Thông tin tài liệu
B® GIÁO DỤC VÀ ĐÀO TẠO ĐẠI HOC ĐÀ NȀNG *** PHẠM NGUYEN MINH NHỰT CUNG CAP TÀI NGUYÊN CHO D±CH VỤ ẢO HÓA DỰA TRÊN NEN TẢNG MÁY CHỦ CHIA SẺ TRONG TÍNH TỐN ĐÁM MÂY LU N ÁN TIEN SĨ KỸ THU T ĐÀ NȀNG, 2018 B® GIÁO DỤC VÀ ĐÀO TẠO ĐẠI HOC ĐÀ NȀNG *** PHẠM NGUYEN MINH NHỰT CUNG CAP TÀI NGUYÊN CHO D±CH VỤ ẢO HÓA DỰA TRÊN NEN TẢNG MÁY CHỦ CHIA SẺ TRONG TÍNH TỐN ĐÁM MÂY CHUN NGÀNH: KHOA HOC MÁY TÍNH Mà SO: 62.48.01.01 LU N ÁN TIEN SĨ KỸ THU T Ngư i hư ng dȁn khoa hoc: PGS TS LÊ VĂN SƠN PGS TS ĐOÀN VĂN BAN ĐÀ NȀNG, 2018 L I CAM ĐOAN Tôi xin cam đoan: Lu n án cơng trình nghiên cáu thực cá nhân tôi, thực hi n Trường Đại hoc Bách khoa, Đại hoc Đà Nȁng hướng dan khoa hoc PGS.TS Lê Văn Sơn PGS.TS Đoàn Văn Ban Các ket quả, nhǎng ket lu n nghiên cáu trình bày lu n án trung thực chưa tàng cơng bo bat kỳ cơng trình tác giả khác Tôi xin chịu trách nhi m ve nhǎng lời cam đoan Nghiên cáu sinh Phạm Nguyen Minh Nhựt iii L I CẢM ƠN Lu n án "Cung cap tài nguyên cho d ch vi ao hóa dta nen tang máy chi chia sé tính tốn đám mây " hồn thành hướng dan t n tình, nhǎng yêu cau nghiên cáu nghiêm túc PGS.TS Lê Văn Sơn PGS.TS Đoàn Văn Ban Các Thay truyen đạt nhieu kien thác chuyên môn quý báu nhǎng kinh nghi m nghiên cáu khoa hoc thời gian nghiên cáu đe viet lu n án Tôi xin bày tỏ lịng biet ơn chân thành kính sâu sac đoi với Thay Đe hoàn thành lu n án này, tiep nh n nhǎng kien thác quý giá, đóng góp ý kien quan tâm chân tình tà q Thay, Cơ Khoa Công ngh Thông tin, Trường Đại hoc Bách khoa Đà Nȁng Quý Thay, Cô tạo moi đieu ki n thu n lợi cho trình hoc t p, nghiên cáu khoa hoc, tham gia h®i thảo trao đői chuyên môn, tiep xúc với chuyên gia Tôi xin chân thành cảm ơn quan tâm, đ®ng viên ho trợ nhi t tình tat quý Thay, Cô Xin chân thành cảm ơn tác giả ve nhǎng tài li u, báo công bo nghiên cáu khoa hoc mà tơi có sả dụng tham khảo, trích dan đe tài nghiên cáu Tơi xin cảm ơn bạn bè, đong nghi p có nhieu đ®ng viên đóng góp ý kien đe lu n án hoàn chỉnh Nghiên cáu sinh Phạm Nguyen Minh Nhựt DANH MỤC VIET TAT Viet tat Dạng đay đủ API Application Programming In- Dien giải ý nghĩa Giao di n l p trình dụng terface Ant Colony Optimization Toi ưu đàn kien Ant System H kien ACS Ant Colony System H đàn kien BW BandWidth Băng thông BWAS Best-Worst Ant System H kien Best-Worst CPU Center Processing Unit Đơn vị xả lý trung tâm CIS Cloud Information Service Dịch vụ thông tin đám DC Data Center mây Trung tâm dǎ li u Energy Consumption Resource Cung cap tài nguyên với mục Allocation for Virtual Services tiêu ràng bu®c lượng ACO AS ECRAVS tiêu thụ cho dịch vụ ảo hóa FFD Firt Fit Decreasing Thu t tốn Firt Fit Decreasing GA Genetic Algorithm Thu t toán Di truyen HaaS Hardware as a Service Phan cáng m®t dịch vụ IaaS Infrastructure as a Service Cơ sở hạ tang m®t dịch I/O Input/Output vụ Thiet bị vào/ra MDRAVS Multi-Dimensional Resource Cung cap tài nguyên đa chieu Allocation for Virtual Services cho dịch vụ ảo hóa MMAS Max-Min Ant System H kien Max-Min MORA Multi-Objective Resource Al- Cung cap tài nguyên đa mục location tiêu NSDV Năng suat dịch vụ Năng suat dịch OS Operation System vụ H đieu hành PSO Particle Swarm Optimization Toi ưu bay đàn PaaS Platform as a Service Nen tảng m®t dịch vụ PM Physical Machine Máy v t lý RBAS Rank-Based Ant System H kien Rank-Based RAM Random Access Memory B® nhớ truy xuat ngau nhiên RaaS Resource as a Service Tài nguyên m®t dịch vụ Viet tat Dạng đay đủ Dien giải ý nghĩa SaaS Software as a Service Phan mem m®t dịch vụ QoS Quality of Service Chat lượng dịch vụ SLA Service Level Agreement Thỏa thu n mác dịch vụ SA Simulated Annealing Mô luy n kim VM Virtual Machine Máy ảo VMM Virtual Machine Manager B® giám sát máy ảo VMCS Virtual Cau trúc giám sát máy ảo Structure Machine Control DANH MỤC CÁC KÝ HI U Ký hi u VS Dien giải ý nghĩa T p dịch vụ ảo hóa i Dịch vụ ảo hóa thá i N So lượng dịch vụ ảo hóa PM T p máy v t lý j Máy v t lý thá j M So lượng máy v t lý D T p loại tài nguyên D So loại tài nguyên rik Nhu cau tài nguyên dịch vụ ảo hóa thá i với loại tài nguyên k Q+ R xij T p so hǎu t dương T p so thực Bien nhị phân, có giá trị neu dịch vụ ảo hóa i cap tài nguyên tà máy v t lý j bang neu ngược lại aik Bien nhị phân, có giá trị neu rik m®t nhu cau tat yeu, bang neu rik m®t nhu cau tùy bien bij Năng suat dịch vụ dịch vụ ảo hóa i máy v t lý j yj Bien nhị phân, có giá trị neu máy v t lý j sả dụng đe cung cap tài nguyên cho dịch vụ ảo hóa có giá trị neu ngược lại pij Xác suat đe kien chon m®t dịch vụ ảo hóa i dịch vụ ke tiep đe cung cap tài nguyên tà máy v t lý j hi n hành τij V t mùi đe kien dựa vào chon dịch vụ ảo hóa i dịch vụ ảo hóa ke tiep đe cung cap tài nguyên tà máy v t lý hi n hành j τijmax V t mùi cực đại τijmin α, β V t mùi cực tieu VStemp H so nham làm női b t mùi thông tin heuristic T p dịch vụ ảo hóa h®i đủ đieu ki n sě chon đe cung cap tài nguyên tà máy v t lý hi n hành j Ký hi u Dien giải ý nghĩa Vector nhu cau tat yeu dịch vụ ảo hóa i ri∗ ri∗∗ Vector nhu cau tùy bien dịch vụ ảo hóa i Loadj Tải máy v t lý hi n hành j Cj Vector lực tài nguyên máy v t lý j ηij Thông tin heuristic Tőng mùi tăng cường sinh tà kien có giải pháp tot ∆τbest ij nhat lan l p ρ Đ® bay v t mùi BINARY eij nA best f (S ) Sbest pbest Sbest−vong−lap Ma tr n lưu giải pháp Bieu dien ánh xạ tà dịch vụ ảo hóa i đen máy v t lý j Hàm tính giải pháp tot nhat Giải pháp tot nhat Tham so đieu chỉnh biên v t mùi Giải pháp tot nhat vòng l p Sbest−toan−cuc Giải pháp tot nhat toàn cục P (numLoop) Xác suat tìm thay giải pháp thu t tốn H kien Max-Min sau numLoop bước l p Ce e cjk Ca a cjk Re Ra reik raik Fe f eik Fa a f ik Vector tài nguyên thành phan Phan tả đơn lẻ loại tài nguyên k máy v t lý j Vector tài nguyên tőng hợp Phan tả tőng hợp loại tài nguyên k máy v t lý j Vector nhu cau tài nguyên tat yeu thành phan Vector nhu cau tài nguyên tat yeu tőng hợp Phan tả nhu cau tat yeu thành phan loại tài nguyên k dịch vụ ảo hóa i Phan tả nhu cau tat yeu tőng hợp loại tài nguyên k dịch vụ ảo hóa i Vector nhu cau tùy bien thành phan Phan tả nhu cau tùy bien thành phan đoi với loại tài nguyên k dịch vụ ảo hóa i Vector nhu cau tài nguyên tùy bien tőng hợp Phan tả nhu cau tài nguyên tùy bien tőng hợp đoi với loại tài nguyên k dịch vụ ảo hóa i Q Vector h so bő sung qij H so bő sung nhu cau tùy bien dịch vụ ảo hóa i đoi với máy v t lý j Ký hi u Dien giải ý nghĩa Pj(uj) j Pmax P idle j uj Đi n tiêu thụ máy v t lý j Công suat máy v t lý j tương trạng thái sả dụng ti n ích tài nguyên toi đa Công suat máy v t lý j tương trạng thái trạng thái khơng hoạt đ®ng Tőng ti n ích sả dụng tat loại tài nguyên máy v t lý j E(t) Năng lượng tiêu thụ M máy v t lý cung cap tài nguyên cho N dịch vụ ảo hóa khoảng thời gian ∆t Vp V n toc partical Xp Vị trí partical t Fijk Tőng tài nguyên loại k mà dịch vụ ảo hóa i cung cap tài nguyên tà máy v t lý j FjPSO E FFD E Làm thích nghi partical Năng lượng tiêu thụ h thong sả dụng thu t toán FFD Năng lượng tiêu thụ h thong sả dụng thu t toán ECRAVS-PSO hay thu t tốn ECRAVS-SA Tài ngun cịn lại máy v t lý j cung cap tài nguyên ∗ cho dịch vụ ảo hóa Rj Giá trị tài nguyên trung bình cịn lại tat máy v t lý R Năng lượng tiêu thụ giải pháp s0 Đ® l ch chuȁn giải pháp s0 E(s0) Thơng tin heuristic cho mục tiêu cân bang tải σ(s ) Thông tin heuristic cho mục tiêu toi thieu lượng tiêu thụ ηijσ ηijE Năng lượng tiêu thụ tương với giải pháp tot nhat toàn E(sbest) σ(sbest) ERoundRobin cục Đ® l nh chuȁn tương với giải pháp tot nhat toàn cục Năng lượng tiêu thụ h thong sả dụng thu t toán RoundRobin Năng lượng tiêu thụ h thong sả dụng thu t toán MORA − ACS E MORA−ACS MỤC LỤC L i cam đoan L i cảm ơn Danh mnc viet tat Danh mnc ký hi u Mnc lnc Danh mnc bảng, bieu Danh mnc hình vẽ M đau Chương Tong quan đe xuat toán cung cap tài nguyên cho i ii iii v viii xi xii dịch ảo hóa 1.1 H thong tính tốn đám mây 1.1.1 Đ c điem h thong tính tốn đám mây 1.1.2 Mơ hình dịch vụ h thong tính tốn đám mây 1.1.3 Mơ hình trien khai h thong tính tốn đám mây .9 1.2 u cau thách thác h thong tính tốn đám mây 10 1.2.1 Yêu cau m®t h thong tính tốn đám mây .10 1.2.2 Thách thác m®t h thong tính tốn đám mây 11 1.3 Máy ảo 12 1.4 Cơng ngh ảo hóa 13 1.4.1 Ảo hóa máy chủ 13 1.4.2 Ảo hóa tích hợp .14 1.5 Cơng cụ mơ h thong tính toán đám mây .15 1.5.1 Khảo sát công cụ mô 15 1.5.2 Công cụ mô CloudSim 17 1.6 Cung cap tài ngun h thong tính tốn đám mây 19 1.6.1 Mơ hình cung cap tài nguyên .19 1.6.2 Cung cap dụng 20 1.6.3 Cung cap máy ảo .21 1.6.4 Cung cap tài nguyên v t lý 23 1.7 Các nghiên cáu liên quan đen cung cap tài nguyên cho dịch vụ ảo hóa 24 1.7.1 Mơ hình h thong cung cap tài nguyên cho dịch vụ ảo hóa 24 1.7.2 Mơ hình cung cap tài ngun cho dịch vụ ảo hóa với mục tiêu 1.7.3 toi thieu so lượng máy v t lý dùng 25 Mơ hình cung cap tài ngun cho dịch vụ ảo hóa với mục tiêu toi thieu lượng tiêu thụ .26 KET LU N VÀ HƯ NG PHÁT TRIEN Ket lu n Sự phát trien cơng ngh ảo hóa (Virtualization Technology) giúp cho q trình trien khai h thong tính tốn đám mây trở nên de dàng, đem lại nhieu lợi ích cho người dùng thu n lợi cho nhà cung cap dịch vụ đám mây Tuy nhiên, nhǎng thách thác vi c toi ưu h thong cung cap tài nguyên can quan tâm nghiên cáu, như: tiet ki m tài nguyên đe giảm chi phí, tiet ki m lượng tiêu thụ đe giảm khí thải CO2, khả cân bang tải đe tăng hi u suat h thong, Trong n®i dung đe tài, lu n án nghiên cáu mơ hình h thong cung cap tài nguyên cho dịch vụ ảo hóa tà nen tảng máy chủ chia sẻ (Shared Hosting Platform) Mark Stillwell trình bày [100], xây dựng tốn m®t phan B® cung cap tài ngun h thong đe cung cap tài nguyên đa chieu (xét nhieu loại tài nguyên, như: CPU, RAM, Disk, ) máy v t lý (Physical Machine) cho dịch vụ ảo hóa (Virtual Service), moi dịch vụ ảo hóa m®t ánh xạ tài nguyên tà máy v t lý đen máy ảo (Virtual Machine), dựa nen tảng máy chủ chia sẻ đong nhat (Homogeneous Shared Hosting Platform) không đong nhat (Heterogeneous Shared Hosting Platform) với mục tiêu: (1) toi thieu so lượng máy v¾t lý can dùng ; (2) toi thieu lượng tiêu thự (3) đảm bảo cân bang tải giǎa máy v t lý Lu n án đạt m®t so ket cụ the sau: Dựa mô hình h thong cung cap tài nguyên cho dịch vụ ảo hóa Mark Stillwell [100] đe xuat đ c tính tài nguyên máy v t lý, nhu cau tài ngun dịch vụ ảo hóa tà cơng bo [99] cho nen tảng máy chủ chia sẻ đong nhat Trên sở đó, đe xuat mơ hình tốn hoc van đe cung cap tài nguyên đa chieu cho dịch vụ ảo hóa tà nen tảng máy chủ chia sẻ đong nhat, với mục tiêu toi thieu so lượng máy v¾t lý can dùng (the hi n bang Bài toán MDRAVS) Áp dụng thu t toán H kien Max-Min (MaxMin Ant System-MMAS)[105], đe xuat thu t toán MDRAVS-MMAS đe ước lượng toán so sánh với thu t tốn Firt Fit, Best Fit [63], [72] thơng qua 02 thước đo: so lượng máy v¾t lý can dùng thời gian thực hi n thu¾t tốn Chương trình mơ thu t tốn thực hi n bang ngôn ngǎ C++ thời gian thực hi n thu t tốn đo máy tính đơn có b® vi xả lý Intel Core Duo 1.86 GHz, RAM 2Gb Ket thực nghi m nh n thay rang: thu¾t tốn đe xuat MDRAVS-MMAS cho giá tr so lưạng máy v¾t lý can dùng thu¾t tốn First Fit, Best Fit (tGc là, tiet ki m tài nguyên hơn) Đ phGc tạp cia thu¾t tốn thtc hi n thài gian đa thGc Dựa mơ hình h thong cung cap tài nguyên cho dịch vụ ảo hóa Mark Stillwell [100] đe xuat đ c tính tài nguyên máy v t lý, nhu cau tài ngun dịch vụ ảo hóa tà cơng bo [101] cho nen tảng máy chủ chia sẻ không đong nhat cải tien mơ hình lượng tiêu thụ Eugen Feller [36] đe đe xuat mơ hình tốn hoc cho van đe cung cap tài nguyên đa chieu cho dịch vụ ảo hóa tà nen tảng máy chủ chia sẻ không đong nhat với mục tiêu toi thieu lượng tiêu thự h thong (the hi n bang Bài toán ECRAVS) Cải tien thu t toán Toi ưu bay đàn (Particle Swarm Optimization-PSO)[31] đe đe xuat thu t tốn ECRAVS-PSO, áp dụng thu t tốn Mơ phóng luy n kim (Simulated Annealing-SA) [59] đe đe xuat thu t toán ECRAVS-SA nham ước lượng toán so sánh với thu t toán Firt Fit Decreasing (FFD) [101] thông qua 02 thước đo: lượng tiêu thự thời gian thực hi n thu¾t tốn Sả dụng cơng cụ mô đám mây CloudSim [14] đe trien khai thực nghi m Thời gian thực hi n thu t tốn đo máy tính đơn có b® vi xả lý Intel(R) Core(TM) i5-3235M 2.60 GHz, RAM 4Gb Ket thực nghi m nh n thay rang: giá tr lưạng tiêu thi tìm đưạc tG 02 thu¾t tốn đe xuat ECRAVS-PSO ECRAVS-SA thu¾t tốn FFD (tGc là, tiet ki m lưạng tiêu thi hơn) Đ phGc tạp cia thu¾t tốn thtc hi n thài gian đa thGc Trên sở mô hình h thong, mơ hình tài ngun nhu cau tài nguyên toán cung cap tài nguyên tà nen tảng máy chủ chia sẻ không đong nhat, xây dựng mơ hình tốn hoc cho vi c cung cap tài nguyên đa chieu đa mục tiêu, gom: mục tiêu cân bang tải máy v t lý mục tiêu toi thieu lượng tiêu thự (the hi n bang Bài toán MORA) Áp dụng thu t toán H đàn kien (Ant Colony System - ACS) [28], đe xuat thu t toán MORA-ACS đe ước lượng toán so sánh với thu t toán Round Robin [79] thơng qua 03 thước đo: lượng tiêu thự, đ® l ch chuȁn thời gian thực hi n thu¾t tốn Sả dụng cơng cụ mơ đám mây CloudSim [14] đe trien khai thực nghi m Thời gian thực hi n thu t tốn đo máy tính đơn có b® vi xả lý Intel(R) Core(TM) i5-3235M 2.60 GHz, RAM 4Gb Ket thực nghi m nh n thay rang: lưạng tiêu thi kha cân bang tai cia thu¾t tốn đe xuat MORA-ACS tot thu¾t tốn Round Robin Đ phGc tạp cia thu¾t tốn thtc hi n thài gian đa thGc Các ket lu n án công bo 07 cơng trình khoa hoc đăng h®i nghị tạp chí chun ngành ngồi nước Trong đó, có 01 đăng k yeu h®i thảo quoc gia, 02 đăng tạp chí chuyên ngành nước, 02 đăng tạp chí quoc te 02 đăng h®i thảo quoc te chuyên ngành Nhfing van đe can tiep tnc nghiên cfíu Cung cap tài nguyên v t lý cho dịch vụ ảo hóa có 02 loại, là: cung cap tài nguyên tĩnh cung cap tài nguyên đ®ng Trong đó, cung cap tài ngun tĩnh q trình cung cap tài nguyên mà nhu cau tài nguyên cho dịch vụ ảo hóa khơng thay đői Ngược lại, đoi với cung cap tài ngun đ®ng nhu cau cau tài nguyên dịch vụ ảo hóa thay đői trình cung cap tài nguyên Tuy nhiên, lu n án t p trung giải quyet toán cung cap tài ngun tĩnh Vì the, hướng mở r®ng lu n án nghiên cáu toán cung cap tài ngun đ®ng cho dịch vụ ảo hóa h thong tính tốn đám mây Ngồi ra, thu t toán mà lu n án đe xuat, m c dù hàm mục tiêu đạt tot m®t so thu t tốn cơng bo trước đây, thời gian thực thi thu t tốn cịn lớn Vi c nghiên cáu, đe xuat thu t toán rút ngan thời gian thực hi n thu t toán van đe can quan tâm thời gian đen DANH MỤC CÁC CƠNG TRÌNH KHOA HOC CỦA TÁC GIẢ LIÊN QUAN ĐEN LU N ÁN Phạm Nguyen Minh Nhựt, Đồn Văn Ban, Lê Văn Sơn Mơ hình nen tảng máy chủ chia sẻ toán Vector Packing cung cap tài nguyên cho dịch vụ ảo hóa, Tạp chí Tin hoc Đieu khien hoc, 30(1):63-72, 2014 Phạm Nguyen Minh Nhựt, Lê Văn Sơn, Đoàn Văn Ban Thu¾t tốn Max-Min Ant System cung cap tài nguyên cho dịch vụ ảo hóa tà nen tảng máy chủ chia sẻ H i thảo quoc gia lan thú XVII: M t so van đe chon loc Công ngh thông tin Truyen thông, trang 331-336, 2014 Nguyen Minh Nhut Pham, Thu Huong Nguyen, Van Son Le Resource Allocation for Virtual Service Based on Heterogeneous Shared Hosting Platforms In the 8th Asian Conference Intelligent Information and Database Systems, 9622:51-60 Springer, 2016 Phạm Nguyen Minh Nhựt, Lê Văn Sơn, Hồng Bảo Hùng Thu¾t tốn PSO cải tien cung cap tài nguyên cho dịch vụ ảo hóa dựa nen t ảng máy ch ủ chia s ẻ khơng đong nhat Chun san Các cơng trình nghiên cúu, phát trien úng d ựng Công ngh thông tin Truyen thông, 2(36):80-95, 2016 Nguyen Minh Nhut Pham, Van Son Le Applying Ant Colony System Algorithm in Multi-Objective Resource Allocation for Virtual Services Journal of Information and Telecommunication, 1(4):319-333 Taylor & Francis, 2017 Nguyen Minh Nhut Pham, Van Son Le, Ha Huy Cuong Nguyen Energy-Efficient Resource Allocation for Virtual Service in Cloud Computing Environment In the 4th International conference on information system design and intelligent applications, Advances in Intelligent Systems and Computing, vol 672: 126-136 Springer, 2018 Nguyen Minh Nhut Pham, Van Son Le, Ha Huy Cuong Nguyen Energy Efficient Resource Allocation for Virtual Service Based on Heterogeneous Shared Hosting Platforms in Cloud Computing Cybernetics and Information Technologies, 17(3): 47-58 BAS, 2017 TÀI LI U THAM KHẢO [1] R Ansar, W Stefan, and L Bert Towards portability and interoperability support in middleware for hybrid clouds In the 2014 IEEE Conference on Computer Communications Workshops, pages 7–12 IEEE, 2014 [2] M Aron, P Druschel, and W Zwaenepoel Cluster reserves: A mechanism for resource management in cluster-based network servers In the 2000 International Conference on Measurement and Modeling of Computer Systems, pages 90–101 ACM, 2000 [3] L Badger, T Grance, R Corner, and J Voas DRAFT: Cloud computing synopsis and recommendations Technical report, National Institute of Technology, 2011 [4] D Balouek and et al Adding virtualization capabilities to the Grid’5000 testbed In Cloud Computing and Services Science, pages 3–20 Springer Publishing, 2013 [5] P Barham and et al Xen and the Art of virtualization ACM SIGOPS Operating Systems Review, 37(5):164–177, 2003 [6] A Beloglazov and R Buyya Optimal online deterministic algorithms and adaptive heuristics for energy and performance efficient dynamic consolidation of virtual machines in cloud data centers Concurrency and Computation: Practice and Experience, 24(13):1397–1420, 2012 [7] M Bessedik and et al Ant colony system for graph coloring problem In the International Conference on Computational Intelligence for Modelling, Control and Automation, pages 786–791 IEEE, 2005 [8] S D Borislav, P J Slobodan, and V Timcenko Cloud computing in Amazon and Microsoft Azure platforms: Performance and service comparison In the 22nd Telecommunications Forum Telfor, pages 931–934 IEEE Computer Society, 2014 [9] J Branke and et al Multiobjective Optimization: Interactive and Evolutionary Approaches Springer Berlin Heidelberg, 2008 [10] J Brito and et al An ACO hybrid metaheuristic for close–open vehicle routing prob- lems with time windows and fuzzy constraints Applied Soft Computing, 32:154 – 163, 2015 [11] B Bullnheimer, R F Hartl, and C Strauss A new Rank-Based version of the Ant System: A computational study Central European Journal for Operations Research and Economics, 7(1):25 – 38, 1999 [12] R Buyya and M Murshed GridSim: A toolkit for the modeling and simulation of distributed resource management and scheduling for grid computing Concurrency and Computation: Practice and Experience, 14(13-15):1175–1220, 2002 [13] N M Calcavecchia and et al VM placement strategies for cloud scenarios In the 15th International Conference on Cloud Computing, pages 852–859 IEEE Computer Society, 2012 [14] R N Calheiros and et al CloudSim: a toolkit for modeling and simulation of cloud computing environments and evaluation of resource provisioning algorithms Software: Practice and Experience, 41(1):23–50, 2011 [15] R N Calheiros and et al EMUSIM: an integrated emulation and simulation envi- ronment for modeling, evaluation, and validation of performance of cloud computing applications Software: Practice and Experience, 43(5):595–612, 2013 [16] R N Calheiros, R Ranjan, and R Buyya Virtual machine provisioning based on analytical performance and QoS in cloud computing environments In the 2011 Inter- national Conference on Parallel Processing, pages 295–304 IEEE, 2011 [17] Z Cao and S Dong Dynamic VM consolidation for energy-aware and SLA violation reduction in cloud computing In the 13th International Conference on Parallel and Distributed Computing, Applications and Technologies, pages 363–369 IEEE, 2012 [18] R Chi, Z Qian, and S Lu A heuristic approach for scalability of multi-tiers web application in clouds In the 2011 11th International Conference on Innovative Mobile and Internet Services in Ubiquitous Computing, pages 28–35 IEEE, 2011 [19] N Chohan and et al AppScale: Scalable and Open AppEngine Application Develop- ment and Deployment Springer Berlin Heidelberg, 2010 [20] V Constantino, H Eduardo, S M Ruben, and M L Ignacio On the use of clouds for grid resource provisioning Future Generation Computer Systems, 27(5):600 – 605, 2011 [21] D W Corne, J D Knowles, and M J Oates The Pareto envelope-based selection algorithm for multiobjective optimization In Parallel Problem Solving from Nature PPSN VI: 6th International Conference, pages 839–848 Springer Berlin Heidelberg, 2000 [22] A K Das and et al An intelligent approach for virtual machine and QoS provisioning in cloud computing In the 2013 International Conference on Information Networking, pages 462–467 IEEE, 2013 [23] K Deb and D Kalyanmoy Multi-Objective Optimization Using Evolutionary Algo- rithms John Wiley & Sons, Inc., New York, USA, 2001 [24] B Dennis, K Ellen, and BEP Guide for reducing data center physical infrastructure energy consumption in federal data centers Technical report, Data Center Science Center, Schneider Electric USA, Inc, 2010 [25] G Deqiang, D Keping, and Q Yonghua Remote sensing algorithm platform in Windows Azure In the 20th International Conference on Geoinformatics, pages 1– IEEE, 2012 [26] T Dillon, C Wu, and E Chang Cloud computing: Issues and challenges In the 24th IEEE International Conference on Advanced Information Networking and Appli- cations, pages 27–33 IEEE, 2010 [27] S Dirk, T Christian, W Andreas, M Dieter, and H B Christian How to Scale Nested OpenMP applications on the ScaleMP vSMP architecture In the 2010 IEEE International Conference on Cluster Computing, pages 29–37 IEEE Computer Society, 2010 [28] M Dorigo and L M Gambardella Ant Colony System: a cooperative learning ap- proach to the traveling salesman problem IEEE Transactions on Evolutionary Com- putation, 1(1):53–66, 1997 [29] M Dorigo, V Maniezzo, and A Colorni Ant System: optimization by a colony of cooperating agents IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), 26(1):29–41, 1996 [30] K L Du and M N S Swamy Particle swarm optimization In Search and Optimiza- tion by Metaheuristics: Techniques and Algorithms Inspired by Nature, pages 153–173 Springer International Publishing, 2016 [31] R Eberhart and K Kennedy A new optimizer using particle swarm theory In the Sixth International Symposium on Micro Machine and Human Science, pages 39–43 IEEE, 1995 [32] R Eglese Simulated annealing: A tool for operational research European Journal of Operational Research, 46(3):271 – 281, 1990 [33] A Ehsan, T Hassan, and S Saeed Novel energy and SLA efficient resource manage- ment heuristics for consolidation of virtual machines in cloud data centers Computers & Electrical Engineering, 47:222–240, 2015 [34] A Engelbrecht Particle swarm optimization In the 2014 Annual Conference on Genetic and Evolutionary Computation, pages 381–406 ACM, 2014 [35] F Farahnakian and et al Energy-aware dynamic VM consolidation in cloud data centers using ant colony system In the IEEE 7th International Conference on Cloud Computing, pages 104–111 IEEE, 2014 [36] E Feller, L Rilling, and C Morin Energy-aware Ant Colony based workload place- ment in clouds In the IEEE/ACM 12th International Conference on Grid Computing, pages 26–33 IEEE, 2011 [37] W Feng, X Feng, and R Ge Green supercomputing comes of age IT Professional, 10(1):17–23, 2008 [38] F Fittkau, S Frey, and W Hasselbring CDOSim: Simulating cloud deployment options for software migration support In the IEEE 6th International Workshop on the Maintenance and Evolution of Service-Oriented and Cloud-Based Systems, pages 37–46 IEEE, 2012 [39] L Flavio and D P Roberto Secure virtualization for cloud computing Journal of Network and Computer Applications, 34(4):1113 – 1122, 2011 [40] M Fleischer Simulated annealing: past, present, and future In Winter Simulation Conference Proceedings, pages 155–161 IEEE, 1995 [41] W Gentzsch Sun grid engine: Towards creating a compute power grid In the 1st Inter- national Symposium on Cluster Computing and the Grid, pages 35–36 IEEE Computer Society, 2001 [42] R P Goldberg and G Popek Formal requirements for virtualizable third generation architectures Communication ACM, 17(7):412–421, 1974 [43] Grenke https://www.grenkeleasing.co.uk/en.html, accessed 04-November-2017 [44] G grid The green grid consortium 2011 https://www.thegreengrid.org, accessed 04- November-2017 [45] V Hahanov, E Litvinova, W Gharibi, and S Chumachenko iCloud traffic control and monitoring In the 16th International Conference on Computer Modelling and Simulation, pages 159–162 IEEE Computer Society, 2014 [46] F Heppner and U Grenander A stochastic nonlinear model for coordinated bird flocks The ubiquity of chaos, 31(3):233 – 238, 1990 [47] Hetzner https://www.hetzner.com/, accessed 04-November-2017 [48] N Huber, F Brosig, and S Kounev Model-based self-adaptive resource allocation in virtualized environments In the 6th International Symposium on Software Engineering for Adaptive and Self-Managing Systems, pages 90–99 ACM, 2011 [49] K Imran, R Habib-ur, and A Zahid Design and deployment of a Trusted Eucalyptus cloud In the 2011 IEEE International Conference on Cloud Computing, page 380–387 IEEE, 2011 [50] W Iqbal, M N Dailey, and D Carrera SLA-driven dynamic resource management for multi-tier web applications in a cloud In the 10th IEEE/ACM International Con- ference on Cluster, Cloud and Grid Computing, pages 832–837 IEEE, 2010 [51] P M Jaison and S Yedhu A comparative study of OpenStack and CloudStack In the Fifth International Conference on Advances in Computing and Communications, pages 81–84 IEEE, 2015 [52] R Jansen and P R Brenner Energy efficient virtual machine allocation in the cloud In the 2011 International Green Computing Conference and Workshops, pages 1–8 IEEE, 2011 [53] D Johnson and A M Lyle The traveling salesman problem: A case study in local optimization In Local Search in Combinatorial Optimization, pages 215–310 John Wiley & Sons, Chichester, UK, 1997 [54] J Jung and H Kim MR-Cloudsim: Designing and implementing mapreduce comput- ing model on cloudsim In the 2012 International Conference on ICT Convergence, pages 504–509 IEEE, 2012 [55] G S K and R Buyya NetworkCloudSim: Modelling parallel applications in cloud simulations In the 4th IEEE International Conference on Utility and Cloud Comput- ing, pages 105–113 IEEE, 2011 [56] A Karve and et al Dynamic placement for clustered web applications In the 15th International Conference on World Wide Web, pages 595–604 ACM, 2006 [57] J Kennedy Particle swarm optimization In Encyclopedia of Machine Learning, pages 760–766 Springer US, 2010 [58] E Kijsipongse and S Vannarat Autonomic resource provisioning in rocks clusters using eucalyptus cloud computing In the International Conference on Management of Emergent Digital EcoSystems, pages 61–66 ACM, 2010 [59] S Kirkpatrick Optimization by simulated annealing: Quantitative studies Journal of Statistical Physics, 34(5):975–986, 1984 [60] D Kliazovich and et al GreenCloud: A packet-level simulator of energy- aware cloud computing data centers In the 2010 IEEE Global Telecommunications Conference GLOBECOM, pages 1–5 IEEE, 2010 [61] D Kliazovich and et al GreenCloud: A packet-level simulator of energy- aware cloud computing data centers In the 2010 IEEE Global Telecommunications Conference GLOBECOM 2010, pages 1–5 IEEE, 2010 [62] J Koomey Growth in data center electricity use 2005 to 2010 Technical report, Stanford University, The New York Times, 2011 [63] L T Kou and G Markowsky Multidimensional Bin Packing algorithms IBM Journal of Research and Development, 21(5):443–448, 1977 [64] C Koulamas, S Antony, and R Jaen A survey of simulated annealing applications to operations research problems Omega, 22(1):41 – 56, 1994 [65] H Lei, Y Peng, and Z Hongxiu Geoprocessing in Google cloud computing: Case studies In the 2012 International Conference on Agro-Geoinformatics, pages 1– IEEE Computer Society, 2012 [66] J Li and et al Performance model driven QoS guarantees and optimization in clouds In the 2009 ICSE Workshop on Software Engineering Challenges of Cloud Computing, pages 15–22 IEEE Computer Society, 2009 [67] S H Lim and et al MDCSim: A multi-tier data center simulation, platform In the 2009 IEEE International Conference on Cluster Computing and Workshops, pages 1–9 IEEE, 2009 [68] P Lindberg and et al Comparison and analysis of greedy energy-efficient schedul- ing algorithms for computational grids In Energy-Efficient Distributed Computing Systems, pages 189–214 John Wiley & Sons, 2012 [69] J Liu, F Zhao, X Liu, and W He Challenges towards elastic power management in internet data centers In the 29th IEEE International Conference on Distributed Computing Systems Workshops, pages 65–72 IEEE, 2009 [70] I Makoto and et al Performance evaluation of an intelligent CAC and routing frame- work for multimedia applications in broadband networks Journal of Computer and System Sciences, 72(7):1183 – 1200, 2006 [71] V Maniezzo and A Colorni The Ant System applied to the quadratic assignment problem IEEE Transactions on Knowledge and Data Engineering, 11(5):769–778, 1999 [72] K Maruyama, S K Chang, and D T Tang A general packing algorithm for multidi- mensional resource requirements International Journal of Computer and Information Sciences, 6(2):131–149, 1977 [73] P Mell and T Grance The nist definition of cloud computing Technical report, National Institute of Standards and Technology, 2011 [74] Microsoft Live https://www.infoworld.com/article/2626347/iaas/windows-live- Mesh mesh-out-of- sync.html, accessed 04-November-2017 [75] D Mitra, F Romeo, and V A Sangiovanni Convergence and finite-time behavior of simulated annealing Advances in Applied Probability, 18(3):747–771, 1986 [76] NERSC National Energy Research Scientific Computing Center https://www.nersc.gov/, accessed 04-November-2017 [77] C Newcombe, T Rath, F Zhang, B Munteanu, M Brooker, and M Deardeuff How Amazon web services uses formal methods Communication of the ACM, 58(4):66– 73, 2015 [78] H Nguyen Van, F Dang Tran, and J M Menaud Autonomic virtual resource man- agement for service hosting platforms In the 2009 ICSE Workshop on Software Engi- neering Challenges of Cloud Computing, pages 1–8 IEEE, 2009 [79] K A Nuaimi and et al A survey of load balancing in cloud computing: Challenges and algorithms In the 2012 Second Symposium on Network Cloud Computing and Applications, pages 137–142 IEEE, 2012 [80] C Oscar, I Viana, and F Herrera Analysis of the Best-Worst Ant System and its variants on the QAP In the Third International Workshop on Ant Algorithms, pages 228–234 Springer Verlag, 2002 [81] S Ostermann and et al GroudSim: An event-based simulation framework for compu- tational grids and clouds In Euro-Par 2010 Parallel Processing Workshops: HeteroPar, HPCC, HiBB, CoreGrid, UCHPC, HPCF, PROPER, CCPI, VHPC, pages 305– 313 Springer Berlin Heidelberg, 2011 [82] D Pandit and et al Resource allocation in cloud using simulated annealing In the 2014 Applications and Innovations in Mobile Computing, pages 21–27 IEEE, 2014 [83] H Parmar and T Champaneria Comparative study of OpenNebula, Eucalyptus, OpenStack and CloudStack International Journal of Advanced Research in Computer Science and Software Engineering, 4(2):714–721, 2014 [84] R S Parpinelli, H S Lopes, and A A Freitas Data mining with an Ant Colony Optimization 332, 2002 algorithm IEEE Transactions on Evolutionary Computation, 6(4):321– [85] D Petcu and et al Experiences in building an event-driven and deployable platform as a service In the 13th International Conference on Web Information Systems Engi- neering, pages 666–672 Springer Berlin Heidelberg, 2012 [86] D M Quan and et al Energy efficient resource allocation strategy for cloud data centres In Computer and Information Sciences II: 26th International Symposium on Computer and Information Sciences, pages 133–141 Springer London, 2012 [87] B Rajkumar Grid computing and distributed systems laboratory and the Gridbus project In Annual Report - 2008, pages 1–36 Department of Computer Science and Software Engineering, The University of Melbourne, Australia, 2008 [88] I Rodero and et al Energy-efficient application-aware online provisioning for virtual- ized clouds and data centers In International Conference on Green Computing, pages 31–45 IEEE, 2010 [89] F Romeo and V A Sangiovanni A theoretical framework for simulated annealing Algorithmica, 6(1):302, 1991 [90] H H Rong and C Y Shun Enhancement of Job Shop Scheduling with time windows using a wise select Ant Colony Optimization Journal of Statistics and Management Systems, 18(1-2):57–83, 2015 [91] N Sadashiv and S M D Kumar Cluster, grid and cloud computing: A detailed comparison In the 6th International Conference on Computer Science Education, pages 477–482 IEEE, 2011 [92] R Schoonderwoerd and et al Ant-based load balancing in telecommunications net- works Adaptive Behavior, 5(2):169–207, 1996 [93] V Sebastien, P Valentin, and B Pascal Amazon Elastic Compute Cloud vs in- House HPC platform: a cost analysis In the 9th International Conference on Cloud Computing, pages 284–293 IEEE Computer Society, 2016 [94] T Setzer and A Stage Decision support for virtual machine reassignments in en- terprise data centers In the 2010 IEEE/IFIP Network Operations and Management Symposium Workshops, pages 88–94 IEEE, 2010 [95] S Shalmali and S Shilpa Comparing Openstack and VMware In the 2014 Interna- tional Conference on Advances in Electronics, Computers and Communications, pages 1–4 IEEE, 2014 [96] Y Shi and R C Eberhart Parameter selection in particle swarm optimization In the 7th International Conference on Evolutionary Programming, pages 591–600 Springer Berlin Heidelberg, 1998 [97] Y Shoaib and O Das Using layered bottlenecks for virtual machine provisioning in the clouds In the 15th International Conference on Utility and Cloud Computing, pages 109–116 IEEE, 2012 [98] S Sotiriadis and et al SimIC: Designing a new inter-cloud simulation platform for integrating large-scale resource management In the 27th International Conference on Advanced Information Networking and Applications, pages 90–97 IEEE, 2013 [99] M Stillwell and et al Resource allocation algorithms for virtualized service hosting platforms Journal of Parallel and Distributed Computing, 70(9):962 – 974, 2010 [100] M Stillwell, D Schanzenbach, F Vivien, and H Casanova Resource allocation using virtual clusters In the 9th IEEE/ACM International Symposium on Cluster Computing and the Grid, pages 260–267 IEEE, 2009 [101] M Stillwell, F Vivien, and H Casanova Virtual machine resource allocation for service hosting on heterogeneous distributed platforms In the 26th International Parallel and Distributed Processing Symposium, pages 786–797 IEEE Computer Society, 2012 [102] T Stutzle and et al Parameter adaptation in ant colony optimization In Autonomous Search, pages 191–215 Springer Berlin Heidelberg, 2012 [103] B Suman and P Kumar A survey of simulated annealing as a tool for single and multiobjective optimization Journal of the Operational Research Society, 57(10):1143– 1160, 2006 [104] K C Tan, T H Lee, and E F Khor Evolutionary algorithms with dynamic popula- tion size and local exploration for multiobjective optimization IEEE Transactions on Evolutionary Computation, 5(6):565–588, 2001 [105] S Thomas and H H Holger MAX–MIN Ant System Future Generation Computer Systems, 16(8):889 – 914, 2000 [106] T Tighe and et al DCSim: A data centre simulation tool for evaluating dynamic virtualized resource management In the 8th international conference on network and service management, pages 385–392 IEEE, 2012 [107] R Uhlig, G Neiger, and D Rodgers Intel virtualization technology Computer, 38(5):48–56, 2005 [108] B Urgaonkar and et al Agile dynamic provisioning of multi-tier internet applications ACM Transactions on Autonomous and Adaptive Systems, 3(1):1–39, 2008 [109] B Urgaonkar, P Shenoy, and T Roscoe Resource overbooking and application profil- ing in shared hosting platforms ACM SIGOPS Operating Systems Review, 36(SI):239– 254, 2002 [110] F Van den Bergh and A P Engelbrecht A convergence proof for the particle swarm optimiser Fundamenta Informaticae, 105(4):341–374, 2010 [111] D A V Veldhuizen and G B Lamont On measuring multiobjective evolutionary algorithm performance IEEE Transactions on Evolutionary Computation, 1(6):204– 211, 2000 [112] F Vigliotti and D M Batista Energy-efficient virtual machines placement In the 2014 Brazilian Symposium on Computer Networks and Distributed Systems, pages 1– IEEE, 2014 [113] VMware vCloud Suite https://www.vmware.com/products/vcloud-suite/, accessed 04-November-2017 [114] B Wickremasinghe, R N Calheiros, and R Buyya CloudAnalyst: A cloudsim- based visual modeller for analysing cloud computing environments and applications In the 24th IEEE International Conference on Advanced Information Networking and Appli- cations, pages 446–452 IEEE, 2010 [115] Z Xiao, W Song, and Q Chen Dynamic resource allocation using virtual machines for cloud computing environment IEEE Transactions on Parallel and Distributed Systems, 24(6):1107–1117, 2013 [116] Z H Zhan and et al Adaptive particle swarm optimization IEEE Transactions on Systems and Cybernetics, 39(6):1362–1381, 2009 [117] Q Zhang, L Cheng, and R Boutaba Cloud computing: state-of-the-art and research challenges Journal of Internet Services and Applications, 1(1):7–18, 2010 [118] T Zheng Model-based dynamic resource management for multi tier information sys- tems PhD thesis, Carleton University, 2007 [119] U Zoha and S Shailendra A survey of virtual machine placement techniques in a cloud data center Procedia Computer Science, 78:491 – 498, 2016 [120] F Zongqin, S Hong, W Yanbo, and L Yidong Simulated-annealing load balancing for resource allocation in cloud environments In the 2013 International Conference on Parallel and Distributed Computing, Applications and Technologies, pages 1–6 IEEE Computer Society, 2013 ... đen cung cap tài nguyên cho dịch ảo hóa 1.7.1 Mơ hình h thong cung cap tài nguyên cho dịch ảo hóa Cung cap tài nguyên cho dịch vụ ảo hóa có 02 loại: cung cap tài nguyên tĩnh cung cap tài nguyên. .. tính tài nguyên máy v t lý, nhu cau tài nguyên dịch vụ ảo hóa tà [99] nen tảng máy chủ chia sẻ đong nhat Trên sở đó, đe xuat mơ hình tốn hoc vi c cung cap tài nguyên đa chieu cho dịch vụ ảo hóa. .. cfíu Cung cap tài nguyên h thong tính tốn đám mây có the phân thành 03 lớp toán: toán cung cap dụng, toán cung cap máy ảo toán cung cap tài nguyên v t lý (máy v t lý) cho dịch vụ ảo hóa đe tạo máy
Ngày đăng: 07/12/2022, 21:58
Xem thêm:
