Nghiên cứu các giải pháp phân tải trong điện toán biên

HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG - Nguyễn Văn Thành NGHIÊN CỨU CÁC GIẢI PHÁP PHÂN TẢI TRONG ĐIỆN TOÁN BIÊN LUẬN VĂN THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) HÀ NỘI - 2021 HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THƠNG - Nguyễn Văn Thành NGHIÊN CỨU CÁC GIẢI PHÁP PHÂN TẢI TRONG ĐIỆN TOÁN BIÊN CHUYÊN NGÀNH : KỸ THUẬT VIỄN THÔNG MÃ SỐ: 8.52.02.08 LUẬN VĂN THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) NGƯỜI HƯỚNG DẪN KHOA HỌC TS HOÀNG TRỌNG MINH HÀ NỘI - 2021 i LỜI CAM ĐOAN Em xin cam đoan luận văn thạc sỹ với đề tài “Nghiên cứu giải pháp phân tải điện toán biên” kết trình học tập nghiên cứu cá nhân Các số liệu, tài liệu sử dụng luận văn hoàn toàn thu thập ban đầu trích dẫn từ nguồn tin cậy, bảo đảm tính xác, rõ ràng, việc xử lý, phân tích đánh giá số liệu thực cách trung thực, khách quan Hà Nội, ngày tháng năm 2021 Học viên thực Nguyễn Văn Thành ii LỜI CẢM ƠN Đầu tiên xin trân trọng gửi lời cảm ơn sâu sắc đến quý thầy cô trường Học viện Cơng nghệ Bưu Viễn thơng thời gian qua dìu dắt tận tình truyền đạt cho em kiến thức, kinh nghiệm vô quý báu mà em có kết ngày hơm Xin trân trọng cảm ơn TS Hoàng Trọng Minh, người hướng dẫn khoa học luận văn, hướng dẫn tận tình giúp đỡ mặt để hồn thành luận văn Xin trân trọng cảm ơn quý thầy cô Khoa Đào tạo sau đại học hướng dẫn giúp đỡ em trình thực luận văn Cuối biết ơn tới gia đình, bạn bè người thân động viên, giúp đỡ tác giả suốt trình học tập thực luận văn Xin trân trọng cảm ơn! iii MỤC LỤC LỜI CẢM ƠN i MỤC LỤC iii DANH MỤC CÁC THUẬT NGỮ, CHỮ VIẾT TẮT vi DANH MỤC CÁC HÌNH VẼ .ix LỜI MỞ ĐẦU CHƯƠNG 1: TỞNG QUAN VỀ ĐIỆN TỐN BIÊN 1.1 GIỚI THIỆU CHUNG 1.2 CÁC MƠ HÌNH TÍNH TỐN CỦA MẠNG TRUYỀN THƠNG 1.3 CÁC THÀNH PHẦN ĐIỆN TOÁN BIÊN 1.4 CẤU TRÚC PHÂN CẤP CỦA ĐIỆN TOÁN BIÊN .11 1.4.1 Cấu trúc hai tầng 11 1.4.2 Kiến trúc ba tầng 12 1.5 KỊCH BẢN ỨNG DỤNG ĐIỂN HÌNH 14 1.5.1 Phân tải đám mây .14 1.5.2 Phân tích video 16 1.5.3 Nhà thông minh 16 1.5.4 Thành phố thông minh 17 1.5.5 Hợp tác biên 18 1.6 CÁC ƯU ĐIỂM VÀ THÁCH THỨC 19 1.6.1 Các ưu điểm điện toán biên 19 1.6.2 Các thách thức điện toán biên .20 1.7 KẾT LUẬN CHƯƠNG 27 CHƯƠNG 2: CÔNG NGHỆ VÀ KIẾN TRÚC ĐIỆN TOÁN BIÊN 28 iv 2.1 GIỚI THIỆU CHUNG 28 2.2 CLOUDLET 30 2.2.1 Các khái niệm 30 2.2.2 Nguyên lý cloudlet 31 2.2.3 Ứng dụng cloudlet 31 2.3 ĐIỆN TOÁN BIÊN DI ĐỘNG MEC .32 2.3.1 Ứng dụng MEC .33 2.3.2 Kiến trúc hệ thống MEC .33 2.3.3 Các cơng nghệ MEC 34 2.4 ĐIỆN TOÁN SƯƠNG MÙ 36 2.4.1 Tiêu chuẩn hóa điện tốn sương mù 36 2.4.2 Ứng dụng điện toán sương mù 37 2.4.3 Kiến trúc hệ thống điện toán sương mù 38 2.5 KẾT LUẬN CHƯƠNG 39 CHƯƠNG 3: CÁC GIẢI PHÁP PHÂN TẢI CỦA ĐIỆN TOÁN BIÊN .40 3.1 CÁC KỸ THUẬT PHÂN TẢI TÍNH TỐN .40 3.1.1 Phân loại phân tải tính tốn 40 3.1.2 Mơ hình hóa tính tốn phân tải 42 3.2 CÁC YẾU TỐ ẢNH HƯỞNG TỚI QUYẾT ĐỊNH PHÂN TẢI 44 3.3 MỘT SỐ PHƯƠNG PHÁP PHÂN TẢI 46 3.3.1 Tối ưu hóa lồi .46 3.3.2 Quá trình định Markov 47 3.3.3 Lý thuyết trò chơi 49 3.3.4 Học máy .50 3.4 MỘT TIẾP CẬN PHÂN TẢI TÍNH TOÁN 51 3.4.1 Các giả thiết kịch 51 v 3.4.2 Thuật toán kết mô 55 3.5 KẾT LUẬN CHƯƠNG 57 KẾT LUẬN 59 DANH MỤC CÁC TÀI LIỆU THAM KHẢO 60 vi DANH MỤC CÁC THUẬT NGỮ Viết tắt Tiếng Anh Tiếng Việt Analog to Digital Converter Bộ chuyển đổi tương tự - số AI Artificial intelligence Trí tuệ nhân tạo BS Basic Station Trạm gốc CSP Content Security Policy Chính sách bảo mật nội dung CAV Computer Aided Verification Đo kiểm tra đánh giá chất lượng sản xuất chế tạo CPU Central Processing Unit Bộ xử lý trung tâm Code Division Multiple Access Đa truy cập phân chia theo mã DAC Digital to Analog Converter Bộ chuyển đổi số - tương tự D2D Device to device Thiết bị tới thiết bị DSP Digital Signal Processor Bộ xử lý tín hiệu số DSL Digital Subscriber Line Kênh thuê bao số DNS Domain Name System Hệ thống tên miền Edge Computing Điện toán biên ETSI European Telecommunications Standards Institute Viện tiêu chuẩn viễn thông châu Âu FAP Femtocell Access Point Điểm truy cập Femtocell Fog computing Điện toán sương mù Forward Master Events Controller Bộ điều khiển kiện chuyển tiếp GPP General Purpose Processor Bộ xử lý chức chung GUID Globally Unique Identifier nhận dạng toàn cầu Long Term Evolution Sự tiến hóa dài hạn ADC CDMA EC FC FMEC LTE vii MEC Mobile Edge Computing Điện toán biên di động MDP Markov Decision Process Quá trình định Markov MAC Mobile Ad hoc Cloud Điện toán đám mây hoc di động Mix Integer Non-Linear toán thuộc lớp độ phức tạp NP-hard NFC Near Field Communications Giao tiếp gần NFV Network Function Virtualization Ảo hóa chức mạng NDN Naming Data Network Đặt tên mạng liệu RAN Radio Access Network Mạng truy nhập vô tuyến RF Radio Frequency Tần số vô tuyến FIFO First in First out Vào trước trước FFT Fast Fourier Transform Biến đổi Fourier nhanh FBS Femtocell Basic Station Trạm gốc Femtocell GA Genetic Algorithm thuật toán di truyền OSI Open system interconnection Mơ hình kết nối hệ thống mở Orthogonal Frequency Division Multiple Access Đa truy nhập phân chia theo tần số trực giao Paas Platform as a Service Nền tảng dịch vụ PSO Particle Swam Optimization tối ưu bầy đàn RPC Remote Procedure Call gọi thủ tục từ xa RTSI The European Telecommunications Standards Institute Viện Tiêu chuẩn Viễn thông Châu Âu Radio Frequency Tần số vô tuyến MINPL OFDMA RF viii Saas Software as a service Phần mềm dịch vụ SDN Software Defined Network Mạng định nghĩa phần mềm VM TDMA Virtual Machine chương trình giả lập hệ thống máy tính Time Division Multiple Access Đa truy nhập phân chia theo thời gian IoT Internet of Things Internet vạn vật 48 định năm tập hợp theo quy trình phân tải Sau đó, ta lập phương trình Bellman sau: V * s)  max{R( s, a)    p( s | s, a)V * ( s)} aA s S (3.11) R kết tức thì, p xác suất chuyển trạng thái, λ hệ số giảm V tổng kết dự kiến Sau đó, sử dụng giải pháp cổ điển thuật tốn lặp giá trị thuật tốn lặp sách, ta có định phân tải tối ưu, chẳng hạn định việc thực thi cục phân tải định máy chủ EC nên thực tác vụ tải xuống Các tiếp cận phân tải theo hướng dựa tính như: việc định, trạng thái hệ thống, hành động, kết quả, mục tiêu thuật tốn Hầu hết mơ hình MDP xác định khoảng định cố định khe thời gian Từ giả định này, coi tác vụ tính tốn u cầu đầu khe thời gian yêu cầu đến tích lũy khe định đưa vào đầu khe hình 3.2 MDP với khe thời gian cố định giúp đơn giản hóa việc mơ hình hố, thường gặp phải trễ bổ sung tích lũy thời gian chờ đợi Nếu định đưa nhận nhiệm vụ, mơ hình loại bỏ thời gian chờ đợi, khoảng thời gian không chắn yêu cầu dự đoán độ dài khoảng tiếp theo, điều làm cho mơ hình MDP xác Hình 3.2: Các tác vụ đến tiến trình MDP Trong nghiên cứu [17] nhóm tác giả tập trung vào việc phân tải phân cấp, ED đưa định: 1) phân tải cho đám mây trung tâm; 2) phân tải đến máy chủ EC; 3) tự xử lý nhiệm vụ; 4) trì hỗn thực thi nhiệm vụ Quyết định 49 cuối xuất điều kiện ED chuyển động đến vùng phủ sóng khác Nhóm tác giả sử dụng mơ hình MDP để tối đa hóa hàm tiện ích chung gồm kết hợp kết hồn thành nhiệm vụ, chi phí truyền tải, chi phí tiêu thụ lượng MDP phù hợp để lập mơ hình phân tải tính tốn EC với điều kiện động phản ánh qua xác suất chuyển đổi trạng thái Tuy nhiên, với số chiều lớn (số trạng thái lớn) số thuật tốn MDP cổ điển khơng xử lý tối ưu 3.3.3 Lý thuyết trò chơi Lý thuyết trò chơi cơng cụ mạnh mẽ để phân tích thiết kế chế phân tán Trong lĩnh vực phân tải cho điện tốn biên, sử dụng kịch phân tải nhiều người dùng Trong ED địa phương lựa chọn chiến lược thích hợp để đạt giải pháp phân tải hợp lý Trong mơ hình này, ED đưa định phân tải, nhận kết (tiện ích), cập nhật định Thủ tục lặp lại kết cải thiện thêm gọi trạng thái cân Nash Do đó, thuật tốn lặp thường sử dụng để tìm trạng thái cân Nash Đối với ED tốn tối ưu hóa hướng tới tối đa hóa tiện ích Do vậy, sử dụng giải pháp tối ưu hóa cổ điển để đạt trạng thái cân Nash Các mơ hình trị chơi phổ biến sử dụng nghiên cứu phân tải tính tốn bao gồm: • Trong trò chơi tiềm [18], tồn hàm tiềm Φ(x) (x vectơ chiến lược  người chơi) cho người chơi i Nếu người chơi thay đổi từ chiến lược x sang x ′, hàm kết (hoặc hàm chi phí) R(x) ánh xạ tới hàm tiềm Đó là: R( x, xi )  R( x, xi )  iff  ( x, xi )   ( x, xi )  fori  N (3.12) Đặc tính hấp dẫn trị chơi tiềm ln có trạng thái cân Nash • Bài tốn cân Nash tổng quát (GNEP) trò chơi bất hợp tác chiến lược chấp nhận người chơi phụ thuộc vào chiến lược người chơi khác Do đó, vectơ chiến lược khơng phải sản phẩm cố định tất chiến lược người chơi • Trị chơi ngẫu nhiên [19] trị chơi động với q trình chuyển đổi có xác suất thực nhiều người chơi Trị chơi ngẫu nhiên nhiều người chơi mô tả (N, K, S, A, P, R), N biểu thị số lượng người chơi thơng số khác giống hệt MDP Trong mơ hình này, người chơi 50 chọn hành động nhận kết Do đó, q trình chuyển đổi trạng thái phụ thuộc vào hành động chung tất Trị chơi tiềm sử dụng để lập mơ hình phân tải tính tốn [21] với mơ hình phân tải N-N (nhiều đến nhiều) ED đóng vai trị (người chơi) không tạo định phân tải, họ định kênh nên chọn để phân tải Mục tiêu tìm số lượng tối đa người dùng EC có lợi, tức cho phép phân tải số ED tối đa tác vụ tính tốn tới máy chủ EC Để làm điều này, tác giả phát triển hàm tiềm cho trị chơi phân tải tính tốn nhiều người chơi này, chứng tỏ trị chơi tiềm Do đó, trị chơi ln ln có cân Nash mà theo số lượng ED có lợi tối đa hóa Sau đó, thuật tốn phân tán phân tải tính tốn phát triển để đạt trạng thái cân Nash Ý tưởng thuật tốn sử dụng thuộc tính cải tiến hữu hạn trị chơi phân tải tính toán nhiều người chơi cho phép ED thời điểm cải thiện định phân tải tính tốn Ưu điểm lý thuyết trị chơi chất phân tán nó, phù hợp với kịch phân tải nhiều người dùng Tuy nhiên, lý thuyết trị chơi đảm bảo đạt trạng thái cân Nash mà khơng phải giải pháp tối ưu tồn cục 3.3.4 Học máy Học máy cụ thể mơ hình học tăng cường (Reinforce Learning) cách tiếp cận đầy hứa hẹn để đối phó với phức tạp cao thực tế Học tăng cường có phương pháp luận MDP, tức là, phương pháp tối ưu định phân tải xác định theo trạng thái hệ thống Tuy nhiên, có định tối ưu cách sử dụng kỹ thuật học máy tức cách đào tạo mạng nơ-ron Trong phần số vấn đề liên quan tới học tăng cường ứng dụng toán phân tải Học tăng cường RL thường mô tả vấn đề vấn đề theo định Markov MDP Vì vậy, mơ tả hệ thống mơ tả tồn trạng thái, hành động kết trình phân tải Trong phương pháp RL tồn mơ hình cốt lõi Dữ liệu đầu vào kết đầu qua mơ hình Một phương pháp RL quan trọng Q-learning Trong [23], tác giả nghiên cứu phân tải phân cấp ba tầng với vấn đề mấu chốt đưa định phân tải Q-learning sử dụng để có bảng định, hành động tốt cho trạng thái lưu trữ Sau đó, bảng phân phối cho tất ED sử dụng cho định phân tải Qlearning sử dụng [24] để tìm chiến lược phân cơng nhiệm vụ giúp 51 giảm thiểu tổng số lượng tiêu thụ ED, xem xét giới hạn độ trễ Tiếp cận giảm số chiều trạng thái định MDP gặp kho khăn N lớn Vì vậy, nghiên cứu cải thiện tiếp tục với mô hình học máy khác đem đến thời gian chạy tối ưu phương pháp tối ưu lồi Như vậy, mục số phương pháp mơ hình hóa tính tốn tối ưu toán phân tải Tùy thuộc vào kịch yêu cầu việc tính tốn tập trung hay phân tán, có khả mở rộng hay khơng, kịch tĩnh động, đơn mục tiêu hay đa mục tiêu, điều kiện kênh để có giải pháp tiếp cận khác 3.4 MỘT TIẾP CẬN PHÂN TẢI TÍNH TỐN Vấn đề phân tải tính tốn trình bày cho thấy có nhiều cách tiếp cận khác tùy thuộc vào kiến trúc mạng, yêu cầu toán kịch triển khai Trong đó, tốn tối ưu động luồng liệu phân tải nhận quan tâm nghiên cứu tính thích ứng với điều kiện thực Với hỗ trợ công nghệ mạng định nghĩa phần mềm SDN, tác nhân điều khiển triển khai nhiều node mạng biên nhằm đưa định điều khiển cục Bài tốn tối ưu hóa tập trung nhắm mục tiêu vào việc giảm thiểu mức tiêu thụ lượng người dùng cuối, đồng thời tính đến hạn chế độ trễ tính tốn người dùng cuối Để thực giảm tải động, chiến lược đưa sau: Đầu tiên, người dùng di động lựa chọn máy chủ MEC theo quy tắc trò chơi bất hợp tác người dùng tính ngẫu nhiên u cầu Sau đó, thiết bị người dùng sử dụng phương pháp học máy với liệu có nhu cầu, mơi trường khả đáp ứng để lựa chọn điểm kết nối tối ưu Hai giải pháp sử dụng đồng thời nhằm giải toán tối ưu hóa đa mục tiêu với hàm lợi ích tốt cho người sử dụng hiệu mạng Các chi tiết tiếp cận trình bày 3.4.1 Các giả thiết kịch Một tính tốn phân tải [24] với giả thiết kiến trúc tính tốn biên đa truy nhập hỗ trợ công nghệ mạng định nghĩa phần mềm SDN (Software Defined Network) có mơ hình N-N, nhiều máy chủ EC nhiều người dùng UE 3.3 Mỗi máy chủ MEC s, s  S , S  1, , s, S  giao tiếp với điều khiển SDN để thiết lập giá ps(t ) $ / bit  dịch vụ tính tốn khe thời gian t Hệ thống hoạt động theo chế chia theo khe thời gian, T  1, t , , T  Tại khe thời gian, điều khiển SDN xác định lựa 52 chọn máy chủ MEC UE, giá tối ưu ps(T ) cho máy chủ MEC mức phân tải liệu tối ưu bu(t, s) bits  người dùng cuối u đến máy chủ s chọn Mỗi người dùng cuối u, u U , U  1, , u, U  nhận thông tin yêu cầu điều khiển SDN để chuyển tải liệu but,s đến máy chủ chọn Mỗi người dùng cuối u có lượng liệu tối đa I ut  cần xử lý phân tải tới máy chủ MEC, but,s  Aut   0, Iut   , phần lại liệu xử lý cục Hình 3.3: Kiến trúc MEC hỗ trợ SDN a Hàm hiệu dụng UE Vào đầu khe thời gian, người dùng cuối u gửi đến điều khiển SDN tổng nhu cầu tính tốn I u t  cần thiết để thực tác vụ tính tốn, điều khiển SDN xác định lượng liệu phân tải tối ưu but,s cho người dùng cuối u máy chủ MEC s Giả thiết, máy chủ MEC có khả tính tốn giới hạn hạn chế, chiến lược phân tải liệu phân phần lại cho người dùng cuối tức là, b( tu) , phụ thuộc vào máy chủ phân bổ ảnh hưởng đến việc phân tải liệu but,s người dùng cuối u Do đó, việc phân tải liệu tương đối người dùng cuối định nghĩa r = (t ) u bu(t, s) (t ) u B , B(tu)   sS  uU , u ' u bu(ts) biểu thị t tổng mức phân tải liệu phần lại người dùng cuối u ', u '  U  {u} Mức hiệu dụng thực tế người dùng su(t ) thời điểm t tăng lên tỷ lệ với mức phân tải liệu tương đối but,s Tại đây, phần nhiệm vụ tính tốn u cầu phân tải cho máy chủ MEC không tiêu thụ tài nguyên máy tính cục 53 người dùng Để khơng tính tổng quát, hàm logarit cho liệu but,s phân tải người dùng cuối để thỏa mãn mức hiệu dụng thực tế sau su(t )  bu(t ) , bu(t )    u log 1  u ru(t )  (3.13) btu vectơ việc phân tải liệu tất người dùng cuối trừ người dùng u tham số u , u  R xác định độ dốc hàm logarit thể cá nhân hóa cho người dùng cuối u, biểu thị người dùng cuối mong muốn phân tải liệu họ lên máy chủ MEC Bên cạnh đó, Máy chủ tính phí sử dụng dịch vụ tính tốn sở mức phân tải liệu tương đối Điều kiện tạo điều kiện cân cho máy chủ Hàm chi phí liệu phân tải người dùng cuối lập công thức sau cu(t )  bu(t, s) , bu(t )   du( t ) ps( t ) ru( t ) (3.14) du(t )  R  thể khả chi trả người dùng để sử dụng dịch vụ tính toán máy chủ MEC Cụ thể, giá trị du(t ) nhỏ phản ánh hành vi mong muốn chia tải nhiều tới máy chủ Đơn giá máy chủ MEC biểu diễn qua ps(t ) Từ đây, định phân tải phụ thuộc vào việc người dùng có thấy hiệu sử dụng hay khơng biểu diên công thức 3.15   U u(t ) bu(t, s) , b(tu) , p     u log 1  u ru(t )   du(t ) pu(t ) ru(t ) t (3.15) pt    p1(t ) , , ps(t ) , , p (St )  biểu thị véc tơ giá công bố tất máy chủ MEC b Hàm chi phí MEC Mỗi máy chủ MEC hỗ trợ tổng nhu cầu tính toán người dùng cuối khe thời gian  uU bu(t, s) từ tất người dùng cuối chọn máy chủ MEC cụ thể để phân tải liệu họ Để điều tiết lưu lượng người sử dụng, máy chủ cung cấp chiết khấu f s(t ) để thu hút dịch vụ phân tải tài nguyên dư nhiều Để xác định khả truy nhập người dùng vào máy chủ, giải pháp sử dụng phương pháp học tăng tăng cường SDN quản lý MEC Tại khe thời gian t, người dùng cuối chọn phục vụ máy chủ MEC, đó, tập hợp hành động người dùng cuối khe thời gian t a  t   {a1 , , a2 , , aS } Bộ điều khiển SDN có thơng tin liệu phân tải 54 người dùng cuối b  t  giá p  t  mà máy chủ MEC thông báo liên quan đến việc cung cấp dịch vụ Từ đó, xác định điểm định Rs(t ) cho máy chủ MEC chuẩn hóa theo hướng xác định xác suất reward sau rewx(t )  Rs(t )  sS Rs(t ) (3.16) Xác suất phần thưởng  rews(t )  đại diện cho phần thưởng tiềm mà người dùng cuối trải nghiệm cách chọn phân tải liệu lên máy chủ MEC s Theo lý thuyết học tự động ngẫu nhiên, vectơ xác suất hành động người dùng cuối u, u U Pru(t )   Pru(,1t ) , , Pru(,ts) , , Pru(,tS)  , Pru(,ts) xác định xác suất người dùng u chọn máy chủ MEC s để phân tải liệu Quy tắc cập nhật xác suất hành động người dùng cuối điều khiển SDN định nghĩa sau Pru, s  Pru, s  b·rews ·Pru,s' Pru, s  Pru, s  b·rews ·(1  Pru,s' ) t 1 t 1 t t t t t t s t 1  s  s t 1  s  t t (3.17)  b  biểu thị tham số học thể tốc độ người dùng cuối khai thác tùy chọn có sẵn máy chủ MEC để phân tải liệu họ Công thức 3.17a biểu thị xác suất người dùng cuối chọn máy chủ MEC khác để phân tải liệu khoảng thời gian t + so với lựa chọn người dùng cuối khe thời gian t, Công thức 3.17b biểu thị xác suất người dùng cuối u tiếp tục phục vụ máy chủ MEC Cần lưu ý rằng, ban đầu, xác suất hành động người dùng cuối khởi tạo Pru,ts0  S Sau q trình học tăng cường mơ tả trên, người dùng UE lựa chọn máy chủ MEC để phân tải liệu Sau đó, mục tiêu tối đa hóa lợi nhuận cho phía người dung máy chủ Vì vậy, đâu tiên xác định mức phân tải liệu tối ưu b  UE trị chơi bất hợp tác Sau đó, t  máy chủ MEC xác định chi phí tối ưu thông qua vector giá khác cho máy chủ p t  dựa sở mức phân tải UE 55 3.4.2 Thuật toán kết mơ a Thuật tốn phân tải liệu lựa chọn máy chủ DO-MECS Thuật toán DO-MECS đề xuất [24] gồm có hai vùng mục tiêu lựa chọn máy chủ phân tải liệu theo giả thiết Phần thuật toán DO-MECS chạy đầu khe thời gian, phần thứ hai thuật toán chạy cho nhiều lặp lại khoảng thời gian Thuật toán DO-MECS - Bước (Khởi tạo): Tại thời điểm t = 0, đặt vectơ xác suất lựa chọn máy chủ MEC ban đầu Pru (t=0) , Pru (t=0)  - , u  U , s  S S Bước (Lựa chọn máy chủ MEC): Vào đầu khe thời gian (t> 0), người dùng cuối chọn máy chủ MEC để phân tải liệu dựa vectơ xác suất hành động Pru (t) , Nếu Pru ,s (t) >0.999 tất máy chủ MEC s, s  S dừng lại Nếu khơng, đặt i = 0, i biểu thị lặp lại phần thứ hai thuật toán - Bước (Phân tải liệu tối ưu): Mỗi người dùng cuối liên kết với máy chủ MEC tất máy chủ MEC thông báo giá chúng Mỗi người dùng cuối xác định mức phân tải liệu tối ưu dựa Phương trình Định lý - Bước (Định giá tối ưu): Với liệu phân tải người dùng cuối, máy chủ MEC xác định giá tối ưu cho dịch vụ máy tính dựa vào Định lý - Bước (Hội tụ): Nếu bu(t,s)* i   bu(t,s)* i  1 , s  S , u  U , e1, e2 (hằng số dương nhỏ) tham số điều khiển hội tụ, sau dừng lại Nếu không, chuyển sang Bước - Bước (Cập nhật): Cập nhật xác suất hành động người dùng cuối dựa Công thức 3.17 quay lại Bước b Kết mô Trong phần này, học viên thực lại kết mô theo thuật toán DOMECS đề xuất [24] Thuật tốn mơ thực Python (với NumPy) thực thi máy tính xách tay Intel Core i5-4300U 56 với CPU@1,90 GHz × RAM Gb Mô thực theo hai kịch (1) người dùng cuối đồng nhất; (2) người dùng cuối không đồng liên quan đến tính động người dùng cuối du(t ) cơng thức 3.25 Tổng số máy chủ mô máy chủ số người dùng 100, (S = 5, U = 100) Về phần giao tiếp hoạt động mạng, máy chủ MEC giả định nhận liệu từ kênh riêng không nhiễu không liên quan tới công suất truyền (1) Đối với kịch người dùng đồng Hinh 3.4 trình bày kết số biểu thị liên quan đến hoạt động thuật tốn DO-MECS.Trong đó, lượng liệu tối đa người dùng I ut  = 1000 Byte Các kết đánh giá tương ứng phụ thuộc vào trình định việc phân tải liệu (lựa chọn máy chủ phần liệu phân tải) Hình 3.4: Tác động thuật tốn lên yếu tố phân tải Hình 3.4a cho thấy thời gian mà thuật toán hội tụ áp đặt mức chi phí máy chủ lên chiến lược phân tải Với số lượng khe thời gian cần hội tụ, khoảng 3000 khe thời gian tương ứng với thời gian chạy thực tế 14 giây với tốc độ học   0, Kết sử dụng để dự báo thời gian chọn máy chủ phân tải EC để phân tải liệu họ Với giá trị hiệu dụng đặt cho máy chủ, dẫn tới việc thu hút UE truy nhập tới máy chủ Mức hiệu dụng máy chủ phục vụ nhu cầu tính tốn người dùng cuối trình bày Hình 3d Về bản, giá trị danh định Rs kiểm soát xác suất người dùng cuối chọn máy chủ để phân tải liệu 57 Hình 3.4d cho thấy tác động thuật toán Xu hướng phụ thuộc vào vector giá máy chủ MEC tác động tới số lượng người dùng cuối muốn phục vụ thông số quan trọng việc xác định lợi nhuận tổng thể máy chủ (2) Đối với kịch người dùng không đồng Với kịch người dùng cuối không đồng liên quan tới định phân tải khác UE Cụ thể, Hình 3.5a, hội tụ lượng liệu phân tải cho 10 người dùng cuối định từ tập hợp tổng thể có sẵn kịch mơ Kết rằng, người dùng cuối có chiến lược phân tải khác phụ thuộc vào vector giá MEC cung cấp nên lượng liệu thay đổi Từ đó, máy chủ MEC thúc đẩy điều chỉnh thơng qua biến chiết khấu f để thích ứng với khối lượng liệu phân tải người dùng cuối Hình 3.5 Hoạt động thuật tốn với người dùng khơng đồng Các hình 3.5b, 3.5c, 3.5d cho thấy điều chỉnh dẫn tới tránh tắc nghẽn Tổng số người dùng cuối máy chủ MEC lượng liệu tải tương ứng máy chủ MEC trình bày tương ứng hình 3.5c, 3.5d 3.5 KẾT LUẬN CHƯƠNG Trong chương 3, cách nhìn nhận tổng thể kỹ thuật sử dụng nhiệm vụ phân tải thiết bị biên trình bày nhằm xác định rõ mơ hình tiếp cận tốn phân tải Các tiếp cận tính tốn tối ưu cho tốn phân tải với phương pháp tối ưu hóa liệt kê với điểm mạnh điểm yếu hướng Phần cuối chương, học viên tìm hiểu đánh giá 58 lại thuật toán đề xuất toán phân tải Các kết cho thấy vấn đề phân tải tiếp cận theo nhiều cách khác lời giải hiệu tình cần tiếp tục nghiên cứu 59 KẾT LUẬN Với mục tiêu nghiên cứu giải pháp phân tải điện toán biên, luận văn thực nghiên cứu lý thuyết, tóm tắt phân tích số giải pháp kỹ thuật phân tải thực lại phương pháp giảm tải Một số kết luận sau rút trình thực luận văn - Điện toán biên trụ cột cơng nghệ 5G có liên quan mật thiết với công nghệ khác mạng định nghĩa phần mềm, ảo hóa chức mạng, lát cắt mạng nên có độ phức tạp cao nghiên cứu triển khai - Các công nghệ MEC thời triển khai hai dạng kiến trúc tầng tùy thuộc vào ứng dụng cụ thể - Các kỹ thuật phân tải nhìn nhận từ góc độ cấu hình đặc trưng luồng liệu Từ có phương pháp tối ưu hóa kèm với ưu nhược điểm luận văn - Các giải pháp phân tải thời phân tích chương cho thấy tốn khó thú vị lợi ích mang lại Một mơ tả lại phương pháp phân tải nghiên cứu trước cho thấy có hiệu định toán mở cần tiếp tục nghiên cứu, ứng dụng thực tiễn 60 DANH MỤC CÁC TÀI LIỆU THAM KHẢO B Varghese and R Buyya, ‘‘Next generation cloud computing: New trends and research directions,’’ Future Gener Comput Syst., vol 79, pp 849–861, Feb 2018 B Zhou and R Buyya, ‘‘Augmentation techniques for mobile cloud computing: A taxonomy, survey, and future directions,’’ ACM Comput Surv., vol 51, no 1, Apr 2018, Art no 13 W Shi, J Cao, Q Zhang, Y Li, and L Xu, ‘‘Edge computing: Vision and challenges,’’ IEEE Internet Things J., vol 3, no 5, pp 637–646, Oct 2016 W Ramirez, X Masip-Bruin, E Marin-Tordera, V B C Souza, A Jukan, G-J Ren, and O G de Dios, ‘‘Evaluating the benefits of combined and continuous fog-tocloud architectures,’’ Comput Commun., vol 113, pp 43–52, Nov 2017 X Masip-Bruin, E Marin-Tordera, A Jukan, and G.-J Ren, ‘‘Managing resources continuity from the edge to the cloud: Architecture and performance,’’ Future Gener Comput Syst., vol 79, pp 777–785, Feb 2017 C Wang, C Liang, F R Yu, Q Chen, and L Tang, ‘‘Computation offloading and resource allocation in wireless cellular networks with mobile edge computing,’’ IEEE Trans Wireless Commun., vol 16, no 8, pp 4924–4938, Aug 2017 C Wang, F R Yu, C Liang, Q Chen, and L Tang, ‘‘Joint computation offloading and interference management in wireless cellular networks with mobile edge computing,’’ IEEE Trans Veh Technol., vol 66, no 8, pp 7432–7445, Aug 2017 T Q Dinh, J Tang, Q D La, and T Q S Quek, ‘‘Offloading in mobile edge computing: Task allocation and computational frequency scaling,’’ IEEE Trans Commun., vol 65, no 8, pp 3571–3584, Aug 2017 K Zhang, Y Mao, S Leng, Y He, and Y Zhang, ‘‘Mobile-edge computing for vehicular networks: A promising network paradigm with predictive off-loading,’’ IEEE Veh Technol Mag., vol 12, no 2, pp 36–44,Jun 2017 10 X Cao, F Wang, R Zhang, S Cui, and J Xu, ‘‘Joint computation and communication cooperation for mobile edge computing,’’ presented at the 16th Int Symp Modeling Optim Mobile, Ad Hoc, Wireless Netw (WiOpt), May 2018, pp 1–6 11 Kumar, Sachin, Prayag Tiwari, and Mikhail Zymbler "Internet of Things is a revolutionary approach for future technology enhancement: a review." Journal of Big data 6.1 (2019): 1-21 12 Khanna, Abhishek, and Sanmeet Kaur "Internet of Things (IoT), applications and challenges: A comprehensive review." Wireless Personal Communications 114 (2020): 1687-1762 61 13 Atieh, Ali T "The Next Generation Cloud technologies: A Review On Distributed Cloud, Fog And Edge Computing and Their Opportunities and Challenges." ResearchBerg Review of Science and Technology 1, no (2021): 1-15 14 De Donno, Michele, Koen Tange, and Nicola Dragoni "Foundations and evolution of modern computing paradigms: Cloud, iot, edge, and fog." Ieee Access (2019): 150936-150948 15 Blanco, Bego, Jose Oscar Fajardo, Ioannis Giannoulakis, Emmanouil Kafetzakis, Shuping Peng, Jordi Pérez-Romero, Irena Trajkovska et al "Technology pillars in the architecture of future 5G mobile networks: NFV, MEC and SDN." Computer Standards & Interfaces 54 (2017): 216-228 16 Lin, Hai, Sherali Zeadally, Zhihong Chen, Houda Labiod, and Lusheng Wang "A survey on computation offloading modeling for edge computing." Journal of Network and Computer Applications (2020): 102781 17 Mach, Pavel, and Zdenek Becvar "Mobile edge computing: A survey on architecture and computation offloading." IEEE Communications Surveys & Tutorials 19, no (2017): 1628-1656 18 Zhou, Wen, Ling Xing, Junjuan Xia, Lisheng Fan, and Arumugam Nallanathan "Dynamic Computation Offloading for MIMO Mobile Edge Computing Systems with Energy Harvesting." IEEE Transactions on Vehicular Technology 70, no (2021): 5172-5177 19 Sufyan, Farhan, and Amit Banerjee "Computation Offloading for Distributed Mobile Edge Computing Network: A Multiobjective Approach." IEEE Access (2020): 149915-149930 20 Zhou, Wen, Ling Xing, Junjuan Xia, Lisheng Fan, and Arumugam Nallanathan "Dynamic Computation Offloading for MIMO Mobile Edge Computing Systems with Energy Harvesting." IEEE Transactions on Vehicular Technology 70, no (2021): 5172-5177 21 Yu, Zhe, Yanmin Gong, Shimin Gong, and Yuanxiong Guo "Joint task offloading and resource allocation in UAV-enabled mobile edge computing." IEEE Internet of Things Journal 7, no (2020): 3147-3159 22 Liao, Zhuofan, Jingsheng Peng, Bing Xiong, and Jiawei Huang "Adaptive offloading in mobile-edge computing for ultra-dense cellular networks based on genetic algorithm." Journal of Cloud Computing 10, no (2021): 1-16 23 Saleem, Umber, Yu Liu, Sobia Jangsher, Xiaoming Tao, and Yong Li "Latency minimization for D2D-enabled partial computation offloading in mobile edge computing." IEEE Transactions on Vehicular Technology 69, no (2020): 44724486 62 24 Mitsis, Giorgos, Pavlos Athanasios Apostolopoulos, Eirini Eleni Tsiropoulou, and Symeon Papavassiliou "Intelligent dynamic data offloading in a competitive mobile edge computing market." Future Internet 11, no (2019): 118 ... sau 40 CHƯƠNG 3: CÁC GIẢI PHÁP PHÂN TẢI CỦA ĐIỆN TOÁN BIÊN 3.1 CÁC KỸ THUẬT PHÂN TẢI TÍNH TỐN 3.1.1 Phân loại phân tải tính tốn Trong mục trình bày giải pháp kỹ thuật phân tải tính tốn từ hai... 3: CÁC GIẢI PHÁP PHÂN TẢI CỦA ĐIỆN TOÁN BIÊN .40 3.1 CÁC KỸ THUẬT PHÂN TẢI TÍNH TỐN .40 3.1.1 Phân loại phân tải tính tốn 40 3.1.2 Mơ hình hóa tính toán phân tải 42 3.2 CÁC... tối ưu phân tích đánh giá luận văn Mục tiêu nghiên cứu luận văn tập trung vào giải pháp phân tải tối ưu điện toán biên Các nội dung nghiên cứu gồm: - Kiến trúc đặc điểm tính tốn biên; - Các tiêu