Điện toán đám mây, ước mơ từ lâu về điện toán như một tiện ích, có khả năngchuyển đổi một phần lớn ngành CNTT, làm cho phần mềm trở nên hấp dẫn hơnnhư một dịch vụ và định hình cách thiết kế và mua phần cứng CNTT. Các nhà pháttriển có ý tưởng sáng tạo cho các dịch vụ Internet mới không còn yêu cầu chi phívốn lớn cho phần cứng để triển khai dịch vụ của họ hoặc chi phí nhân lực để vậnhành dịch vụ đó. Họ không cần lo lắng về việc cung cấp quá mức cho một dịch vụmà mức độ phổ biến của nó không đáp ứng được dự đoán của họ, do đó gây lãngphí tài nguyên tốn kém hoặc cung cấp dưới mức cho một dịch vụ trở nên cực kỳphổ biến, do đó bỏ lỡ khách hàng tiềm năng và doanh thu. Hơn nữa, các công tycó nhiệm vụ định hướng hàng loạt lớn có thể nhận được kết quả nhanh chóng khichương trình của họ có thể mở rộng quy mô, vì sử dụng 1000 máy chủ trong mộtgiờ không tốn nhiều chi phí hơn sử dụng một máy chủ trong 1000 giờ. Tính linhhoạt của các nguồn lực này, mà không phải trả phí bảo hiểm cho quy mô lớn, làđiều chưa từng có trong lịch sử CNTT. Điện toán đám mây đề cập đến cả các ứngdụng được cung cấp dưới dạng dịch vụ qua Internet và phần cứng và phần mềm hệthống trong các trung tâm dữ liệu cung cấp các dịch vụ đó. Bản thân các dịch vụtừ lâu đã được gọi là Phần mềm dưới dạng Dịch vụ (SaaS) 1. Phần cứng và phầnmềm của trung tâm dữ liệu là những gì chúng ta sẽ gọi là Đám mây. Khi một Đámmây được cung cấp theo phương thức trả tiền khi sử dụng cho công chúng, ta gọiđó là Đám mây Công cộng; dịch vụ đang được bán là Điện toán Tiện ích. Ta sửdụng thuật ngữ Đám mây riêng để chỉ các trung tâm dữ liệu nội bộ của một doanhnghiệp hoặc tổ chức khác, không được cung cấp cho công chúng. Do đó, Điện toánđám mây là tổng của SaaS và Điện toán tiện ích, nhưng không bao gồm Đám mâyriêng. Mọi người có thể là người dùng hoặc nhà cung cấp SaaS hoặc người dùnghoặc nhà cung cấp Điện toán tiện ích. NVDA tập trung vào Nhà cung cấp SaaS(Người dùng đám mây) và Nhà cung cấp đám mây, vốn ít được chú ý hơn Ngườidùng SaaS. Từ quan điểm phần cứng, có ba khía cạnh mới trong Điện toán đámmây.
TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI TRƯỜNG ĐIỆN – ĐIỆN TỬ ĐỒ ÁN TỐT NGHIỆP ĐẠI HỌC Đề tài: PHÁT TRIỂN THUẬT TOÁN CÂN BẰNG TẢI HYBRID KẾT HỢP PSO VÀ BBSO CHO HỆ THỐNG ĐIỆN TOÁN ĐÁM MÂY Sinh viên thực hiện: Giảng viên hướng dẫn: TRẦN NGỌC THÀNH Lớp ĐTVT04 – K63 THS DƯƠNG TẤN NGHĨA PGS.TS NGUYỄN HỮU PHÁT Hà Nội, 3-2023 ĐÁNH GIÁ ĐỒ ÁN TỐT NGHIỆP (DÀNH CHO CÁN BỘ HƯỚNG DẪN) Tên đề tài: PHÁT TRIỂN THUẬT TOÁN CÂN BẰNG TẢI HYBRID KẾT HỢP PSO VÀ BBSO CHO HỆ THỐNG ĐIỆN TOÁN ĐÁM MÂY Họ tên SV: Trần Ngọc Thành MSSV: 20182791 Cán hướng dẫn: Ths Dương Tấn Nghĩa PGS TS Nguyễn Hữu Phát ST T Tiêu chí (Điểm tối đa) Thái độ làm việc (2,5 điểm) Kỹ viết ĐATN (2 điểm) Nội dung kết đạt (5 điểm) Điểm thành tích (1 điểm) Hướng dẫn đánh giá tiêu chí Điểm tiêu chí Nghiêm túc, tích cực chủ động trình làm ĐATN Hồn thành đầy đủ tiến độ nội dung GVHD giao Trình bày mẫu quy định, bố cục chương logic hợp lý: Bảng biểu, hình ảnh rõ ràng, có tiêu đề, đánh số thứ tự giải thích hay đề cập đến đồ án, có lề, dấu cách sau dấu chấm, dấu phẩy, có mở đầu chương kết luận chương, có liệt kê tài liệu tham khảo có trích dẫn, v.v Kỹ diễn đạt, phân tích, giải thích, lập luận: Cấu trúc câu rõ ràng, văn phong khoa học, lập luận logic có sở, thuật ngữ chuyên ngành phù hợp, v.v Nêu rõ tính cấp thiết, ý nghĩa khoa học thực tiễn đề tài, vấn đề giả thuyết, phạm vi ứng dụng đề tài Thực đầy đủ quy trình nghiên cứu: Đặt vấn đề, mục tiêu đề ra, phương pháp nghiên cứu/ giải vấn đề, kết đạt được, đánh giá kết luận Nội dung kết trình bày cách logic hợp lý, phân tích đánh giá thỏa đáng Biện luận phân tích kết mơ phỏng/ phần mềm/ thực nghiệm, so sánh kết đạt với kết trước có liên quan Chỉ rõ phù hợp kết đạt mục tiêu ban đầu đề đồng thời cung cấp lập luận để đề xuất hướng giải thực tương lai Hàm lượng khoa học/ độ phức tạp cao, có tính mới/tính sáng tạo nội dung kết đồ án Có báo KH đăng chấp nhận đăng/ đạt giải SV NCKH giải cấp Trường trở lên/ Các giải thưởng khoa học nước, quốc tế từ giải trở lên/ Có đăng ký phát minh sáng chế (1 điểm) Được báo cáo hội đồng cấp Trường hội nghị SV NCKH không đạt giải từ giải trở lên/ Đạt giải khuyến khích thi khoa học nước, quốc tế/ Kết đồ án sản phẩm ứng dụng có tính hồn thiện cao, u cầu khối lượng thực lớn (0,5 điểm) Điểm tổng tiêu chí: Điểm hướng dẫn: Cán hướng dẫn (Ký ghi rõ họ tên) ĐÁNH GIÁ ĐỒ ÁN TỐT NGHIỆP (DÀNH CHO CÁN BỘ PHẢN BIỆN) Tên đề tài: PHÁT TRIỂN THUẬT TOÁN CÂN BẰNG TẢI HYBRID KẾT HỢP PSO VÀ BBSO CHO HỆ THỐNG ĐIỆN TOÁN ĐÁM MÂY Họ tên SV: Trần Ngọc Thành MSSV: 20182791 Cán phản biện: ………………………………………………………………………… ST T Tiêu chí (Điểm tối đa) Hướng dẫn đánh giá tiêu chí Điểm tiêu chí Đồ án trình bày mẫu quy định, bố cục chương logic hợp lý: Bảng biểu, hình ảnh rõ ràng, có tiêu đề, đánh số thứ tự giải thích hay đề cập đến đồ án, có Trình bày lề, dấu cách sau dấu chấm, dấu phẩy, có mở đầu chương kết luận chương, có liệt kê tài liệu tham khảo có trích ĐATN dẫn, v.v (4 điểm) Kỹ diễn đạt, phân tích, giải thích, lập luận: cấu trúc câu rõ ràng, văn phong khoa học, lập luận logic có sở, thuật ngữ chuyên ngành phù hợp, v.v Nêu rõ tính cấp thiết, ý nghĩa khoa học thực tiễn đề tài, vấn đề giả thuyết, phạm vi ứng dụng đề tài Thực đầy đủ quy trình nghiên cứu: Đặt vấn đề, mục tiêu đề ra, phương pháp nghiên cứu/ giải vấn đề, kết đạt được, đánh giá kết luận Nội dung Nội dung kết trình bày cách logic hợp lý, kết phân tích đánh giá thỏa đáng Biện luận phân tích đạt kết mơ phỏng/ phần mềm/ thực nghiệm, so sánh kết (5,5 điểm) đạt với kết trước có liên quan Chỉ rõ phù hợp kết đạt mục tiêu ban đầu đề đồng thời cung cấp lập luận để đề xuất hướng giải thực tương lai Hàm lượng khoa học/ độ phức tạp cao, có tính mới/ tính sáng tạo nội dung kết đồ án Có báo KH đăng chấp nhận đăng/ đạt giải SV NCKH giải cấp Trường trở lên/ Các giải thưởng khoa học nước, quốc tế từ giải trở lên/ Có đăng ký phát Điểm thành minh sáng chế (1 điểm) tích Được báo cáo hội đồng cấp Trường hội nghị SV (1 điểm) NCKH không đạt giải từ giải trở lên/ Đạt giải khuyến khích thi khoa học nước, quốc tế/ Kết đồ án sản phẩm ứng dụng có tính hồn thiện cao, u cầu khối lượng thực lớn (0,5 điểm) Điểm tổng tiêu chí: Điểm phản biện: Cán phản biện (Ký ghi rõ họ tên) ĐÁNH GIÁ ĐỒ ÁN TỐT NGHIỆP (DÀNH CHO CÁN BỘ THÀNH VIÊN HỘI ĐỒNG) Hội đồng số: …………………………………………………………………………………… Họ tên SV: …………………………………………………… MSSV: ……………………… Cán thành viên HĐ: ………………………………………………………………………… ST T Tiêu chí (Điểm tối đa) Chất lượng slides/Bản vẽ kỹ thuật (1,5 điểm) Kỹ thuyết trình (1,5 điểm) Hướng dẫn đánh giá tiêu chí Điểm tiêu chí Sử dụng minh họa hỗ trợ: Hình ảnh, biểu đồ rõ nét phù hợp, dễ hiểu Không nhiều từ, biết sử dụng từ khố; bố cục logic, có đánh số trang Tự tin, làm chủ nội dung trình bày, thời gian quy định Dễ hiểu, dễ theo dõi, lơ-gic, lơi Nêu rõ tính cấp thiết, ý nghĩa khoa học thực tiễn đề tài, vấn đề giả thuyết, phạm vi ứng dụng đề tài Thực đầy đủ quy trình nghiên cứu: Đặt vấn đề, mục tiêu đề ra, phương pháp nghiên cứu/ giải vấn đề, kết đạt được, đánh giá kết luận Nội dung Nội dung kết trình bày cách logic hợp lý, kết đạt phân tích đánh giá thỏa đáng Biện luận phân tích kết mô phỏng/ phần mềm/ thực nghiệm, so sánh kết đạt (4 điểm) với kết trước có liên quan Chỉ rõ phù hợp kết đạt mục tiêu ban đầu đề đồng thời cung cấp lập luận để đề xuất hướng giải thực tương lai Hàm lượng khoa học/ độ phức tạp cao, có tính mới/ tính sáng tạo nội dung kết đồ án Trả lời câu Trả lời ngắn gọn, xác, thẳng vào vấn đề câu hỏi hỏi Nắm vững kiến thức liên quan đến lĩnh vực nghiên (2,5 điểm) cứu/ cơng việc đồ án Có báo KH đăng chấp nhận đăng/ đạt giải SV NCKH giải cấp Trường trở lên/ Các giải thưởng khoa học nước, quốc tế từ giải trở lên/ Có đăng ký phát Điểm thành minh sáng chế (1 điểm) tích Được báo cáo hội đồng cấp Trường hội nghị SV (1 điểm) NCKH không đạt giải từ giải trở lên/ Đạt giải khuyến khích thi khoa học nước, quốc tế/ Kết đồ án sản phẩm ứng dụng có tính hồn thiện cao, u cầu khối lượng thực lớn (0,5 điểm) Điểm tổng tiêu chí: Điểm bảo vệ: Cán thành viên HĐ (Ký ghi rõ họ tên) LỜI NÓI ĐẦU Cân tải vấn đề quan trọng hệ thống phân tán ảnh hưởng đến hiệu suất, khả mở rộng độ tin cậy hệ thống Thuật toán tối ưu hóa, chẳng hạn Particle Swarm Optimization (PSO) Binary Bird Swarm Optimization (BBSO), đề xuất giải pháp hiệu cho vấn đề cân tải Tuy nhiên, thuật tốn có điểm mạnh điểm yếu riêng nó, việc chọn thuật tốn tốt cho cấu hình hệ thống cụ thể cơng việc gặp nhiều khó khăn Đồ án tốt nghiệp trình bày phương pháp kết hợp PSO BBSO cho cân tải hệ thống phân tán Việc triển khai phương pháp kết hợp PSO BBSO cho cân tải hệ thống phân tán cung cấp giải pháp linh hoạt mạnh mẽ cải thiện hiệu suất, khả mở rộng độ tin cậy hệ thống Phương pháp đề xuất có tiềm áp dụng kịch thực tế mang lại lợi ích cho nhiều ngành cơng nghiệp sử dụng hệ thống phân tán Lời cảm ơn Trong suốt năm học trường đại học Bách Khoa Hà Nội vừa qua, em thu nhận nhiều kiến thức bổ ích từ sách vở, quý báu từ kinh nghiệm, tâm huyết thầy cô truyền lại Em xin gửi lời cảm ơn chân thành tới thầy cô tận tình bảo giúp đỡ em thời gian vừa qua Đặc biệt, em xin gửi lời cảm ơn sâu sắc tới PGS TS Nguyễn Hữu Phát ThS Dương Tấn Nghĩa trực tiếp hướng dẫn giúp đỡ em hoàn thành đồ án tốt nghiệp Em xin gửi lời cảm ơn chân thành tới anh Nguyễn Hạc Tú, anh tổng công ty công nghiệp công nghệ cao Viettel bạn nhiệt tình chia sẻ kinh nghiệm cung cấp tài liệu, cơng cụ giúp em hồn thành đồ án tốt nghiệp Em xin chân thành cảm ơn! LỜI CAM ĐOAN Tôi Trần Ngọc Thành, mã số sinh viên 20182791, sinh viên lớp ĐTVT-04, khóa 63 Người hướng dẫn ThS Dương Tấn Nghĩa PGS TS Nguyễn Hữu Phát Tơi xin cam đoan tồn nội dung trình bày đồ án tốt nghiệp “Phát triển thuật toán cân tải hybrid kết hợp PSO BBSO cho hệ thống điện toán đám mây” kết trình tìm hiểu nghiên cứu Các liệu nêu báo cáo hoàn toàn trung thực, phản ánh kết đo đạc thực tế Mọi thơng tin trích dẫn tuân thủ quy định sở hữu trí tuệ; tài liệu tham khảo liệt kê rõ ràng Tơi xin chịu hồn tồn trách nhiệm với nội dung viết báo cáo Hà Nội, ngày tháng năm 2023 Người cam đoan Trần Ngọc Thành DANH MỤC KÝ HIỆU VÀ CHỮ VIẾT TẮT TỪ VIẾT TẮT NVDA MIPS PSO BSO BBSO VM RU DIỄN GIẢI TIẾNG ANH Million Instruction Per Second Particle Swarm Optimization Bird Swarm Optimization Binary Bird Swarm Optimization Virtual Machine Resource Utilization TIẾNG VIỆT Người viết đồ án Triệu lệnh giây Tối ưu hoá bầy đàn hạt Tối ưu hoá đàn chim Tối ưu hoá đàn chim nhị phân Máy ảo Hiệu suất sử dụng tài nguyên MỤC LỤC DANH MỤC KÝ HIỆU VÀ CHỮ VIẾT TẮT DANH MỤC HÌNH VẼ 11 DANH MỤC BẢNG BIỂU 12 TÓM TẮT ĐỒ ÁN 13 CHƯƠNG TỔNG QUAN VỀ ĐỀ TÀI 18 1.1 Điện toán đám mây 18 1.2 Cấu trúc hệ thống điện toán đám mây 19 1.3 Cân tải in Điện toán đám mây 21 Tính cần thiết cân tải 21 Lập lịch đám mây 21 Cân tải in Cloud 22 Phân loại thuật toán cân tải 27 Thuật toán cổ điển: 28 1.4 Particle Swarm Optimization 32 1.5 Lợi ích hạn chế PSO cân tải 34 1.6 Binary Bird Swarm Optimization 36 1.7 Lợi ích hạn chế BBSO cân tải: 38 1.8 Động lực để thực phát triển thuật toán hybrib kết hợp PSO BBSO giải toán cân tải hệ thống điện toán đám mây: 39 1.9 Kết luận chương: 40 CHƯƠNG TỔNG QUAN VỀ CÁC NGHIÊN CỨU THỰC HIỆN 41 2.1 Các nghiên cứu trước cân tải cho điện toán đám mây 41 2.2 Tổng quan PSO ứng dụng điện toán đám mây: 42 Giới thiệu thuật toán PSO: 42 Mơ tả thuật tốn PSO: 42 2.3 Tổng quan BBSO ứng dụng điện toán đám mây 44 Thuật toán BSO tiêu chuẩn: 44 Thuật toán BBSO: 48 2.4 Phân tích thuật tốn cân tải có 50 Cài đặt khơng gian mô phỏng: 51 Kết mô 52 2.5 Kết luận chương 54 CHƯƠNG PHƯƠNG PHÁP NGHIÊN CỨU 55 3.1 Công cụ mô CloudSim 55 CloudSim: 55 Các thuật ngữ công cụ mô CloudSim 3.0.3: 55 Luồng làm việc CloudSim: 57 3.2 Mơ hình thuật tốn cân tải H-PBSO đề xuất 57 3.3 Phát triển phần PSO 58 Xác định hàm mục tiêu: 59 Khởi tạo nhóm 60 Đánh giá mức độ phù hợp: 61 Cập nhật vận tốc hạt: 62 Cập nhật vị trí hạt: 62 Kết thúc mô phỏng: 62 3.4 Phát triển phần BBSO 63 Khởi tạo đàn: 64 Đánh giá độ hiệu quả: 64 Cập nhật trạng thái: 64 Xác định hành vi: 65 Kết thúc mô phỏng: 65 3.5 Kết hợp PSO BBSO cho cân tải 67 3.6 Kết luận chương 68 CHƯƠNG KẾT QUẢ VÀ ĐÁNH GIÁ 69 4.1 Phương pháp đánh giá 69 4.2 Mơ quy trình tối ưu: 70 4.3 Kết ý nghĩa: 71 4.4 Kết luận chương 76 KẾT LUẬN 77 Kết luận chung 77 Hướng phát triển 78 TÀI LIỆU THAM KHẢO 80 10 3.5 Kết hợp PSO BBSO cho cân tải Việc tích hợp PSO BBSO để cân tải điện toán đám mây nhiệm vụ phức tạp đòi hỏi phải xem xét cẩn thận thuật toán điểm mạnh điểm yếu riêng chúng Để đạt tích hợp thành cơng, số yếu tố cần tính đến, bao gồm chất vấn đề giải quyết, kích thước khơng gian giải pháp, số lượng nút ràng buộc vấn đề tối ưu hóa Một cách tiếp cận để tích hợp PSO BBSO để cân tải điện toán đám mây sử dụng khung kết hợp kết hợp hai thuật toán theo cách tận dụng điểm mạnh bổ sung chúng Điều đạt cách sử dụng PSO làm thuật tốn tìm kiếm tồn cầu, khám phá tồn khơng gian giải pháp để xác định vùng có triển vọng BBSO làm thuật tốn tìm kiếm cục bộ, giúp tinh chỉnh giải pháp xác định PSO Trong phương pháp kết hợp này, thuật toán PSO sử dụng để khởi tạo nhóm hạt di chuyển chúng khơng gian tìm kiếm, hướng dẫn giải pháp tốt riêng chúng giải pháp tốt hạt khác Ở lần lặp lại, phần tử đánh giá mức độ phù hợp chúng dựa hàm mục tiêu cân tải, thiết kế để đảm bảo khối lượng công việc phân bổ đồng tài ngun có sẵn Sau đó, thuật tốn PSO cập nhật vị trí vận tốc hạt dựa thể lực chúng, với mục đích hội tụ hướng tới giải pháp tốt Khi thuật toán PSO xác định vùng hứa hẹn không gian giải pháp, thuật toán BBSO tiếp tục tinh chỉnh giải pháp Thuật toán BBSO sử dụng chế tương tác di cư chim để cải thiện khả tìm kiếm nó, cho phép tìm giải pháp tốt khơng gian tìm kiếm cục Thuật tốn BBSO sử dụng chuỗi nhị phân để thể giải pháp phương pháp giải mã để chuyển đổi chuỗi nhị phân thành số thực Bằng cách sử dụng chuỗi nhị phân này, BBSO giảm khơng gian tìm kiếm tăng tốc trình tìm kiếm Sự kết hợp PSO BBSO chứng minh có hiệu việc đạt cân tải điện toán đám mây Cách tiếp cận kết hợp cung cấp cân tìm kiếm tồn cầu cục bộ, đồng thời cho phép khám phá khơng gian giải pháp hiệu Nó đặc biệt hiệu vấn đề có khơng gian giải pháp lớn số lượng nút lớn, cho phép khám phá khơng gian tìm kiếm hiệu Tuy nhiên, điều quan trọng cần lưu ý hiệu phương pháp phụ thuộc vào số yếu tố, bao gồm ứng dụng cụ thể vấn đề giải Ngồi ra, có số thách thức liên quan đến việc tích hợp PSO BBSO, chẳng hạn nhu cầu điều chỉnh tham số thuật toán để đảm bảo chúng hoạt động tốt với khả thuật toán bị kẹt tối ưu cục Tóm lại, việc tích hợp PSO BBSO để cân tải điện toán đám mây cách tiếp cận đầy hứa hẹn giúp đạt cân tải hiệu 67 môi trường đám mây quy mô lớn Bằng cách kết hợp điểm mạnh PSO BBSO, phương pháp cung cấp khả khám phá khơng gian tìm kiếm hiệu dẫn đến hiệu suất cân tải tốt Cần nghiên cứu thêm để hiểu đầy đủ điểm mạnh hạn chế phương pháp để xác định cách tối ưu hóa hiệu suất thuật toán hybrid cho loại ứng dụng vấn đề khác 3.6 Kết luận chương Chương trình bày phương pháp nghiên cứu NVDA với đề tài Chương có đề cập tới cơng cụ CloudSim thuật ngữ, công cụ luồng làm việc tổng qt cơng cụ CloudSim Sau NVDA trình bày chi tiết việc triển khai thuật tốn đề xuất bao gồm luồng làm việc, chi tiết luồng thành phần đầu mong muốn Cuối chương có phân tích kết luận mặt lý thuyết cho phương pháp hybrid 68 CHƯƠNG KẾT QUẢ VÀ ĐÁNH GIÁ 4.1 Phương pháp đánh giá Vấn đề cần giải phạm vi đề tài này: Tập công việc: Danh sách công việc T = {T1, T2, T3, , Tn} gồm công việc độc lập khơng bị gián đoạn, Ti, ≤ i ≤ n công việc thứ i có triệu thị (MI) hạt thứ i VMSet: Cho tập hợp máy ảo VM = {VM1, VM2, VM3, , VMm} VMj, ≤ j ≤ m triển khai số lượng máy chủ định QoSPerformanceMetrics: QoS (Chất lượng dịch vụ) liên kết với thông lượng, thời gian phản hồi, thời gian xử lý, độ trễ, khả dụng, đáng tin cậy, sử dụng tài nguyên, Mức độ cân (DOI), thời gian hồn thành điện để cơng việc chạy thời gian khơng bị trì hỗn Những yếu tố đóng vai trị quan trọng việc đánh giá hiệu thuật toán Trong đồ án này, NVDA xem xét thời gian hoàn thành, thời gian phản hồi, sử dụng tài nguyên mức độ cân (DOI) số hiệu suất TaskCompletionTime: Thời gian để thực công việc Ti VMj tính khác biệt thời gian bắt đầu kết thúc Nó ký hiệu (4.1 𝑇𝐶𝑇𝑖𝑗 = FT (Tj) − ST(Tj) (4.1) Makespan: đề cập đến thời gian hồn thành tối đa cơng việc Ti tất máy ảo TCTij hoàn thành công việc Ti VMj, miêu tả (4.2 Makespan = max {𝑇𝐶𝑇𝑖𝑗 |i = 1, 2, , n; j = 1, 2, , m} (4.2) Utilization: mức độ sử dụng máy ảo Mục tiêu cân tải tối đa hóa sử dụng tài nguyên để giảm thiểu thời gian hoàn thành Hai thuật ngữ liên quan đến mối quan hệ tuyến tính ngược Sử dụng trung bình tất máy ảo tính cách sử dụng (4.3, m tổng số máy ảo Average 𝑈𝑡𝑖𝑙𝑖𝑧𝑎𝑡𝑖𝑜𝑛𝑉𝑀 = makespan × m (4.3) ResponseTime: thời gian mà hệ thống phản hồi lại yêu cầu đến từ người dùng Phương pháp đề xuất coi hiệu thời gian phản hồi thấp đo ms (4.4 tính tốn thời gian phản hồi, n tổng số yêu cầu đến từ người dùng RT = n × 𝑇𝐶𝑇𝑖𝑗 (4.4) DOI: Độ cân đối VM thước đo để tìm cân đối nhiệm vụ VM Nó đo (4.5 (4.6, Tmax Tmin 69 thời gian hoàn thành tối đa tối thiểu nhiệm vụ 𝑇𝑖 tất VM Hơn nữa, 𝑇𝑎𝑣𝑔 trung bình tất nhiệm vụ Ti VM L độ dài tổng hướng dẫn, 𝑃𝐸𝑛𝑢𝑚𝑖 số phần tử xử lý VM thứ i 𝑃𝐸𝑀𝐼𝑃𝑆𝑖 triệu hướng dẫn giây VM thứ i [7] 𝐷𝑂𝐼 = 𝑇𝑖 = 𝑇𝑚𝑎𝑥 −𝑇𝑚𝑖𝑛 (4.5) 𝑇𝑎𝑣𝑔 𝐿 (4.6) 𝑃𝐸𝑛𝑢𝑚𝑖 ∗𝑃𝐸𝑀𝐼𝑃𝑆𝑖 Hàm thích nghi (Fitness Function): hàm thích nghi sử dụng thuật toán cân tải đề xuất NVDA để đánh giá giá trị thích nghi hạt Nó cụ thể cho toán Mục tiêu NVDA tối đa hóa sử dụng tài nguyên giảm thiểu thời gian hồn thành cơng việc cân tải máy ảo Do đó, NVDA xem xét hàm mục tiêu đơn giản cách giữ mục tiêu đề cập vào tính tốn Cần lưu ý giá trị thích nghi nhỏ hạt có vị trí tốt Do đó, hàm thích nghi fval định nghĩa (4.7 𝑓𝑣𝑎𝑙 = 𝑀𝑎𝑘𝑒𝑠𝑝𝑎𝑛 (4.7) ∗ 𝐴𝑣𝑒𝑟𝑎𝑔𝑒𝑈𝑡𝑖𝑙𝑖𝑧𝑎𝑡𝑖𝑜𝑛𝑉𝑀 Vấn đề cân tải ánh xạ tập công việc T vào tập máy ảo V (𝑓𝑣𝑎𝑙 : T → V) môi trường đám mây cho mục tiêu sau phải đáp ứng: (1) thời gian hoàn thành tổng thể phải giảm thiểu; (2) sử dụng tài nguyên hiệu để tối đa hóa trung bình sử dụng tài ngun (3) phân bổ cơng việc hệ thống phải phân phối đồng máy ảo để đảm bảo hệ thống cân Những mục tiêu định nghĩa cách sử dụng định nghĩa tham số QoS nêu Sử dụng không gian mô trình bày chương 2.4.1 4.2 Mơ quy trình tối ưu: Để chứng minh việc giảm thiểu makespan liên quan dẫn tới kèm với việc tối ưu hoá tài nguyên sử dụng, NVDA thực mô lần với Cloudlet VM với đầu thuật toán H-PBSO thực Trong lần chạy, Cloudlet giao cho VM khác Lần Lần Lần Cloudlet 6.35 6.20 5.65 Cloudlet 4.56 4.20 3.35 Cloudlet 2.49 2.50 3.25 Cloudlet 5.13 5.42 5.36 Cloudlet 4.31 2.28 3.45 Cloudlet 2.19 2.32 4.14 Bảng 4.1 Thời gian hoàn thành công việc (Cloudlet) VM VM1 Công việc T1,T5 Thời gian hoàn thành 6.35 + 4.31 = 10.66 Makespan 10.66 RU 10.66/10.66 = 70 VM2 VM3 T3,T4 T2,T6 2.50 + 5.42 = 7.92 3.35 + 4.14 = 7.49 7.92/10.66 = 0.743 7.49/10.66 = 0.703 Bảng 4.2 Kết lần lập lịch VM VM1 VM2 VM3 Công việc T1,T3 T2,T4 T5,T6 Thời gian hoàn thành 6.35 + 2.49 = 8.84 4.20 + 5.42 = 9.62 3.45 + 4.14 = 7.59 Makespan 9.62 RU 8.84/9.62 = 0.919 9.62/9.62 = 7.59/9.62 = 0.789 Bảng 4.3 Kết lần lập lịch thứ hai VM VM1 VM2 VM3 Công việc T2,T3 T1,T6 T4,T5 Thời gian hoàn thành 4.56 + 2.49 = 7.05 6.20 + 2.32 = 7.52 5.36 + 3.45 = 8.81 Makespan 8.81 RU 7.05/8.81 = 0.800 7.52/8.81 = 0.853 8.81/8.81 = Bảng 4.4 Kết lần lập lịch thứ ba Trong lần lập lịch đầu tiên, thời gian hoàn thành tối đa 10.66, ARU (hiệu suất sử dụng trung bình) 0,82 Trong lần lập lịch thứ hai thứ ba, thời gian hoàn thành tối đa 9.62 8,81, giá trị ARU 0,90 0,88 Do đó, có giảm dần thời gian hồn thành tối đa tối đa hóa ARU Vì vậy, thuật tốn cân tải hiệu giảm thiểu thời gian hoàn thành tối đa đồng thời tăng tối đa sử dụng tài nguyên Ví dụ cho thấy cách giảm thời gian hoàn thành tối đa dẫn đến việc tận dụng tài nguyên tốt cách sử dụng kỹ thuật cân tải hiệu 4.3 Kết ý nghĩa: Trong phần này, NVDA trình bày phân tích kết dựa mô thực cách sử dụng CloudSim Để phân tích tính hiệu giải thuật đề xuất, thuật toán khác (1) Round Robin (RR), (2) FCFS, (3) SJF, (4) MAX-MIN, (5) RASA, (6) PSO (7) BBSO xem xét để so sánh Các kết thu cách ghi lại giá trị trung bình cho số hiệu suất cách chạy thuật toán mười lần Trong loạt biểu đồ tiếp theo, kết thử nghiệm trình bày dạng khoảng thời gian, mức sử dụng tài nguyên, thời gian phản hồi DOI Hình 4.1 hiển thị so sánh makepan trước sau cân tải H-PBSO Trục X biểu thị số lượng cloudlet trục Y biểu thị khoảng thời gian 71 Hình 4.1 Makespan trước vào sau áp dụng H-PBSO Phương pháp đề xuất so sánh với thuật tốn có nêu ngữ cảnh quan trọng đến makespan Theo Hình 4.2, phương pháp đề xuất cho thấy kết tốt việc cân tải nút Kết mơ cho thấy hiệu suất thuật tốn so sánh khác thời gian đáp ứng tăng lên số cloudlet tăng Nhưng phương pháp đề xuất đạt hiệu suất tốt so với phương pháp khác So sánh sử dụng tài nguyên cho thuật tốn có với phương pháp đề xuất miêu tả Hình 4.3 Thuật tốn H-PBSO đề xuất thực tốt có khả sử dụng tài nguyên cách hiệu cách phân bổ tải lên VM tương ứng 72 Hình 4.2 So sánh makespan H-PBSO thuật tốn khác Hình 4.3 So sánh hiệu suất sử dụng tài nguyên H-PBSO thuật tốn khác 73 NVDA trình bày mối quan hệ tuyến tính nghịch đảo thời gian hồn thành sử dụng tài ngun Hình 4.4 Biểu đồ cho thấy thuật toán đề xuất đạt tối đa sử dụng tài nguyên giảm thiểu thời gian hồn thành Thuật tốn đề xuất sử dụng tài nguyên cách đáng kể giảm thiểu đáng kể thời gian hồn thành Hình 4.4 So sánh makespan hiệu suất sử dụng tài nguyên Chỉ số DOI máy ảo trước sau cân tải sử dụng H-PBSO thể Hình 4.5 Trục X biểu thị số lượng cloudlet, trục Y biểu thị mức độ cân Nó cho thấy thuật tốn đề xuất cân tải hiệu máy ảo mức độ cân giảm đáng kể Hình 4.6 minh họa so sánh số DOI thuật toán khác với thuật toán H-PBSO đề xuất Chỉ số DOI nhỏ thuật toán so với thuật tốn khác 74 Hình 4.5 DOI trước sau áp dụng H-PBSO Hình 4.6 So sánh DOI H-PBSO thuật toán khác 75 4.4 Kết luận chương Chương trình bày phương pháp đánh giá thuật tốn đề xuất bao gồm thơng số đánh giá thuật toán - QoS: Makespan, RU, DOI Đề xuất hàm fitness function cho toán tối ưu Makespan kết hợp RU Chương nêu mô chứng minh liên hệ khả tối ưu makespan RU Cuối chương đưa kết q trình mơ phân tích thuật tốn đề xuất hồn tồn hiệu so sánh với thuật toán phổ biến hiệu 76 KẾT LUẬN Kết luận chung Kết thực nghiệm thu từ việc triển khai phương pháp cân tải hỗn hợp sử dụng thuật toán Particle Swarm Optimization (PSO) Binary Bird Swarm Optimization (BBSO) vượt trội so với kỹ thuật cân tải khác tồn Phương pháp đề xuất giảm đáng kể thời gian phản hồi hệ thống cải thiện công suất Phương pháp chứng minh chế cân tải hiệu quả, phân phối tải nút hệ thống phân tán Kết xác nhận tính hiệu phương pháp hỗn hợp việc cải thiện hiệu suất hệ thống phân tán Tuy nhiên, kết thực nghiệm tiết lộ số hạn chế phương pháp đề xuất Ví dụ, hiệu suất phương pháp hỗn hợp phụ thuộc vào thông số sử dụng thuật tốn PSO BBSO Do đó, tối ưu hóa thông số quan trọng để đạt hiệu suất tốt Hơn nữa, phương pháp hỗn hợp khơng phù hợp với hệ thống có biến động cao công việc hệ thống với nút không đồng Để giải hạn chế này, nghiên cứu thực để tối ưu hóa thơng số sử dụng thuật toán để đạt hiệu suất tốt Việc sử dụng kỹ thuật học máy để tự động tối ưu hóa thơng số phương pháp triển vọng Ngồi ra, nghiên cứu thực để điều chỉnh phương pháp hỗn hợp để xử lý hệ thống với nút khơng đồng có biến động cao công việc Kết luận, việc triển khai phương pháp cân tải hỗn hợp sử dụng PSO BBSO chứng minh tính hiệu việc cải thiện hiệu suất hệ thống phân tán Phương pháp đề xuất cung cấp giải pháp hiệu tiết kiệm chi phí cho vấn đề cân tải hệ thống phân tán Các hạn chế phương pháp đề xuất xác định, đưa đề xuất cho nghiên cứu tương lai để giải hạn chế Tổng thể, kết dự án cung cấp hiểu biết quý giá kỹ thuật cân tải hệ thống phân tán làm bật tiềm phương pháp hỗn hợp sử dụng thuật tốn metaheuristic để cân tải Tóm lại, việc triển khai phương pháp cân tải kết hợp cách sử dụng Tối ưu hóa bầy đàn hạt (PSO) Tối ưu hóa bầy đàn chim nhị phân (BBSO) chứng minh tính hiệu việc cải thiện hiệu suất hệ thống phân tán Phương pháp đề xuất tối ưu hóa việc phân bổ nhiệm vụ cho nút hệ thống phân tán cách cân tải nút, giảm thời gian phản hồi tổng thể cải thiện thông lượng hệ thống Việc triển khai phương pháp kết hợp liên quan đến việc tích hợp thuật toán PSO BBSO, hoạt động song song để đạt cân tải Thuật toán PSO sử dụng để tối ưu hóa việc phân bổ nhiệm vụ cho nút cách giảm thiểu thời gian phản hồi hệ thống, thuật toán BBSO sử dụng để đảm bảo tải phân bổ đồng nút 77 Các kết thử nghiệm thu từ việc triển khai phương pháp đề xuất cho thấy vượt trội so với kỹ thuật cân tải có khác Phương pháp kết hợp giúp giảm đáng kể thời gian phản hồi hệ thống, cải thiện thông lượng cân hiệu tải nút Hơn nữa, việc triển khai phương pháp đề xuất yêu cầu chi phí tối thiểu, làm cho trở thành phương pháp hiệu tiết kiệm chi phí để cân tải Việc triển khai phương pháp kết hợp sử dụng PSO BBSO có ứng dụng thực tế hệ thống phân tán điện toán đám mây, sở liệu phân tán cân tải mạng Cách tiếp cận giúp tổ chức tối ưu hóa việc sử dụng tài nguyên hệ thống phân tán họ, giúp cải thiện hiệu suất hệ thống tăng hài lòng người dùng Tóm lại, việc triển khai phương pháp cân tải kết hợp cách sử dụng Tối ưu hóa bầy đàn hạt Tối ưu hóa bầy chim nhị phân cho thấy kỹ thuật hiệu để cân tải hệ thống phân tán Cách tiếp cận cung cấp giải pháp hiệu tiết kiệm chi phí cho vấn đề cân tải hệ thống phân tán Nghiên cứu sâu thực để tối ưu hóa tham số sử dụng thuật tốn để đạt hiệu suất tốt Nhìn chung, phương pháp đề xuất cung cấp đóng góp có giá trị cho lĩnh vực cân tải hệ thống phân tán Hướng phát triển Kết cho thấy thuật toán đề xuất thuật toán khả thi hiệu cân tải Ngoài việc phát triển thuật toán nhắm đến việc tăng hiệu tối ưu thời gian tối ưu tương lai đáng mong đợi, số hướng nghiên cứu là: So sánh hiệu suất: Phương pháp kết hợp đề xuất so sánh với thuật toán cân tải khác, chẳng hạn max-min round-robin, để xác định tính hiệu hiệu suất Tinh chỉnh tham số: Hiệu suất phương pháp kết hợp cải thiện cách tinh chỉnh tham số thuật toán PSO BBSO Các tham số tối ưu xác định phương pháp khác nhau, chẳng hạn thuật toán di truyền tối ưu hóa giả lập Tối ưu hóa đa mục tiêu: Cân tải liên quan đến nhiều mục tiêu mâu thuẫn nhau, chẳng hạn giảm thời gian phản hồi tăng khả xử lý hệ thống Nghiên cứu tương lai khám phá việc áp dụng kỹ thuật tối ưu hóa đa mục tiêu để đạt cân tốt mục tiêu Khả mở rộng: Phương pháp kết hợp đề xuất kiểm tra hệ thống phân tán với quy mơ lớn để đánh giá tính khả dụng khả xử lý số lượng lớn nút Thực thực tế: Phương pháp kết hợp triển khai hệ thống phân tán thực tế để đánh giá hiệu suất tính hiệu kịch thực tế Việc triển khai kiểm tra ngành cơng 78 nghiệp khác sử dụng hệ thống phân tán, chẳng hạn điện tốn đám mây viễn thơng Kết hợp với thuật toán khác: Nghiên cứu tương lai khám phá tiềm việc kết hợp thuật toán PSO BBSO với thuật tốn tối ưu hóa khác để đạt hiệu suất tối ưu Tóm lại, có nhiều cách phát triển thuật toán tương lai lĩnh vực cân tải, nghiên cứu tương lai giúp tăng hiệu hiệu suất cân tải hệ thống phân tán 79 TÀI LIỆU THAM KHẢO [1] Josep A D., Katz R., Konwinski A., Gunho L E E., Patterson, "A view of cloud computing," Communications of the ACM, 2010 [2] Mishra K., Majhi S K., "A state-of-Art on cloud load balancing algorithms," International Journal of computing and digital systems, 2020 [3] Mishra S K., Sahoo B., Parida P P., "Load balancing in cloud computing: a big picture," Journal of King Saud University-Computer, 2020 [4] J P K Panda S K., " Eflcient task scheduling algorithms," The Journal of Supercomputing, 2015 [5] Shah N., Farik M., "Static load balancing algorithms in cloud computing: Challenges & solutions," International Journal of Scientific, 2015 [6] Meng X B., Gao X Z., Lu L., Liu Y., Zhang H., "A new bio-inspired optimization algorithm: Bird Swarm Algorithm," Journal of Experimental & Theoretical Artificial Intelligence, 2016 [7] K M a S K Majhi, "A binary Bird Swarm Optimization based load balancing algorithm for cloud computing," Open Computer Science, 2021 [8] Ebadifard F., Babamir S M., Barani S., "A dynamic task scheduling algorithm improved by load balancing in cloud computing," 6th, p 2020, International Conference on Web Research (ICWR), IEEE [9] Calheiros R N., Ranjan R., Beloglazov A De Rose C A., Buyya R., "CloudSim: a toolkit for modeling and simulation of cloud computing environments and evaluation of resource provisioning," Software: Practice and experience, 2011 [10] Tasgetiren M F., Sevkli M., Liang Y C., Gencyilmaz G., "Particle swarm optimization algorithm for single machine total weighted," Proceedings of the 2004 Congress on Evolutionary Computation, 2004 [11] al., Aljarah I et, "Evolving neural networks using bird swarm algorithm for data classification and regression applications," Cluster Computing, 2019 [12] Hussain A., Aleem M., "GoCJ: Google cloud jobs dataset for distributed and cloud computing infrastructures," Data, 2018 [13] Ebadifard F., Babamir S M., "A PSO-based task scheduling algorithm improved using a load-balancing technique for the," Concurrency and Computation:, 2018 [14] Ibarra O H., Kim C E., "Heuristic algorithms for scheduling independent tasks on nonidentical processors," Journal of the ACM, 1977 80 [15] Jena U K., Das P K., Kabat M R., "Hybridization of meta-heuristic algorithm for load balancing in cloud computing environment," Journal of King Saud University-Computer and Information Sciences, 2020 [16] Lin M., Zhong Y., Lin J., Lin X., "Discrete Bird Swarm Algorithm Based on Information Entropy Matrix for Traveling Salesman," Mathematical Problems in Engineering, 2018 [17] Mapetu J P., Chen Z., Kong L., "Low-time complexity and low-cost binary particle swarm optimization algorithm for task scheduling," Applied Intelligence, 2019 [18] Zhang L., Chen Y., Yang B., "Task scheduling based on PSO algorithm in computational grid," Sixth International Conference on Intelligent Systems Design and Applications, 2006 [19] P N Huu, T T Ngoc and Q T Minh, "Proposing Vietnamese Text Recognition Algorithm Combining CRAFT and VietOCR," 11th International Conference on Control, Automation and Information Sciences (ICCAIS), 2022 [20] Milan S T., Rajabion L., Ranjbar H., Navimipoir N J., "Nature inspired meta-heuristic algorithms for solving the loadbalancing problem in cloud environments," Computers & Operations Research, 2019 [21] Priya V., Kumar C S., Kannan R., "Resource scheduling algorithm with load balancing for cloud service provisioning," Applied Soft Computing, 2019 [22] Vanitha M., Marikkannu P, "Effective resource utilization in cloud," Computers & Electrical Engineering, 2017 81