HỌC VIỆN KỸ THUẬT MẬT MÃ KHOA AN TOÀN THÔNG TIN ((( HỌC PHẦN AN TOÀN ĐIỆN TOÁN ĐÁM MÂY Tìm hiểu một thuật toán cân bằng tải nhằm giảm thời gian đáp ứng dựa vào ngưỡng thời gian trên điện toán đám mây.
HỌC VIỆN KỸ THUẬT MẬT MÃ KHOA AN TỒN THƠNG TIN - - HỌC PHẦN AN TỒN ĐIỆN TỐN ĐÁM MÂY Tìm hiểu thuật tốn cân tải nhằm giảm thời gian đáp ứng dựa vào ngưỡng thời gian điện toán đám mây Giảng viên: ThS Nguyễn Thị Thu Thuỷ Nhóm sinh viên: Hà Nội, 2021 MỤC LỤC MỤC LỤC DANH MỤC HÌNH VẼ .4 LỜI MỞ ĐẦU CHƯƠNG TỔNG QUAN VỀ CÂN BẰNG TẢI TRÊN ĐIỆN TOÁN ĐÁM MÂY 1.1 Tổng quan điện toán đám mây .7 1.1.1 Lịch sử đời điện toán đám mây 1.1.2 Khái niệm điện toán đám mây .8 1.1.3 Đặc điểm, tính chất điện toán đám mây 1.1.4 Các mơ hình triển khai 10 1.1.5 Các mơ hình dịch vụ 13 1.2 Tổng quan cân tải điện toán đám mây 15 1.2.1 Khái niệm cân tải điện toán đám mây 15 1.2.2 Cân tải điện toán đám mây 15 1.2.3 Phân loại cân tải 16 1.2.4 Đo lường cân tải 18 1.2.5 Lợi ích sử dụng cân tải 18 1.2.6 Các thuật toán cân tải tiêu biểu 19 CHƯƠNG THUẬT TOÁN ĐỀ XUẤT 21 2.1 Mơ hình hồi quy ARIMA 21 2.1.1 Khái niệm ARIMA .21 2.1.2 Mơ hình ARIMA 21 2.2 Chuỗi thời gian 23 2.3 Quy trình dự báo thời gian đáp ứng thuật toán ARIMA 25 2.4 Lựa chọn tham số ARIMA(p,d,q) 26 2.5 Dự báo 28 CHƯƠNG MƠ HÌNH MƠ PHONG THUẬT TỐN ARIMA .30 3.1 Môi trường mô thực nghiệm 30 3.2 Phần mềm SPSS 30 3.3 Thực nghiệm .31 3.3.1 Kiểm định tính dừng 31 3.3.2 Xây dựng mơ hình ARIMA 33 TÀI LIỆU THAM KHẢO 38 DANH MỤC HÌNH VẼ Hình 1.1 Mơ hình điện toán đám mây Hình 1.2 Các mơ hình triển khai .11 Hình 1.3 Mơ hình đám mây riêng tư 12 Hình 1.4 Mơ hình đám mây công cộng 12 Hình 1.5 Mơ hình đám mây lai .13 Hình 1.6 Mơ hình đám mây công cộng 13 Hình 1.7 Mơ hình dịch vụ điện tốn đám mây .14 Hình 1.8 Mơ hình dịch vụ sở hạ tầng 14 Hình 1.9 Mơ hình dịch vụ tảng 15 Hình 1.10 Mơ hình dịch vụ ứng dụng 15 Hình 1.11 Mơ hình cân tải điện tốn đám mây .16 Hình 1.12 Sơ đồ phân loại cân tải 17 Hình 1.13 Mơ hình thuật tốn Round Robin 20 Hình 2.1 Tự tương quan ACF 28 Hình 2.2 Tự tương quan riêng phần PACF .29 Hình 2.3 Dự báo .30 Hình 3.1 Phần mềm SPSS 31 Hình 3.2 Dữ liệu thống kê SPSS 32 Hình 3.3 Biến động doanh số cửa hàng A 33 Hình 3.4 Chuỗi dừng sau lấy sai phân 34 Hình 3.5 Biểu đồ ACF 35 Hình 3.6 Biểu đồ PACF 35 Hình 3.7 Đặt điều kiện mơ hình ARIMA(1,1,1) .36 Hình 3.8 Kết thống kê tiêu chuẩn mơ hình ARIMA(1,1,1) 37 Hình 3.9 Đặt điều kiện mơ hình ARIMA(0,1,1) .37 Hình 3.10 Bảng thống kê tiêu chuẩn ARIMA(0,1,1) 37 Hình 3.11 Dự báo năm 38 Hình 3.12 Biểu đồ dự báo 38 LỜI MỞ ĐẦU Ngày nay, song song với bùng nổ mạnh mẽ công nghệ thông tin phát triển Internet toàn cầu phát triển khơng ngừng cơng nghệ điện tốn đám mây Nhằm nâng cao hiệu suất phục vụ dịch vụ điện tốn đám mây, theo chun gia việc quản lý tài nguyên đối mặt với vấn đề bao gồm phân bổ tài nguyên, đáp ứng tài nguyên, kết nối tới tài nguyên, khám phám tài nguyên chưa sử dụng, ánh xạ tài nguyên tương ứng, mơ hình hóa tài ngun, cung cấp tài ngun lập kế hoạch sử dụng tài nguyên Trong đó, việc lập kế hoạch cho sử dụng tài nguyên dựa kết nối theo thời gian, thời gian đáp ứng dịch vụ Từ ta nghiên cứu thời gian đáp ứng để đưa giải pháp cho việc phân bố, cân tải tài nguyên Đây hướng nghiên cứu cịn nhiều triển vọng giúp cho cơng nghệ đám mây ngày hồn thiện tiến Chính lý báo cáo tập trung nghiên cứu tìm hiểu thuật tốn cân tải nhằm giảm thời gian đáp ứng dựa vào ngưỡng thời gian điện toán đám mây với nội dung sau: Chương Tổng quan cân tải điện toán đám mây: Giới thiệu tổng quan điện toán đám mây chế cân tải, mục tiêu việc cân tải điện toán đám mây Chương Đề xuất thuật toán: giới thiệu thuật toán đề xuất dựa việc tiếp thu phát huy ý tưởng dự đoán chuỗi thời gian, sử dụng thuật toán ARIMA để dự báo Chương Mơ dự báo thuật tốn CHƯƠNG TỔNG QUAN VỀ CÂN BẰNG TẢI TRÊN ĐIỆN TỐN ĐÁM MÂY Trong chương trình bày tổng quan điện toán đám mây bao gồm lịch sử đời, khái niệm, mơ hình dịch vụ mơ hình triển khai điện tốn đám mây tìm hiểu tốn cân tải điện toán đám mây 1.1 Tổng quan điện toán đám mây 1.1.1 Lịch sử đời điện toán đám mây Khái niệm điện toán đám mây đời từ năm 1950 máy chủ tính tốn quy mơ lớn (large-scale mainframe computers) triển khai số sở giáo dục tập đoàn lớn Tài nguyên tính tốn hệ thống máy chủ truy cập từ máy khách cuối (thin client, terminal computers), từ đời khái niệm “chia sẻ thời gian” (timesharing) đặc tả việc cho phép nhiều người sử dụng chia sẻ đồng thời tài ngun tính tốn chung Trong năm 1960-1990 xuất luồng tư tưởng coi máy tính hay tài ngun cơng nghệ thơng tin tổ chức hạ tầng dịch vụ cơng cộng (public utility) Điện tốn đám mây cung cấp tài ngun tính tốn dạng dịch vụ tạo cảm giác cho người dùng nguồn cung ứng vơ tận Đặc tính so sánh tới đặc tính ngành cơng nghiệp tiêu dùng dịch vụ công cộng điện nước Khi sử dụng điện hay nước người dùng không cần quan tâm tài nguyên đến từ đâu, xử lý, phân phối nào, họ việc sử dụng dịch vụ trả tiền cho nhà cung cấp theo lượng tiêu dùng Những năm 1990, cơng ty viễn thông từ chỗ cung ứng kênh truyền liệu điểm tới điểm (point-to-point data circuits) riêng biệt bắt đầu cung ứng dịch vụ mạng riêng ảo với giá thấp Thay đổi tạo tiền đề để công ty viễn thông sử dụng hạ tầng băng thơng mạng hiệu Điện tốn đám mây mở rộng khái niệm chia sẻ băng thông mạng qua việc cho phép chia sẻ tài nguyên máy chủ vật lý việc cung cấp máy chủ ảo Amazon cung cấp tảng Amazon Web Services (AWS) vào năm 2006, đánh dấu việc thương mại hóa điện toán đám mây Từ đầu năm 2008 Eucalyptus giới thiệu tảng điện toán đám mây mã nguồn mở tương thích với API AWS Tính tới thời điểm có nhiều sản phẩm điện toán đám mây đời Google App Engine, Microsoft Azure, Nimbus, 1.1.2 Khái niệm điện toán đám mây Hiện điện toán đám mây nhiều tổ chức cá nhân định nghĩa khác nhau: Theo Rajkumar Buyya: “ Điện toán đám mây loại hệ thống phân bố xử lý song song gồm máy tính ảo kết nối với cung cấp động cho người dùng nhiều tài nguyên đồng dựa thỏa thuận dịch vụ nhà cung cấp người sử dụng.” Theo Ian Foster: “ Điện tốn đám mây mơ hình điện tốn phân tán có tính co giãn lớn mà hướng theo co giãn mặt kinh tế, nơi chứa sức mạnh tính tốn, kho lưu trữ, tảng dịch vụ trực quan, ảo hóa co giãn linh động, phân phối theo nhu cầu cho khách hàng bên thơng qua Internet.” Hình 1.1 Mơ hình điện tốn đám mây Theo Viện Tiêu chuẩn Công nghệ (NIST): “ Điện tốn đám mây mơ hình cho phép truy cập mạng thuận tiện, theo nhu cầu đến kho tài ngun điện tốn dùng chung, định cấu hình: mạng, máy chủ, lưu trữ, ứng dụng, …có thể cung cấp thu hồi cách nhanh chóng với yêu cầu tối thiểu quản lý can thiệp nhà cung cấp dịch vụ” Mô hình đám mây thúc đẩy tính sẵn sàng bao gồm đặc tính bản, mơ hình dịch vụ mơ hình triển khai 1.1.3 Đặc điểm, tính chất điện tốn đám mây Theo Viện Tiêu chuẩn Cơng nghệ (NIST) điện tốn đám mây có năm đặc điểm, tính chất sau: Tự phục vụ theo nhu cầu: Mỗi có nhu cầu, người dùng cần gửi yêu cầu thông qua trang web cung cấp dịch vụ, hệ thống nhà cung cấp đáp ứng yêu cầu người dùng Người dùng tự phục vụ yêu cầu tăng thời gian sử dụng server, tăng dung lượng lưu trữ, …mà không cần phải tương tác trực tiếp với nhà cung cấp dịch vụ, nhu cầu dịch vụ xử lý môi trường web (Internet) Truy xuất diện rộng: Điện toán đám mây cung cấp dịch vụ thông qua môi trường Internet Do người dùng có kết nối Internet sử dụng dịch vụ Hơn nữa, điện toán đám mây dạng dịch vụ nên khơng địi hỏi khả xử lý cao phía client, người dùng truy xuất thiết bị di động điện thoại, PDA, laptop… Với điện toán đám mây người dùng khơng cịn bị phụ thuộc vào vị trí nữa, họ truy xuất dịch vụ từ nơi nào, vào lúc miễn có kết nối Internet Dùng chung tài nguyên: Tài nguyên nhà cung cấp dịch vụ dùng chung, phục vụ cho nhiều người dùng dựa mơ hình “multi-tetant” Trong mơ hình “multi-tetant” tài ngun phân phát động tùy theo nhu cầu người dùng Khi nhu cầu khách hàng giảm xuống, phần tài nguyên dư thừa tận dụng để phục vụ cho khách hàng khác Khả co giãn: Đây tính chất đặc biệt nhất, bật quan trọng điện tốn đám mây Đó khả tự động mở rộng thu nhỏ hệ thống tùy theo nhu cầu người dùng Khi nhu cầu tăng cao, hệ thống tự mở rộng cách thêm tài nguyên vào Khi nhu cầu giảm xuống, hệ thống giảm bớt tài nguyên Khả co giãn giúp cho nhà cung cấp sử dụng tài nguyên hiệu quả, tận dụng triệt để tài nguyên dư thừa, phục vụ nhiều khách hàng Đối với người sử dụng dịch, vụ khả co giãn giúp họ giảm chi phí họ trả phí cho tài nguyên thực sử dụng Điều tiết dịch vụ: Hệ thống điện toán đám mây tự động kiểm soát tối ưu hóa việc sử dụng tài nguyên (dung lượng lưu trữ, đơn vị xử lý,…) Lượng tài nguyên sử dụng theo dõi, kiểm soát báo cáo cách minh bạch cho hai phía nhà cung cấp dịch vụ người sử dụng 1.1.4 Các mô hình triển khai Các mơ hình triển khai điện tốn đám mây chia thành bốn loại chính: Hình 1.2 Các mơ hình triển khai Đám mây riêng tư (Private cloud): dịch vụ điện toán đám mây cung cấp công ty, doanh nghiệp cơng ty, doanh nghiệp trực tiếp vận hành quản lý Đây xu hướng tất yếu cho cơng ty, doanh nghiệp nhằm tối ưu hóa hạ tầng công nghệ thông tin họ Đối tượng sử dụng nội cơng ty, doanh nghiệp bảo vệ sau tường lửa 10 logarit Ngoài mơ hình cần tn thủ điều kiện ngặt sai số khơng có tượng tự tương quan phần dư nhiễu trắng 2.2 Chuỗi thời gian Dự báo chuỗi thời gian lớp mơ hình quan trọng thống kê, kinh tế lượng machine learning Sở dĩ gọi lớp mơ hình chuỗi thời gian (time series) mơ hình áp dụng chuỗi đặc thù có yếu tố thời gian Một mơ hình chuỗi thời gian thường dự báo dựa giả định quy luật khứ lặp lại tương lai Do xây dựng mơ hình chuỗi thời gian mơ hình hóa mối quan hệ q khứ biến độc lập (biến đầu vào) biến phụ thuộc (biến mục tiêu) Dựa vào mối quan hệ để dự đoán giá trị tương lai biến phụ thuộc Do liệu chịu ảnh hưởng tính chất thời gian nên chuỗi thời gian thường xuất quy luật đặc trưng : yếu tố chu kỳ, mùa vụ yếu tố xu hướng Đây đặc trưng thường thấy xuất hầu hết chuỗi thời gian Yếu tố chu kỳ, mùa vụ đặc tính lặp lại theo chu kỳ Ví dụ nhiệt độ trung bình tháng năm chịu ảnh hưởng mùa xuân, hạ, thu, đông Hay xuất nhập quốc gia thường có chu kỳ theo quý Yếu tố xu hướng (trend) thể đà tăng giảm chuỗi tương lai Chẳng hạn lạm phát xu hướng chung kinh tế, giá trung bình giỏ hàng hóa sở hay cịn gọi số CPI ln có xu hướng tăng xu hướng tăng đại diện cho giá đồng tiền Các dự báo chuỗi thời gian có tính ứng dụng cao sử dụng nhiều lĩnh vực tài ngân hàng, chứng khoán, bảo hiểm, thương mại điện tử, marketing, quản lý sách Bên số ứng dụng dự báo chuỗi thời gian: Dự báo nhu cầu thị trường để lập kết hoạch sản xuất kinh doanh cho hãng Dự báo lợi suất tài sản tài chính, tỷ giá, giá hàng hóa phái sinh để thực trading hiệu market risk 24 Dự báo giá chứng khoán, chuỗi lợi suất danh mục để quản trị danh mục đầu tư Dự báo giá bitcoin, giá dầu mỏ, giá gas,… Dự báo nhiệt độ, lượng mưa để lập kế hoạch sản xuất nông, lâm, ngư nghiệp Dự báo tác động nhân tố vĩ mô lãi suất, cung tiền, đầu tư trực tiếp nước ngồi, chi tiêu phủ, lạm phát,… tác động lên tăng trưởng GDP để điều hành kinh tế Vai trò chuỗi thời gian quan trọng kinh tế hoạt động doanh nghiệp nên machine learning thống kê có ngành học nghiên cứu chuyên sâu chuỗi thời gian kinh tế lượng, định giá tài sản tài 2.3 Quy trình dự báo thời gian đáp ứng thuật toán ARIMA ARIMA thuật toán dựa thống kê, thuật tốn tự hồi quy tích hợp trung bình động (Auto Regression Integrated Moving Average), phát triển từ mơ hình hồi quy ARMA (Auto Regression Moving Avera) Đây mơ hình phát triển dựa số liệu chuỗi thời gian biết dự báo số liệu tương lai gần Dữ liệu thời gian thực hay chuỗi thời gian chuỗi giá trị đại lượng ghi nhận thời gian Bất liệu chuỗi thời gian tạo trình ngẫu nhiên Các giá trị chuỗi thời gian đại lượng X kí hiệu X1, X2, X3, ,Xt,…, Xn với X giá trị X thời điểm t Việc xác định mơ hình ARMA (hay cịn gọi phương pháp Box-Jenkin) tức xác định p, d, q ARIMA(p,d,q), Do mơ hình Box-Jenkins mơ tả chuỗi dừng chuỗi sai phân hóa, nên mơ hình ARIMA(p,d,q) thể chuỗi liệu khơng dừng, sai phân (ở đây, d mức độ sai phân) Quy trình dự báo mơ hình Arima: Xác nhận mơ hình thử nghiệm: Trước tiên, cần nhận dạng mơ hình thử nghiệm Trong đó: d bậc tích hợp p,q xác định hàm số chuyên dụng, gọi Correlogram Mơ hình Arima trình bày theo dạng khác Phương pháp xác định mơ hình thường nhà nghiên cứu thực 25 qua nghiên cứu chiều hướng biến đổi hàm tương quan toàn phần hay phần Ước lượng tham số: Mơ hình Arima có dạng ARMA(p,q) Arima (p,d,q) Với dạng ARMA(p,q) có d = 0, ta biến đổi dạng Arima (p,0,q) Trong trình ước lượng tham số, ta cần lưu ý đến cách xác định p, q mơ hình Arima Để xác định hai số liệu này, người ta sử dụng đồ thị Correlogram Cụ thể, p bậc đồ thị AR Xét từ độ trễ đầu tiên, nằm đường giới hạn sau độ giảm cách đáng kể sau độ trễ hệ số tự tương quan riêng phần p Tương tự, q bậc MA Để ước lượng tham số, ta cần ước lượng khởi đầu cho tham số a0, a1, …, ap, b1, …, bq mơ hình dự định ban đầu Sau dựa tham số ước lượng, xây dựng ước lượng sau thơng q q trình lặp Kiểm định chuẩn đoán: Sau tham số mơ hình tổng qt xây dựng, người ta kiểm tra mức độ xác phù hợp mơ hình với liệu lập Hãy xem xét phần sai số có phải ngẫu nhiên túy khơng? Nếu có mơ hình thỏa mãn, khơng ta phải thực lại bước Dự báo: Ở bước cuối này, mơ hình phù hợp với liệu tìm được, ta thực dự báo thời điểm 2.4 Lựa chọn tham số ARIMA(p,d,q) Tự tương quan (ACF - AutoCorrelation Function): Tự tương quan khái niệm quan trọng chuỗi thời gian Hầu hết chuỗi thời gian có tương quan với giá trị trễ giá trị gần tương quan mạnh giá trị thuộc chu kì chuỗi có tương quan cao (chẳng hạn tháng chu kì năm hay q chu kì năm) Chính hệ số có tên tự tương quan Hệ số tự tương quan viết tắt ACF thường dùng để tìm độ trễ trình trung bình trượt MV(q) để xây dựng mơ ARIMA, GARCH, ARIMAX,… kiểm tra yếu tố mùa vụ Hệ số tự tương quan bậc s xác định sau: 26 giá trị p(s,t) đo lường khả dự báo biến xt, sử dụng biến xs Trong trường hợp đại lượng có tương quan hồn hảo tức p(s,t) =± ta biểu diễn xt = β0 + β1 xs Hệ số β1 ảnh hưởng lên chiều hệ số tương quan Theo p(s,t) = β1 > p(s,t) = -1 β1 < Hình 2.1 Tự tương quan ACF Trục hoành độ trễ, trục tung giá trị hệ số tự tương quan tương ứng với độ trễ Tự tương quan riêng phần (PACF - Partitial AutoCorrelation Function): Về tương quan riêng phần số đo lường hệ số tương quan ACF Tuy nhiên có khác biệt hệ số tương quan loại bỏ ảnh hưởng chuỗi độ trễ trung gian (là chuỗi trễ xt-1, ……, xt-k+1 nằm xt xt-k) Một phương trình hồi qui tuyến tính chuỗi với chuỗi độ trễ trung gian xây dựng nhằm đánh giá ảnh hưởng chuỗi độ trễ lên chuỗi Sau đó, để tính hệ số tương quan riêng phần loại bỏ ảnh hưởng độ trễ trung gian khỏi chuỗi cách trừ giá trị ước lượng từ phương trình hồi qui Lấy ví dụ: Để tính tự tương quan riêng phần PACF bậc k chuỗi xt Đầu tiên ta 27 hồi qui tuyến tính xt theo chuỗi trễ xt-1, ……, xt-k Khi ta thu phương trình hồi qui tuyến tính tổng quát bậc k là: €t thành phần đại diện cho sai số Gía trị ước lượng mơ hình xt là: Hệ số tự tương quan tuyến tính sau bằng: Trong corr() hàm tính hệ số tương quan Đó tất PACF Khá dễ hiểu phải không nào? PACF có tác dụng tìm hệ số bậc tự trình tự hồi qui AR(p) Tương tự ACF, thông qua biểu đồ PACF giá trị hệ số tương quan riêng phần tương ứng với độ trễ khác nhau, tìm bậc tự p phù hợp Hình 2.2 Tự tương quan riêng phần PACF 28 2.5 Dự báo Dự báo cho chuỗi thời gian đặc thù khác biệt so với lớp mơ hình dự báo khác giá trị time step liền trước sử dụng để dự báo cho time step liền sau Do địi hỏi phải có vịng lặp liên tiếp dự báo qua bước thời gian Hình 2.3 Dự báo Lớp mơ hình dự báo sử dụng tập hợp tham số khác liên quan đến đo lường sai số giá trị dự báo giá trị thực tế Đó số: MSE (mean square error): Trung bình tổng bình phương sai số RMSE (root mean square error): Phương sai độ lệch chuẩn chuỗi dự báo so với thực tế MAE (mean absolute error): Trung bình trị tuyệt đối sai số Chính khoảng cách theo norm chuẩn bậc giá trị dự báo giá trị thực tế Dành cho bạn chưa biết norm chuẩn bậc L1 norm MAPE (mean absolute percentage error): Trung bình phần trăm trị tuyệt đối sai số Chỉ số cho biết giá trị dự báo sai lệch phần trăm so với giá trị thực tế Lưu ý ta tính số giá trị thực tế khác Các số nhỏ chứng tỏ mơ hình dự báo khớp với giá trị thực tế 29 CHƯƠNG MƠ HÌNH MƠ PHONG THUẬT TỐN ARIMA 3.1 Môi trường mô thực nghiệm Giả sử cửa hàng đồ gỗ mỹ nghệ A, chạy chương trình bán hàng sảm phẩm B, số sản phẩm tính theo hàng tuần, từ đưa hướng phát triển kinh doanh mặt hàng Sử dụng phần mềm SPSS để tiến hành cài đặt thuật toán ARIMA 3.2 Phần mềm SPSS Thống kê SPSS gói phần mềm sử dụng để phân tích thống kê theo lơ theo lơ có tính logic Được sản xuất từ lâu SPSS Inc tập đoàn IBM mua lại năm 2009 Phiên hành (2015) đặt tên thức IBM SPSS Statistics Các sản phẩm hợp tác dòng dùng cho phát triển sáng tạo mang tính khảo sát (IBM SPSS Data Collection, thoái vốn quyền UNICOM Intelligence), khai phá liệu (IBM SPSS Modeler), phân tích văn hợp tác triển khai (batch dịch vụ chấm điểm tự động) 30 Hình 3.1 Phần mềm SPSS Thống kê bao gồm phần mềm sở: Thống kê mô tả: Lập bảng chéo, Tần suất, Mô tả, Khám phá, Thống kê Tỷ lệ Mô tả Thống kê đơn biến: Phương tiện, t-test, ANOVA, tương quan (hai biến, phần, khoảng cách), kiểm tra khơng giới Dự đốn cho kết số: Hồi quy tuyến tính Dự đốn để xác định nhóm: Phân tích yếu tố, phân tích cụm (hai bước, K-phương tiện, phân cấp), phân biệt 3.3 Thực nghiệm 3.3.1 Kiểm định tính dừng Đầu tiên, thống kê lại liệu 30 tuần để đưa kết tổng quan sau: Hình 3.2 Dữ liệu thống kê SPSS 31 Chuỗi thời gian đứng yên chuỗi có đặc tính khơng phụ thuộc vào thời gian mà chuỗi thời gian quan sát nên chuỗi thời gian có xu hướng có tính tạm thời, khơng cố định ảnh hưởng đến giá trị chuỗi thời gian thời điểm khác Biểu đồ thời gian cho thấy chuỗi gần nằm ngang có chuỗi thời gian đứng n Để chạy mơ hình cần hệ số p,d,q ARIMA Việc xem xét chuỗi dự liệu dự báo có dừng hay chưa, chưa dừng sai phân nó, từ ta có hệ số cho phần d Ứng dụng phần mềm SPSS để kiểm tra chuỗi dừng: Nhập liệu vào phần mềm, chọn Analyze/Forecasting/Sequence charts… Chuyển biến VAR0004 sang ô Variables, chuyển biến VAR00003 sang Time Axis Labels /OK Hình 3.3 Biến động doanh số cửa hàng A Hình 19 cho thấy biến động doanh số cửa hàng A không ổn định Cụ thể, trung bình có xu hướng tăng xu hướng giảm theo thời kỳ Như vậy, suy đốn doanh số khơng dừng Để cho chuỗi dừng, lấy sai phân bậc phần mềm SPSS, đó, chọn Sequence Charts chon mục Difference 1/OK 32 Hình 3.4 Chuỗi dừng sau lấy sai phân Khi lấy sai phân bậc chuỗi ta chuỗi mới, chuỗi không rõ xu hướng xoay quanh giá trị trung bình Đây xem biểu chuỗi dừng 3.3.2 Xây dựng mơ hình ARIMA Bước Nhận dạng (xác định giá trị p,d,q) Chuỗi liệu kinh doanh dừng sai phân 1, ta có d = Xác định p, q phần mềm SPSS: Chọn Analyze/Forecasting/Autocorrelations Để xác định p, q, theo Box&Jenkins(1976) đưa phương pháp nhận dạng sau: Mỗi chuỗi dừng tự tương quan bậc p, q (i) hệ số tự tương quan giảm từ từ theo dạng mũ hình sin, (ii) hệ số tương quan riêng phần giảm đột ngột xuống có ý nghĩa độ trễ p 33 Hình 3.5 Biểu đồ ACF Từ đồ thị ACF có cột vượt qua giới hạn thơi q = Hình 3.6 Biểu đồ PACF 34 Từ hình 22 ta thấy, đồ thị tự tương quan riêng doanh số cho thấy tồn hệ số khác (nhưng khơng chắc), có nghĩa độ trễ giảm đột ngột giá trị có ý nghĩa Như p mang giá trị Như có hai mơ hình ARIMA có khả phù hợp ARIMA(1,1,1) ARIMA(0,1,1) Bước Ước lượng mơ hình Sử dụng phần mềm SPSS để ước lượng hệ số mơ hình ARIMA(p,1,q) nhận dạng Chọn Analyze/Forecasting/Create Models… Sau đưa biến FDI sang Independent Variables, ô method chọn ARIMA click vào Criteria… Ứơc lượng mơ hình ARIMA(1,1,1) Hình 3.7 Đặt điều kiện mơ hình ARIMA(1,1,1) Để kiểm tra tính phù hợp mơ hình, dựa vào tiêu chuẩn Normalized BIC sai số bình phương RMSE nhỏ tốt Sau ước lượng thử mơ hình ARIMA có bảng tổng hợp kết thống kê output 35 Hình 3.8 Kết thống kê tiêu chuẩn mơ hình ARIMA(1,1,1) Ước lượng mơ hình ARIMA(0,1,1) Hình 3.9 Đặt điều kiện mơ hình ARIMA(0,1,1) Ta thu bảng thống kê tiêu chuẩn ARIMA(0,1,1) Hình 3.10 Bảng thống kê tiêu chuẩn ARIMA(0,1,1) Nhìn vào Model Statistics ta tập trung vào phân tích “RMSE” “Normalized BIC” Như mơ hình ARIMA(0,1,1) mơ hình phù hợp có giá trị BIC RMSE thấp 36 Bước Dự báo Kết dự báo năm cửa hàng đồ gỗ mỹ nghệ A Dự báo năm có sai số lớn hơn, cần phải cập nhật liệu cách thường xuyên Hình 3.11 Dự báo năm Kết dự báo biểu diễn qua biểu đồ Hình 3.12 Biểu đồ dự báo Trong năm tiếp theo, cửa hàng cần thúc đẩy đa dạng mặt hàng phong phú hơn, chất lượng đặt nên hàng đầu 37 TÀI LIỆU THAM KHẢO https://en.wikipedia.org/wiki/Autoregressive_integrated_moving_average https://www.machinelearningplus.com/time-series/arima-model-time-series- forecasting-python/ https://towardsdatascience.com/forecasting-exchange-rates-using-arima-in- python-f032f313fc56 https://www.machinelearningplus.com/time-series/arima-model-time-series- forecasting-python/ http://barnesanalytics.com/basics-of-arima-models-with-statsmodels-in-python/ 38 ... QUAN VỀ CÂN BẰNG TẢI TRÊN ĐIỆN TOÁN ĐÁM MÂY 1. 1 Tổng quan điện toán đám mây .7 1. 1 .1 Lịch sử đời điện toán đám mây 1. 1.2 Khái niệm điện toán đám mây .8 1. 1.3... hình triển khai điện tốn đám mây tìm hiểu tốn cân tải điện toán đám mây 1. 1 Tổng quan điện toán đám mây 1. 1 .1 Lịch sử đời điện toán đám mây Khái niệm điện toán đám mây đời từ năm 19 50 máy chủ tính... cứu tìm hiểu thuật tốn cân tải nhằm giảm thời gian đáp ứng dựa vào ngưỡng thời gian điện toán đám mây với nội dung sau: Chương Tổng quan cân tải điện toán đám mây: Giới thiệu tổng quan điện toán