Luận án tiến sĩ 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 ĐÀ NẴNG, 2018 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 CHUN 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 SƠN PGS TS ĐOÀN VĂN BAN ĐÀ NẴNG, 2018 LỜI CAM ĐOAN Tôi xin cam đoan: Luận án công trình nghiên cứu thực cá nhân tơi, thực Trường Đại học Bách khoa, Đại học Đà Nẵng hướng dẫn khoa học PGS.TS Lê Văn Sơn PGS.TS Đoàn Văn Ban Các kết quả, kết luận nghiên cứu trình bày luận án trung thực chưa cơng bố cơng trình tác giả khác Tôi xin chịu 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 Văn Sơn PGS.TS Đoàn Văn 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 lòng biết ơn chân thành kính trọng sâu sắc Thầy Để hồn thành luận án này, tiếp nhận kiến thức quý giá, đóng góp ý kiến quan tâm chân tình từ q Thầy, Cơ Khoa Công nghệ Thông tin, Trường Đại học Bách khoa Đà Nẵng 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 q Thầy, Cơ Xin chân thành cảm ơn tác giả tài liệu, báo công 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 ii DANH MỤC VIẾT TẮT Viết tắt Dạng đầy đủ Diễn giải ý nghĩa API Application Programming In- Giao diện lập trình ứng dụng terface ACO Ant Colony Optimization Tối ưu đàn kiến Ant System Hệ kiến ACS Ant Colony System Hệ đàn kiến BW BandWidth Băng thông BWAS Best-Worst Ant System Hệ kiến Best-Worst CPU Center Processing Unit Đơn vị xử lý trung tâm CIS Cloud Information Service Dịch vụ thông tin đám mây DC Data Center Trung tâm liệu Energy Consumption Resource Cung cấp tài nguyên với mục Allocation for Virtual Services tiêu ràng buộc lượng tiêu AS ECRAVS thụ cho dịch vụ ảo hóa FFD Firt Fit Decreasing Thuật tốn Firt Fit Decreasing GA Genetic Algorithm Thuật toán Di truyền HaaS Hardware as a Service Phần cứng dịch vụ IaaS Infrastructure as a Service Cơ sở hạ tầng dịch vụ I/O Input/Output Thiết bị vào/ra MDRAVS Multi-Dimensional Resource Cung cấp tài nguyên đa chiều Allocation for Virtual Services cho dịch vụ ảo hóa MMAS Max-Min Ant System Hệ kiến Max-Min MORA Multi-Objective Resource Al- Cung cấp tài nguyên đa mục location tiêu NSDV Năng suất dịch vụ Năng suất dịch vụ OS Operation System Hệ điều hành PSO Particle Swarm Optimization Tối ưu bầy đàn PaaS Platform as a Service Nền tảng dịch vụ PM Physical Machine Máy vật lý RBAS Rank-Based Ant System Hệ kiến Rank-Based RAM Random Access Memory Bộ nhớ truy xuất ngẫu nhiên RaaS Resource as a Service Tài nguyên dịch vụ iii Viết tắt Dạng đầy đủ Diễn giải ý nghĩa SaaS Software as a Service Phần mềm dịch vụ QoS Quality of Service Chất lượng dịch vụ SLA Service Level Agreement Thỏa thuận mức dịch vụ SA Simulated Annealing Mô luyện kim VM Virtual Machine Máy ảo VMM Virtual Machine Manager Bộ giám sát máy ảo VMCS Virtual Cấu trúc giám sát máy ảo Machine Control Structure iv DANH MỤC CÁC KÝ HIỆU Ký hiệu VS Diễn giải ý nghĩa Tập dịch vụ ảo hóa i Dịch vụ ảo hóa thứ i N Số lượng dịch vụ ảo hóa PM Tập máy vật lý j Máy vật lý thứ j M Số lượng máy vật lý D Tập loại tài nguyên D Số loại tài nguyên rik Nhu cầu tài nguyên dịch vụ ảo hóa thứ i với loại tài nguyên k Q+ Tập số hữu tỷ dương R Tập số thực xij Biến nhị phân, có giá trị dịch vụ ảo hóa i cấp tài nguyên từ máy vật lý j ngược lại aik Biến nhị phân, có giá trị rik nhu cầu tất yếu, rik nhu cầu tùy biến bij Năng suất dịch vụ dịch vụ ảo hóa i máy vật lý j yj 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 τij 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 τijmax Vệt mùi cực đại τijmin Vệt mùi cực tiểu α, β Hệ số nhằm làm bật mùi thông tin heuristic VStemp Tập dịch vụ ảo hóa hội đủ điều kiện chọn để cung cấp tài nguyên từ máy vật lý hành j v Ký hiệu Diễn giải ý nghĩa ri∗ Vector nhu cầu tất yếu dịch vụ ảo hóa i ri∗∗ Vector nhu cầu tùy biến dịch vụ ảo hóa i Tải máy vật lý hành j Loadj Cj Vector lực tài nguyên máy vật lý j ηij Thông tin heuristic Tổng mùi tăng cường sinh từ kiến có giải pháp tốt ∆τijbest lần lặp Độ bay vệt mùi ρ BIN ARY nA eij f (S best ) S best p best 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 Tham số điều chỉnh biên vệt mùi S best−vong−lap Giải pháp tốt vòng lặp S best−toan−cuc Giải pháp tốt toàn cục P (numLoop) Xác suất tìm thấy giải pháp thuật tốn Hệ kiến Max-Min sau numLoop bước lặp Ce Vector tài nguyên thành phần cejk a Phần tử đơn lẻ loại tài nguyên k máy vật lý j C Vector tài nguyên tổng hợp cajk Phần tử tổng hợp loại tài nguyên k máy vật lý j Re Vector nhu cầu tài nguyên tất yếu thành phần R a e rik Vector nhu cầu tài nguyên tất yếu tổng hợp Phần tử nhu cầu tất yếu thành phần loại tài nguyên k dịch vụ ảo hóa i a rik Phần tử nhu cầu tất yếu tổng hợp loại tài nguyên k dịch vụ ảo hóa i Fe Vector nhu cầu tùy biến thành phần e fik Phần tử nhu cầu tùy biến thành phần loại tài nguyên k dịch vụ ảo hóa i Fa Vector nhu cầu tài nguyên tùy biến tổng hợp a fik Phần tử nhu cầu tài nguyên tùy biến tổng hợp loại tài nguyên k dịch vụ ảo hóa i Q Vector hệ số bổ sung qij Hệ số bổ sung nhu cầu tùy biến dịch vụ ảo hóa i máy vật lý j vi Ký hiệu Diễn giải ý nghĩa Pj (uj ) Điện tiêu thụ máy vật lý j Pjmax Công suất máy vật lý j tương ứng trạng thái sử dụng tiện ích tài ngun tối đa Cơng suất máy vật lý j tương ứng trạng thái trạng thái Pjidle khơng hoạt động Tổng tiện ích sử dụng tất loại tài nguyên máy uj vật lý j Năng lượng tiêu thụ M máy vật lý cung cấp tài nguyên E(t) cho N dịch vụ ảo hóa khoảng thời gian ∆t Vp Vận tốc partical Xp Vị trí partical Tổng tài nguyên loại k mà dịch vụ ảo hóa i cung cấp tài t Fijk nguyên từ máy vật lý j FjP SO Làm thích nghi partical EF F D Năng lượng tiêu thụ hệ thống sử dụng thuật toán FFD E Năng lượng tiêu thụ hệ thống sử dụng thuật toán ∗ ECRAVS-PSO hay thuật tốn ECRAVS-SA Tài ngun cịn lại máy vật lý j cung cấp tài nguyên Rj cho dịch vụ ảo hóa Giá trị tài nguyên trung bình cịn lại tất máy vật R lý E(s0 ) Năng lượng tiêu thụ giải pháp s0 σ(s0 ) Độ lệch chuẩn giải pháp s0 ηijσ Thông tin heuristic cho mục tiêu cân tải ηijE Thông tin heuristic cho mục tiêu tối thiểu lượng tiêu thụ E(s best ) σ(sbest ) E RoundRobin Năng lượng tiêu thụ tương ứng với giải pháp tốt toàn cục Độ lệnh chuẩn tương ứng với giải pháp tốt toàn cục Năng lượng tiêu thụ hệ thống sử dụng thuật toán RoundRobin E M ORA−ACS Năng lượng tiêu thụ hệ thống sử dụng thuật toán M ORA − ACS vii MỤC LỤC Lời cam đoan i Lời cảm ơn ii Danh mục viết tắt iii Danh mục ký hiệu v Mục lục viii Danh mục bảng, biểu xi Danh mục hình vẽ xii Mở đầu Chương Tổng quan đề xuất toán cung cấp tài ngun cho dịch vụ ảo hóa 1.1 Hệ thống tính toán đám mây 1.1.1 Đặc điểm hệ thống tính tốn đám mây 1.1.2 Mô hình dịch vụ hệ thống tính tốn đám mây 1.1.3 Mô hình triển khai hệ thống tính tốn đám mây 1.2 Yêu cầu thách thức hệ thống tính tốn đám mây 1.2.1 Yêu cầu hệ thống tính tốn đám mây 1.2.2 Thách thức hệ thống tính tốn đám mây 1.3 Máy ảo 1.4 Công nghệ ảo hóa 1.4.1 Ảo hóa máy chủ 1.4.2 Ảo hóa tích hợp 1.5 Công cụ mô hệ thống tính tốn đám mây 1.5.1 Khảo sát công cụ mô 1.5.2 Công cụ mô CloudSim 1.6 Cung cấp tài ngun hệ thống tính tốn đám mây 1.6.1 Mơ hình cung cấp tài ngun 1.6.2 Cung cấp ứng dụng 1.6.3 Cung cấp máy ảo 1.6.4 Cung cấp tài nguyên vật lý 1.7 Các nghiên cứu liên quan đến cung cấp tài nguyên cho dịch vụ ảo hóa 1.7.1 Mơ hình hệ thống cung cấp tài ngun cho dịch vụ ảo hóa 1.7.2 Mơ hình cung cấp tài ngun cho dịch vụ ảo hóa với mục tiêu 6 7 10 10 11 12 13 13 14 15 15 17 19 19 20 21 23 24 24 tối thiểu số lượng máy vật lý dùng Mơ hình cung cấp tài nguyên cho dịch vụ ảo hóa với mục tiêu 25 tối thiểu lượng tiêu thụ 26 1.7.3 viii - Giải pháp s tốt (ký hiệu ≺ ) giải pháp s′ mục tiêu, fm∗ (s) ≺ fm∗ (s′ ) , m∗ = {1, 2, , T } Nếu điều kiện không thỏa mãn nói giải pháp s khơng vượt trội (nondominate) giải pháp s′ Hoặc, giải pháp s không bị vượt trội (non-dominated) giải pháp s′ Các giải pháp không bị vượt trội giải pháp khác khơng gian giải pháp gọi giải pháp tối ưu Pareto Tập tất giải pháp khả thi không bị vượt trội không gian giải pháp gọi tập tối ưu Pareto (Pareto optimal set) Với tập tối ưu Pareto cho, giá trị hàm mục tiêu tương ứng không gian giải pháp tạo thành đường cong gọi đường cong Pareto (Pareto Curve) hay mặt trước tối ưu Pareto (Pareto Optimal front) Hình 4.3 biểu diễn đường cong Pareto khơng gian giải pháp tốn tối ưu 02 mục tiêu Hình 4.3: Biểu diễn đường cong Pareto khơng gian giải pháp tốn tối ưu 02 mục tiêu Luận án sử dụng Thuật tốn 13 cơng bố tài liệu [70], [9], [23] để xác định tập giải pháp không bị vượt trội 4.3.2 Đề xuất thuật toán MORA-ACS Thuật toán Hệ đàn kiến (Ant Colony System - ACS) [28] phiên phát triển thuật toán Hệ kiến (Ant System - AS) [29] Thuật toán Hệ đàn kiến khác với thuật toán tối ưu đàn kiến khác ba đặc điểm sau: (1) quy tắc chuyển đổi trạng thái xây dựng giải pháp thực theo quy tắc tỷ lệ giả ngẫu nhiên (pseudo random proportional), (2) quy tắc cập nhật mùi toàn cục áp dụng kiến có giải pháp tốt (3) quy tắc cập nhật mùi cục áp dụng kiến xây dựng giải pháp Nội dung sau đây, luận án trình bày đặc điểm 85 Thuật toán 13: Thuật toán xác định tập giải pháp không bị vượt trội (tập tối ưu Pareto) Đầu vào: Tập S giải pháp, giải pháp có T giá trị hàm mục tiêu Đầu : Tập giải pháp không bị vượt trội S∗ ∈ S Bắt đầu với n = ; Với tất m 6= n, áp dụng hai điều kiện trên, so sánh giải pháp sm sn để /* n = 1, , S; m = 1, , S */ xác định giải pháp vượt trội T mục tiêu; Nếu m mà giải pháp sn bị vượt trội giải pháp sm đánh dấu giải pháp sn bị vượt trội tăng n lên đơn vị quay lại Bước 2; Nếu tất giải pháp xem xét (tức là, n = S) đến Bước Ngược lại, tăng n lên quay lại Bước 2; Tất giải pháp không bị đánh dấu bị vượt trội giải pháp khơng bị vượt trội (non-dominated) để giải tốn MORA - Quy tắc chuyển đổi trạng thái: Trong tiến trình cung cấp tài nguyên, kiến chọn dịch vụ ảo hóa i dịch vụ ảo hóa để cung cấp tài nguyên từ máy chủ hành j theo quy tắc tỷ lệ giả ngẫu nhiên (pseudo random proportional) [28], Công thức (4.10) (Công thức chọn từ [28] để áp dụng cho cặp "máy vật lý - dịch vụ ảo hóa")  o n α β  arg max , q ≤ q0 [τ ] × [η ] u∈VStemp uj uj i= (4.10)  áp dụng Công thức (4.12) , trường hợp khác Trong đó: 02 tham số α, β ≥ nhằm làm bật vệt mùi thông tin heuristic, tương ứng q số ngẫu nhiên phân bố [0, 1], q0 tham số cố định (1 ≤ q ≤ 0) xác định mối quan hệ kiến thức tích lũy để định q trình thăm dị hay khai thác giải pháp Nếu q lớn q , trình gọi q trình thăm dị (exploration), ngược lại gọi trình khai thác (exploitation) Và, VStemp tập dịch vụ ảo hóa hội đủ điều kiện chọn để cung cấp tài nguyên từ máy chủ hành j Tức là, tập dịch vụ chưa cung cấp tài nguyên không vi phạm ràng buộc lực tài nguyên tất loại tài nguyên k máy chủ hành j Được đề xuất tính Cơng thức (4.11) ( ) M X temp a a a VS = i ∈ VS xij = ∧ (Loadj + (rik + qij × fik )) ≤ cjk , ∀j ∈ PM, ∀k ∈ D j=1 (4.11) 86 Ở đây, Loadj tải máy vật lý hành tính tổng số tài nguyên máy vật lý hành j sử dụng để cung cấp cho dịch vụ ảo hóa trước Xác suất để kiến chọn dịch vụ ảo hóa i dịch vụ ảo hóa để cung cấp tài nguyên từ máy chủ j hành chọn từ [28] để áp dụng tính Cơng thức (4.12) pij = P [τij ]α × [ηij ]β α u∈VStemp [τuj ] × [ηuj ] β (4.12) , ∀i ∈ VStemp Trong đó, τij mùi mà kiến dựa vào chọn dịch vụ ảo hóa i dịch vụ ảo hóa để cung cấp tài nguyên từ máy chủ hành j Đối với thuật toán MORA-ACS, thời điểm khởi tạo vệt mùi τij đề xuất tính Công thức (4.13) ηij thông tin heuristic đề xuất tính Cơng thức (4.16) τij = τij0 = , ∀i ∈ VS, ∀j ∈ PM N × (E(s0 ) + σ(s0 )) (4.13) Ở đây, N số lượng dịch vụ ảo hóa, E(s0 ) σ(s0 ) lượng tiêu thụ độ lệch chuẩn giải pháp s0 thời điểm khởi tạo tính theo Cơng thức (3.3) Cơng thức (4.1), tương ứng Trong thuật toán này, luận án sử dụng thuật toán FFD [99] để tạo giải pháp khởi tạo s0 Vì mục tiêu tối thiểu hóa lượng tiêu thụ cân tải tất máy vật lý Do vậy, thông tin heuristic ηij đề xuất tính Cơng thức (4.16), cụ thể sau: ηijσ = s ηijE = 1 M × M P (4.14) Rj − R j=1
2 M P j=1  D P k=1  Pjmax − Pjidle
× N P i=1 a (rik + qij × a fik ) × xij + ηij = ηijσ + ηijE , ∀i ∈ VS, ∀j ∈ PM Pjidle  (4.15) × ∆t (4.16) Trong đó,ηijσ thông tin heuristic cho mục tiêu cân tải ηijE thông tin heuristic cho mục tiêu tối thiểu lượng tiêu thụ 87 - Cập nhật mùi: Theo phương pháp tối ưu hệ đàn kiến [28], chế cập nhật mùi thực theo hai bước: cập nhật mùi cục cập nhật mùi toàn cục Cụ thể: + Cập nhật mùi cục bộ: Sau kiến xây dựng xong giải pháp, vệt mùi τij kiến cập nhật lại theo Cơng thức (4.17) [28], sau: τijt = ρlocal × τijt−1 + ρlocal × τij0 , ∀i ∈ VS, ∀j ∈ PM (4.17) Trong đó, hệ số ρlocal ∈ [0, 1) cho − ρlocal biểu diễn độ bay vệt mùi theo thời gian, τijt vệt mùi thời điểm t τijt−1 vệt mùi thời điểm trước (t − 1) + Cập nhật mùi toàn cục: Sau tất kiến xây dựng xong giải pháp áp dụng quy tắt cập nhật mùi toàn cục Hơn nữa, toán tối ưu đa mục tiêu nên luận án sử dụng phương pháp xác định giải pháp tối ưu Pareto Do vậy, quy tắt cập nhật mùi toàn cục sau tạo giải pháp S tập Pareto hành đề xuất tính Cơng thức (4.18) τijt = ρglobal × τijt−1 + ρglobal × numAnt , ∀i ∈ VS, ∀j ∈ PM E(sbest ) + σ(sbest ) (4.18) Trong đó, E(sbest ) σ(sbest ) lượng tiêu thụ độ lệnh chuẩn tương ứng với giải pháp tốt toàn cục (các giá trị tính theo Cơng thức (3.3) Cơng thức (4.1), tương ứng), ρglobal ∈ [0, 1) hệ số cho (1 − ρglobal ) biểu diễn độ bay vệt mùi theo thời gian, numAnt số kiến, τijt vệt mùi thời điểm t τijt−1 vệt mùi thời điểm trước (t − 1) Tóm lại, thuật tốn MORA-ACS dựa phương pháp Hệ đàn kiến để giải toán cung cấp tài nguyên đa mục tiêu cho dịch vụ ảo hóa trình bày Thuật tốn 14 Thuật tốn trình bày cơng trình số - Hoạt động thuật toán: Đầu tiên, thuật toán thiết lập tham số thuật toán Tối ưu đàn kiến, gồm: ρlocal ,ρglobal , α, β, q , numAnt, numLoop, khởi tạo tập giải pháp tối ưu Pareto P rỗng thực thi giải pháp ban đầu thuật tốn FFD [99], tính giá trị τij0 Cơng thức (4.13) (từ Lệnh đến Lệnh 3) 88 Thuật tốn 14: Thuật tốn MORA-ACS Đầu vào: • Tập dịch vụ ảo hóa VS = {i | i = 1, , N }, tập loại tài nguyên D = {k | k = e a e a 1, , D}, nhu cầu tài nguyên: rik ,rik ,fik ,fik hệ số qij • Tập máy vật lý PM = {j | j = 1, , M }, tài nguyên máy vật lý: cejk , cajk Đầu : Tập giải pháp tối ưu Patero, P Thiết lập tham số: ρlocal ,ρglobal , α, β, q , numAnt, numLoop ; /* numAnt số lượng kiến, numLoop số lần lặp */ Khởi tạo tập Pareto P rỗng; Thực thi giải pháp khởi tạo thuật tốn FFD tính τij0 Cơng thức (4.13); while (nL ≤ numLoop) for (nA := → numAnt) j := 1; while (VS 6= ∅) /* Sử dụng máy vật lý j, j số lượng máy vật lý */ Xây dựng tập VStemp Công thức (4.11); Tính giá trị ηij Cơng thức (4.16); 10 Tính giá trị pij Cơng thức (4.12); 11 if (VStemp 6= ∅) then 12 Sinh số ngẫu nhiên q ∈ [0, 1]; 13 if (q ≤ q ) then 14 Thực trình khai thác Công thức (4.12); 15 a a VS := VS − {i}; Loadj := Loadj + (rik + qij × fik ); 16 else 17 Thực trình khám phá Công thức (4.10); 18 a a VS := VS − {i}; Loadj := Loadj + (rik + qij × fik ); 19 20 21 22 else j := j + 1; /* Sử dụng thêm máy vật lý j */ Cập nhật mùi cục Cơng thức (4.17); Tính giá trị hàm mục tiêu E(s) σ(s) Công thức (3.3) Công thức (4.1), tương ứng; 23 Cập nhật giải pháp không bị vượt trội vào tập P Thuật toán 13; 24 foreach s ∈ P 25 26 Cập nhật mùi toàn cục Công thức (4.18); return Tập Pareto P; 89 Tiếp đến, thực numLoop lần lặp để xây dựng giải pháp cung cấp tài nguyên từ tập PM máy vật lý cho tập VS dịch vụ ảo hóa (từ Lệnh đến Lệnh 26) Trong đó, tương ứng lần lặp, kiến thực xây dựng giải pháp cập nhật mùi cục kiến (từ Lệnh đến Lệnh 21) Sau đó, tính giá trị hai mục tiêu tốt Công thức (3.3) vế trái Công thức (4.9), tương ứng Tiếp đến, thực Thuật toán 13 để xác định giải pháp tối ưu Pareto, lưu giá trị vào tập P cập nhật mùi toàn cục cho kiến (từ Lệnh 22 đến Lệnh 25) Cuối cùng, sau thực tất lần lặp, thuật toán trả tập giá trị tối ưu Pareto P (Lệnh 26) - Phân tích thuật tốn: + Bài tốn MORA trình bày Mục 4.2 tốn cung cấp tài ngun tĩnh Vì thế, thời điểm cung cấp tài nguyên, liệu đầu vào thuật toán MORAe a e a ACS, gồm: tập dịch vụ ảo hóa VS với nhu cầu tài nguyên rik ,rik ,fik ,fik , tập máy vật lý PM với lực tài nguyên máy vật lý cejk , cajk hoàn toàn xác định + Độ hội tụ thuật toán MORA-ACS : gọi P (numLoop) xác suất tìm thấy giải pháp thuật toán Hệ đàn kiến sau numLoop bước lặp, sử dụng mơ hình Markov khơng đồng nhất, Stutzle [105] Dorigo [28] chứng minh rằng: ∀ε > numLoop đủ lớn P (numLoop) > − ε Do đó, lim numLoop→∞ P (numLoop) = Điều chứng tỏ thuật toán MORA-ACS hội tụ sau numLoop bước lặp + Độ phức tạp thuật toán MORA-ACS : gọi N số lượng dịch vụ ảo hóa, M số lượng máy vật lý, D loại tài nguyên, numLoop số lần lặp numAnt số lượng kiến Độ phức tạp thuật tốn O(numLoop × numAnt × N × M × D) Cố định số loại tài nguyên D, độ phức tạp thuật toán O(numLoop × numAnt × N × M ) 4.3.3 Thực nghiệm nhận xét 4.3.3.1 Phương pháp mô Thuật toán Round Robin [79] cung cấp tài nguyên cho dịch vụ ảo hóa theo chế một-một Tức là, dịch vụ ảo hóa được cung cấp tài nguyên từ máy vật lý đầu tiên, dịch vụ ảo hóa thứ hai cung cấp tài nguyên từ máy vật lý thứ hai, v.v Nếu máy vật lý cuối cùng, dịch vụ ảo hóa cung cấp tài nguyên từ máy vật lý theo vòng tròn tất dịch vụ ảo 90 hóa cung cấp tài ngun Đây thuật tốn thơng dụng nhà nghiên cứu sử dụng để so sánh với thuật toán đề xuất họ [79], [120], [92] áp dụng giải toán cân tải Vì thế, để đánh giá thuật tốn MORA-ACS, luận án so sánh thuật toán với thuật toán Round Robin thông qua công cụ mô đám mây CloudSim [14] Tương tự trình bày Mục 3.4.3.1, kế thừa lớp Vm Host để mở rộng đặc tính nhu cầu tài nguyên máy ảo (ở đây, dịch vụ ảo hóa ánh xạ tài nguyên từ máy vật lý đến máy ảo) tài nguyên máy vật lý Đồng thời, kế thừa lớp VMAlloctonPolicy để thực thi sách cung cấp tài nguyên cho máy ảo Dữ liệu thực nghiệm tham khảo từ mẫu liệu thực tế trình bày tài liệu [33], [6] Trong đó, máy vật lý có đặc tính tài ngun mức tiêu thụ công suất Bảng 3.1, máy ảo có đặc tính tài ngun giống với loại máy ảo đám mây Amazon EC2 sửa đổi để phù hợp với toán, Bảng 3.2 Bảng 3.3 (các bảng số liệu trình bày Mục 3.4.3 Chương 3) Các tham số thuật toán ρlocal , ρglobal , α, β, q tham số thực nghiệm, việc lựa chọn giá trị tham số phụ thuộc vào kết hàm mục tiêu Thực nghiệm thấy rằng: số lượng ρlocal = ρglobal = 0, 45, α = β = 0, q = 0, cho kết hàm mục tiêu tốt Với thuật toán sử dụng 03 thước đo: độ lệch chuẩn, lượng tiêu thụ khoảng thời gian ∆t = 24 thời gian thực thuật toán Số lượng máy ảo N (biểu diễn số dịch vụ ảo) kịch thực nghiệm là: 100; 200; 300; 400 500 Đơn vị tính lượng tiêu thụ kWh thời gian thực thi giây (s) Thời gian thực đo máy tính đơn có vi xử lý Intel(R) Core(TM) i5-3235M 2.60 GHz, RAM 4Gb Các kết thực nghiệm lấy từ trung bình 100 lần thực thi thuật tốn Ngồi ra, để đánh giá lợi ích lượng mang lại thuật toán MORA-ACS so với thuật toán Round Robin, luận án đề xuất cách tính Lợi ích lượng (Gain Energy) Công thức (4.19) Gain Energy(%) = E RoundRobin − E M ORA−ACS × 100 E M ORA−ACS (4.19) Trong đó, E RoundRobin lượng tiêu thụ hệ thống sử dụng thuật toán Round Robin E M ORA−ACS lượng sử dụng thuật toán M ORA − ACS 91 4.3.3.2 Đặc điểm thuật toán Round Robin MORA-ACS - Thuật toán Round Robin[79]: thuật toán Round Robin cung cấp tài nguyên cho dịch vụ ảo hóa theo chế xoay vịng Do vậy, q trình cung cấp tài ngun, thuật tốn Round Robin khơng xét đến tải máy vật lý hành, không xem xét độ ưu tiên, lực tài nguyên máy vật lý Điều này, đạt hiệu cấu hình máy vật lý gống (tức là, xét tảng máy chủ chia sẻ đồng tốn trình bày Chương 2) Ngược lại, xét toán tảng máy chủ chia sẻ không đồng (tức là, trường hợp tốn MORA) cấu hình tài ngun máy vật lý khơng giống nhau, dẫn đến xảy tượng: máy vật lý có lực tài nguyên lớn máy vật lý khác phải "đợi" để cung cấp tài nguyên cho dịch vụ ảo hóa mà hoàn thành việc cung cấp tài nguyên cho dịch vụ ảo hóa hành Trong khi, máy vật lý khác (có lực tài nguyên nhỏ hơn) "bận" cung cấp tài nguyên Điều này, dẫn đến hiệu thời gian đáp ứng việc cung cấp tài nguyên từ tảng máy chủ chia sẻ không đồng không cao xảy trường hợp "đói" máy vật lý có lực tài nguyên cao máy vật lý lại Hạn chế thuật toán Round Robin thể kết thực nghiệm so sánh với thuật toán MORA-ACS - Thuật toán MORA-ACS : nay, thuật toán Tối ưu đàn kiến thường sử dụng để giải toán tối ưu mục tiêu Thuật toán MORA-ACS sử dụng để giải toán đa mục tiêu Trong đó: + Cơng thức tính xác suất chuyển đổi trạng thái áp dụng cho đối tượng "máy vật lý – dịch vụ ảo hóa" + Mùi khởi tạo ban đầu kiến có nhờ sử dụng thuật tốn FFD Mục đích, giới hạn khơng gian tìm kiếm ban đầu, tăng tốc độ hội tụ thuật toán + Thơng tin heuristic tính dựa giá trị 02 tham số: Độ lệch chuẩn Năng lượng tiêu thụ (đây hai mục tiêu tốn MORA) + Lượng mùi tăng cường giai đoạn cập nhật mùi tồn cục tính phụ thuộc vào giá trị hai tham số: Độ lệch chuẩn Năng lượng tiêu thụ Ưu điểm thuật toán MORA-ACS áp dụng cải tiến thuật toán Hệ đàn kiến [28] Cụ thể: + Quy tắc chuyển đổi trạng thái xây dựng giải pháp thực theo quy tắc tỷ lệ giả ngẫu nhiên (pseudo random proportional): làm đa dạng khơng gian tìm kiếm, 92 dẫn đến đạt xác suất tìm giải pháp tối ưu tồn cục cao + Quy tắc cập nhật mùi toàn cục áp dụng kiến có giải pháp tốt nhất: điều làm giảm độ phức tạp thuật tốn 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 tăng độ phức tạp thuật toán Tuy nhiên, cải thiện độ phức tạp thuật toán cách cải tiến thuật toán sang chế song song (hiện nay, luận án chưa thực hiện, hướng nghiên cứu luận án) + Phụ thuộc vào liệu đầu vào (năng lực tài nguyên máy vật lý nhu cầu tài nguyên dịch vụ ảo hóa): lực tài nguyên máy vật lý nhỏ nhu cầu tài nguyên dịch vụ ảo hóa kiến khơng tìm giải pháp, lúc độ phức tạp thuật toán lớn + Thuật tốn sử dụng phương 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 lượng tiêu thụ sử dụng thuật tốn thể Hình 4.4 đồ thị biểu diễn độ lệch chuẩn sử dụng thuật tốn thể Hình 4.5 Bảng 4.1: Năng lượng tiêu thụ độ lệch chuẩn thuật toán MORA-ACS Round Robin Số nhu cầu Tên Thời gian Năng lượng Lợi ích Độ máy ảo thuật toán thực hiện(s) tiêu thụ(kWh) lượng(%) lệch chuẩn 100 Round Robin 0,031 201,284 MORA-ACS 0,037 190,726 5,536 40,75 Round Robin 0,078 396,706 MORA-ACS 0,084 390,292 1,643 43,04 Round Robin 0,116 597,989 MORA-ACS 0,121 574,440 4,099 41,33 Round Robin 0,144 793,411 MORA-ACS 0,150 770,908 2,919 42,31 Round Robin 0,200 994,694 MORA-ACS 0,216 960,156 3,597 40,52 200 300 400 500 93 53,24 49,95 52,35 54,63 53,03 Hình 4.4: Đồ thị biểu diễn lượng tiêu thụ thực thuật tốn MORA-ACS Round Robin Hình 4.5: Đồ thị biểu diễn độ lệch chuẩn thực thuật toán MORA-ACS Round Robin Dựa kết thực nghiệm, nhận thấy rằng: - Khi sử dụng thuật toán Round Robin, hệ thống tiêu thụ lượng giá trị 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 lượng khả cân tải tốt Nguyên nhân: trình cung cấp tài nguyên, thuật toán Round Robin thực cung cấp tài nguyên theo chế xoay vịng, khơng xem xét đến khả năng, 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 cải thiện sau giải pháp Vì thế, sử dụng thuật tốn MORA-ACS 94