషయం ఏమిటంటే క్లౌడ్ యొక్క మరో ప్రాపర్టీ(properties)లు, ఇది లావాదేవీల తగ్గింపు మరియు యూజర్(user) అనుభవాన్ని వృద్ది పరచడం ద్వారా లాభదాయకమైన పర్ఫార్మన్స్(performance) అవసరం వంటివి.
  కాబట్టి, ఇది లొకేషన్ ఇండిపెండెన్స్ ప్రాపర్టీ(location independence property).
  సో, అది ఆర్ధికంగా, నెట్వర్క్ ఆచరత మొదలైనవి సర్విస్(service) ఖర్చు మరియు పర్ఫార్మన్స్(performance) ప్రభావం, భరోసా ఇతర లక్షణాలను ఎనేబుల్ (enable) చేసే ఆన్లైన్ కనెక్టివిటీ(online connectivity) ని ఉపయోగించడం ఎలా.
  కాబట్టి, నేను ఎల్లప్పుడూ ఆన్లైన్(online) అనుసంధానతను కలిగి ఉండాలి.
  కాబట్టి, మరొక అంశం ఉంది.
  ఇవి వేర్వేరు విషయాలపై దృష్టి సారించగల భిన్నమైన కారకాలు.
  ఇతర రెండు ప్రత్యక్ష ఎకనామిక్(economic) కారకాలు ఉన్నాయి, ఒకటి యుటిలిటీ ప్రైసింగ్(utility pricing).
  ఇది పే అస్ యు గో(pay as you go) మోడల్(model), విద్యుత్ యూనిట్లు వంటి యూనిట్ పరంగా చెల్లిస్తాము.
  మరొకటి ఆన్ డిమాండ్ రిసోర్సస్(on-demand resources).
  అంటే మనం డిమాండ్(demand) చేస్తే రిసోర్సస్(resources)ని అందిస్తుంది.
  అందువల్ల రెసోర్స్(resources)లకు డిమాండ్(demand) ఉంది.
  స్కాలబుల్(scalable), ఎలస్టిక్ రిసోర్సస్(elastic resources), డిలే(delay) లేకుండా ప్రొవిజన్(provision) మరియు డి- ప్రొవిజన్(de-provision) మార్పుకు సంబంధించిన ధర మొదలైనవి ఉంటాయి.
  కాబట్టి, డిలే(delay) లేదా కాస్ట్(cost) దేనికి సంభందించదు.
  అక్కడ కాస్ట్(cost) ఫ్యాక్టర్(factor) ఉండవచ్చు, బదులుగా నిర్వహణలో హ్యూమన్ ఇంటెర్వెంషన్(human intervention) తక్కువగా ఉంటుంది.
  ఇక్కడ రెసోర్స్(resources) లను ప్రొవిజనింగ్(provisioning) మరియు డి-ప్రొవిజనింగ్(de-provisioning) చూద్దాం.
  దీనితో మనము ఎకనామిక్ ధృష్ట్యా దాని విలువను తెలుసుకోవటానికి ప్రయత్నిద్దాం.
  మనము స్టాస్తికల్లి (stastical) గా చూడడానికి ప్రయత్నిద్దాం, ఈ సమస్యను అర్థం చేసుకోవడానికి చాలా తక్కువ భాగం అవసరం.
  మేము కొంచెం గణాంకపరంగా చూడటానికి ప్రయత్నిస్తాము, చాలా కొద్ది భాగాలు సమస్యను అర్థం చేసుకోవాలి.
  స్కేల్ యొక్క ఆర్ధికవ్యవస్థలు ఉన్నాయి, ఓవర్ హెడ్ ఖర్చులు వాల్యూమ్ కొనుగోలు హక్కుల ద్వారా కొనుగోలుదారుల శక్తిని తగ్గిస్తాయి.
  ఒకటి, నేను ఆర్థిక వ్యవస్థను స్కేల్ చేయాలనుకుంటున్నాను, అంటే నేను ఈ ఓవర్ హెడ్ ఖర్చును తగ్గించాలనుకుంటున్నాను. 
  కాబట్టి, నేను ఒక వ్యవస్థను కొనుగోలు చేస్తే
  కాబట్టి వేర్వేరు ఓవర్ హెడ్ ఖర్చు ఏమిటి, దీనికి ఎసి యొక్క ఓవర్ హెడ్ ఖర్చు ఉంది, దీనికి అప్స్ వంటి విద్యుత్ నిర్వహణకు ఓవర్ హెడ్ ఖర్చు ఉంది లేదా సిస్టమ్ యొక్క ఎఎంసి యొక్క ఓవర్ హెడ్ ఖర్చు సరైనదేనా? మరియు దానిని నిర్వహించడానికి మానవ వనరులు వంటివి చాలా ఉన్నాయి.
  అందువల్ల, నేను ఆ ఓవర్ హెడ్ ఖర్చును తగ్గించాలనుకుంటున్నాను. 
  అందువల్ల, ఈ వస్తువును కొనడానికి ఇంకా చాలా ఉంది, కానీ కాలక్రమేణా వస్తువులను నిర్వహించడం అనేది పరికరాల కన్నా చాలా ఖరీదైనది.
  ముఖ్యంగా 2 నుండి 3 సంవత్సరాల తర్వాత ఈ కంప్యూటింగ్(computing) ప్రపంచంలో ప్రధాన సమస్య ఉంది.
  ఖచ్చితంగా 5 సంవత్సరాలలో ఆ మొత్తం విషయం వాడుకలో ఉండడం లేదు.
  ఈ సాంకేతిక పరిజ్ఞానం మునుపటి మొత్తం సిస్టమ్(system) పవర్(power)ని కోల్పోయేదిగా మారుస్తుంది, కొత్త సాధనాలు మరియు సాఫ్ట్వేర్(software) మొదలైనవి ఇన్స్టాల్(install) చేయడానికి ఇకపై చెల్లదు.
  కాబట్టి, ఇది పెద్ద సమస్య.
  ఇవి మరో వైపు ఉన్న స్కేల్(scale) గణాంకాలు ఉన్నాయి. 
  గరిష్ట అవసరాల కోసం మౌలిక సదుపాయాల కల్పన, గరిష్ట అవసరాన్ని సృష్టించడం వంటి మౌలిక సదుపాయాలు.
  నేను ఎల్లప్పుడూ విద్యార్ధులు అందరూ తరగతి లో ఉండేలా లేదా అందరూ కోర్సు ని నమోదు చేసుకునే విధంగా ఒక ఇన్ఫ్రాస్ట్రక్చర్(infrastructure)ని నిర్మించాలని అనుకుంటున్నాను.
  అందువల్ల, నేను అధిక వినియోగ హక్కులను పొందగలను.
  మనము మల్టీ ప్లేక్సింగ్(multiplexing)లో వివిధ డిమాండ్లను ఉపయోగించినప్పుడు అధిక వినియోగం ఉంటుంది.
  రిసోర్సస్(resources)ని డెలివర్(deliver) చేయడానికి తక్కువ ఖర్చు అవుతుంది.
  కాబట్టి, అన్ కొంసోలిటెడ్ వర్క్స్ (un consolidated works) కంటే పంపిణీ చేసిన రిసోర్సస్(resources)లకు తక్కువ వ్యయం అవుతుంది.
  కాబట్టి, ఇది ఏకీకృతమైతే, తక్కువ వ్యయం అవుతుంది.
  పీక్(peak) కంటే తక్కువ గా ఇన్ఫ్రాస్ట్రక్చర్ (infrastructure) నిర్మాణం.
  కాబట్టి, ఇది పీక్(peak) కంటే తక్కువగా ఉండదు, ఇక్కడ కూడా మల్టీప్లెక్స్ డిమాండ్(multiplexing demand) సరిగ్గా లేని డిమాండ్లను తగ్గిస్తుంది.
  అందువల్ల, అది అడ్డుకోగలిగిన నిర్మాణంగా ఉంటే అక్కడ మల్టిప్లక్సింగ్(multiplexing) ఉండొచ్చు, అందులో కొన్ని సర్వ్(serve) చేయని విషయాలు కూడా ఉన్నాయి.
  కాబట్టి, మల్టిప్లెక్సింగ్ అనేది దీనిని తగ్గిస్తుంది, ఇది మంచిది కాదు, ఇది ఎల్లప్పుడూ ఒకదానిపై ఆధారపడి ఉంటుంది.
  నేను ఒక షెడ్యూల్ అల్గోరిథం(scheduling algorithm) ని ఉపయోగించి సర్వ్(serve) చేస్తాను.
  తక్కువ ఆదాయ నష్టం లేదా సర్విస్ లెవెల్ అగ్రీమెంట్(service level agreement) ఉల్లంఘన.
  ఎందుకంటే, SLA ఉల్లంఘన అంటే SLA ఉల్లంఘన కు రుసుము చెల్లించాల్సిన అవసరం ఉంది.
  అందువల్ల అది తక్కువ ఆదాయం మరియు ఇతర సమస్యలను తగ్గించవచ్చు.
  కాబట్టి, పీక్(peak) ఇన్ఫ్రాస్ట్రక్చర్(infrastructure) నిర్మాణం కోసం మరియు నోన్ పీక్(nonpeak) ఇన్ఫ్రాస్ట్రక్చర్(infrastructure)కి ఈ విధమైన విషయాలను కలిగి ఉన్నాము. మరొక అంశం క్లౌడ్ కొరకు మాత్రమే కాకుండా ఇతర విషయాలకు కూడా ఉపయోగించే కోఎఫ్ఫిషియెంట్(co efficient) లేదా CV.
  ఇది మనము మాట్లాడుకునే కోవెరియెన్స్(covariance) మాత్రమే కాదు, ఇది కోఎఫ్ఫిషియెంట్(co efficient) ఆఫ్(of) కోవెరియెన్స్(covariance).
  కాబట్టి, సగటు చుట్టూ ఉన్న ఒక డేటా శ్రేణిలో డేటా వ్యాప్తి యొక్క గణాంక కొలత, కోఎఫ్ఫిషియెంట్(co efficient) ఆఫ్(of) వెరియెన్స్(variance) అనేది మీన్(mean) యొక్క స్టాండర్డ్ డీవియేషన్(standard deviation) కు మరియు మీన్(mean) కు మధ్య గల నిష్పత్తిని సూచిస్తుంది.
  ఇది స్టాండర్డ్ డీవియేషన్(standard deviation) లేదా mu సిగ్మా ద్వారా సూచిస్తుంది.
  ఇక్కడ మీన్(mean) చేత స్టాండర్డ్ డీవియేషన్(standard deviation) మరియు ఒక డేటా శ్రేణి నుండి వేరొక డాటా శ్రేణిని డిగ్రీ ఆఫ్ వెరియెన్స్(degree of variance)ని సరిపోల్చడానికి ఉపయోగకరమైన గణాంకాలని చెప్పవచ్చు.
  ఒక డేటా శ్రేణి యొక్క కోఎఫ్ఫిషియెంట్(co efficient) ఆఫ్(of) వెరియెన్స్(variance), ఇతర డేటా శ్రేణికి సమానం కన్నా తక్కువగా ఉందా, ఎక్కువగా ఉందా లేదా సమానంగా ఉందా అనేదాని గురించి చెప్పవచ్చు, అది మీన్(means)లు వైవిధ్యంగా ఉన్న కూడా మనము డేటా సిరీస్(series) ని పోల్చవచ్చు.
  ఈ రెండు డేటా శ్రేణి ప్రవర్తనా విషయాలు ఎలా ఉన్నాయో CV నాకు తెలియజేస్తుంది.
  దీన్ని విస్తృతంగా పెట్టుబడి ప్రపంచంలో చూస్తాము లేదా ఉపయోగిస్తాము.
  కోఎఫ్ఫిషియెంట్(co efficient) ఆఫ్(of) వెరియెన్స్(variance) పెట్టుబడిలో, మీకు ఎంత అస్థిరత లేదా రిస్క్ ఉందో, మీరు మీ పెట్టుబడి నుండి మీరు ఆశించే రాబడిని పోలిస్తే ఊహించి ఉంటారు.
  ఈ CV మీరు పెట్టుబడి నుండి ఆశించే తిరిగి మొత్తాని పోలిస్తే, ఊహిస్తున్న ప్రమాదం ఎంతొ మీకు ఇస్తుంది.
  మీరు ఎంత ప్రమాదంలో ఉంటారో.
  కాబట్టి, మీరు చూసినట్లయితే ఇది చాలా ముఖ్యం, ఈ రకమైన దృశ్యాలు కూడా ముఖ్యమైనవి, మనము ప్రధానంగా పరపతి ద్వారా కొంత ప్రమాదాన్ని కలిగి ఉంటాము, ఎందుకంటే సంస్థను మౌలిక సదుపాయాల నుండి లేదా ఆవరణ అవస్థాపన నుండి తీసుకోవడం ద్వారా.
  కాబట్టి, ఇది మౌలిక సదుపాయాలు. 
  అందువల్ల, మౌలిక సదుపాయాలు ఇంకా అందుబాటులో లేనట్లయితే ప్రమాదం ఉంది.
  మాత్రమే కాదు, క్లౌడ్(cloud) విషయంలో అన్ని రకాలైన సేవలకు అని నేను చెప్పాలనుకుంటున్నాను.
  ఒకవేళ సేవ అందుబాటులో లేకపోతే, 
  నేను ఆ విషయాలపై చాలా రిస్క్ తీస్కోవాల్సి ఉంటుంది.
  సరళంగా ప్రామాణిక విచలనం యొక్క నిష్పత్తి ఎంత తక్కువగా ఉంటే రిస్క్ అంత తగ్గుతుంది.
  కాబట్టి, తిరిగి రావడానికి ప్రామాణిక విచలనం యొక్క నిష్పత్తిని తగ్గించండి. 
  కాబట్టి, ఆ ప్రమాదం మంచిది. 
  కాబట్టి, నేను మరింత మెరుగ్గా కర్వ్ లోకి వచ్చును.
  ఇది ఒక విధమైన స్మూత్ నెస్ (smoothness) యొక్క మెషర్(measure) ఇది.
  ఇది చాలా వేరియబుల్ (variable) లోడ్ లేదా ఎక్కువ పీక్ (peak) మరియు నాన్ పీక్(nonpeak) అయితే, వీటిని మెషర్(measure) చేయడం చాలా కష్టం అవుతుంది.
  లోడ్(load)ని స్మూథింగ్(smoothing) చేసినట్లైతే, అప్పుడు మెషర్ (measure) చేయడం మెరుగైన స్థితిలో ఉంటుంది.
  కాబట్టి, మీరు చెప్పినట్లుగా వైవిధ్యం CV యొక్క గుణకం, వ్యత్యాసానికి సమానం కాదు, లేదా సిగ్మా కోసం ప్రామాణిక విచలనం యొక్క నిష్పత్తిని సూచిస్తున్నందున సహసంబంధ గుణకం కాదు, ము లేదా ము మోడ్ యొక్క సంపూర్ణ విలువను సూచిస్తుంది. 
  కాబట్టి, ఇచ్చిన ప్రామాణిక విచలనం కోసం మృదువైన ద్రవ్యరాశి తగ్గుతుంది
  అందువల్ల, మేము సిగ్మాకు ము ద్వారా చెబుతున్నట్లుగా, అది పెద్ద సగటు అయితే, ఇచ్చిన ప్రామాణిక విచలనం విషయాలు మారవు లేదా చిన్న ప్రామాణిక విచలనం లేదా ఇచ్చిన సగటు కూడా విషయాలు మరింత నియంత్రణలో ఉంటాయని అర్థం.
  అందువల్ల, సౌలభ్యం యొక్క ప్రాముఖ్యత, అధిక వేరియబుల్ డిమాండ్‌ను ఖచ్చితంగా నిర్ణయించే లక్షణం, తక్కువ వినియోగాన్ని సాధిస్తుంది మరియు తదనంతరం సాపేక్షంగా సున్నితమైన డిమాండ్‌ను తీరుస్తుంది. 
  నాకు సేవా ప్రదాత ఉంది, నా వద్ద 100 వ్యవస్థలు ఉన్నాయి, అవి నా వెన్నెముక మరియు డిమాండ్ ఏదో సరైనదని నాకు తెలుసు. 
  అప్పుడు నేను ప్రాథమికంగా మంచి విషయాలను నిర్వహించగలను లేదా నాకు తక్కువ సంఖ్యలో వ్యవస్థలు ఉన్నాయి.
  కాబట్టి, n యొక్క విలువ ఎంత సులభం అవుతుంది, కానీ అది చాలా తేడా ఉంటే అకస్మాత్తుగా డిమాండ్ 100, 10, మొదలైనవి అవుతుంది, అప్పుడు నాకు సమస్య ఉంది, సరే. 
  అదేవిధంగా, ఏదైనా దుకాణదారుడి కోసం మేము మా రోజువారీ జీవితాన్ని పరిశీలిస్తే, మీరు చేసే నిబంధన ఏమిటంటే మీరు దానిని స్టోర్లో ఉంచుతారు, అది డిమాండ్ మీద ఆధారపడి ఉంటుంది, డిమాండ్ కొంతవరకు సున్నితంగా ఉంటే, అది ఉండవచ్చు సోమవారం డిమాండ్ మంగళవారం డిమాండ్ నుండి భిన్నంగా ఉంటుంది, వారపు రోజు నుండి వారపు వారాంతం వారపు రోజు డిమాండ్ నుండి భిన్నంగా ఉంటుంది..
  కానీ అతనికి ఒక ఆలోచన ఉంది, కానీ అది పూర్తిగా యాదృచ్ఛికం కానీ మీరు ఏమీ చేయలేరు, అది ప్రొవిసోన్స్(provisions) విషయాలు చాలా కష్టం.
  కాబట్టి, అదే విషయం ఉంది.
  బహుళ సోర్స్(sources) ల నుండి డిమాండ్ నుండి మల్టీప్లెక్స్(multiplex) చేస్తే వారియెన్స్(variance) యొక్క కోఎఫీషియంట్(coefficient)ని తగ్గించవచ్చు.
  ఇప్పుడు, నేను ఎలాంటి విభిన్న రెసోర్స్(resources)లను ఏ విధంగా కలిగి ఉంటుందో వారు ఊహించలేరు, కానీ బహుళ సోర్స్(sources)ల నుండి వేర్వేరు డిమాండు(demand)ను మల్టిప్లెక్స్(multiplex) చేయచ్చు.
  కాబట్టి, ఈ మల్టీప్లెక్స్ అనేది మంచి CV ను ఇవ్వగలదు.
  ఇది కొద్దిగా స్మూత్(smooth) CV ని కలిగి ఉండవచ్చు, అక్కడ మొత్తం డిమాండ్(demand) విషయాలు అక్కడ అన్ని ఆ సమయంలో పీక్(peak) వెళ్తున్నారు వంటి కాదు, అన్ని తక్కువ విషయాలు వద్ద డౌన్(down) అవుతుంది, కానీ మల్టీప్లేక్సింగ్(multiplexing) ని కలిగి ఉంటాయి.
  మనము X1, X2, Xn లు డిమాండ్(demand) యొక్క ఒకే రకమైన ప్రమాణాన్నికలిగిన ఇండెపెండెండ్ రాండమ్ వేరియబుల్స్(independent random variables) చూస్తే, వారు ఒకే సిగ్మా మరియు mu లు కలిగి ఉన్నారు.
  కాబట్టి, సగటు సందర్భంలో సమిష్టి డిమాండ్, అంటే n mg మొత్తం వ్యత్యాసం n సిగ్మా స్క్వేర్(square).
  16.02 కాబట్టి, ఆ వారియెన్స్(variance) యొక్క కోఎఫీషియంట్(coefficient) లెక్కించినట్లయితే, ఇది 1 బై (by) రూట్ n CV అవుతుంది.
  కాబట్టి, n పెరుగుతున్నట్లయితే, 1 బై (by) root n తగ్గిపోతుంది.
  సో, నేను మరింత సులభం, ఈ వారియెన్స్(variance) యొక్క కోఎఫీషియంట్(coefficient) లేదా స్మూత్(smooth) రకమైన కర్వ్(curve) కి వెలుతుంది.
  కాబట్టి, n ఇన్డిపెన్డంట్(independent) డిమాండ్(demand) 1 బై(by) రూట్(root) n ద్వారా తగ్గిస్తుంది.
  సో, అది మరింత సులభం అవుతుంది.
  తగినంత అదనపు రెసోర్స్(resource)లను జరిమానా చిన్నదైనప్పటికీ, సరియైనదే.
  కాబట్టి, ఏమి జరుగుతుందంటే అది నిష్క్రమించినట్లయితే, నా దగ్గర చాలా లేదు. నా వెనుక మరియు కుడి వైపున ఎక్కువ వనరులను ఉంచాలి, అది తక్కువ హక్కును కలిగిస్తుంది.
  లేకపోతే అది 10 యూనిట్ల 10 డిమాండ్ లేదా 100 యూనిట్లు, మొదలైనవి కాదా అని నాకు తెలియదు మరియు ఆ తరువాత నేను వెనుకకు 100 యూనిట్ల ట్రాక్ని ఉంచాలి.
  100 పనిభారాన్ని 10 శాతం తగ్గించినట్లే, 1 రూట్ 100 రూట్ కంటే ఎక్కువ 10 ద్వారా తగ్గించబడుతుంది. 
  అందువల్ల, ఇది మొత్తం 10 శాతం తగ్గించగలదు. 
  కాబట్టి, బహుళ వనరులను సమీకరించడం వలన నాకు తగ్గింపు లోడ్ అయ్యే అవకాశం ఉంది.
  వివిధ వర్క్ లోడ్(workloads) ల గురించి చూసినట్లైతే; x మరియు 1-x sum అనేది రాండమ్ వేరియబుల్(random variable), ఇది కస్టమర్ సెగెమెంట్(customer segments)ల సరైన ఎంపిక. ఇది మరొక ముఖ్యమైన విషయం, నేను కంప్యూటింగ్ ఇన్ఫ్రాస్ట్రక్చర్(infrastructure)ని కలిగి ఉన్నాను.
  ఆ కస్టమర్ల (customers)ను ఎంచుకుంటాను, వాటిలో కొన్నిటి ప్రాసెసింగ్(processing) డే టైమ్(day time) లో చురుకుగా ఉంటాయి, మరికొన్నిటి ప్రాసెసింగ్(processing) రాత్రి సమయంలో చురుకుగా ఉంటాయి.
  ఇది కొంపెన్సెట్ (compensate) అవుతూ ఉంటుంది, రెండు రకాల కస్టమర్ల(customers) ఒకే సమయంలో పని చేస్తే అప్పుడు పీక్(peak) చాలా ఎక్కువగా ఉంటుంది, కానీ ప్రతికూల డిమాండ్లను నిర్ధిష్ట సమయ వ్యవధిలో ఎంచుకోవాలి.
  అదే ఇన్ఫ్రాస్ట్రక్చర్(infrastructure)తో దీన్ని నిర్వహించవచ్చు.
  కాబట్టి, కస్టమర్ బేస్ ఎంపిక అనేది ముఖ్యమైన విషయం, కస్టమర్(customer) ఎంచుకునేటప్పుడు ఏ విధమైన విషయాలు ఉంటాయి.
  సంపూర్ణ కోర్ రేలేటెడ్ (correlated) డిమాండ్(demand), కొన్ని విషయాలు సంపూర్ణ కోర్ రేలేటెడ్ (correlate) అయితే మొత్తం డిమాండ్ nX గా ఉంటుంది.
  సమ్(sum) యొక్క వారియెన్స్(variance) n2 సిగ్మా2 (x) అవుతుంది మరియు మీన్(mean) n సిగ్మా మరియు స్టాండర్డ్ డీవియేషన్(standard deviation) n.
  సిగ్మా(x) మరియు ఇప్పటివరకు, వైవిధ్యం యొక్క గుణకం స్థిరంగా ఉంటుంది.
  కాబట్టి, ఈ విషయం స్థిరంగా ఉంటుందనే సంపూర్ణ సంబంధంతో ఉంటుంది.
  ఇక మూడవ అంశం, ఒకే సమయంలో అన్ని డిమాండ్లు(demands) ఒకే సమయంలో పీక్(peak) టైమ్లో(time) వస్తే, అది ఒక తీవ్రమైన సమస్య అవుతుంది.
  అప్పుడు ఒకే సమయంలో డిమాండ్ చేస్తున్న అంశాలలో కంజేషన్(congestion) వస్తుంది.
  నేను చెప్పినట్టూ అన్ని తరగతులూ గంటల ఆధారంగా విభజించ బడతాయి.
  కాబట్టి, గంట ఆధారంగా, ఈ రూట్ నెట్ వర్క్(root network) కోసం మనకు ఎక్కువ డిమాండ్ (demand) ఉంటుంది.
  సైకల్(cycles) వంటి ఎక్కువ వాహనాలు కోసం అధ్యయనం చేశారు, అవి డిమాండ్ లో ఉన్నాయి ఎందుకంటే అన్ని తరగతులు ఉన్నాయి కాబట్టి, ఇదే సమయంలో ఇది పీక్(peak) కి వెళ్ళి ఒక సమస్యగా ఉంటుంది.
  మన యదార్ధ ప్రపంచంలో, కోర్ రేలేటెడ్ (correlated) డిమాండ్(demand) లు, ప్రైవేట్(private), మిడ్ సైజ్ (midsize), పెద్ద పరిమాణ ప్రొవైడర్లు ఒకే గణాంక ప్రమాణాలను అనుభవించవచ్చు.
  కాబట్టి, ఇది ఎక్కువ లేదా తక్కువ కోర్ రేలేటెడ్ (correlated) డిమాండ్(demand).
  ఇండిపెండెంట్ డిమాండ్(independent demand), మిడిల్ సైజ్(middle size) ప్రొవైడర్(provider) అనంతమైన లార్జ్ ప్రొవైడర్(large provider)ని పోలిన గణాంక ఎకానమీ(economy)ని సాధించగలదు.
  లార్జ్ ప్రొవైడర్(large provider) కోసం అందుబాటులో ఉన్న స్ధాయిలో లభ్యమయ్యే సమాచారం మిశ్రమం గా ఉంటుంది ఎందుకంటే విద్యుత్తు సరఫరా కోసం ఒక ప్రధాన విషయం ఏమిటంటే, చౌకైన విద్యుత్ సరఫరాలకు సమీపంలో ఉన్న సెల్ వ్యవస్థలు మరియు విడిభాగాల వ్యాపారానికి సంబంధించిన అదే COTS రకాన్ని ఉపయోగించడం డేటా కేంద్రాలు, విద్యుత్ సరఫరా చాలా చౌకగా మరియు సమీపంగా ఉన్న ఒక డేటా సెంటర్ను(center) నిర్మించాలని వారు కోరుకుంటారు.
  ముందటి ఎంట్రయిన్ ఆటోమేషన్(automation) సాధనం మూడవ పక్ష పార్టీలు దానిని జాగ్రత్తగా చూసుకుంటాయి.
  కాబట్టి, మూడవ పార్టీ తీసుకోవటానికి వీలున్న ఆటోమేటెడ్ టూల్స్(automated tools) ఉండవచ్చు.
  ఇక్కడ ఒక లొకేషన్(location) కి సంభందించిన విలువ ఉంటుంది లేదా లొకేషన్ ఇండిపెండెన్స్(location independence)కు యొక్క విలువ.
  మనము కంప్యూటర్లను ఉపయోగిస్తాము, కానీ ఇప్పుడు అప్లికేషన్ సర్వీసు(application services)లు ఇప్పుడు మన వద్దకే వస్తున్నాయి.
  ఇక్కడ పద్దతి మారుతూ ఉంది నిన్నటి ల కాకుండా అంటే మనమే ఆ సిస్టమ్(systems)ల వద్దకు వెళ్ళి వర్క్(work) చేసే విధంగా.
  ఇప్పుడు సిస్టమ్ పవర్ మొదలైనవన్నీ కూడా మన డెస్క్టాప్(desktop) దగ్గరకే వస్తున్నాయి. కాబట్టి, మన చాలా చిన్న సిస్టమ్ (system)లో భారీ రెసోర్స్(resources)లను ఉన్న పెద్ద సమూహాన్ని కలిగి ఉంటుంది, ఇది ఒక సాధారణ డెస్క్టాప్(desktop) కావచ్చు, లాప్టాప్(laptop) కావచ్చు, ఇక్కడ అన్ని రకాలైన విషయాలను వైర్లెస్ నెట్వర్క్ (wireless network), వైర్డ్ నెట్వర్క్(wired network), లేదా ఉపగ్రహాల వంటివాటి ద్వారా పొందుతాము, కానీ లెటన్సి(latency) గురించి ఏమిటి? ఈ లెటన్సి(latency) అనేది ఒక పెద్ద విషయం.
  హ్యూమన్ రెస్పోంస్(human response) 10 నుండి 100 మిల్లీసెకన్లు(milliseconds) ఉంటుంది.
  కాబట్టి, లెటన్సి(latency) అనేది డిస్టెన్స్ (distance)తో మరింత బలంగా పరస్పర సంబంధం కలిగి ఉంటుంది, అంతేకాకుండా మరింత నెట్వర్క్ లెటన్సి (network latency) తో, హాప్(hops) లతో,ఫైల్యూర్ రేట్ల(failure rates) మొదలైనవి కూడా ఇందులో ఉంటాయి.
  ఇది ఏ రూటింగ్ అల్గోరిథం(routing algorithms)లు ఉపయోగిస్తామో, మొదలైనవి వాటి మీద కూడా ఆధారపడి ఉంటుంది.
  ఇంకా వేగం, మనకు ఫైబర్(fiber) లో కాంతి వేగం తెలుసు.
  అది ఒక మిల్లిసెకనుకు 124 మైళ్ళు గా ఉంటుంది.
  నేను ఏదో శోధించడం చేస్తున్నాను అనుకుందాం మరియు అది రెండు సెకన్ల కన్నా ఎక్కువ సమయం పడుతుంది, అప్పుడు VOIP విషయం లో కూడా కరెక్ట్ గా ఉండదు, 200 నానో సెకోండ్స్(nano seconds) లేదా 200 మిల్లిసెకన్ సెకండ్(seconds) లు ఆలస్యం అవుతుంది, ఈ వాయిస్ ఓవర్ ఐపి(voice over IP) ని ఉపయోగించి కమ్యూనికేట్(communicate) చేయడం చాలా కష్టం.
  గ్లోబల్ యూసర్ బేస్(global user base)ని సపోర్ట్(support) చెయ్యడానికి వ్యాపింపబడిన సర్విస్ ఆర్కిటెక్చర్ (service architecture) అవసరం అవుతుంది.
  అందువల్ల, నేను ఆర్కిటెక్చర్‌కు మద్దతు ఇవ్వాలనుకుంటే, నా ప్రొవైడర్ అన్ని గ్లోబల్ యూజర్ బేస్‌కు మద్దతు ఇవ్వాలంటే, ప్రోటోకాల్‌పై అలా చేయడానికి నేను సరిగ్గా పంపిణీ చేయబడిన మరియు చెదరగొట్టబడిన నిర్మాణాన్ని కలిగి ఉండాలి.
  కాబట్టి, పొందిక లభ్యత విభజన సహనం సమన్వయం మరియు సమన్వయం ఈ సమస్యలు.
  అందువల్ల, మరియు మనం ఎలాంటి పెట్టుబడి పెట్టాలనుకుంటున్నామో దానిపై ప్రత్యక్ష చిక్కు ఉంది. 
  దీని యొక్క మరొక కోణాన్ని వెంటనే చూడాలనుకుంటున్నాము.
  యుటిలిటీ ప్రైసింగ్ యొక్క విలువను మనం పిలుస్తాము.
  ధర ఎలా ఉంటుంది, విషయాలు ఎలా ఉంటాయి, నేను వ్యవస్థను ఎలా నిర్వహించగలను మరియు ఇది క్లౌడ్‌కు వెళ్లడానికి లేదా మీ స్వంత ప్రాంగణంలో ఏదైనా ఉపయోగకరంగా ఉందో లేదో చూడటానికి కూడా నాకు సహాయపడుతుంది.
  అందువల్ల, స్కేల్ యొక్క ఆర్ధికవ్యవస్థలు ఎల్లప్పుడూ చాలా ప్రభావవంతంగా ఉండకపోవచ్చు, దీని అర్థం ప్రతి ఒక్కరూ సరైనదిగా భావిస్తున్నారని అర్థం, అయితే క్లౌడ్ సేవ సరసమైనదిగా ఉండటానికి చౌకగా ఉండవలసిన అవసరం లేదు.
  కాబట్టి, ఇది ఎకనామిక్ పోలీసుల ఆలోచన, ఇది నా అవసరాన్ని బట్టి ఉంటుంది మరియు నేను ఎలాంటి డిమాండ్ చేస్తున్నాను.
  కారును పరిగణించే భవనాలకు మేము ఒక ప్రసిద్ధ ఉదాహరణ ఇస్తే.
  అందువల్ల, కారు కొనడం లేదా అద్దెకు తీసుకోవడం రోజుకు 500 చొప్పున నాకు సరైనదిగా అనిపించవచ్చు.
  అయితే, కారు అద్దె రోజుకు 500 అని చెప్పవచ్చు.
  కాబట్టి, ఇది ఎప్పుడు ఆర్థికంగా ఉంటుంది? నేను దీన్ని ఎప్పుడూ చూస్తానని అనుకుందాం మరియు కారు కొనడం ఆర్థికంగా ఉంటుందని అనుకుంటున్నాను.
  కానీ, నేను చాలా దూరం లేదా సన్నివేశం మాట్లాడుతుంటే; అంటే, నెలకు ఒకసారి లేదా నెలలో కొన్ని రోజులు ఆలస్యం.
  అప్పుడు కారు కొనడం కారు అద్దెకు ఇవ్వడం కంటే ఖరీదైనది, కాని నా కార్యాలయానికి పెద్ద దూరం ప్రయాణించే రోజూ నాకు కారు అవసరమైతే, అప్పుడు కారు కొనడం, బహుశా కారు అద్దెకు పోలిస్తే ఆర్థికంగా ఉంటుంది; సరే.
  కాబట్టి, ఇవన్నీ మీరు ఎలాంటి డిమాండ్ చేస్తున్నారనే దానిపై ఆధారపడి ఉంటుంది.
  కాబట్టి, మీరు కొన్ని గణిత వ్యక్తీకరణలను సరళీకృతం చేయడానికి సరళీకృతం చేయండి కాబట్టి ప్రయత్నించండి.
  నాకు D (t) కొరకు డిమాండ్ ఉందని అనుకుందాం.
  కాబట్టి, డిమాండ్ ఎప్పటికప్పుడు మూలధనం T 0 ద్వారా మారుతుంది.
  కాబట్టి, వనరుల డిమాండ్ D (t), P అనేది గరిష్ట డిమాండ్ లేదా గరిష్ట డిమాండ్, A సగటు డిమాండ్.
  అందువల్ల, కాలక్రమంలో సగటు, B అనేది బేస్లైన్ లేదా సొంత యూనిట్ ఖర్చు.
  కాబట్టి, నాకు యూనిట్ ఖర్చు, ప్రాథమిక వ్యయం సి మాత్రమే ఉంటే క్లౌడ్ యూనిట్ ఖర్చు ఎంత?
  కాబట్టి, నేను యు మరియు ప్రీమియం ప్రీమియం అద్దె వస్తువును కొనుగోలు చేస్తే, క్లౌడ్ యూనిట్ యొక్క ధర ఎంత, ఒక కారు దాని కోసం ఒక రకమైనది. కాబట్టి, కారు బహుశా ఏదో ఒకటి, మన విషయంలో ఏది వచ్చినా అద్దె ఉంది నుండి 500. 5000.
  కాబట్టి, కొన్ని 10 మందికి యుటిలిటీ ఉంది.
  కాబట్టి, ప్రీమియం యొక్క ప్రయోజనం ఏమిటంటే క్లౌడ్ సేవను బేస్‌లైన్ సేవతో విభజించడం సరైనది.
  ఈ యుటిలిటీ ప్రీమియం, మేము పనులు సరిగ్గా చేస్తున్నాము.
  ఇప్పుడు ఇది యుటిలిటీ ప్రీమియం, నాకు వేరియబుల్ డిమాండ్ డి (టి) ఉంది, నాకు పికి డిమాండ్ ఉంది, మా సగటు డిమాండ్, బేస్లైన్ యాజమాన్యంలోని యూనిట్ ఖర్చు డిసి, క్లౌడ్ యూనిట్ ఖర్చు సి మరియు నేను తెలుసుకోవాలనుకుంటున్నాను.
  యుటిలిటీ ప్రీమియం సి.
  బి.
  బి.
  మొత్తం క్లౌడ్ ఖర్చును నేను చూడాలనుకుంటే.
  కాబట్టి, 0 నుండి T ని DT లోకి U నుండి B కి అనుసంధానించడం అనేది మొత్తం క్లౌడ్ ఖర్చు, ఇది U గురించి నా క్లౌడ్ యొక్క మొత్తం ఖర్చు.
  నేను కాలక్రమేణా మొత్తం బేస్లైన్ను లెక్కించాలనుకుంటే; అందువల్ల, పి గరిష్ట డిమాండ్ ఎందుకంటే నేను నా బేస్లైన్ కోసం వెళుతున్నప్పుడల్లా.
  బి బేస్లైన్ దాని స్వంత యూనిట్ ఖర్చును కలిగి ఉంది మరియు టి మొత్తం సమయ స్కేల్ అని లెక్కించడానికి నేను గరిష్ట డిమాండ్ కోసం వెళ్ళాలి.
  ఇప్పుడు, మేఘం చౌకగా ఉన్నప్పుడు, CT BT కన్నా తక్కువగా ఉన్నప్పుడు, మేఘం యొక్క ధర బేస్‌లైన్ ఖర్చు కంటే తక్కువగా ఉంటే అది చౌకగా ఉంటుంది.
  కాబట్టి, లేదా మరొక కోణంలో మీరు చాలా సరళీకృత రూపంలో చూస్తే.
  కాబట్టి, పి బై ఎ యుటిలిటీ ప్రీమియం హక్కును మించినప్పుడు.
  సగటు వ్యయం కంటే గరిష్ట ధర, సగటు డిమాండ్ కంటే గరిష్ట డిమాండ్, యుటిలిటీ ప్రీమియంను మించిపోయింది.
  అందువల్ల, యుటిలిటీ ప్రీమియం గరిష్ట డిమాండ్ నిష్పత్తి కంటే తక్కువగా ఉన్నప్పుడు, మీ క్లౌడ్ సగటు డిమాండ్ కోసం చౌకగా ఉండవచ్చు, అప్పుడు మౌలిక సదుపాయాల యజమాని లేదా SE.
  కాబట్టి, వాస్తవ ప్రపంచంలో యుటిలిటీ ధర, ప్రాక్సిస్ డిమాండ్లలో తరచుగా కొత్త కథల వంటి నేరాల పైపు స్పైక్‌లు ఉంటాయి, ఇది విషయాలలోకి వచ్చింది.
  మార్కెట్ ప్రమోషన్లు, ప్రొడక్ట్ లాంచ్‌లు, ఇంటర్నెట్ ఫ్లాష్ వరదలు కొన్ని ఇంటర్నెట్ ఎట్ సెటెరా కోసం వెళ్తాయి.
  క్రిస్మస్, పన్ను వంటి కొన్ని కాలానుగుణ వస్తువులు.
  కాబట్టి, ఆ కాలంలో విషయాలు పెరుగుతాయి.
  తరచుగా హైబ్రిడ్ మోడల్ ఆధారితమైనది.
  మీరు రోజువారీ ప్రయాణానికి కారును కలిగి ఉన్నట్లు, కానీ ప్రయాణించేటప్పుడు లేదా కొనసాగడానికి మీకు పెద్ద దూరం అవసరమైనప్పుడు కారును అద్దెకు తీసుకోండి.
  ప్రధాన కారకం మళ్ళీ గరిష్ట డిమాండ్ నుండి సగటు డిమాండ్.
  అందువల్ల, ప్రధాన అంశం మళ్ళీ, గరిష్ట డిమాండ్ నుండి సగటు డిమాండ్ మధ్య నిష్పత్తి ఏమిటి, కాని మనం ఇతర ఖర్చులను కూడా పరిగణించాలి.
  మునుపటి గణనలో పరిగణించబడనట్లుగా, మా నెట్‌వర్క్ ఖర్చు రెండూ స్థిరంగా ఉన్నాయి మరియు వాడుకలో వ్యత్యాసం ఎక్కువగా ఉంది.
  ఒక సమాచారం ప్రకారం, ఒకరు డేటా ఓవర్‌హెడ్‌లో ఇతర వ్యక్తులతో మాట్లాడుతున్నారు.
  విశ్వసనీయత ప్రాప్యతను ఇప్పటివరకు పరిగణించండి మరియు సరిదిద్దండి.
  కాబట్టి, ఇవి వివిధ అంశాలు.
  మరొక అంశం, మేము ఆన్ డిమాండ్ సేవల విలువను మాత్రమే చూస్తాము.
  కాబట్టి, మీ స్వంత వనరులను కలిగి ఉన్నప్పుడు సాధారణ సమస్య, వనరులు తక్షణ డిమాండ్‌తో సమానంగా లేనప్పుడు మీరు జరిమానా చెల్లిస్తారు.
  నాకు 100 వనరులు ఉన్నాయని అనుకుందాం మరియు నేను జరిమానా చెల్లిస్తాను.
  ఇది తక్కువ అంచనా వేసినప్పుడు, ఇది 80 శాతం, 70 శాతంతో ఉపయోగించబడుతుందని చెప్పండి, మిగిలిన 10 కి ఒక 20, 30 విషయాలకు జరిమానా చెల్లిస్తాను, సరే.
  ఉపయోగించని వనరులకు చెల్లించండి లేదా సేవా డెలివరీ వస్తువులను కోల్పోయినందుకు జరిమానా విధించాలి.
  అందువల్ల, అది ఉన్నత విషయమైతే నేను సేవ చేయలేను.
  కాబట్టి, పెనాల్టీని ఎలా లెక్కించాలి? శిక్ష తక్షణ డిమాండ్‌కు అనులోమానుపాతంలో ఉంటుంది; సున్నా నుండి తక్షణ వనరులు t సమయంలో విలీనం చేయబడతాయి. 
  డిమాండ్ ఫ్లాట్ అయితే జరిమానా 0 సరైనది. 
  డిమాండ్ సరళ ఆవర్తన నిబంధన అయితే అది ఆమోదయోగ్యమైనది, ఇది ఆమోదయోగ్యమైతే అది ఆవర్తన నిబంధనతో పోలిస్తే సరళంగా ఉంటుంది. 
  డిమాండ్ సరళంగా లేకపోతే, క్లౌడ్‌లో ఆవర్తన ప్రొవిజనింగ్ పెద్ద ప్రశ్న. 
  ఈ సందర్భంలో (డి) పవర్ టి (డిటి) రైట్ ఇ (టి) కు సమానమైన డిమాండ్ ఉంటే, ప్రస్తుత డిమాండ్ ప్రకారం ఏదైనా స్థిర ప్రొవిజనింగ్ టైమ్ ఇంటర్వెల్ టిపి మీరు వేగంగా వెనుకబడిపోతారని మేము భావిస్తాము. 
  నేను భావించాను, విషయాలు పెరగడానికి నాకు సమయం కావాలి. 
  కాబట్టి, ఇది కొనసాగుతుంది, ఇది t కి సమానమైన t మైనస్ p. 
  ఈ సమయంలో D v, ఆ సమయంలో t p ని కేటాయించడం, ఒక నాశనాన్ని సృష్టిస్తుంది. 
  కాబట్టి, D T మైనస్ RT యొక్క 1 D T కి సమానం కాదని మీరు చెబితే. 
  కాబట్టి, శక్తి T కి ఖర్చు జరిమానా c, k1, e. 
  మరో కోణంలో ఈ జరిమానా వేగంగా పెరుగుతుంది. 
  ఇది పునరుద్దరించటానికి చాలా కష్టం, మీరు ప్రొవిజనింగ్ కంటే ఎక్కువ మరియు దానిపై శ్రద్ధ పెట్టడానికి ప్రయత్నిస్తే తప్ప అది ఘాతాంక విషయాలలో పెరుగుతున్నప్పుడు కొన్నిసార్లు కష్టం. 
  కాబట్టి, మీరు జాగ్రత్తగా ఉండాల్సిన అవసరం ఉంటే, ఎలాంటి డిమాండ్లు ఉన్నాయో మేము అధ్యయనం చేయాలి మరియు దాని ఆధారంగా నిబంధనలు ఉండాలి. 
  కాబట్టి, వీటి ఆధారంగా, నేను ఒక చిన్న నియామకాన్ని ఉంచాను, తద్వారా మీరు మీ స్వంత సమయానికి పని చేయవచ్చు మరియు మేము ఈ నియామకాన్ని ఈ తరగతుల్లో ఒకదానిలో కొంత ఖాళీ సమయంలో చర్చిస్తాము. 
  కాబట్టి, సంస్థ యొక్క గరిష్ట కంప్యూటింగ్ డిమాండ్ 120 యూనిట్లు మరియు ఫంక్షన్ టైమ్ ఎక్స్‌ప్రెస్ డిమాండ్‌ను పరిగణించండి. 
  ఈ విధంగా, గౌరవం D (t) తో, డిమాండ్ అనేది డిమాండ్, ప్రస్తుత డిమాండ్ t ని తీర్చడానికి క్లౌడ్ యొక్క రిసోర్స్ ప్రొవిజనింగ్ t కి సమానం మరియు ఇంకా డెల్టా t అనేది డిమాండ్‌పై అదనపు కంప్యూటింగ్‌ను అందించడంలో ఆలస్యం. వనరులు. 
  కాబట్టి, డెల్టా టి ఈ టిల్డేలో ఆలస్యం. 
  కాబట్టి, మనం చెప్పేది ఏమిటంటే, యూనిట్ సమయానికి యూనిట్ క్లౌడ్ రిసోర్స్ ఖర్చు 0.9 యూనిట్లు. 
  అందువల్ల, జరిమానాను లెక్కించాలనుకుంటున్నాము, ఏదైనా ఉంటే మరియు అలాంటి శిక్ష ఎందుకు ఉంది, కాబట్టి అలాంటివి ఎలా మరియు ఎక్కడ ఉన్నాయో అనే దానిపై మేము తీర్మానాలు చేయవచ్చు. 
  కాబట్టి, మేము ఏ రకాన్ని వంటి కొన్ని అంశాలను are హిస్తున్నాము; ప్రొవిజనింగ్‌లో ఆలస్యం జరిగితే, ఈ జరిమానాను దాని వినియోగదారులకు చెల్లించవచ్చు లేదా సర్వీస్ డెలివరీ మరియు విషయాల రకాన్ని కోల్పోవచ్చు. 
  అందువల్ల, ఈ సమస్యను పరిశీలించమని నేను మిమ్మల్ని ప్రోత్సహిస్తున్నాను, ఎప్పుడు విషయాలు జరుగుతాయో, ఈ తరగతి యొక్క తరువాతి విభాగంలో, మేము ఈ సమస్యను చర్చిస్తాము. 
  కాబట్టి, ఈ రోజుకు అంతే. 
  అందువల్ల, మేఘం యొక్క ఆర్ధికవ్యవస్థను మరియు అది ఎంతవరకు ప్రయోజనకరంగా ఉందో మరియు క్లౌడ్ యొక్క ఆర్ధికవ్యవస్థ మరియు రకాలను నడిపించే దాని విభిన్న అంశాలను చూశాము. 
  ధన్యవాదాలు.