2020 httt nguyenhoangtan ttlv 2289

HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG - Nguyễn Hoàng Tấn ĐỀ XUẤT THUẬT TOÁN DỰ BÁO THỜI GIAN DI CHUYỂN TÁC VỤ NHẰM NÂNG CAO HIỆU NĂNG CÂN BẰNG TẢI TRÊN ĐIỆN TOÁN ĐÁM MÂY Chuyên ngành: Hệ thống thơng tin Mã số: 8.48.01.04 TĨM TẮT LUẬN VĂN THẠC SĨ TP.HCM - NĂM 2022 Luận văn hoàn thành tại: HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG Người hướng dẫn khoa học: PGS.TS Trần Công Hùng (Ghi rõ học hàm, học vị) Phản biện 1: PGS.TS Trần Vĩnh Phước Phản biện 2: TS Đàm Quang Hồng Hải Luận văn bảo vệ trước Hội đồng chấm luận văn thạc sĩ Học viện Cơng nghệ Bưu Viễn thông Vào lúc: 10 00 ngày 15 tháng 01 năm 2022 Có thể tìm hiểu luận văn tại: - Thư viện Học viện Cơng nghệ Bưu Viễn thơng PHẦN MỞ ĐẦU Tính cấp thiết đề tài Điện tốn đám mây cơng nghệ đầy hứa hẹn vì: Tính sẵn sàng cao, tính linh hoạt, tính an tồn liệu, tính tiết kiệm, tiết kiệm thời gian, quản lý dễ dàng, hệ điều hành mẫu đa dạng Trên quan điểm chất lượng dịch vụ, việc quản lý tài nguyên trở thành công việc phức tạp Do đó, ta phải khắc phục vấn đề thiếu thốn tài nguyên, giảm độ trễ khả cải thiện hiệu suất mạng Điều cân tải xử lý điều phối Vì vậy, cần phải có thuật tốn dự báo thời gian di chuyển tác vụ nhằm nâng cao hiệu cân tải điện toán đám mây Cụ thể, đề tài sau: “Đề xuất thuật toán dự báo thời gian di chuyển tác vụ nhằm nâng cao hiệu cân tải điện toán đám mây” Tổng quan vấn đề nghiên cứu Cân tải kỹ thuật phân phối khối lượng công việc đồng hai nhiều máy tính, kết nối mạng, CPU, ổ cứng, nguồn lực phân tán to lớn mạng Kỹ thuật cân tải chủ yếu tập trung vào hai kỹ thuật cân tải tĩnh cân tải động Mục đích nghiên cứu Trên sở lý thuyết nghiên cứu, luận văn đề xuất thuật toán dự báo thời gian di chuyển tác vụ (Migration Time) nhằm nâng cao hiệu cân tải điện tốn đám mây Mơ thực nghiệm thuật toán đề xuất Đối tượng phạm vi nghiên cứu - Đối tượng nghiên cứu + Đối tượng nghiên cứu thời gian di chuyển tác vụ (Migration Time) cân tải điện toán đám mây + Nghiên cứu thuật toán dự báo thời gian di chuyển tác vụ (Migration Time) cân tải điện toán đám mây - Phạm vi nghiên cứu Cloud: + Xây dựng mơ hình mơ đám mây mức độ nhỏ: khoảng từ 10~15 máy ảo + Độ phức tạp máy ảo mức độ thấp: khoảng – ứng dụng máy ảo Phương pháp nghiên cứu Phương pháp luận: Dựa sở lý thuyết điện toán đám mây, thuật toán cân tải cloud Phương pháp đánh giá dựa sở toán học: Trên sở lý thuyết điện toán đám mây, khả xảy tắc nghẽn đám mây Đề xuất thuật toán để nâng cao hiệu cân tải đám mây dựa thuật toán nghiên cứu Chứng minh thuật toán đánh giá hiệu thuật toán Phương pháp đánh giá mơ thực nghiệm: Xây dựng mơ hình mơ thực nghiệm thuật toán đề xuất PHẦN NỘI DUNG CHƯƠNG 1: GIỚI THIỆU TỔNG QUAN VỀ HỆ THỐNG CÂN BẰNG TẢI CỦA ĐIỆN TOÁN ĐÁM MÂY 1.1 Tổng quan điện toán đám mây Điện toán đám mây (cloud computing) hay cịn gọi điện tốn máy chủ ảo, nơi tính tốn “định hướng dịch vụ” phát triển dựa vào Internet Cụ thể hơn, mơ hình điện tốn đám mây, tất tài nguyên, thông tin với software chia sẻ cung cấp cho máy tính, thiết bị, người dùng dạng dịch vụ tảng hạ tầng mạng công cộng (thường mạng Internet) Có mơ hình triển khai điện tốn đám mây public (cơng cộng), private (riêng) hybrid (“lai” đám mây công cộng riêng) 1.2 Tổng quan cân tải điện toán đám mây 1.2.1 Giới thiệu cân tải Giải pháp cân tải việc phân bố đồng lưu lượng truy cập hai hay nhiều máy chủ có chức hệ thống Bằng cách giúp cho hệ thống giảm thiểu tối đa tình trạng máy chủ bị tải ngưng hoạt động Hoặc máy chủ gặp cố, Cân Bằng Tải đạo phân phối công việc máy chủ cho máy chủ cịn lại đồng thời đẩy thời gian uptime hệ thống lên cao cải thiện suất hoạt động tổng thể Hình 1.5: Mơ hình Cân tải điện tốn đám mây [8] Cân tải [11] chia thành thể loại: - Cân tải cục - Tải tồn cầu 1.2.2 Mục đích cân tải Tăng khả đáp ứng, tránh tình trạng tải máy chủ đồng thời đảm bảo tính linh hoạt mở rộng cho hệ thống Tăng độ tin cậy khả dự phòng cho hệ thống Tăng tính bảo mật cho hệ thống 1.3 Tổng quan trí tuệ nhân tạo (AI) Trí tuệ nhân tạo (AI) ngành khoa học máy tính liên quan đến việc tạo chương trình nhằm mục đích tái tạo nhận thức người q trình liên quan đến việc phân tích phức tạp liệu Các cá nhân tổ chức số ngành công nghiệp bắt đầu nhận tiềm AI để cải thiện hoạt động Vậy nên, nghiên cứu AI tiến hành nhiều lĩnh vực: y tế, điện toán đám mây, xử lý ảnh,… 1.4 Tổng quan machine learning Học máy (Machine Learning / ML) phương pháp để tạo AI ML liên quan đến chương trình máy tính viết lập trình riêng chúng để hoàn thành nhiệm vụ định trước Sử dụng thuật toán phân lớp ML để tiến hành phân lớp người dùng dựa đặc trưng họ để thực việc cân tải 1.5 Kết luận chương Hiểu biết khái niệm tổng quan điện toán đám mây Hiểu biết thuật toán điện toán đám mây giải vấn đề tắc nghẽn gói tin mát truyền liệu qua mơi trường điện tốn mục đích cân tải để làm tăng hiệu hệ thống CHƯƠNG 2: CÁC CƠNG TRÌNH LIÊN QUAN 2.1 Giới thiệu chương Chương xin giới thiệu công trình liên quan đến điện tốn đám mây, cân tải thuật tốn AI 2.2 Các cơng trình liên quan Năm 2015, Anita Rani Pankajdeep Kaur công bố nghiên cứu di chuyển tác vụ cloud thông qua “Migration Jobs in Cloud Computing” Trong nghiên cứu Geetha Megharaj cộng vào năm 2018, báo “Run Time Virtual Machine Task Migration Technique for Load Balancing in Cloud” nghiên cứu sâu di chuyển tác vụ Gần đây, năm 2020, tác giả Chen Ling, Hui He cộng công bố “Network perception task migration in cloud-edge fusion computing” 2.3 Tổng kết chương Thơng qua việc nghiên cứu tìm hiểu số thuật tốn cơng trình liên quan tới cân tải điện toán đám mây Qua giúp luận văn hiểu rõ cân tải tải điện toán đám mây Từ đó, hiểu ưu nhược điểm thuật toán cách xử lý cân tải, tạo tiền đề sở vững cho nghiên cứu đề tài luận văn CHƯƠNG : ĐỀ XUẤT THUẬT TOÁN DỰ BÁO THỜI GIAN DI CHUYỂN TÁC VỤ NHẰM NÂNG CAO HIỆU NĂNG CÂN BẰNG TẢI TRÊN ĐIỆN TOÁN ĐÁM MÂY 3.1 Giới thiệu chung Một yếu tố có khả gây ảnh hưởng đến hiệu suất cân tải cloud thời gian di chuyển tác vụ đến máy ảo Vì thế, chương này, luận văn đề xuất thuật toán dự báo thời gian di chuyển tác vụ nhằm giảm thiểu cân tải cloud 3.2 Mơ hình nghiên cứu Sử dụng thuật toán Linear Regression để dự đoán thời gian thực phân loại task tương ứng với Request dựa độ lịch sử di chuyển task máy ảo Độ ưu tiên tính tốn dựa mức độ tiêu thụ lượng task (Power consumed), mức độ sử dụng CPU (CPU Usages), mức độ sử dụng RAM (RAM Usages) chi phí (Costing) để thực task cloud Q trình cân tải thực gồm bước sau: Bước 1: Nhận thông tin input Bước 2: Sử dụng thuật toán dự báo Linear Regression để tiến hành dự báo thời gian di chuyển tác vụ máy ảo dựa đặc trưng trạng thái hoạt động máy ảo Về mục tiêu: - Giảm thiểu rủi ro cho hệ thống máy chủ - Giảm thiểu thời gian sống cho yêu cầu điện toán đám mây - Hạn chế tối đa ngăn chặn cân tải máy ảo Giả định: - Bộ cân tải biết trước dịch vụ chạy máy ảo vào thời điểm - Ở tập trung vào dịch vụ Web (Web Service), máy chủ web biết trước thời gian xử lý dịch vụ chạy web máy ảo - Nếu hai máy ảo có cấu hình tương đương RAM, vi xử lý I/O thời gian thực thi dịch vụ khơng khác 3.3 Thuật tốn Linear Regression (LR) Linear Regression (LR) thuật toán học giám sát (supervised learning) sử dụng rộng rãi toán liên quan đến việc dự đoán đầu liệu dựa đặc trưng từ tập liệu Nói cách khác, thuật tốn tìm phương trình tuyến tính dựa tập liệu quan hệ X (dữ liệu đầu vào) Y (dữ liệu đầu ra) X biến giải thích Y biến phụ thuộc Bên cạnh đó, độ xác thuật tốn cịn phụ thuộc vào hàm mát (loss function) để tìm 10 với 𝑃̂(s,d) giá nhà diện tích s cách trung tâm thành phố d khoảng cách Trong trường hợp tổng quát, input bao gồm biến x1, x2,…, xn output y phụ thuộc vào n biến theo phương trình tuyến tính thuật tốn tìm phương trình gọi Linear Regression n biến: 𝑦̂ = w0 + w1x1 +…+ wn − 1xn−1 + wnxn Để đơn giản hóa phương trình trên, ta đặt w = [𝑤0 𝑤1 … 𝑤𝑛 ] vector hệ số phương trình, x = [1 𝑥1 … 𝑥𝑛 ] vector biến input (phần tử vector đóng vai trị x0 nhằm mục đích thuận tiện cho tính tốn) viết lại phương trình sau: 𝑦̂ = xTw 3.4 Thuật toán đề xuất cân tải Task Migration Time Prediction using Linear Regression Analysis Algorithm TLRegA Dựa vào mơ hình cân tải cơng bố [17], [18], tiến hành đánh giá mơ hình Từ đó, ta biết cách phân bố tài nguyên cho request Dựa vào tham khảo từ tài liệu [19], luận văn xin đề xuất thuật tốn gồm nhóm module chính: 11 (1) Module dự đoán thời gian di chuyển tác vụ dùng thuật toán Linear Regression: Trong module này, thuật toán Linear Regression dựa vào lịch sử di chuyển tác vụ máy ảo Từ dự đốn đưa kế hoạch chiến lược phân bổ tài nguyên cách hợp lý đến máy ảo, nâng cao hiệu suất cân tải điện tốn đám mây Nhóm Thời Gian xử lý = LR (X1, X2,…, Xn) Trong Xi thời gian di chuyển tác vụ (2) Module phân lớp tác vụ: Trong module sử dụng thuật toán phân cụm K-Means (với k = 3) để phân cụm máy ảo dựa vào mức động hoạt động sử dụng tài nguyên máy ảo bao gồm cụm cao, trung bình thấp Việc phân cụm máy ảo dựa vào thông số tức thời máy ảo: Clusteri = K-Means (CPU usage, RAM, …); Trong đó: i = nhóm thấp i = nhóm trung bình i = nhóm cao (3) Module phân bổ tác vụ vào máy ảo dựa thời gian dự báo Module có nhiệm vụ phân bổ tác vụ đến máy ảo theo thời gian dự báo tác vụ Nếu yêu cầu gửi đến yêu cầu phân loại Module 12 VM xét, kể VM không tải phân cụm theo Module Hình 3.2: Sơ đồ hoạt động thuật tốn TLRegA Thuật toán TLRegA (1) For each Task in VMTasks (2) isLocated = true; (3) Mig_Time = LR(X1, X2… ); // Module (4) VM_Cluster = kMeans(state); // state: Trạng thái VM Module (5) For each VM in VMList (6) VM.VM_Cluster) If isFitSituation(Task.Mig_Time , 13 (7) Request); // Module AllocateRequestToVM(VM, (8) isLocated = true; (9) break; (10) End If (11) End For (12) If (!isLocated) (13) // Module VM = VMList.getMinFromMean(); (14) Request); AllocateRequestToVM(VM, (15) (16) 3.5 End If End For Kết luận chương Chương đưa mơ hình nhằm giải vấn đề cân tải thông qua kỹ thuật AI đại Với mục tiêu ban đầu trì tính ổn định hoạt động liên tục cloud, thuật toán đề xuất TLRegA chứng minh tính hiệu q trình cân tải Cụ thể, thuật toán giảm thiểu thời gian hoạt động cho yêu cầu rủi ro định đồng thời ngăn chặn cân tải hạn chế tối đa cân tải máy ảo 14 CHƯƠNG 4: MÔ PHỎNG CHƯƠNG TRÌNH VÀ ĐÁNH GIÁ KẾT QUẢ 4.1 Giới thiệu chương Trong chương trình bày cài đặt mơ thuật tốn TLRegA, cụ thể sau: sử dụng thuật tốn Linear Regression nhằm mục đích loại task tương ứng với Request dựa độ ưu tiên xử lý task 4.2 Mơ tả mơi trường mô thực nghiệm Dựa vào liệu request mà ta biết, ta sử dụng thuật tốn Regression để phân loại request cách tính tốn Priority = {Power, CPU, RAM} Qua đó, ta biết cách phân bố tài nguyên cho request vào máy ảo phân cụm Kết hợp với đánh giá số lần sai sai số, ta cải thiện thuật toán cách áp dụng máy học vào Tuy nhiên, việc áp dụng diễn có sai số cho phép Giả lập mơi trường cloud sử dụng thư viện CloudSim lập trình ngôn ngữ JAVA; Môi trường giả lập cloud từ 25 đến 75 máy ảo, tạo môi trường request ngẫu nhiên tới dịch vụ cloud Bao gồm dịch vụ cung cấp máy ảo, dịch vụ cung cấp đáp ứng người dùng CloudSim để thử nghiệm Cài đặt thuật tốn Linear Regression mơi trường mô Cloud Analyst Môi trường mô giả lập gồm thông số sau: - 01 Datacenter với thông số sau: 15 Bảng 4.1 Thông số cấu hình Datacenter Thơng tin Datacenter Thơng tin Host Datacenter - Số lượng máy (host) datacenter: - Không sử dụng Storage (các ổ SAN) - Kiến trúc(arch): x86 - Hệ điều hành (OS): Linux - Xử lý (VMM): Xen - TimeZone: +7 GMT - Cost: 3.0 - Cost per Memory: 0.05 - Cost per Storage: 0.1 - Cost per Bandwidth: 0.1 Mỗi host Datacenter có cấu sau: - CPU có nhân, nhân có tốc độ xử lý 1000 (mips) - Ram: 16384 (MB) - Storage: 1000000 - Bandwidth: 10000 - Các máy ảo có cấu hình giống khởi tạo: Bảng 4.2 Cấu hình máy ảo Kích thước (size) Ram Mips Bandwidth 10000 MB 512 MB 250 1000 Số lượng cpu (pes no.) VMM Xen - Các Request (các request chạy web, WebRequest) đại diện Cloudlet CloudSim kích thước Cloudlet khởi tạo ngẫu nhiên hàm random JAVA Số lượng Cloudlet 20 🡪 1000 16 Bảng 4.3 Cấu hình thơng số Request Chiều dài (Length) Kích thước file (File Size) 3000 ~ 1700 5000 ~ 45000 Kích thước Số CPU file xuất xử lý (Output Size) (PEs) 450 ~ 750 - Thuật toán đề xuất xây dựng cách tạo lớp TLRegALoadBalancer kế thừa từ đối tượng VmLoadBalancer, đồng thời thực thi giao diện CloudSimEventListener điều chỉnh hàm dựng sẵn để phù hợp với thuật toán đề xuất: @Override public int getNextAvailableVm() // Module public void cloudSimEventFired(CloudSimEvent e) // Module Tiêu chí đánh giá: Thực nghiệm mô cloud với tham số chạy thuật tốn cân tải CloudSim có sẵn Song song đó, chạy thuật tốn đề xuất cài đặt với đầu vào so sánh kết đầu ra, đặc biệt thông số thời gian xử lý 4.3 Thực nghiệm kết mô Kết chạy thực nghiệm mô CloudSim với Datacenter số lượng máy ảo 25, 50, 17 75 dựng sẵn để đáp ứng yêu cầu Các yêu cầu khởi tạo với chiều dài kích thước ngẫu nhiên Thực với thuật tốn Round Robin, ACO, GA FCFS có thời gian thực là: Bảng 4.4 Kết thực nghiệm mô với DC Cấu Số máy ảo Round hình ACO Robin Cloud Datacenter GA FCFS TLRegA CC1 25 309.92 399.8 346.85 389.45 300.35 CC2 50 310.12 374.27 347.16 389.87 286.82 CC3 75 310.38 374.59 347.45 390.09 282.09 500 400 300 200 100 Round Robin ACO GA FCFS TLRegA Hình 4.1: Biểu đồ thể hiệu thuật toán đề xuất so với thuật toán Round Robin, ACO, GA, FCFS sử dụng Datacenter Kết thực nghiệm thực nghiệm sử dụng Datacenter với số lượng máy ảo 25, 50, 75 18 cho thấy thuật tốn đề xuất có thời gian phản hồi tốt so với thuật toán khác từ bước thực nghiệm Bảng 4.5 Kết thực nghiệm mô với DC Cấu Số máy ảo Round hình ACO Robin Cloud Datacenter GA FCFS TLRegA CC1 25 313.37 392.02 354.99 398.12 294.66 CC2 50 312.69 390.93 352.87 382.64 289.16 CC3 75 309.54 390.86 345.93 378.73 289.08 CC4 25, 50 308.12 386.32 345.53 373.47 CC5 25, 75 306.18 385.67 345.13 363.28 286.29 CC6 75, 50 305.42 382.12 342.27 362.68 280.32 287 500 400 300 200 100 Round Robin ACO GA FCFS TLRegA Hình 4.2: Biểu đồ thể hiệu thuật toán đề xuất so với thuật toán Round Robin, ACO, GA, FCFS sử dụng Datacenter 19 Từ Datacenter trở đi, thuật toán TLRegA trở nên ổn định có xu hướng giảm thay đổi (tăng) số lượng máy Datacenter Tương tự thuật tốn TLRegA, thuật tốn khác có thời gian phản hồi tỉ lệ nghịch với số lượng máy ảo (số máy ảo tăng thời gian xử lí giảm) Đối với môi trường thực nghiệm này, điểm chung thuật tốn có xu hướng giảm số lượng máy ảo tăng Dù vậy, thuật toán đề xuất dẫn đầu với thời gian xử lí thấp thuật tốn cịn lại Bảng 4.6 Kết thực nghiệm mô với DC Số máy ảo Cấu Round hình ACO GA FCFS TLRegA Datacenter Robin Cloud (DC) CC1 25 315.72 370.93363.12379.88 301.87 CC2 50 310.55 350.86333.46356.96 297.11 CC3 75 307.48 345.67314.65342.04 281.12 CC4 25, 50, 75 306.19 328.12310.05322.97 280.36 20 400 350 300 250 200 150 100 50 Round Robin ACO GA FCFS TLRegA Hình 4.3: Biểu đồ thể hiệu thuật toán đề xuất so với thuật toán Round Robin, ACO, GA, FCFS sử dụng Datacenter Kết thực nghiệm với Datacenter làm rõ mối quan hệ trái ngược số lượng Datacenter thời gian thực thi tác vụ Đồng thời, thể tính hiệu ổn định thuật toán đề xuất Bảng 4.7 Kết thực nghiệm mô với DC Cấu Số máy ảo Round hình ACO Robin Cloud Datacenter GA FCFS TLRegA CC1 25 310.86 392.06 395.17 397.97 291.81 CC2 50 308.39 387.3 CC3 75 306.03 386.95 358.12 379.37 281.99 369.3 390.79 287.25 CC4 25, 50, 75 300.48 381.75 354.25 375.25 261.72 21 450 400 350 300 250 200 150 100 50 Round Robin ACO GA FCFS TLRegA Hình 4.4: Biểu đồ thể hiệu thuật toán đề xuất so với thuật toán Round Robin, ACO, GA, FCFS sử dụng Datacenter 450 400 350 300 250 200 150 100 50 Round Robin ACO GA FCFS TLRegA Hình 4.5: Biểu đồ thể so sánh thuật toán đề xuất với thuật toán Round Robin, ACO, GA, FCFS sử dụng 75 máy ảo giá trị thay đổi Datacenter 22 Lần thực nghiệm cuối với Datacenter, thấy thuật tốn đề xuất chứng tỏ lực so với thuật tốn cịn lại Qua tất lần thực nghiệm với số lượng Datacenter máy ảo tương ứng, ta thấy rõ hiệu ưu thuật tốn TLRegA Thơng qua biểu đồ đường so sánh kết thực nghiệm thuật toán với số lượng máy ảo 75, nhận thấy thuật tốn FCFS ACO có thời gian tải trễ so với thuật tốn cịn lại Trong đó, FCFS chiếm ưu cấu hình Tuy vậy, số lượng máy ảo thay đổi, ACO có xu hướng giảm mặt thời gian hay nói cách khác tính hiệu cao FCFS 4.4 Kết luận chương Chương luận văn trình bày mơ hình thực nghiệm mơ phỏng, thông số kịch đưa dựa vào q trình request browser mơi trường Cloud Analyst Từ đó, ghi nhận thơng số thời gian dự báo di chuyển tác vụ máy ảo Việc chạy thực nghiệm mô với số lượng Datacenter từ - số lượng máy ảo linh hoạt 25, 50 75 cho thấy kết tương đối tốt Qua thấy việc phân bổ request đến máy ảo xử lý đồng có tính khả thi cao 23 KẾT LUẬN Luận văn “Đề xuất thuật toán dự báo thời gian di chuyển tác vụ nhằm nâng cao hiệu cân tải điện toán đám mây” đáp ứng mục tiêu ban đầu đề Dựa vào thuật tốn có sẵn FCFS, Round Robin, ACO, GA, luận văn phân tích, đánh giá cách thức xây dựng thuật tốn Từ đó, ta tìm ưu, nhược điểm thuật toán đưa giải pháp phù hợp Nhận thấy điều chưa tốt thuật toán hệ trước, luận văn đề xuất thuật tốn có khả cải tiến nâng cao cân tải cách tối ưu Luận văn sử dụng ba mơ hình để nghiên cứu tổng quan đám mây đám mây Trong đó, kỹ thuật cân tải áp dụng mơi trường điện tốn đám mây Nghiên cứu cách tiếp cận điện toán đám mây thông qua môi trường mô CloudSim Cloud Analyst với công cụ giao diện dễ sử dụng thân thiện với người dùng Từ đó, cài đặt mơ kỹ thuật cân tải thuật toán đưa vào so sánh Các giá trị thu dùng để phân tích nhằm đúc kết mặt lợi hạn chế thuật tốn Qua đó, ta kịp thời định hướng đề xuất thuật tốn với mục đích cao khắc phục thiếu sót cịn hữu Kết đạt từ thuật toán đề xuất đáp ứng mục tiêu việc đáp ứng thời gian cải thiện, hạn 24 chế tài nguyên bị đói, máy ảo có lực xử lý mạnh xử lý nhiều yêu cầu Kết từ thực nghiệm mơ cho thấy, thuật tốn đề xuất có khả đáp ứng hầu hết mục tiêu mà mong đợi Cụ thể, TLRegA cải thiện thời gian đáp ứng, giảm thiểu thực trạng tài nguyên bị đói tăng cường lực xử lý cho máy ảo để giải nhiều yêu cầu người dùng Hơn nữa, thuật toán đề xuất TLRegA giúp việc cân tải thực hiệu so với thuật tốn cịn lại: Round Robin, ACO, GA FCFS Thuật tốn đề xuất xem xét đưa vào áp dụng thực tế - Hạn chế luận văn + Vẫn nghiên cứu đề xuất chưa ứng dụng vào môi trường thực tế + Thời gian xử lý đáp ứng cải thiện so với thuật toán cũ chưa nhiều - Vấn đề kiến nghị hướng nghiên cứu: + Tiếp tục nâng cấp thuật toán đề xuất đưa vào ứng dụng thực tế tương lai + Xây dựng biểu đồ phân bổ tải cho cloud dựa việc áp dụng mơ hình lượng Datacenter cloud tương ứng