Nghiên cứu chính sách bền vững nhằm xây dựng thuật toán nâng cao hiệu quả cân bằng tải của điện toán đám mây

HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG - Nguyễn Thanh Trung NGHIÊN CỨU CHÍNH SÁCH BỀN VỮNG NHẰM XÂY DỰNG THUẬT TOÁN NÂNG CAO HIỆU QUẢ CÂN BẰNG TẢI CỦA ĐIỆN TOÁN ĐÁM MÂY LUẬN VĂN THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) TP HỒ CHÍ MINH – NĂM 2022 HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG - Nguyễn Thanh Trung NGHIÊN CỨU CHÍNH SÁCH BỀN VỮNG NHẰM XÂY DỰNG THUẬT TOÁN NÂNG CAO HIỆU QUẢ CÂN BẰNG TẢI CỦA ĐIỆN TOÁN ĐÁM MÂY Chuyên ngành: HỆ THỐNG THÔNG TIN Mã số: 8.48.01.04 LUẬN VĂN THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS.TS TRẦN CƠNG HÙNG TP HỒ CHÍ MINH – NĂM 2022 LỜI CAM ĐOAN Tôi cam đoan luận văn: “Nghiên cứu sách bền vững nhằm xây dựng thuật toán nâng cao hiệu cân tải điện tốn đám mây” cơng trình nghiên cứu tơi Tơi cam đoan số liệu, kết nêu luận văn trung thực chưa cơng bố cơng trình khác Khơng có sản phẩm/nghiên cứu người khác sử dụng luận văn mà không trích dẫn theo quy định TP Hồ Chí Minh, ngày 25 tháng 01 năm 2022 Học viên thực luận văn Nguyễn Thanh Trung LỜI CẢM ƠN Trong suốt trình học tập nghiên cứu thực luận văn, ngồi nỗ lực thân, tơi nhận hướng dẫn nhiệt tình quý báu quý Thầy Cô, với động viên ủng hộ gia đình, bạn bè đồng nghiệp Với lịng kính trọng biết ơn sâu sắc, tơi xin gửi lời cảm ơn chân thành tới: Ban Giám Đốc, Phòng đào tạo sau đại học quý Thầy Cô tạo điều kiện thuận lợi giúp tơi hồn thành luận văn Tôi xin chân thành cảm ơn Thầy PGS.TS Trần Cơng Hùng, người thầy kính u hết lịng giúp đỡ, hướng dẫn, động viên, tạo điều kiện cho tơi suốt q trình thực hồn thành luận văn Tơi xin chân thành cảm ơn gia đình, bạn bè, đồng nghiệp quan động viên, hỗ trợ tơi lúc khó khăn để tơi học tập hoàn thành luận văn Mặc dù có nhiều cố gắng, nỗ lực, thời gian kinh nghiệm nghiên cứu khoa học hạn chế nên khơng thể tránh khỏi thiếu sót Tơi mong nhận góp ý quý Thầy Cô bạn bè đồng nghiệp để kiến thức tơi ngày hồn thiện Xin chân thành cảm ơn! TP Hồ Chí Minh, ngày 25 tháng 01 năm 2022 Học viên thực luận văn Nguyễn Thanh Trung MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN ii MỤC LỤC iii DANH MỤC CÁC THUẬT NGỮ, CHỮ VIẾT TẮT iv DANH SÁCH BẢNG v DANH SÁCH HÌNH VẼ vi MỞ ĐẦU CHƯƠNG GIỚI THIỆU TỔNG QUAN VỀ HỆ THỐNG CÂN BẰNG TẢI CỦA ĐIỆN TOÁN ĐÁM MÂY 1.1 Tổng quan điện toán đám mây 1.2 Tổng quan cân tải điện toán đám mây 16 1.2.1 Giới thiệu cân tải 16 1.2.2 Mục đích cân tải 16 1.3 Tổng quan trí tuệ nhân tạo (AI) 20 1.4 Tổng quan machine learning 21 1.5 Chính sách bền vững 22 1.6 Kết luận chương 22 CHƯƠNG CÁC CƠNG TRÌNH LIÊN QUAN 23 2.1 Giới thiệu chương 23 2.2 Các cơng trình nghiên cứu Việt Nam 23 2.3 Một số cơng trình nghiên cứu giới 23 2.4 Tổng kết chương 26 CHƯƠNG NGHIÊN CỨU CHÍNH SÁCH BỀN VỮNG NHẰM XÂY DỰNG THUẬT TỐN NÂNG CAO HIỆU QUẢ CÂN BẰNG TẢI CỦA ĐIỆN TOÁN ĐÁM MÂY 27 3.1 Giới thiệu chung 27 3.2 Mơ hình nghiên cứu 27 3.3 Thuật toán Cây phân loại hồi quy (Classification and Regression Tree CART) 29 3.4 Thuật toán K-Means 29 3.5 Thuật toán đề xuất RCVKA 30 3.6 Kết luận chương 32 CHƯƠNG MÔ PHỎNG CHƯƠNG TRÌNH VÀ ĐÁNH GIÁ KẾT QUẢ 34 4.1 Giới thiệu chung 34 4.2 Môi trường mô thực nghiệm 34 4.3 Kết thực nghiệm mơ hình 37 4.4 Đánh giá kết 43 KẾT LUẬN 44 DANH MỤC TÀI LIỆU THAM KHẢO 46 DANH MỤC CÁC THUẬT NGỮ, CHỮ VIẾT TẮT Viết tắt Tiếng Anh Tiếng Việt AI Artificial Intelligence Trí tuệ nhân tạo Cloud Cloud computing environment Mơi trường điện tốn đám mây CC Cloud Computing Điện toán đám mây ML Machine Learning Học máy LB Load Balancing Cân tải DANH SÁCH BẢNG Bảng 4.1 Thông số cấu hình Datacenter………………………… 35 Bảng 4.2 Cấu hình máy ảo……………………………………… 36 Bảng 4.3 Cấu hình thơng số Request……………………… 36 Bảng 4.4 Kết thực nghiệm mô với 30 request……… 37 Bảng 4.5 Kết thực nghiệm mô với 60 request……… 38 Bảng 4.6 Kết thực nghiệm mô với 100 request……… 39 Bảng 4.7 Kết thực nghiệm mô với 1000 request…… 40 DANH SÁCH HÌNH VẼ Hình 1.1 Mơ hình điện tốn đám mây [1]……………………………… 10 Hình 1.2 Cung cấp tài nguyên đám mây [4]……………………………… 14 Hình 1.3 Cân tải điện tốn đám mây [5]…………………… 15 Hình 1.4 Kiến trúc điện tốn đám mây [7]…………………………… 16 Hình 1.5 Mơ hình Cân tải điện tốn đám mây [8]…………… 17 Hình 3.1 Mơ hình cân tải…………………………………………… 28 Hình 4.1 Biểu đồ so sánh thời gian thực thuật tốn với 30 Request…………………………………………………………………… 38 Hình 4.2 Biểu đồ so sánh thời gian thực thuật tốn với 60 Request…………………………………………………………………… 39 Hình 4.3 Biểu đồ so sánh thời gian thực thuật tốn với 100 Request…………………………………………………………………… 40 Hình 4.4 Biểu đồ so sánh thời gian thực thuật toán với 1000 Request…………………………………………………………………… 41 Hình 4.5 Thời gian thực trung bình thuật tốn từ 30-1000 Request…………………………………………………………………… 42 Hình 4.6 Thời gian thực lớn thuật tốn từ 30-1000 Request…………………………………………………………………… 42 MỞ ĐẦU Tính cấp thiết đề tài Trong thời đại ngày nay, công nghệ thông tin truyền thông ngày phát triển, địi hỏi nhu cầu xử lý thơng tin ngày cao, cần có hệ thống có khả lưu trữ khai thác lượng liệu lớn Sự phát triển không ngừng kinh tế giới nước đòi hỏi doanh nghiệp, tập đồn lớn phải có giải pháp để lưu trữ khai thác thông tin liệu lớn liên quan đến công việc kinh doanh họ Việc trang bị máy chủ vật lý địi hỏi phải có phận kỹ thuật am hiểu công nghệ thông tin để quản trị vận hành hệ thống Đồng thời nhiều chi phí để đầu tư, nâng cấp phần mềm, phần cứng, phí bảo trì, nhân cơng Chính thế, điện tốn đám mây (cloud computing) giải pháp thu hút số lượng lớn doanh nghiệp sử dụng Điện tốn đám mây thực chất mơ hình máy chủ ảo, sử dụng cơng nghệ máy tính phát triển dựa vào mạng Internet Ở mơ hình điện tốn này, khả liên quan đến cơng nghệ thông tin cung cấp dạng "dịch vụ" “Dịch vụ” cho phép người sử dụng truy cập dịch vụ công nghệ từ nhà cung cấp "trong đám mây" mà khơng cần phải có kiến thức, kinh nghiệm cơng nghệ Ngồi ra, người dùng khơng cần quan tâm đến sở hạ tầng phục vụ công nghệ mà cung cấp Điện tốn đám mây giải vấn đề tối ưu hóa lưu trữ, ảo hóa máy chủ, sở hạ tầng mạng với mục đích mang lại dịch vụ với chất lượng tốt Các tập đoàn, doanh nghiệp cá nhân người dùng cần trả phí với dịch vụ tương ứng mà họ sử dụng Nói chất lượng dịch vụ điện toán đám mây, người dùng cảm thấy chất lượng dịch vụ đáp ứng tốt công việc quản lý điều hành, lưu trữ khai thác tài nguyên Mặt khác, việc quản lý tài nguyên trở thành công việc phức tạp nhà cung cấp dịch vụ đám mây Có số vấn đề đặt ra: khắc phục vấn đề thiếu tài nguyên, giảm độ trễ đám mây khả cải thiện hiệu suất mạng nhiều người dùng sử dụng lúc 33 ban đầu luận văn trì ổn định thời gian xử lý phản hồi hoạt động liên tục cloud, thuật toán đề xuất RCVKA chứng minh hiệu trình cân tải Cụ thể, thuật toán làm giảm tối đa thời gian thực xử lý tác vụ cloud yêu cầu rủi ro định Ngoài ra, RCVKA ngăn chặn hạn chế việc cân tải máy ảo 34 CHƯƠNG MƠ PHỎNG CHƯƠNG TRÌNH VÀ ĐÁNH GIÁ KẾT QUẢ 4.1 Giới thiệu chung Trong chương này, luận văn trình bày cài đặt mơ thuật tốn RCVKA Cụ thể, chương sử dụng thuật toán RCVKA phân bổ task tương ứng với Request dựa độ bền vững task tính toán Mức độ tiêu thụ lượng task (Power Consumed), mức độ sử dụng CPU (CPU Usages), mức độ sử dụng RAM chi phí (Costing) để thực task cloud tính tốn kỹ tạo nên độ bền vững thuật toán Sau phân loại task theo độ ưu tiê độ bền vững, cân tải phân bổ request ứng với task có độ bền vững cao vào máy ảo/host có lực xử lý tốt hay có mức độ rảnh task cao Từ đó, phân bổ vào máy ảo/host có mức độ hoạt động thấp request có nhu cầu xử lý cao Với cách tiếp cận này, thuật toán đề xuất RCVKA cải thiện thời gian xử lý cân tải cloud sau ứng dụng mơi trường cloud theo thời gian thực Các kết thu sau tiến hành bước dùng để phân tích tính hiệu thuật tốn đề xuất 4.2 Môi trường mô thực nghiệm Dựa vào liệu chứa Request, luận văn sử dụng thuật toán KMeans để phân loại Request dựa đặc trưng chúng (hành vi người dùng cloud) Bước 1: Tiếp nhận giá trị input Bước 2: Phân tích input để rút trích đặc trưng giá trị input Bước 3: Dựa vào đặc trưng trên, sử dụng machine learning để phân lớp giá trị đầu vào Bước 4: Dựa vào kết phân lớp, ta tiến hành cân tải cho hệ thống Dựa vào liệu biết Request, ta sử dụng thuật toán CART để phân loại chúng cách tính tốn SustainablePolicy = {Power, CPU, RAM} Từ đó, ta biết cách phân bổ tài nguyên cho Request vào máy 35 ảo phân cụm sẵn trước Kết hợp đánh giá số lần sai sai số, ta cải thiện thuật tốn cách áp dụng máy học (machine learning) Tuy nhiên, máy học áp dụng để cải thiện thuật tốn xảy sai số cho phép Khi giả lập môi trường cloud, luận văn sử dụng ngôn ngữ lập trình JAVA thư viện CloudSim Bao gồm đến 15 máy ảo, môi trường cloud nơi để Request ngẫu nhiên truy cập đến dịch vụ cloud Các dịch vụ gồm có: dịch vụ cung cấp máy ảo, dịch vụ cung cấp đáp ứng người dùng CloudSim để tiến hành thử nghiệm Sau đó, luận văn tiếp tục tiến hành cài đặt thuật tốn K-Means CART mơi trường mơ phát triển thư viện WEKA Cuối kiểm nghiệm kết thuật toán đề xuất Các tham số mơ hình mạng mơ phỏng: Q trình thực nghiệm mơ thuật tốn cài đặt Eclipse IDE NETBEAN IDE sử dụng ngôn ngữ JAVA để chạy thử với kết hiển thị dạng console Môi trường giả lập dùng thư viện mã nguồn mở CloudSim (được cung cấp http://www.cloudbus.org/) kết hợp với thư viện datamining WEKA Môi trường mô giả lập gồm thông số sau: - Datacenter với thông số sau: Bảng 4.1 Thơng số cấu hình Datacenter - Các máy ảo có cấu hình giống khởi tạo: 36 Bảng 4.2 Cấu hình máy ảo - Các Request (chạy web, WebRequest) đại diện Cloudlet CloudSim kích thước Cloudlet khởi tạo ngẫu nhiên hàm Random JAVA Số lượng Cloudlet từ 500 → 1500 Bảng 4.3 Cấu hình thơng số Request - Thuật toán đề xuất xây dựng cách tạo lớp RCVKASchedulingAlgorithm kế thừa từ đối tượng BaseSchedulingAlgorithm Song, thuật tốn đề xuất có cập nhật thêm số phương thức thuộc tính liên quan tới predictRequestKmeans đồng thời điều chỉnh hàm dựng sẵn để trở nên phù hợp hơn: @Override public void run() // Module public CondorVM getFittingVm (double label) // Module public String predictRequestPowerConsume(Cloudlet req) public String predictRequestCpuUsage(Cloudlet req) public String predictRequestRamUsage (Cloudlet req) // Module 37 Tiêu chí đánh giá Thực nghiệm mơ cloud với tham số để chạy thuật toán cân tải CloudSim có sẵn Sau đó, kết hợp chạy thuật toán đề xuất RCVKA cài đặt với liệu đầu vào Cuối cùng, so sánh kết đầu ra, đặc biệt thông số thời gian thực (Makespan) Sai số thời gian đáp ứng dự đoán máy ảo thời gian đáp ứng dự đốn cloud thấp hiệu thuật toán đánh giá cao 4.3 Kết thực nghiệm mơ hình Ta tiến hành chạy thực nghiệm mô CloudSim với máy ảo dựng sẵn để đáp ứng Request Các request khởi tạo có chiều dài kích thước ngẫu nhiên với số lượng Request 30, 60, 100 1000 Tiếp theo, ta so sánh kết với thuật toán FCFS, MaxMin, MinMin RoundRobin Trước nhất, trường hợp mô với 30 Requets, ta có bảng kết sau: Bảng 4.4 Kết thực nghiệm mô với 30 request Thời gian thực FCFS (ms) 554.70 AVG 8,618.72 MAX 0.26 MIN RCVKA 206.43 2,734.52 0.11 MaxMin 253.53 3,068.34 0.14 MinMin 261.94 3,191.11 0.14 Round Robin 271.48 4,687.36 0.12 38 10,000.00 9,000.00 8,000.00 7,000.00 6,000.00 5,000.00 4,000.00 3,000.00 2,000.00 1,000.00 FCFS RCVKA MaxMin AVG MinMin Round Robin MAX Hình 4.1 Biểu đồ so sánh thời gian thực thuật toán với 30 Request Với kết thực nghiệm 30 Request, thấy thuật tốn đề xuất RCVKA có lợi so với thuật tốn cịn lại Thuật toán MaxMin MinMin theo sát thuật toán RCVKA với thời gian xử lý ổn định Trong đó, thuật tốn FCFS lại có thời gian xử lý cao, chiếm gấp gần lần so với thuật toán đề xuất Tuy nhiên, để chứng tỏ thuật tốn đề xuất thật có hiệu quả, ta tiến hành xử lý nhiều request quan sát kết Bảng 4.5 Kết thực nghiệm mô với 60 request Thời gian thực (ms) AVG MAX MIN FCFS 554.55 2,692.30 0.7 RCVKA 207.15 3,171.06 0.11 MaxMin 615.82 11,338.88 0.13 MinMin 445.43 7,855.51 0.12 Round Robin 553.40 14,070.51 0.16 39 16,000.00 14,000.00 12,000.00 10,000.00 8,000.00 6,000.00 4,000.00 2,000.00 FCFS RCVKA MaxMin AVG MinMin Round Robin MAX Hình 4.2 Biểu đồ so sánh thời gian thực thuật toán với 60 Request Khi thực nghiệm từ request 60 trở đi, qua quan sát biểu đồ nhận thấy có chênh lệch rõ rệt thuật toán so sánh Thuật toán đề xuất có thời gian xử lý nhỏ, cách biệt nhiều với thuật toán khác Cụ thể, thời gian xử lý thuật toán Round Robin MinMin chiếm gần lần lần thời gian xử lý RCVKA Có thể thấy rằng, số lượng request nhỏ kích thước nhỏ, thuật tốn RCVKA ổn định Bảng 4.6 Kết thực nghiệm mô với 100 request Thời gian thực (ms) AVG MAX MIN FCFS 351.87 11,015.20 0.11 RCVKA 192.10 3,034.15 0.11 MaxMin 307.26 6,176.83 0.11 MinMin 311.67 8,163.80 0.12 Round Robin 382.52 5,792.78 0.16 40 12,000.00 10,000.00 8,000.00 6,000.00 4,000.00 2,000.00 FCFS RCVKA MaxMin AVG MinMin Round Robin MAX Hình 4.3 Biểu đồ so sánh thời gian thực thuật toán với 100 Request Khi tăng số lượng request lên 100, ta thấy RCVKA vượt trội hẳn so với thuật tốn cịn lại Thuật tốn FCFS có thời gian xử lý gấp gần lần, Round Robin gấp gần lần so với thuật toán đề xuất Qua đó, nhận thấy tính ổn định hiệu thuật tốn đề xuất RCVKA dù có tăng số lượng request Cuối ta tăng lên 1000 request để quan sát liệu RCVKA có bỏ xa thuật tốn khác hay khơng Bảng 4.7 Kết thực nghiệm mô với 1000 request Thời gian thực (ms) AVG MAX MIN FCFS 380.90 15,971.02 0.12 RCVKA 326.59 6,360.17 0.18 MaxMin MinMin Round Robin 545.62 54,741.18 0.15 639.75 30,587.87 0.16 514.52 60,263.71 0.13 41 70,000.00 60,000.00 50,000.00 40,000.00 30,000.00 20,000.00 10,000.00 FCFS RCVKA MaxMin AVG MinMin Round Robin MAX Hình 4.4 Biểu đồ so sánh thời gian thực thuật toán với 1000 Request Với trường hợp 1000 request này, thuật tốn RCVKA chứng minh vượt trội so với thuận tốn cịn lại Nếu lượng request bùng nổ, việc xử lý thuật tốn đáp ứng được, phụ thuộc vào cấu hình thiết bị chạy cân tải khơng khó khăn việc xử lý cân tải lượng request nhiều So sánh thời gian thực thi thuật toán Sau chạy kiểm thử thuật toán đề xuất RCVKA với bốn thuật toán với số lượng request tăng dần từ 30 – 1000, ta tiến hành vẽ biểu đồ để so sánh, thống kê thời gian thực thi trung bình thuật tốn để quan sát đánh giá tính ổn định thuật toán 42 FCFS RCVKA MaxMin MinMin Round Robin AVERAGE EXECUTION TIME (MS) 700.00 600.00 500.00 400.00 300.00 200.00 100.00 30 60 100 NUMBER OF REQUESTS 1000 Hình 4.5 Thời gian thực trung bình thuật toán từ 30-1000 Request FCFS RCVKA MaxMin MinMin Round Robin 70,000.00 MAX EXECUTION TIME (MS) 60,000.00 50,000.00 40,000.00 30,000.00 20,000.00 10,000.00 30 60 100 1000 NUMBER OF REQUESTS Hình 4.6 Thời gian thực lớn thuật toán từ 30-1000 Request Sau so sánh thời gian xử lý thuật toán điều kiện trường hợp là: 30, 60, 100 1000 request, ta thấy phân bổ vô ổn định hợp lý thuật toán đề xuất RCVKA Cụ thể, so thời gian xử 43 lý máy ảo với thời gian xử lý thuật toán khác cloud (bao gồm trường hợp nhiều request) khác biệt khơng đáng kể Bên cạnh đó, Hình 4.5 Hình 4.6 cho thấy RCVKA ln ln nằm vị trí thấp nhất, dù so sánh giá trị thời gian thực trung bình hay giá trị thời gian thực lớn Tuy nhiên, thực nghiệm mơ mơ nhóm máy ảo, chưa tính đến việc mở rộng tập hợp máy ảo (VM pool) để giảm tải trường hợp cần thiết Bởi, luận văn giả định nhóm máy ảo xử lý tối đa request, vượt ta lên kế hoạch tiến hành mở rộng pool Ngoài ra, việc thí nghiệm mơ với lượng request lớn hơn, cụ thể 1000 request, địi hỏi phải có máy tính mạnh với xử lý tốt Vì vậy, khuyết điểm hạn chế thí nghiệm mơ Thuật toán đề xuất RCVKA cho thấy hiệu số lượng máy ảo tăng lên cao hơn, thuật toán đảm bảo thời gian phản hồi thời gian xử lý mức tốt đồng thời giảm thiểu tối đa chi phí cho trung tâm liệu đám mây Dẫu vậy, thuật tốn đề xuất cịn tồn số nhược điểm sau: - Khi số lượng máy ảo tăng nhiều hơn, việc tìm máy có Usage nhỏ trở nên khó khăn -Thế nên, trường hợp đó, cần tìm máy có Usage phù hợp đạt yêu cầu - Các máy ảo danh sách chưa xếp theo thứ tự tăng dần 4.4 Đánh giá kết Mơ hình thực nghiệm mơ với thông số kịch đưa dựa vào q trình request browser mơi trường cloud Qua đó, luận văn ghi nhận thơng số thời gian xử lý máy ảo cloud Việc chạy thực nghiệm với thông số máy ảo, chịu tải từ 30 đến 1000 Request cho kết tương đối khả quan Ngoài ra, việc phân bổ Request đến máy ảo xử lý đồng có tính khả thi cao 44 KẾT LUẬN Luận văn “NGHIÊN CỨU CHÍNH SÁCH BỀN VỮNG NHẰM XÂY DỰNG THUẬT TOÁN NÂNG CAO HIỆU QUẢ CÂN BẰNG TẢI CỦA ĐIỆN TỐN ĐÁM MÂY” nghiên cứu thuật tốn tiến hành phân lớp từ đặc trưng request chọn lọc sách bền vững Sau đó, phân bổ tác vụ vào máy ảo cho hợp lý nâng cao cân tải môi trường điện tốn đám mây, sử dụng hợp lý có hiệu nguồn tài nguyên đám mây Dựa vào thuật tốn có để phân tích làm rõ chúng, sau đánh giá đưa nhược điểm lợi thuật toán Từ nhược điểm phân tích, đề xuất thuật tốn kết hợp với sách bền vững nhằm cải tiến nâng cao khả cân tải so với thuật tốn cũ Q trình nghiên cứu đạt nhiều mục tiêu đề sau: - Nghiên cứu tổng quan đám mây đám mây với ba mô hình sử dụng Các kỹ thuật cân tải dùng mơi trường điện tốn đám mây - Nghiên cứu thuật toán hỗ trợ để phân lớp, phân cụm request Nghiên cứu sách bền vững, áp dụng vào để phân cụm request dựa đặc trưng - Nghiên cứu cách tiếp cận đám mây điện tốn thơng qua mơ sử dụng công cụ giao diện thân thiện dễ sử dụng CloudSim Cài đặt mô kỹ thuật cân tải, thuật toán Round Robin, MaxMin, MinMin thuật toán tự nhiên FCFS Các giá trị thu mô đưa dùng để phân tích so sánh với nhau, nhằm tóm lại nhược điểm ưu điểm thuật tốn Từ đó, luận văn đề xuất thuật tốn sửa đổi để khắc phục mặt hạn chế - Kết đạt từ thuật toán đề xuất đáp ứng mục tiêu việc đáp ứng thời gian cải thiện, hạn chế tài nguyên bị đói máy ảo có lực xử lý mạnh xử lý nhiều yêu cầu Qua đó, giúp cân tải hiệu thuật toán so sánh Round Robin, MaxMin, MinMin thuật toán tự nhiên FCFS 45 - Thuật tốn đề xuất RCVKA dùng để đưa vào áp dụng thực tế Hạn chế luận văn - Chưa ứng dụng vào môi trường thực tế - Thời gian đáp ứng xử lý chưa cải thiện nhiều Vấn đề kiến nghị hướng nghiên cứu: - Đưa thuật toán đề xuất vào ứng dụng thực tế Áp dụng mơ hình lượng tiêu thụ Datacenter cloud tương ứng để xây dựng biểu đồ phân bổ tải cho cloud 46 DANH MỤC TÀI LIỆU THAM KHẢO [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] N X Phi, L N Hieu and T C Hung, "Thuật toán cân tải nhằm giảm thời gian đáp ứng dựa vào ngưỡng thời gian điện tốn đám mây," Tạp chí Khoa học cơng nghệ Thông tin truyền thông số 04(CS.01), pp 43-48, 2018 N H H Cuong, D H Vy and N T Thuy, "A New Technical Solution Prevention Deadlock for Resource Allocation in Hetergeneous Distributed Platforms," International Journal of Computer Science and Network, vol 4, pp 266-272, 2015 N H H Cuong and L V Son, "Detection and Avoidance Deadlock for Resource Allocation in Heterogeneous Distributed Platforms," International Journal of Computer Science and Telecommunications, pp 1-5, 2015 O Mahitha and V Suma, "Deadlock Avoidance through Efficient Load Balancing to Control Disaster in Cloud Environment," in 2013 Fourth International Conference on Computing, Communications and Networking Technologies (ICCCNT), Tiruchengode, 2013 Z Suraj, "Deadlock prediction in linear systems," in Symposium on Computation Theory, Berlin, 1984 O'Neil, Patrick E., "Deadlock Prediction for Escrow Transactions," Inf Syst, vol 16, p 13–20, 1991 Rashmi, K and Suma, V and Nedu, Vaidehi, "Enhanced Load Balancing Approach to Avoid Deadlocks in Cloud," Special Issue of International Journal of Computer Applications (0975 – 8887) on Advanced Computing and Communication Technologies for HPC Applications - ACCTHPCA, 2012 N H H Cuong, "Avoid Deadlock Resource Allocation (ADRA) Model V VM-outof-N PM," International Journal of Innovative Technology and Interdisciplinary Sciences, vol 2, pp 98-107, 2018 D Ardagna, G Casale, M Ciavotta, J F Pérez and W Wang, "Quality-of-service in cloud computing: modeling techniques and their applications," Journal of Internet Services and Applications, 2014 M H Ghahramani, M Zhou and C T Hon, "Toward Cloud Computing QoS Architecture: Analysis of Cloud Systems and Cloud Services," IEEE/CAA Journal of Automatica Sinica, pp 6-18, 2017 Geeta and S Prakash, "A Literature Review of QoS with Load Balancing in Cloud Computing Environment," in Big Data Analytics, Singapore, 2018 Y Afrianto, H Sukoco and S Wahjuni, "Weighted Round Robin Load Balancer to Enhance Web Server Cluster in OpenFlow Networks," TELKOMNIKA, pp 14021408, 2018 S Shi, C Qian, Y Yu, X Li, Y Zhang and X Li, "Concury: A Fast and Lightweighted Software Load Balancer," in Proceedings of the 11th ACM Symposium on Cloud Computing, 2020 M Kumar, S C Sharma, A Goel and S P Singh, "A comprehensive survey for scheduling techniques in cloud computing," Journal of Network and Computer Applications, vol 143, pp 1-33, 2019 E J Ghomi, A M Rahmani and N N Qader, "Load-balancing algorithms in cloud computing: A survey," Journal of Network and Computer Applications, vol 88, pp 50-71, 2017 T Deepa and D Cheelu, "A Comparative Study of Static and Dynamic Load Balancing Algorithms in Cloud Computing," International Conference on Energy, 47 [17] [18] [19] [20] [21] Communication, Data Analytics and Soft Computing (ICECDS), 2017 G Singh and K Kaur, "An Improved Weighted Least Connection Scheduling Algorithm for Load Balancing in Web Cluster Systems," International Research Journal of Engineering and Technology (IRJET), vol 5, pp 1950-1955, 2018 Eswaran, S., Rajakannu, M, “Multiservice Load Balancing with Hybrid Particle Swarm Optimization in Cloud-Based Multimedia Storage System with QoS Provision,” Mobile Netw Appl, p 760–770, 2017 M Khan, R S Alhumaima and H S Al-Raweshidy, "QoS-Aware Dynamic RRH Allocation in a Self-Optimised Cloud Radio Access Network with RRH Proximity Constraint," IEEE Transactions on Network and Service Management, vol 14, pp 730-744, 2017 O O AJAYI, F A OLADEJI and C O UWADIA, "Multi-Class Load Balancing Scheme for QoS and Energy Conservation in Cloud Computing," West African Journal of Industrial and Academic Research, pp 28-36, 2016 S Varshney, R Sandhu and P K Gupta, "QoS Based Resource Provisioning in Cloud Computing Environment: A Technical Survey," Advances in Computing and Data Sciences, Singapore, Springer Singapore, pp 711-723, 2019