Đang tải... (xem toàn văn)
Bài báo này đề xuất thuật toán metaheuristic LPSO để tìm kiếm phương án lập lịch dựa trên phương pháp Tối ưu bày đàn. Thực nghiệm được tiến hành trên công cụ mô phỏng CloudSim đã chứng tỏ thuật toán đề xuất cho kết quả tốt hơn ba thuật toán đối chứng là PSO, Random và RoundRobin và lời giải tìm được có độ sai lệch rất bé so với lời giải tối ưu. Mời các bạn cùng tham khảo!
Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thông Tin (ECIT 2015) Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thơng Tin (ECIT 2015) THUẬT TỐN LPSO LẬP LỊCH THỰC THI LUỒNG CÔNG VIỆC CHO CÁC ỨNG DỤNG KHOA HỌC TRONG MƠI TRƯỜNG ĐIỆN TỐN ĐÁM MÂY Phan Thanh Tồn1, Nguyễn Thế Lộc2, Nguyễn Doãn Cường3 Khoa Sư phạm kỹ thuật, Trường Đại học Sư Phạm Hà Nội Khoa Công nghệ thông tin, Trường Đại học Sư Phạm Hà Nội Viện Công nghệ thông tin, Viện Khoa học cơng nghệ qn pttoan@hnue.edu.vn, locnt@hnue.edu.vn, cuongvncntt@yahoo.com Tóm tắt (iii) thuật toán lập lịch tên LPSO (mục 4.4) Ứng dụng dạng luồng công việc sử dụng rộng rãi nhiều cơng trình nghiên cứu khoa học, loại ứng dụng có qui mơ phức tạp thường phải xử lí lượng liệu lớn mơi trường tính tốn phân tán điện toán lưới (grid computing), hay điện toán đám mây (cloud computing) thường sử dụng Bài toán lập lịch từ lâu chứng minh thuộc lớp NP-complete mơ hình dịch vụ mơi trường điện tốn đám mây u cầu phải tìm lời giải thời gian ngắn để khách hàng chờ đợi Bài báo đề xuất thuật toán metaheuristic LPSO để tìm kiếm phương án lập lịch dựa phương pháp Tối ưu bày đàn Thực nghiệm tiến hành công cụ mô CloudSim chứng tỏ thuật toán đề xuất cho kết tốt ba thuật toán đối chứng PSO, Random RoundRobin lời giải tìm có độ sai lệch bé so với lời giải tối ưu Phần V mô tả thực nghiệm tiến hành dựa công cụ mơ Cloudsim [1] phân tích số liệu thực nghiệm thu Phần VI tóm tắt kết báo hướng nghiên cứu tiến hành tương lai II CÁC CƠNG TRÌNH LIÊN QUAN 2.1 Các hướng tiếp cận toán Bài tốn lập lịch luồng cơng việc chứng minh thuộc lớp NP-đầy đủ [2] nghĩa thời gian để tìm lời giải tối ưu lớn, có nhiều giải thuật metaheuristic nghiên cứu nhằm tìm lời giải gần thời gian ngắn S Parsa [3] đề xuất thuật toán lập lịch nhằm tối thiểu thời gian thực thi mơi trường lưới tính tốn Grid J.M Cope đồng nghiệp phân tích hiệu giải thuật FRMTL FRMAS [4] mơi trường lưới tính tốn TeraGrid, dạng đặc biệt đám mây điện toán A Agarwal đề xuất thuật toán tham lam [5] tác vụ gán thứ tự ưu tiên dựa vào khối lượng công việc tác vụ, máy chủ gán thứ tự ưu tiên theo tốc độ xử lý máy chủ sau gán tác vụ vào máy chủ theo thứ tự ưu tiên tính tốn Cách làm có nhược điểm khiến tác vụ có mức ưu tiên thấp phải chờ đợi lâu bỏ qua yếu tố tốc độ truyền liệu máy chủ đám mây Từ khóa: workflow scheduling, particle swarm optimization, cloud computing I ĐẶT VẤN ĐỀ Luồng cơng việc (workflow) chuỗi có thứ tự tác vụ (task) thực đồng thời hay liệu đầu tác vụ đầu vào tác vụ Rất nhiều ứng dụng lĩnh vực khoa học khác yêu cầu phải xử lí lượng lớn liệu tổ chức theo dạng luồng công việc Vấn đề lập lịch luồng công việc môi trường điện tốn đám mây chất tìm phương án ánh xạ tác vụ luồng công việc tới máy chủ đám mây cho thời gian xử lý tồn luồng cơng việc nhỏ nhất, biết khối lượng tính tốn u cầu liệu tác vụ, tốc độ tính tốn truyền thơng máy chủ khác Một số tác giả khác M.Wieczorek [6] nghiên cứu đề xuất thuật toán lập lịch thực thi luồng công việc theo phương pháp GA (Genetic Algorithm - Gen di truyền), nhiên nghiên cứu [7] [8] nhận định phương pháp PSO (Particle Swarm Optimization - Tối ưu bày đàn) có ưu so với phương pháp GA giải toán lập lịch luồng cơng việc mơi trường tính tốn phân tán Lưới (Grid Computing) hay Đám mây (Cloud Computing) Theo hướng đó, S Pandey [9] đề xuất thuật tốn theo phương pháp PSO nhằm cực tiểu hóa chi phí thực thi Thay tìm phương án có tổng chi phí thực thi máy chủ bé nhất, S Pandey lại định nghĩa hàm mục tiêu để tìm phương án có chi phí thực thi máy chủ tốn (máy có tổng chi phí lớn máy khác) nhỏ so với phương án khác Cách làm có xu hướng “cào bằng” nghĩa thiên lời giải có chi phí thực thi máy chủ xấp xỉ Chúng nhận thấy, qua lý thuyết thực nghiệm kiểm chứng, Phần báo có cấu trúc sau Phần II giới thiệu số cơng trình nghiên cứu có liên quan tốn lập lịch luồng cơng việc.Trong phần III chúng tơi trình bày mơ hình lý thuyết để biểu diễn lực tính tốn truyền thơng đám mây, dựa mơ hình lý thuyết này, phần IV đề xuất: (i) phương thức để cập nhật vị trí cá thể (mục 4.2) (ii) giải pháp để chương trình khỏi vùng cực trị địa phương di chuyển tới vùng khơng gian tìm kiếm (mục 4.3) ISBN: 978-604-67-0635-9 194 194 Hội Hội Thảo Quốc GiaGia 2015 vềvềĐiện CôngNghệ NghệThông Thông (ECIT 2015) Thảo Quốc 2015 ĐiệnTử, Tử,Truyền TruyềnThông Thông và Công TinTin (ECIT 2015) B: S×S → R+ (Si,Sj) → B(Si,Sj) cách làm thường khiến chương trình sớm hội tụ giá trị cực tiểu địa phương thay tìm cực trị toàn cục 2.2 Phương pháp Tối ưu bày đàn - Phương pháp tối ưu bày đàn (PSO - Particle Swarm Optimization) đề xuất Kennedy Eberhart [10] phương pháp tìm kiếm tiến hóa dựa theo hành vi tìm thức ăn theo đàn loài động vật chim hay cá, cá thể đàn di chuyển dựa theo kinh nghiệm thân cá thể khác quần thể Tại bước lặp thứ k, hướng di chuyển cá thể thứ i đàn cập nhật theo cơng thức sau: vik+1= vik + c1 rand1×(pbesti - xik) + c2 rand2 ×(gbest - xik) (1) xik+1 = xik + vik (2) Trong vik, vik+1 :vector dịch chuyển cá thể i bước lặp k k+1 xik, xik+1 : vị trí cá thể i bước lặp thứ k k+1 ω: hệ số quán tính hệ số gia tốc c1, c2 : rand1, rand2 : hệ số ngẫu nhiên đoạn [0,1] pbesti : vị trí tốt cá thể i tính tới thời điểm lbesti : vị trí tốt cá thể i lân cân - - Hình 1: Đồ thị biểu diễn luồng công việc với tác vụ - Khối lượng liệu tác vụ Ti chuyển tới tác vụ Tj, kí hiệu Dij với đơn vị Megabit, giá trị cho trước (i,j) - Mỗi phương án xếp lịch thực thi luồng công việc tương đương với hàm f() P f Ti B f Ti , f T j Bài báo định nghĩa hàm mục tiêu là: Makespan → Makespan thời gian hồn thành luồng cơng việc, tính từ tác vụ gốc khởi động thời điểm tác vụ cuối thực xong IV THUẬT TỐN ĐỀ XUẤT 4.1 Mã hóa cá thể Giả sử cần xếp lịch biểu cho luồng công việc môi trường đám mây với giả thiết sau : - B(Si,Si) = ∞ : thời gian truyền chỗ không B(Si,Sj) = B(Sj,Si) : tốc độ truyền hai chiều Giá trị B(Si,Sj) cho trước (i,j) Thời gian truyền liệu tác vụ Ti tác vụ Tj Dij (4) III MƠ HÌNH LÝ THUYẾT - Giả thiết hàm băng thông B() thỏa mãn điều kiện sau: f:T→S Ti → f(Ti) Trong f(Ti) máy chủ chịu trách nhiệm thực thi tác vụ Ti Từ giả thiết ta suy ra: Thời gian tính tốn tác vụ Ti là: Wi (i=1,2, M) (3) Có hai phiên phương pháp PSO PSO toàn cục PSO cục bộ, với phiên PSO toàn cục vector dịch chuyển cá thể cập nhật theo vị trí tốt cá thể vị trí tốt quần thể, ngược lại phiên PSO cục vector dịch chuyển cá thể cập nhật theo vị trí tốt cá thể vị trí tốt lân cận cá thể PSO tồn cục có tốc độ hội tụ nhanh nhiên thường bị rơi vào cục địa phương lời giải thường không tốt PSO cục - Theo phương pháp PSO, bước lặp thứ k, cá thể thứ i đàn xác định vector vị trí xik (cho biết vị trí tại) vector dịch chuyển vik (cho biết hướng dịch chuyển tại) Trong toán xếp lịch xét, hai vector có số chiều số tác vụ luồng công việc, ký hiệu M Cả vector vị trí vector dịch chuyển biểu diễn cấu trúc liệu bảng băm Ví dụ 1: giả sử luồng công việc gồm tập tác vụ T={T1, T2, T3, T4, T5}, đám mây có tập máy chủ S = {S1, S2, S3} Khi cá thể xi biểu diễn vector vị trí [1 ; ; ; ; 2] phương án xếp lịch mà theo tác vụ T1, T3 bố trí thực máy chủ S1, tác vụ T2, T5 thực S2 tác vụ T4 thực S3 T1 T2 T3 T4 T5 Luồng công việc biểu diễn đồ thị G=(V, E), với V tập đỉnh đồ thị, đỉnh biểu thị cho tác vụ T ={T1, T2,…,TM} tập tác vụ, M số lượng tác vụ luồng công việc xét E tập cạnh thể mối quan hệ cha-con tác vụ Cạnh (Ti, Tj) E cho biết tác vụ Ti cha tác vụ Tj, liệu đầu Ti liệu đầu vào cho tác vụ Tj (xem Hình 1) Tập máy chủ đám mây ký hiệu S = {S1, S2,….,SN}, N số lượng máy chủ đám mây Mỗi tác vụ thực thi máy chủ bất kì, máy chủ phải thực toàn tác vụ từ đầu đến cuối Khối lượng tính tốn (Workload) tác vụ Ti kí hiệu Wi với đơn vị đo flop (floating point operations: phép tính số thực dấu phảy động) Wi cho trước (i = 1,2, …M) Tốc độ tính tốn máy chủ Si , đơn vị MI/s (million instructions/second), ký hiệu P(Si), giá trị cho trước (i = 1,2, …M) Giữa hai máy chủ Si, Sj (1≤i,j≤N) có đường truyền với băng thông, đơn vị Megabit/s, biểu thị hàm hai biến B() định nghĩa sau: S1 S2 S1 S3 S2 4.2 Phương thức cập nhật vị trí cá thể Khi áp dụng cơng thức cập nhật vị trí cá thể (2) vào toán lập lịch xét, gặp vấn đề Các thành phần vector dịch chuyển vik số thực cơng thức (1) tính vector dịch chuyển có tham số số thực rand1, rand2, c1,c2 Nhưng tập máy chủ S hữu hạn đếm nên thành phần vector vị trí xi phải số ngun để ánh xạ tới máy chủ nơi mà tác vụ tương 195 195 Thảo QuốcGia Gia2015 2015về vềĐiện Điện Tử, Tử,Truyền Truyền Thông Thông Thông TinTin (ECIT 2015) HộiHội Thảo Quốc vàCông CôngNghệ Nghệ Thông (ECIT 2015) ứng thực hiện, chẳng hạn vector vị trí xi ví dụ có thành phần xi[1] =1, xi[2] =2, xi[1] =1, xi[4] =3, xi[5] =2 Hậu hai vế phép gán (2) khác kiểu nhau, vế trái xik+1[t] thuộc kiểu số nguyên vế phải xik[t] + vik[t] thuộc kiểu số thực Để giải mâu thuẫn này, số nghiên cứu trước [9] [11] làm tròn giá trị số thực vế phải gán cho biến vị trí xik+1[t] vế trái Kết giá trị vế phải 3.2 phân phối tác vụ tới thực thi máy chủ có số thứ tự 3, cịn vế phải 3.8 tác vụ phân cho máy chủ có số thứ tự Cách làm tự nhiên thực chất gán vị trí tính tốn cẩn thận theo chiến lược PSO cho máy chủ mà số thứ tự tình cờ giá trị nguyên sau làm tròn Cách làm phá hỏng q trình tiến hóa bước phương pháp PSO Để giải vấn đề trên, báo đề xuất cách giải sau: giá trị thực vế phải (xik[t] + vik[t]) để ngun khơng làm trịn, cịn vế trái xik+1[t] gán định danh máy chủ có tốc độ tính tốn gần với giá trị vế phải so với máy chủ lại Làm tác vụ gán cho máy chủ có lực phù hợp với giá trị tính tốn theo PSO xik+1[t]←j if │P(Sj) - (xik[t] + vik[t])│≤│P(Sr) - (xik[t] + vik[t])│ (5) SrS ; t =1,2 M phép trừ Cách làm mang tính ngẫu nhiên phá hỏng trình bước tiếp cận tới vị trí cực trị phương pháp PSO Bài báo đề xuất "phép trừ vector" áp dụng riêng cho công thức (1) sau Giả sử: pbesti = [xi1, xi2,…xiM] với xik S (k) xj = [xj1, xj2,…xjM] với xjk S (k) Khi kết phép trừ pbesti - xj tính sau: pbesti xj =[y1, y2,….yM] với thành phần yk số thực tính sau { ( ) T4 T5 S3 S1 S2 S2 S2 | ( ) | | ( ) ( } ( ) { ( ) ∑ ( ) } ) ( ) ( } { ( ) ( ) ) ( } 4.3 Biện pháp thoát khỏi cực trị địa phương Phương pháp PSO nói riêng phương pháp tìm kiếm tiến hóa nói chung đơi bị mắc kẹt lời giải cực trị địa phương mà khơng thể để tới lời giải tốt Bài báo đề xuất sử dụng phương pháp PSO kết hợp với thủ tục tìm kiếm lân cận để định hướng cá thể tốt chuyển sang vùng tìm kiếm chương trình bị sa vào vùng cực trị địa phương Tìm kiếm lân cận phương pháp tìm kiếm giải pháp ban đầu s0 toán sử dụng toán tử để di chuyển sang giải pháp khác toán theo cấu trúc lân cận xác định nhằm tìm lời giải tốt Bài báo đề xuất toán tử Exchange RotateRight sử dụng cho trình tìm kiếm lân cận (xem hình 3.a 3.b) Thật vậy, thành phần thứ vector vị trí, xik+1[1] , nhận giá trị 3, nghĩa tác vụ T1 gán cho máy chủ S3 : [ ] ) Cách tính tương tự áp dụng cho thành phần y2, y3 … y5 lại Máy chủ Si Tốc độ xử lý P(Si) (MI/s) S1 3.1 S2 5.2 S3 4.1 Giả sử bước thứ k+1 tổng xik + vik = [4.4 ; 2.1 ; 6.7 ; 5.6 ; 10.2] vector vị trí xik+1 gán [3; 1; 2; 2; 2] nghĩa cá thể tương ứng với phương án xếp lịch sau đây: T3 ( Ta tiếp tục sử dụng tập máy chủ ví dụ Giả sử gbest = [2,1,2,1,1] ; xj = [3,2,1,2,1] ; Vậy gbest – xj = [y1, y2, y3,y4,y5] với y1 tính sau Bảng 1: Tốc độ tính tốn máy chủ T2 ∑ Theo cách tính này, máy chủ xếp thứ tự theo tốc độ tính tốn băng thơng đường truyền kết nối tới Ví dụ sau minh họa cụ thể Ví dụ 3: Ví dụ 2: giả thiết tập máy chủ S ví dụ có tốc độ tính toán liệt kê bảng sau T1 ) { ( )| a Tốn tử RotateRight Nghĩa máy chủ máy S3 có tốc độ tính tốn gần với giá trị 4.4 so với máy chủ lại, theo bảng 1, tác vụ T1 gán cho máy chủ S3 để thực hiện, tức f(T1) = S3 Phép gán tương tự thực với bốn tác vụ lại : T2, T3,T4,T5 3 3 1 Hình Các tốn tử tìm kiếm lân cận Function LocalSearch (vector vị trí xi ) Vấn đề tương tự xảy với phép trừ hai vector vị trí công thức (1): (pbesti - xik ) (gbest - xik) Một số cơng trình có [9] [11] đơn giản thực phép trừ thành phần số nguyên gán cho máy chủ có số thứ tự tương ứng Ví dụ pbesti = [2,4,3,3,5] xik = [1,3,2,1,2] pbesti - xik =[2-1,4-3,3-2,3-1,5-2] = [1,1,1,2,3] Như giải thích trên, cách làm thực chất gán tác vụ cho máy chủ mà số thứ tự tình cờ kết b Tốn tử Exchange Input: vector vị trí xi Output: vector vị trí xk có f(xk) < f(xi) Khởi tạo bước lặp t while (điều kiện lặp) r1, r2, r3 Random(1, M) xi RotateRight(xi, r1) 196 196 HộiHội Thảo Quốc Gia 2015 Công CôngNghệ NghệThông Thông (ECIT 2015) Thảo Quốc Gia 2015vềvềĐiện ĐiệnTử, Tử,Truyền TruyềnThông Thông TinTin (ECIT 2015) lượt khảo sát toàn khơng gian lời giải duyệt hết, thuật tốn trở thành duyệt vét cạn Để tránh tình này, sử dụng giải pháp chung thường áp dụng giải thuật tiến hóa, đặt giá trị ngưỡng tối đa, trình tiến hóa quần thể đạt tới số hệ vượt giá trị ngưỡng đinh trình tìm kiếm kết thúc Trong phần thực nghiệm giá trị ngưỡng cho số hệ 3000, giá trị K đặt 100 độ lệch ấn định 0.21 xk Exchange (xi, r2, r3) if f(xk) < f(xi) then return xk else return xi t t+1 End while End Function 4.4 Thuật toán đề xuất LPSO Tổng hợp cải tiến nói trên, thuật tốn đề xuất với tên gọi LPSO mô tả sau V THỰC NGHIỆM Algorithm LPSO 5.1 Phân nhóm liệu thực nghiệm Input: tập T, tập S, mảng W[1×M], mảng P[1×N], mảng B[N×N], mảng D[M×M], số K, độ lệch , số cá thể SCT Output: lời giải tốt gbest Khởi tạo xi, vi cách ngẫu nhiên Khởi tạo bước lặp t ; while (điều kiện lặp) for i=1 to SCT Tính vector xi theo công thức (5) end for for i=1 to SCT Cập nhật pbesti end for 10 Cập nhật gbest 14 for i=1 to SCT 15 Cập nhật vik theo công thức (1) 16 Tính xi theo (2) 17 end for 18 t++ ; 19 if (sau K hệ mà độ lệch gbest không vượt ) then 20 gbest LocalSearch(gbest); 21 end if 22 end while 23 return gbest Dữ liệu sử dụng thực nghiệm bao gồm : Dữ liệu tốc độ tính tốn máy chủ băng thơng máy chủ lấy từ công ty cung cấp dịch vụ cloud nước [13][14] quốc tế [15][16] Dữ liệu luồng công việc lấy từ liệu thử nghiệm xây dựng theo độ trù mật khác luồng công việc từ ứng dụng thực tế ứng dụng Montage [17] Thông tin chi tiết luồng cơng việc Montage trình bày qua hình bảng liệu 2 1 1 2 2 Data Aggregation Data Partitioning Thuật toán hoạt động theo phương pháp PSO theo bước cá thể cập nhật vị trí hướng tới vị trí tốt quần thể (gbest) đồng thời có dựa kinh nghiệm cá thể lân cận (lbesti) Nếu sau K hệ liên tiếp mà quần thể không cải thiện cách đáng kể giá trị gbest (mức chênh khơng vượt q ) chứng tỏ quần thể hội tụ cực trị địa phương Khi thủ tục LocalSearch gọi tìm cá thể gbest cá thể di cư quần thể tới vùng không gian mới, q trình tìm kiếm tái khởi động 5 Điều kiện lặp mức chênh giá trị gbest so với K vịng lặp trước lớn độ lệch ( ấn định từ trước), nghĩa thuật toán LPSO dừng sau K lần di cư (thông qua thủ tục LocalSearch) mà giá trị gbest tìm không cải thiện cách đáng kể (mức chênh khơng vượt q ) Trong trường hợp thuật tốn hội tụ nhanh nhất, nghĩa sau K lần thực LocalSearch chương trình hội tụ tới cực trị, điều kiện dừng lặp thỏa mãn nên chương trình kết thúc sau K2 hệ Ngược lại, trường hợp tồi nhất, chương trình ln tìm lời giải tốt sau lần di cư (thông qua thủ tục LocalSearch) vùng tìm kiếm lần mProjectPP mDiffFit mBackground mAdd Data Aggregation Pipeline mConcatFit mBgModel mImgTbl mJPEG mShrink Hình Luồng cơng việc Montage với 20 tác vụ 197 197 Thảo Quốc Gia 2015vềvềĐiện ĐiệnTử, Tử,Truyền TruyềnThông Thông TinTin (ECIT 2015) HộiHội Thảo Quốc Gia 2015 Công CôngNghệ NghệThông Thông (ECIT 2015) i5 2.2 GHz, RAM 4GB, hệ điều hành Windows Ultimate Thực nghiệm lặp lại 300 lần nhóm thực nghiệm Bảng 2: Thơng tin liệu vào/ra tác vụ ứng dụng Montage Execution time (s) Output Data (MB) mProject (45) 13.59 4.03 7.94 mDiffFit (107) 10.59 15.88 0.54 mConcatFit (1) 13.60 0.03 0.02 mBgModel (1) 10.88 0.03 0.00 mBackground (45) 10.74 7.95 7.94 mImgtbl (1) 10.69 357.27 0.01 mAdd (1) 30.34 357.28 330.86 mShrink (1) 12.26 165.43 6.62 mJPEG (1) 10.96 6.62 0.32 Những liệu tổng hợp lại chia thành bốn nhóm dựa theo số lượng máy chủ N số lượng tác vụ M bao gồm: Nhóm 1: M=5, N=3 Nhóm 2: M=10, N=3 Nhóm 3: M=20, N=8 Nhóm 4: M=25, N=8 (luồng cơng việc Montage) Mỗi nhóm lại bao gồm ba thực nghiệm khác tỷ lệ số cạnh số đỉnh đồ thị luồng công việc, ký hiệu ( Input data (MB) | | 5.4 Kết thực nghiệm Hình 5,6,7,8 cho thấy chênh lệch thời gian xử lý (makespan) lời giải tốt mà thuật toán đề xuất LPSO thuật toán đối chứng (PSO, Random Round Robin) tìm chạy nhóm liệu thực nghiệm khác Bảng 3: Kết thực nghiệm M 5 10 10 10 20 20 20 25 N 3 3 3 8 8 0.2 0.4 0.6 0.3 0.4 0.7 0.2 0.3 0.5 0.2 LPSO 7.8 4.6 7.1 13.4 14.5 14.8 9.2 8.2 11.5 2.8 PSO 9.0 6.6 7.6 15.9 18.1 18.3 12.1 12.4 14.3 3.8 Random 30.75 21.45 14.1 41.5 50.8 49.7 58.4 55.5 57.4 15.1 Round Robin 28.6 19.9 12.6 40.7 41.7 38.6 52.7 49.1 51.2 13.5 40 Makespan (s) Name and number of Tasks ) Tham số cho biết đồ thị G phân thành cấp, cấp có nhiều hay tác vụ, nói cách khác phản ánh độ trù mật đồ thị G Khi làm thực nghiệm với nhóm, số máy chủ số tác vụ giữ cố định tỷ lệ thay đổi hình 5,6,7 30 α = 0.2 20 α = 0.4 10 α = 0.6 LPSO 5.2 Tham số cấu hình hệ thống PSO Random Round Robin Hình Lời giải tìm thuật toán trường hợp M=5, N=3 Makespan (s) Các tham số cấu hình đám mây thiết lập miền giá trị sau: Tốc độ tính tốn P máy chủ: từ đến 250 (million instructions/s) Khối lượng liệu D tác vụ: từ đến 10000 (Mega bit) Băng thông máy chủ B: từ 10 đến 100 (Mega bit/s) Hệ số quán tính: = 0.729 Hệ số gia tốc: c1 = c2 = 1.49445 Hằng số : K = 30 Số cá thể SCT: SCT=25 Độ lệch : 0.21 từ 0.2 tới 0.7 : 5.3 Quá trình tiến hành thực nghiệm 60 50 40 30 20 10 α= 0.3 α = 0.4 α = 0.7 LPSO PSO Random Round Robin Hình Lời giải tìm thuật toán trường hợp M=10, N=3 Makespan (s) 80 Để kiểm chứng thuật tốn đề xuất LPSO chúng tơi sử dụng công cụ mô Cloudsim [1] để tạo lập môi trường đám mây kết hợp với liệu luồng công việc ứng dụng Montage [17] Các hàm gói thư viện Jswarm [1] sử dụng để thực phương thức Tối ưu bày đàn Đối tượng so sánh thuật toán PSO [9], thuật toán Random [12] thuật toán Round Robin [13] Các chương trình mơ viết ngơn ngữ Java chạy máy tính cá nhân với vi xử lý Intel Core 60 α = 0.2 40 20 α = 0.3 α = 0.5 LPSO PSO Random Round Robin Hình Lời giải tìm thuật toán trường hợp M=20, N=8 198 198 HộiHội Thảo Quốc Gia 2015 Công CôngNghệ NghệThông Thông (ECIT 2015) Thảo Quốc Gia 2015vềvềĐiện ĐiệnTử, Tử,Truyền TruyềnThông Thông TinTin (ECIT 2015) TÀI LIỆU THAM KHẢO 16 14 12 10 [1] [2] [3] α = 0.15 [4] LPSO PSO [5] Random Round Robin [6] Hình Lời giải tìm thuật tốn trường hợp M=25, N=8 Các thông số bảng cho thấy thuật toán kiểm chứng nhiều liệu khác qui mô luồng công việc (số tác vụ M số máy chủ N) độ trù mật đồ thị luồng công việc Kết thực nghiệm cho thấy hầu hết trường hợp thuật toán đề xuất LPSO cho lời giải tốt thuật toán PSO, Random Round Robin Riêng với nhóm thực nghiệm thứ (số tác vụ số máy chủ 3) thuật tốn LPSO cho lời giải gần xấp xỉ với lời giải tốt tuyệt đối tìm phương pháp duyệt vét cạn: 7.8 giây so với 7.7 giây [7] VI KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN [11] Bài báo trình bày giải thuật tìm kiếm theo phương pháp Tối ưu bày đàn để tìm lời giải gần cho toán lập lịch thực thi luồng cơng việc mơi trường điện tốn đám mây Những kết gồm có: [12] - Đề xuất phương thức để cập nhật vị trí cá thể cách ánh xạ giá trị thực tới máy chủ có tốc độ tính tốn băng thơng gần với giá trị - Đề xuất cơng thức tính vector dịch chuyển cá thể thứ i theo giá trị gbest lbesti - Đề xuất thủ tục LocalSearch để chương trình khỏi cực trị địa phương cách chuyển cá thể tới miền khơng gian tìm kiếm - Đề xuất thuật toán LPSO sử dụng phương thức cập nhật vị trí cá thể thủ tục LocalSearch để tìm kiếm lời giải cho toán lập lịch thực thi luồng công việc môi trường đám mây [8] [9] [10] [13] [14] [15] [16] Công cụ mô CloudSim http://www.cloudbus.org/cloudsim/ J.D Ullman, “NP-complete scheduling problems”, Journal of Computer and System Sciences, Volume 10, Issue 3, 1975 S Parsa, R E Maleki “RASA: A New Task Scheduling Algorithm in Grid Environment”, International Journal of Digital Content Technology and its Applications, Vol 3, No 4, 2009 J.M Cope, N Trebon, H.M Tufo, P Beckman, “Robust data placement in urgent computing environments”, IEEE International Symposium on Parallel & Distributed Processing, IPDPS 2009 A Agarwal, S Jain, “Efficient Optimal Algorithm of Task Scheduling in Cloud Computing Environment”, International Journal of Computer Trends and Technology (IJCTT), vol 9, 2014 M.Wieczorek, “Marek Scheduling of Scientific Workflows in the ASKALON Grid Environment”, ACM SIGMOD Record Journal, Vol 34, Issue 3, 2005 A Salman, “Particle swarm optimization for task assignment Problem”, Microprocessors and Microsystems, 2002 S Pandey, A Barker, K K Gupta, R Buyya, “Minimizing Execution costs when using globally distributed cloud services”, 24th IEEE International Conference on Advanced Information Networking and Applications, 2010 J Kennedy, RC Eberhart, “Particle swarm optimization”, in Proc IEEE Int’l Conference on Neural Networks, vol IV, 1995 T Davidovic, M Selmic, D Teodorovic, D Ramljak “Bee colony optimization for scheduling independent tasks to identical processors”, Journal of Heuristics, 2012 M Mitzenmacher, E Upfal, “Probability and Computing: Randomized Algorithms and Probabilistic Analysis”, Cambridge University Press, 2005 Don Fallis, “The Reliability of Randomized Algorithms”, British Journal for the Philosophy of Science, 2000 https://www.ngoisaoso.net/Cloud-Server.html http://vdo.vn/may-chu-vps-vdc http://www.rackspace.com/cloud/servers http://aws.amazon.com/ec2/pricing/ [17] http://montage.ipac.caltech.edu ABSTRACT - The key factor which rules the cloud’s performance is the workflow scheduling, one of the wellknown problems have proven to be NP-complete Many algorithm in the literature have been targeting the workflow scheduling problem, however, handful efficient solutions have been proposed This paper proposes a metaheuristic algorithm called LPSO which based on the Particle Swarm Optimization method Our experiments which arranged by using the simulation tool CloudSim show that LPSO is superior to the general algorithms called Random and RoundRobin, moreover the deviation between the solution found by LPSO and the optimal solution is negligible Những kết thực nghiệm tiến hành với nhiều liệu thực nghiệm khác chứng tỏ chất lượng lời giải tìm thuật tốn đề xuất tốt so với thuật toán đối chứng thuật toán PSO gốc, thuật toán Random thuật tốn Round Robin Về hướng cơng việc tiếp theo, ngồi hai yếu tố kinh nghiệm cá nhân (pbest) kinh nghiệm từ quần thể (gbest) dự định đưa thêm vào yếu tố kinh nghiệm cá thể lân cận xác định theo lược đồ Von Neuman Star để cập nhật vị trí cho cá thể nhằm đạt lời giải có chất lượng tốt Key words: workflow scheduling, particle swarm optimization, cloud computing 199 199 ... luồng cơng việc, tính từ tác vụ gốc khởi động thời điểm tác vụ cuối thực xong IV THUẬT TOÁN ĐỀ XUẤT 4.1 Mã hóa cá thể Giả sử cần xếp lịch biểu cho luồng công việc môi trường đám mây với giả thi? ??t... tìm lời giải gần cho tốn lập lịch thực thi luồng công việc môi trường điện tốn đám mây Những kết gồm có: [12] - Đề xuất phương thức để cập nhật vị trí cá thể cách ánh xạ giá trị thực tới máy chủ... đề xuất LPSO sử dụng công cụ mô Cloudsim [1] để tạo lập môi trường đám mây kết hợp với liệu luồng công việc ứng dụng Montage [17] Các hàm gói thư viện Jswarm [1] sử dụng để thực phương thức Tối
