Luận án cung cấp tài nguyên cho dịch vụ ảo hóa dựa trên nền tảng máy chủ chia sẻ trong tính toán đám mây

Bộ GIÁO DỤC VÀ ĐÀO TẠO ĐẠI HỌC ĐÀ NẴNG PHẠM NGUYỄN MINH NHựT CUNG CẤP TÀI NGUYÊN CHO DỊCH VỤ ẢO HÓA DựA TRÊN NỀN TẢNG MÁY CHỦ CHIA SẺ TRONG TÍNH TỐN ĐÁM MÂY LUẬN ÁN TIẾN SĨ KỸ THUẬT Bộ GIÁO DỤC VÀ ĐÀO TẠO ĐẠI HỌC ĐÀ NẴNG ĐÀ NẴNG, 2018 PHẠM NGUYỄN MINH NHựT CUNG CẤP TÀI NGUYÊN CHO DỊCH VỤ ẢO HÓA DựA TRÊN NỀN TẢNG MÁY CHỦ CHIA SẺ TRONG TÍNH TỐN ĐÁM MÂY CHUYÊN NGÀNH: KHOA HỌC MÁY TÍNH MÃ SỐ: 62.48.01.01 LUẬN ÁN TIẾN SĨ KỸ THUẬT Người hướng dẫn khoa học: PGS TS LÊ VĂN SÌN PGS TS ĐỒN VĂN BAN ĐÀ NẴNG, 2018 LỜI CAM ĐOAN Tơi xin cam đoan: Luận án cơng trình nghiên cứu thực cá nhân tôi, thực Trường Đại học Bách khoa, Đại học Đà Nang hướng dẫn khoa học PGS.TS Lê Van Sơn PGS.TS Đoàn Van Ban Các kết quả, kết luận nghiên cứu trình bày luận án trung thực chưa công bố cơng trình tác giả khác Tôi xin chiu trách nhiệm lời cam đoan Nghiên cứu sinh Phạm Nguyễn Minh Nhựt i LỜI CẢM ƠN Luận án " Cung cấp tài nguyên cho dịch vụ ảo hóa dựa tảng máy chủ chia sẻ tính tốn đám mây" hồn thành hướng dẫn tận tình, yêu cầu nghiên cứu nghiêm túc PGS.TS Lê Van Sơn PGS.TS Đoàn Van Ban Các Thầy truyền đạt nhiều kiến thức chuyên môn quý báu kinh nghiệm nghiên cứu khoa học thời gian nghiên cứu để viết luận án Tôi xin bày tỏ lịng biết ơn chân thành kính trọng sâu sắc Thầy Để hoàn thành luận án này, tiếp nhận kiến thức quý giá, đóng góp ý kiến quan tâm chân tình từ q Thầy, Cơ Khoa Cơng nghệ Thông tin, Trường Đại học Bách khoa Đà Nang Quý Thầy, Cô tạo điều kiện thuận lợi cho trình học tập, nghiên cứu khoa học, tham gia hội thảo trao đổi chuyên môn, tiếp xúc với chuyên gia Tôi xin chân thành cảm ơn quan tâm, động viên hỗ trợ nhiệt tình tất quý Thầy, Cô Xin chân thành cảm ơn tác giả tài liệu, báo cơng bố nghiên cứu khoa học mà tơi có sử dụng tham khảo, trích dẫn đề tài nghiên cứu Tôi xin cảm ơn bạn bè, đồng nghiệp có nhiều động viên đóng góp ý kiến để luận án hoàn chỉnh Nghiên cứu sinh Phạm Nguyễn Minh Nhựt DANH MỤC VIẾT TAT Viết tắt API Dạng đầy đủ Diễn giải ý nghĩa Application Programming In- Giao diện lập trình ứng dung terface Ant Colony Optimization Tối ưu đàn kiến ACS Ant System Hệ kiến BW Ant Colony System Bandwidth Hệ đàn kiến Best-Worst Ant System Center Băng thông ACO AS BWAS CPU CIS DC ECRAVS Processing Unit Cloud Hệ kiến Best-Worst Information Service Data Đon vi xử lý trung tâm Center Dich vu thông tin đám mây Energy Consumption Resource Trung tâm liệu Allocation for Virtual Services Cung cấp tài nguyên với muc tiêu ràng buộc lượng tiêu FFD GA HaaS IaaS I/O Firt Fit Decreasing Genetic thu cho dich vu ảo hóa Algorithm Hardware as a Thuật tốn Firt Fit Decreasing MDRAVS Service Infrastructure as a Service Input/Output Thuật toán Di truyền Phần cứng dich vu Co MMAS Multi-Dimensional Resource sở hạ tầng dich vu MORA Allocation for Virtual Services Thiết bi vào/ra Max-Min Ant System Cung cấp tài nguyên đa chiều Multi-Objective Resource Al- cho dich vu ảo hóa location Hệ kiến Max-Min Năng suất dich vu Operation Cung cấp tài nguyên đa muc System tiêu Particle Swarm Optimization Năng suất dich vu Hệ điều RAM Platform as a Service hành RaaS Physical Machine Rank-Based Tối ưu bầy đàn Ant System Random Access Nền tảng dich vu Memory Resource as a Service Máy vật lý NSDV OS PSO PaaS PM RBAS Hệ kiến Rank-Based Bộ nhớ truy xuất ngẫu nhiên Tài nguyên dich vu Viết tắt SaaS QoS SLA SA VM VMM VMCS Dạng đầy đủ Diễn giải ý nghĩa Software as a Service Quality of Service Service Level Agreement Simulated Annealing Virtual Machine Virtual Machine Manager Virtual Machine Control Structure Phần mềm dịch vụ Chất lượng dịch vụ Thỏa thuận mức dịch vụ Mô luyện kim Máy ảo Bộ giám sát máy ảo Cấu trúc giám sát máy ảo DANH MỤC CÁC KÝ HIỆU Ký hiệu Diễn giải ý nghĩa VS Tập dịch vụ ảo hóa i N Dịch vụ ảo hóa thứ i Số lượng dịch vụ ảo hóa PM Tập máy vật lý M Máy vật lý thứ j Số lượng máy vật lý D Tập loại tài nguyên D Số loại tài nguyên j r'ik Nhu cầu tài nguyên dịch vụ ảo hóa thứ i với loại tài nguyên k Q R Tập số hữu tỷ dương Tập số thực x Biến nhị phân, có giá trị dịch vụ ảo hóa i cấp tài + ij nguyên từ máy vật lý j ngược lại a ik Biến nhị phân, có giá trị r nhu cầu tất yếu, ik r nhu cầu tùy biến ik b ij yj Nang suất dịch vụ dịch vụ ảo hóa i máy vật lý j Biến nhị phân, có giá trị máy vật lý j sử dụng để cung cấp tài nguyên cho dịch vụ ảo hóa có giá trị ngược lại Pij Xác suất để kiến chọn dịch vụ ảo hóa i dịch vụ để cung cấp tài nguyên từ máy vật lý j hành T ij Vệt mùi để kiến dựa vào chọn dịch vụ ảo hóa i dịch vụ ảo hóa để cung cấp tài nguyên từ máy vật lý hành j T1 max ij T1 ij a, VStemp Vệt mùi cực đại Vệt mùi cực tiểu Hệ số nhằm làm bật mùi thông tin heuristic Tập dịch vụ ảo hóa hội đủ điều kiện chọn để cung cấp tài nguyên từ máy vật lý hành j Ký hiệu r1 * Vector nhu cầu tất yếu dịch vụ ảo hóa i i Vector nhu cầu tùy biến dịch vụ ảo hóa i r** Diễn giải ý nghĩa i Loadj Cj dij Tải máy vật lý hành j Vector nang lực tài nguyên máy vật lý j Thông tin heuristic \T best ij Tổng mùi tang cường sinh từ kiến có giải pháp tốt lần lặp p BINARY nA e ij f (Sbest) S best rpest Độ bay hoi vệt mùi Ma trận lưu giải pháp Biểu diễn ánh xạ từ dịch vụ ảo hóa i đến máy vật lý j Hàm tính giải pháp tốt Giải pháp tốt p S best—vong—lap Tham số điều chỉnh biên vệt mùi S best—toan—cuc Giải pháp tốt vịng lặp P (numLoop) Giải pháp tốt tồn cục Xác suất tìm thấy giải pháp thuật tốn Hệ kiến Max-Min sau numLoop bước lặp Ce Vector t ài nguyên thành phần c jk C a ca jk R Ra e e ! ik Phần tử đon lẻ loại tài nguyên k máy vật lý j Vector tài nguyên tong hợp Phần tử tổng hợp loại tài nguyên k máy vật lý j Vector nhu cầu tài nguyên tất yếu thành phần Vector nhu cầu tài nguyên tất yếu tong hợp Phần tử nhu cầu tất yếu thành phần loại tài nguyên k dịch vụ a r ik Fe f e, ik Fa fa ik ảo hóa i Phần tử nhu cầu tất yếu tong hợp loại tài nguyên k dịch vụ ảo hóa i Vector nhu cầu tùy biến thành phần Phần tử nhu cầu tùy biến thành phần loại tài nguyên k dịch vụ ảo hóa i Vector nhu cầu tài nguyên tùy biến tong hợp Phần tử nhu cầu tài nguyên tùy biến tong hợp loại tài nguyên k dịch vụ ảo hóa i Q qij Vector hệ so bể sung Hệ so bề sung nhu cầu tùy biến dịch vụ ảo hóa i máy vật lý j Ký hiệu Diễn giải ý nghĩa p (u j j) P max Điện nang tiêu thụ máy vật lý j Công suất máy vật lý j tương ứng trạng thái sử dụng tiện ích P idle tài nguyên tối đa Công suất máy vật lý j tương ứng trạng thái trạng thái không hoạt động Uj Tổng tiện ích sử dụng tất loại tài nguyên máy vật E (t) lý j Nang lượng tiêu thụ M máy vật lý cung cấp tài nguyên cho N dịch vụ ảo hóa khoảng thời gian At Vp Xp Ft r Vận tốc partical Vị trí partical ijk Tổng tài nguyên loại k mà dịch vụ ảo hóa i cung cấp tài F PSO nguyên từ máy vật lý j E Làm thích nghi partical j FFD E* Nang lượng tiêu thụ hệ thống sử dụng thuật toán FFD Nang lượng tiêu thụ hệ thống sử dụng thuật toán ECRAVS-PSO hay thuật toán ECRAVS-SA R j Tài nguyên lại máy vật lý j cung cấp tài nguyên cho R dịch vụ ảo hóa Giá trị tài ngun trung bình cịn lại tất máy vật lý E (s ) a(s ) VỈ Nang lượng tiêu thụ giải pháp s 0 Độ lệch chuẩn giải pháp s Thông tin heuristic cho mục tiêu cân tải E (sbest) ơ(sbest) Thông tin heuristic cho mục tiêu tối thiểu nang lượng tiêu thụ E RoundRobin lệnh chuẩn tương ứng với giải pháp tốt toàn cục Nang lượng Nang lượng tiêu thụ tương ứng với giải pháp tốt toàn cục Độ tiêu thụ hệ thống sử dụng thuật toán RoundRobin E MORA—ACS Nang lượng tiêu thụ hệ thống sử dụng thuật toán MORA ACS MỤC LỤC Lời cam đoan i Lời cảm ơn ii Danh mục viết tắt Danh mục ký hiệu iii v Mục lục Danh mục bảng, biểu viii xi Danh mục hình vẽ xii Mở đầu Chương Tổng quan đề xuất toán cung cấp tài nguyên cho dịch vụ ảo hóa 1.1 Hệ thống tính tốn đám mây 1.1.1 Đặc điểm hệ thống tính tốn đám mây 1.1.2 Mơ hình dịch vụ hệ thống tính tốn đám mây 1.1.3 Mơ hình triển khai hệ thống tính tốn đám mây 1.2 Yêu cầu thách thức hệ thống tính tốn đám mây 10 1.2.1 u cầu hệ thống tính tốnđám mây 10 1.2.2 Thách thức hệthống tính tốn đámmây 11 1.3 Máy ảo 12 1.4 Công nghệ ảo hóa 13 1.4.1 Ảo hóa máy chủ 13 1.4.2 Ảo hóa tích hợp 14 1.5 Công cụ mơ hệ thống tính tốn đám mây 15 1.5.1 Khảo sát công cụ mô 15 1.5.2 Công cụ mô CloudSim 17 1.6 Cung cấp tài ngun hệ thống tính tốn đám mây 19 1.6.1 Mơ hình cung cấp tài nguyên 19 1.6.2 Cung cấp ứng dụng 20 1.6.3 Cung cấp máy ảo 21 1.6.4 Cung cấp tài nguyên vật lý 23 1.7 Các nghiên cứu liên quan đến cung cấp tài nguyên cho dịch vụ ảo hóa 24 1.7.1 Mơ hình hệ thống cung cấp tài nguyên cho dịch vụ ảo hóa 24 1.7.2 Mơ hình cung cấp tài ngun cho dịch vụ ảo hóa với mục tiêu 1.7.3 tối thiểu số lượng máy vật lý dùng 25 Mơ hình cung cấp tài nguyên cho dịch vụ ảo hóa với mục tiêu 1.7.4 tối thiểu nang lượng tiêu thụ 26 Mơ hình cung cấp tài nguyên cho dịch vụ ảo hóa với mục tiêu cân tải 27 1.8 Mục tiêu nội dung luận án 28 1.8.1 Mục tiêu nghiên cứu luận án 28 1.8.2 Nội dung nghiên cứu luận án 28 1.9 Tiểu kết Chương 30 Chương Cung cấp tài nguyên cho dịch vụ ảo hóa từ tảng máy chủ chia sẻ đồng 32 Tuy nhiên, thuật tốn MORA-ACS có hạn chế sau: + Hạn chế giống hạn chế thuật toán Tối ưu bầy đàn: sử dụng số lượng đàn kiến để xây dựng giải pháp tối ưu, nên làm tang độ phức tạp thuật tốn Tuy nhiên, cải thiện độ phức tạp thuật toán cách cải tiến thuật tốn sang cì chế song song (hiện nay, luận án chưa thực hiện, hướng nghiên cứu luận án) + Phụ thuộc vào liệu đầu vào (nang lực tài nguyên máy vật lý nhu cầu tài nguyên dịch vụ ảo hóa): nang lực tài nguyên máy vật lý nhỏ hìn nhu cầu tài ngun dịch vụ ảo hóa kiến khơng tìm giải pháp, lúc độ phức tạp thuật toán lớn + Thuật toán sử dụng phưìng pháp tìm kiếm gần đúng, tức tìm giải pháp gần tối ưu 4.3.3.3 Kết thực nghiệm nhận xét Kết thực nghiệm trình bày Bảng 4.1, đồ thị biểu diễn nang lượng tiêu thụ sử dụng thuật toán thể Hình 4.4 đồ thị biểu diễn độ lệch chuẩn sử dụng thuật toán thể Hình 4.5 Bảng 4.1: Nang lượng tiêu thụ độ lệch chuẩn thuật toán MORA-ACS Round Robin SỐ nhu cầu Tên máy ảo thuật toán 100 Round Robin MORA-ACS Round Robin MORA-ACS Round Robin MORA-ACS Round Robin MORA-ACS Round Robin MORA-ACS 200 300 400 500 Thời gian thực Năng lương tiêu Lơi ích hiện(s) thụ(kWh) lương(%) 0,031 201,284 0,037 190,726 0,078 396,706 0,084 390,292 0,116 597,989 0,121 574,440 0,144 793,411 0,150 770,908 0,200 994,694 0,216 960,156 số lượng dịch vụ ảo hóa Độ lệch chuẩn 53,24 5,536 40,75 49,95 1,643 43,04 52,35 4,099 41,33 54,63 2,919 42,31 53,03 3,597 40,52 Hình 4.4: Đồ thi biểu diễn nang lượng tiêu thụ thực thuật tốn MORA-ACS Round Robin Hình 4.5: Đồ thi biểu diễn độ lệch chuẩn thực thuật toán MORA-ACS Round Robin Dựa trẽn kết thực nghiệm, nhận thấy rằng: - Khi sử dụng thuật toán Round Robin, hệ thống tiêu thụ nang lượng giá tri độ lệch chuẩn tài nguyên lại máy vật lý cao sử dụng thuật toán đề xuất MORA-ACS Tức là, thuât toán MORA-ACS tiêu thụ nang lượng khả nang cân tải tốt Nguyên nhân: trình cung cấp tài nguyên, thuật toán Round Robin thực cung cấp tài ngun theo chế xoay vịng, khơng xem xét đến khả nang, mức độ ưu tiên việc chọn máy vật lý để cung cấp tài nguyên nên dẫn đến có xu hướng sử dụng số lượng lớn máy vật lý Ngược lại, thuật toán MORA-ACS sử dụng hành vi đàn kiến để tìm giải pháp tối ưu cung cấp tài nguyên thông qua 02 tham số: thông tin heuristic vệt mùi Hơn nữa, thuật toán MORA-ACS tiếp cận theo hướng tìm kiếm khơng gian giải pháp tồn cục kết tối ưu ln cải thiện sau giải pháp Vì thế, sử dụng thuật toán MORA-ACS cung cấp tài nguyên (tài nguyên máy vật lý) tiêu thụ nang lượng khả nang cân tải hệ thống tốt sử dụng thuật toán Round Robin - Tuy nhiên, thời gian thực thuật toán MORA-ACS lớn Round Robin, nguyên nhân MORA- ACS có sử dụng tham số lần lặp numLoop, số kiến numAnt để tìm kiếm tối ưu tồn cục (khơng gian tìm kiếm lớn) thể độ phức tạp thuật toán O(numLoop X numAnt X N X M) Đây hạn chế chung thuật toán Tối ưu bầy đàn Hơn nữa, tốn kích thước lớn (trường hợp số lượng dịch vụ ảo hóa lớn), sử dụng thuật tốn tối ưu truyền thống khơng đủ mặt thời gian tính tốn, chí khơng tìm giải pháp tối ưu Do đó, thuật tốn thuộc lớp MetaHeuristic thuật tốn MORA-ACS phù hợp để giải tốn kích thước lớn tìm giải pháp tối ưu gần tối ưu thời gian đa thức 4.4 Tiểu kết Chương Nội dung chương nghiên cứu xây dựng toán phần Bộ cung cấp tài ngun, định nghĩa mơ hình tốn học đề xuất thuật toán để cung cấp tài nguyên đa chiều (nhiều loại tài nguyên, như: CPU, RAM, Disk, bang thông I/O, ) từ tảng máy chủ chia sẻ khơng đồng cho dịch vụ ảo hóa với 02 mục tiêu: tối thiểu lượng tiêu thụ hệ thống đảm bảo cân tải máy vật lý cung cấp tài nguyên Kết trình bày cơng trình số Ắp dụng phương pháp tối ưu đa mục tiêu Pareto thuật toán Hệ đàn kiến [28], đề xuất thuật toán MORA-ACS để cài đặt, đánh giá thông qua liệu thực tế trình bày tài liệu [33], [6] Sử dụng công cụ mô đám mây CloudSim [14] để triển khai thực nghiệm, thời gian thực thuật tốn đo máy tính đơn có vi xử lý Intel(R) Core(TM) Í5-3235M 2.60 GHz, RAM 4Gb Kết thực nghiệm cho thấy rằng: lượng tiêu thụ khả nang cân tải thực thuật toán MORA-ACS tốt thuật toán Round Robin [79] Mặc dù, thời gian thực thuật toán đề xuất lớn thuật toán Round Robin đảm bảo độ phức tạp thời gian đa thức áp dụng hệ thống tính tốn đám mây thực tế KẾT LUẬN VÀ HƯỚNG PHÁT TRIEN Kết luận Sự phát triển cơng nghệ ảo hóa (Virtualization Technology) giúp cho q trình triển khai hệ thống tính toán đám mây trở nên dễ dàng, đem lại nhiều lợi ích cho người dùng thuận lợi cho nhà cung cấp dịch vụ đám mây Tuy nhiên, thách thức việc tối ưu hệ thống cung cấp tài nguyên cần quan tâm nghiên cứu, như: tiết kiệm tài nguyên để giảm chi phí, tiết kiệm nang lượng tiêu thụ để giảm khí thải CO , khả nang cân tải để tang hiệu suất hệ thống, Trong nội dung đề tài, luận án nghiên cứu mơ hình hệ thống cung cấp tài nguyên cho dịch vụ ảo hóa từ tảng máy chủ chia sẻ (Shared Hosting Platform) Mark Stillwell trình bày [100], xây dựng toán phần Bộ cung cấp tài nguyên hệ thống để cung cấp tài nguyên đa chiều (xét nhiều loại tài nguyên, như: CPU, RAM, Disk, ) máy vật lý (Physical Machine) cho dịch vụ ảo hóa (Virtual Service), dịch vụ ảo hóa ánh xạ tài nguyên từ máy vật lý đến máy ảo (Virtual Machine), dựa tảng máy chủ chia sẻ đồng (Homogeneous Shared Hosting Platform) không đồng (Heterogeneous Shared Hosting Platform) với mục tiêu: (1) tối thiểu số lượng máy vật lý cần dùng; (2) tối thiểu lượng tiêu thụ (3) đảm bảo cân tải máy vật lý Luận án đạt số kết cụ thể sau: Dựa mơ hình hệ thống cung cấp tài nguyên cho dịch vụ ảo hóa Mark Stillwell [100] đề xuất đặc tính tài nguyên máy vật lý, nhu cầu tài nguyên dịch vụ ảo hóa từ cơng bố [99] cho tảng máy chủ chia sẻ đồng Trên cì sở đó, đề xuất mơ hình tốn học vấn đề cung cấp tài nguyên đa chiều cho dịch vụ ảo hóa từ tảng máy chủ chia sẻ đồng nhất, với mục tiêu tối thiểu số lượng máy vật lý cần dùng (thể Bài toán MDRAVS) Ắp dụng thuật toán Hệ kiến Max-Min (Max-Min Ant SystemMMAS)[105], đề xuất thuật toán MDRAVS-MMAS để ước lượng toán so sánh với thuật tốn Firt Fit, Best Fit [63], [72] thơng qua 02 thước đo: số lượng máy vật lý cần dùng thời gian thực thuật tốn Chưìng trình mơ thuật tốn thực ngơn ngữ C++ thời gian thực thuật toán đo máy tính đìn có vi xử lý Intel Core Duo 1.86 GHz, RAM 2Gb Kết thực nghiệm nhận thấy rằng: thuật toán đề xuất MDRAVS-MMAS cho giá trị số lượng máy vật lý cần dùng thuật toán First Fit, Best Fit (tức là, tiết kiệm tài nguyên hơn) Độ phức tạp thuật toán thực thời gian đa thức Dựa mơ hình hệ thống cung cấp tài nguyên cho dịch vụ ảo hóa Mark Stillwell [100] đề xuất đặc tính tài nguyên máy vật lý, nhu cầu tài nguyên dịch vụ ảo hóa từ cơng bố [101] cho tảng máy chủ chia sẻ không đồng cải tiến mơ hình nang lượng tiêu thụ Eugen Feller [36] để đề xuất mơ hình tốn học cho vấn đề cung cấp tài nguyên đa chiều cho dịch vụ ảo hóa từ tảng máy chủ chia sẻ không đồng với mục tiêu tối thiểu lượng tiêu thụ hệ thống (thể Bài toán ECRAVS) Cải tiến thuật toán Tối ưu bầy đàn (Particle Swarm Optimization-PSO)[31] để đề xuất thuật toán ECRAVS-PSO, áp dụng thuật tốn Mơ luyện kim (Simulated Annealing-SA) [59] để đề xuất thuật toán ECRAVS-SA nhằm ước lượng toán so sánh với thuật toán Firt Fit Decreasing (FFD) [101] thông qua 02 thước đo: lượng tiêu thụ thời gian thực thuật tốn Sử dụng cơng cụ mô đám mây CloudSim [14] để triển khai thực nghiệm Thời gian thực thuật toán đo máy tính đơn có vi xử lý Intel(R) Core(TM) Í5-3235M 2.60 GHz, RAM 4Gb Kết thực nghiệm nhận thấy rằng: giá trị lượng tiêu thụ tìm từ 02 thuật tốn đề xuất ECRAVS-PSO ECRAVS-SA thuật tốn FFD (tức là, tiết kiệm lượng tiêu thụ hơn) Độ phức tạp thuật toán thực thời gian đa thức Trên sở mơ hình hệ thống, mơ hình tài nguyên nhu cầu tài nguyên toán cung cấp tài nguyên từ tảng máy chủ chia sẻ khơng đồng nhất, xây dựng mơ hình tốn học cho việc cung cấp tài nguyên đa chiều đa mục tiêu, gồm: mục tiêu tải máy vật lý mục tiêu tối thiểu lượng tiêu thụ (thể Bài toán MORA) Ắp dụng thuật toán Hệ đàn kiến (Ant Colony System - ACS)[28], đề xuất thuật toán MORA-ACS để ước lượng toán so sánh với thuật tốn Round Robin [79] thơng qua 03 thước đo: lượng tiêu thụ, độ lệch chuẩn thời gian thực thuật tốn Sử dụng cơng cụ mô đám mây CloudSim [14] để triển khai thực nghiệm Thời gian thực thuật toán đo máy tính đơn có vi xử lý Intel(R) Core(TM) Í53235M 2.60 GHz, RAM 4Gb Kết thực nghiệm nhận thấy rằng: lượng tiêu thụ khả cân tải thuật toán đề xuất MORA-ACS tốt thuật toán Round Robin Độ phức tạp thuật toán thực thời gian đa thức Các kết luận án công bố 07 công trình khoa học hội nghị tạp chí chun ngành ngồi nước Trong đó, có 01 kỷ yếu hội thảo quốc gia, 02 tạp chí chuyên ngành nước, 02 tạp chí quốc tế 02 hội thảo quốc tế chuyên ngành Những vấn đề cần tiếp tục nghiên cứu Cung cấp tài nguyên vật lý cho dịch vụ ảo hóa có 02 loại, là: cung cấp tài nguyên tĩnh cung cấp tài nguyên động Trong đó, cung cấp tài nguyên tĩnh trình cung cấp tài nguyên mà nhu cầu tài nguyên cho dịch vụ ảo hóa khơng thay đổi Ngược lại, cung cấp tài nguyên động nhu cầu cầu tài nguyên dịch vụ ảo hóa thay đổi q trình cung cấp tài nguyên Tuy nhiên, luận án tập trung giải tốn cung cấp tài ngun tĩnh Vì thế, hướng mở rộng luận án nghiên cứu toán cung cấp tài nguyên động cho dịch vụ ảo hóa hệ thống tính tốn đám mây Ngồi ra, thuật toán mà luận án đề xuất, hàm mục tiêu đạt tốt hìn số thuật tốn cơng bố trước đây, thời gian thực thi thuật tốn cịn lớn hìn Việc nghiên cứu, đề xuất thuật toán rút ngắn thời gian thực thuật toán vấn đề cần quan tâm thời gian đến DANH MỤC CÁC CƠNG TRÌNH KHOA HỌC CỦA TÁC GIẢ LIÊN QUAN ĐEN LUẬN ÁN Phạm Nguyễn Minh Nhựt, Đoàn Văn Ban, Lẽ Văn Sơn Mơ hình tảng máy chủ chia sẻ toán Vector Packing cung cấp tài nguyẽn cho dịch vụ ảo hóa, Tạp chí Tin học Điều khiển học, 30(1):63-72, 2014 Phạm Nguyễn Minh Nhựt, Lẽ Văn Sơn, Đồn Văn Ban Thuật tốn Max-Min Ant System cung cấp tài nguyẽn cho dịch vụ ảo hóa từ tảng máy chủ chia sẻ Hội thảo quốc gia lần thù XVII: Một số vấn đề chọn lọc Công nghệ thông tin Truyền 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 Nguyễn Minh Nhựt, Lẽ Văn Sơn, Hoàng Bảo Hùng Thuật toán PSO cải tiến cung cấp tài nguyẽn cho dịch vụ ảo hóa dựa trẽn tảng máy chủ chia sẻ không đồng Chuyên san Các công trình nghiên cứu, phát triển ứng dụng Cơng nghệ thông tin Truyền thông, 2(36):80-95, 2016 Nguyen Minh Nhut Pham, Van Son Le Applying Ant Colony System Algorithm in MultiObjective 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 LIÊU 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 problems 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 environment 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 International 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 Development 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 Algorithms 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 1-6 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 Applications, pages 2733 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 9 [28] M Dorigo and L M Gambardella Ant Colony System: a cooperative learning approach to the traveling salesman problem IEEE Transactions on Evolutionary Computation, 1(1):5366, 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 Optimization 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 management 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 placement 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- 0 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 04November-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 multitier web applications in a cloud In the 10th IEEE/ACM International Conference 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 computing model on cloudsim In the 2012 International Conference on ICT Convergence, pages 504509 IEEE, 2012 [55] G S K and R Buyya NetworkCloudSim: Modelling parallel applications in cloud 1 simulations In the 4th IEEE International Conference on Utility and Cloud Computing, 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 760766 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 1-6 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 1522 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 scheduling 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 framework 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 multidimensional 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 Mesh https://www.infoworld.com/article/2626347/iaas/windows-live- meshout-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 management for service hosting platforms In the 2009 ICSE Workshop on Software Engineering 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 computational 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 algorithm IEEE Transactions on Evolutionary Computation, 6(4):321- 332, 2002 [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 Engineering, 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 virtualized 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(12):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 networks Adaptive Behavior, 5(2):169-207, 1996 [93] V Sebastien, P Valentin, and B Pascal Amazon Elastic Compute Cloud vs inHouse 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 enterprise 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 International 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 109116 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):11431160, 2006 [104] K C Tan, T H Lee, and E F Khor Evolutionary algorithms with dynamic population 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 profiling 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—8 IEEE, 2014 [113] VMware vCloud Suite https://www.vmware.com/products/vcloud-suite/, accessed 04November-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 Applications, 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 systems 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 ... thống tính tốn đám mây phân thành 03 lớp toán: toán cung cấp ứng dụng, toán cung cấp máy ảo toán cung cấp tài nguyên vật lý (máy vật lý) cho dịch vụ ảo hóa để tạo máy ảo, cung cấp cho lớp dịch vụ. .. Cung cấp tài nguyên hệ thống tính tốn đám mây phân thành 03 lớp toán: toán cung cấp ứng dụng, toán cung cấp máy ảo toán cung cấp tài nguyên vật lý (máy vật lý) cho dịch vụ ảo hóa để tạo máy ảo. .. cho dịch vụ ảo hóa 1.7.1 Mơ hình hệ thống cung cấp tài nguyên cho dịch vụ ảo hóa Cung cấp tài nguyên cho dich vụ ảo hóa có 02 loại: cung cấp tài nguyên tĩnh cung cấp tài nguyên động Trong đó, cung