ậM t ph n nguyên nhân dộ ầ ẫn đến năng lượng lớn được tiêu th trong trung tâm ụd u ngày nay là do các tài nguyên mữliệ ạng như switch, đường truy n k t nối ề ếvà máy ch ủ được cung c p n
Ả O HÓA VÀ O HÓA M NG TRUNG TÂM D LI U 5 Ả Ạ Ữ Ệ
T ng quan v o hóa 5 ổ ề ả
Theo Cisco, ảo hóa là công nghệ cho phép tạo ra các phiên bản ảo có khả năng mô phỏng tài nguyên vật lý như ứng dụng, hệ điều hành, máy chủ, ống lưu trữ, và thiết bị mạng trong môi trường máy tính.
Công nghệ ảo hóa đã cải thiện đáng kể hiệu suất và hoạt động của hệ thống, đồng thời giảm chi phí duy trì cơ sở hạ tầng Nhiều doanh nghiệp, đặc biệt là những đơn vị sở hữu thiết bị cũ, gặp khó khăn trong việc tối ưu hóa hiệu suất do chỉ có thể chạy một hệ điều hành và một ứng dụng trong mỗi phiên làm việc Điều này dẫn đến việc lãng phí tài nguyên, khi mà nhiều server không được sử dụng hết công suất Công nghệ ảo hóa không chỉ tiết kiệm chi phí mà còn giúp tăng cường khả năng bảo trì và cài đặt hệ thống một cách nhanh chóng Thay vì phải thay thế toàn bộ thiết bị, doanh nghiệp chỉ cần thay đổi một máy chủ một cách dễ dàng, từ đó giảm thiểu thời gian ngưng dịch vụ và bảo vệ doanh thu.
Bảo mật dữ liệu là giải pháp tối ưu giúp sao lưu và khôi phục thông tin một cách nhanh chóng và an toàn nhất, đảm bảo không làm ảnh hưởng đến người dùng.
- Tính s n sàng caoẵ : M t nhà cung c p d ch v h t ng m ng luôn phộ ấ ị ụ ạ ầ ạ ải đảm b o cho h ả ệ thống hoạt động m t cách liên t c và ộ ụ ổn định nh t có th , vì mấ ể ỗi
Khi hệ thống GPS gặp sự cố, nó sẽ ảnh hưởng nghiêm trọng đến người sử dụng và gây thiệt hại về mặt kinh tế cũng như uy tín của doanh nghiệp Công nghệ ảo hóa cung cấp khả năng sẵn sàng cao cho hệ thống, đảm bảo hoạt động liên tục của phần cứng và phần mềm Điều này giúp giảm thiểu thời gian chết, dễ dàng di chuyển máy ảo từ máy vật lý này sang máy vật lý khác mà không gây ra gián đoạn hệ thống.
Các doanh nghiệp hiện nay đang đối mặt với nguy cơ mất mát dữ liệu nghiêm trọng, ảnh hưởng đến hoạt động kinh doanh Để bảo vệ dữ liệu, họ áp dụng giải pháp ảo hóa, mang lại hiệu quả cao với tính năng phục hồi nhanh chóng Giải pháp này cho phép dễ dàng sao chép và tạo các bản clone cho tài nguyên hệ thống, giúp rút ngắn thời gian khôi phục một cách tối đa Nhờ đó, hệ thống luôn sẵn sàng và đạt độ tin cậy cao hơn so với các giải pháp khác.
Hình 1.1: Một sốloại ảo hóa [5]
Trong phần này, chúng tôi giới thiệu bốn loại ảo hóa chính, bao gồm ảo hóa máy chủ, ảo hóa lưu trữ, ảo hóa mạng và ảo hóa dịch vụ Hình 1.1 minh họa bốn loại ảo hóa thiết yếu trong trung tâm dữ liệu, được quản lý và sử dụng thông qua các công cụ quản lý ảo hóa Mặc dù còn nhiều loại ảo hóa khác, nhưng đây là những công nghệ ảo hóa cơ bản, đóng vai trò quan trọng trong việc phát triển ảo hóa trong trung tâm dữ liệu.
Quản lý ảo hóa cung cấp khả năng phân bổ và điều phối tài nguyên ảo một cách hiệu quả, đồng thời giám sát thời gian chạy của các nhóm tài nguyên và cá thể ảo Tính năng này bao gồm việc ánh xạ tĩnh và động giữa các tài nguyên ảo và vật lý, cũng như khả năng quản lý tổng thể như dung lượng, công cụ phân tích, thanh toán và quản lý thỏa thuận cấp độ dịch vụ (SLA).
Máy chủ ảo hóa là ứng dụng phổ biến trong lĩnh vực ảo hóa phần cứng hiện nay Kiến trúc phần cứng x86 được thiết kế để chạy một hệ điều hành và một ứng dụng duy nhất, điều này khiến cho hiệu suất của các máy tính không được tối ưu Ảo hóa cho phép chạy nhiều máy tính ảo trên một máy chủ vật lý, chia sẻ tài nguyên của một máy tính đơn lẻ Các máy ảo có thể chạy các hệ điều hành khác nhau, mang lại sự linh hoạt và hiệu quả trong việc sử dụng tài nguyên.
8 và nhiều ứng d ng ch y trên cùng m t máy tính v t lý Hình 1.2 cho th y s khác ụ ạ ộ ậ ấ ự nhau gi a m t máy ch o hóa và m t máy ch ữ ộ ủ ả ộ ủ không được ảo hóa [5]
Việc cài đặt các máy ảo (Virtual Machine - VM) trên máy tính như VMWare, VirtualBox hay Virtual PC rất đơn giản Tuy nhiên, các máy ảo này hoạt động như máy vật lý và tiêu tốn tài nguyên như RAM, CPU và ổ đĩa Do đó, cần xem xét cấu hình của máy vật lý để đảm bảo rằng nó có đủ tài nguyên để chia sẻ cho các máy ảo, tránh tình trạng máy vật lý không thể đáp ứng yêu cầu khi nhiều máy ảo hoạt động cùng một lúc.
Hình 1.3: S khác nhau giự ữa ảo hóa ph n m m và o hóa ph n c ng ầ ề ả ầ ứ
Ảo hóa hệ điều hành là quá trình tạo ra những hệ điều hành mới, trong đó có ảo hóa phần mềm Một công nghệ quan trọng liên quan đến ảo hóa là Hypervisor, cho phép tối ưu hóa tài nguyên phần cứng như RAM, CPU và bộ nhớ lưu trữ Hypervisor mô phỏng một máy tính vật lý bằng cách tạo ra một môi trường hệ điều hành riêng biệt, phân tách về mặt logic với máy chủ Nó còn được gọi là bộ quản lý máy ảo, cho phép nhiều hệ điều hành chia sẻ một máy chủ vật lý Các máy ảo (VM) được lưu trữ như một tập tin, giúp việc khôi phục hệ thống trở nên đơn giản, tương tự như việc sao chép tập tin lên một máy mới Điểm khác biệt giữa ảo hóa phần cứng và ảo hóa phần mềm là ở chỗ với ảo hóa phần mềm, chúng ta cần cài đặt hệ điều hành trước cho máy ảo đó.
Hypervisor là một phần mềm ảo hóa cho phép chạy nhiều hệ điều hành trên cùng một máy tính mà không cần cài đặt hệ điều hành khác Điều này khác biệt với ảo hóa phần mềm, nơi mỗi hệ điều hành yêu cầu tài nguyên riêng biệt Hình 1.3 minh họa sự khác nhau giữa ảo hóa phần mềm và ảo hóa phần cứng, cho thấy cách mà hypervisor hoạt động trực tiếp trên phần cứng mà không cần trung gian.
Lợi ích của ảo hóa máy ch [5]: ủ
- Phân vùng: ch y nhi u h ạ ề ệ điều hành trên m t máy ch v t lý, chia s tài ộ ủ ậ ẻ nguyên v t lý cậ ủa hệthống gi a các VM, tách biữ ệt giữa các VM
Quản lý VM cần đảm bảo rằng việc điều chỉnh không ảnh hưởng đến các VM khác Các tác nhân quản lý có thể hoạt động trên từng VM riêng biệt để đánh giá hiệu suất của VM cũng như các ứng dụng đang chạy trên đó.
- Đóng gói: toàn bộ VM có th ể lưu thành một file, di chuy n và sao chép thông ể tin VM đơn giản như sao chép các tệp
Máy ảo hóa mang lại tính linh động cao, cho phép cung cấp và di chuyển bất kỳ máy ảo nào tới một máy chủ tương tự trên bất kỳ máy chủ vật lý nào Điều này giúp tối ưu hóa việc sử dụng tài nguyên hệ thống, đồng thời giảm thiểu số lượng máy chủ vật lý cần thiết Nhờ vào công nghệ này, các tổ chức có thể tiết kiệm chi phí đầu tư vào hạ tầng, hệ thống làm mát và cáp kết nối, từ đó nâng cao hiệu quả hoạt động của các dự án trung tâm dữ liệu.
1.1.2 Ảo hóa lưu trữ Ảo hóa lưu trữ đề ập đế c n vi c cung c p m t cái nhìn logic, trệ ấ ộ ừu tượng c a các ủ thiế ị lưu trữ ật b v t lý Nó cung c p mấ ột phương pháp cho nhiều user ho c ứặ ng d ng ụ truy nh p b nh ậ ộ ớ mà không quan tâm đến vi c b ệ ộ nhớ được đặt ở đâu, được qu n lý ả như thế nào Nó cho phép h ệthống lưu trữ vật lý được chia s b i nhi u máy ch ẻ ở ề ủ ứng d ng, và các thi t b v t lý phía sau lụ ế ị ậ ớp ảo hóa được xem và quản lý như thể chúng là một kho lưu trữ ớ l n không có ranh gi i v t lý o hóa ớ ậ Ả lưu trữ che đithự ế ằc t r ng có các thi t b ế ị lưu riêng bi t trong m t t trữ ệ ộ ổchức b ng cách làm cho t t c các thiằ ấ ả ết b xu t hiị ấ ện dướ ại d ng m t thi t b o hóa ộ ế ị Ả ẩn đi quá trình ph c t p c a viứ ạ ủ ệc lưu ữ d liệu cần được lưu trữ ở đâu và đưa nó trở ạ l i và thể ệ nó cho ngườ hi n i dùng khi nó được yêu c u Thông ầ thường, ảo hóa lưu trữ áp d ng cho các m ng mụ ả ạng lưu trữ SAN
Hệ thống lưu trữ ảo hóa có thể được phân chia thành ba dạng chính, giúp tối ưu hóa hiệu suất và quản lý dữ liệu hiệu quả hơn Công nghệ này không chỉ áp dụng cho các máy tính cổ điển mà còn hỗ trợ việc phân vùng logic cho các hệ thống RAID độc lập, mang lại tính linh hoạt và bảo mật cho dữ liệu.
o hóa m ng trung tâm d u 13 Ả ạ ữ li ệ
1.2 o hóa m ng trung tâm d u Ả ạ ữliệ
1.2.1 Động lực thúc đẩ ảy o hóa m ng trung tâm d li u ạ ữ ệ
Trong thời gian gần đây, trung tâm dữ liệu đã thu hút sự quan tâm lớn do vai trò quan trọng của nó trong việc lưu trữ khối lượng dữ liệu khổng lồ và phục vụ cho nhiều người dùng Sự phát triển của công nghệ điện toán đám mây đã biến dịch vụ lưu trữ tại các trung tâm dữ liệu thành một ngành kinh doanh triệu đô, đóng góp tích cực vào sự phát triển của ngành công nghiệp công nghệ thông tin.
Trong tương lai, kiến trúc của các trung tâm dữ liệu vẫn còn nhiều hạn chế so với lý tưởng hiện tại Truyền thống sử dụng các máy chủ riêng lẻ để chạy ứng dụng dẫn đến hiệu suất thấp và chi phí vận hành cao Mặc dù công nghệ ảo hóa máy chủ như VMware và Xen đã cải thiện tình hình bằng cách cho phép nhiều máy ảo hoạt động trên một máy chủ vật lý, nhưng vẫn chưa đủ để giải quyết tất cả các vấn đề của kiến trúc trung tâm dữ liệu hiện tại Đặc biệt, các mạng trong trung tâm dữ liệu vẫn phụ thuộc nhiều vào giao thức TCP/IP truyền thống, gây ra những hạn chế nhất định.
Hiện nay, nhiều người dùng dịch vụ cloud yêu cầu cao về hiệu năng mạng, đặc biệt là trong các công cụ tìm kiếm và dịch vụ web Tuy nhiên, các kỹ thuật mạng truyền thống chỉ cung cấp dịch vụ chuyển tiếp tốt nhất mà không đảm bảo hiệu suất mạng ổn định Điều này khiến việc dự đoán chất lượng dịch vụ (QoS) cho các ứng dụng này trở nên khó khăn.
Tăng rủi ro bảo mật: Mạng trung tâm dữ liệu truyền thông không hạn chế lượng dữ liệu và băng thông sử dụng cho mỗi ứng dụng Điều này dẫn đến việc mạng trung tâm dữ liệu trở nên dễ bị tấn công nội bộ.
Khả năng triển khai ngữ liệu hiện nay đang trở thành thách thức lớn đối với nhiều doanh nghiệp, đặc biệt trong việc áp dụng các giao thức và không gian dữ liệu chuyên biệt Việc di chuyển và chuyển đổi ngữ liệu này sang môi trường trung tâm lưu trữ thường gặp khó khăn do sự phức tạp của các hệ thống và yêu cầu về bảo mật thông tin.
14 nó thường yêu cầu thay đổi nhi u thành ph n trong giao th c và trong source ề ầ ứ code ứng d ng ụ
Trong môi trường trung tâm dữ liệu, việc quản lý linh động là rất quan trọng Các máy chủ và mạng được chia sẻ giữa nhiều người dùng, mỗi người đều mong muốn kiểm soát và quản lý mạng với những mục đích khác nhau như cân bằng tải, chẩn đoán lỗi và bảo mật dữ liệu Tuy nhiên, các kiến trúc mạng DC truyền thống không cung cấp đủ sự linh động cho người thuê để quản lý mạng truyền thông trong trung tâm dữ liệu.
Sự thiếu linh động của các kiến trúc trung tâm dữ liệu truyền thống gây cản trở cho việc cải tiến mạng lưới Điều này dẫn đến những khó khăn trong việc thực hiện những thay đổi cần thiết, như nâng cấp các giao thức mạng hay giới thiệu các dịch vụ mới Nếu không có sự đổi mới trong thời gian dài, điều này sẽ làm giảm hiệu quả của các khoản đầu tư vào trung tâm dữ liệu.
Sự phát triển của ảo hóa mạng đã thúc đẩy xu hướng tối ưu hóa các trung tâm dữ liệu bên cạnh việc ảo hóa máy chủ Ảo hóa mạng cho phép tạo ra nhiều mạng ảo cùng chia sẻ một hạ tầng vật lý, giúp quản lý và thực hiện mạng ảo một cách hiệu quả Bằng cách phân tách các mạng logic khỏi hạ tầng vật lý, người dùng có thể tùy chỉnh các giao thức và chính sách quản lý Hơn nữa, việc tách biệt các mạng ảo giúp cải thiện hiệu năng và chất lượng dịch vụ, đồng thời làm cho các quy trình quản lý mạng trở nên linh hoạt hơn Cuối cùng, sự phát triển trong môi trường ảo hóa mạng cũng có thể tác động đến độ nghiêm ngặt của các mối đe dọa an ninh, đồng thời giúp triển khai các ứng dụng và dịch vụ mới trong trung tâm dữ liệu trở nên dễ dàng hơn thông qua việc tùy chỉnh các giao thức và không gian địa chỉ.
1.2.2 M t s khái ni m trong o hóa m ng trung tâm d u ộ ố ệ ả ạ ữliệ
1.2.2.1 Trung tâm d u (Data Center DC) ữliệ –
Trung tâm dữ liệu là một hạ tầng quan trọng bao gồm các máy chủ vật lý, bộ lưu trữ và thiết bị mạng như switch, router Hệ thống phân phối nguồn và hệ thống làm mát cũng là những thành phần thiết yếu Trung tâm dữ liệu được chia thành nhiều loại dựa trên cấu trúc và chức năng của chúng.
Bảng 1.1: Phân lo i trung tâm d u theo ti u chuạ ữ liệ ể ẩn TIA-942 [9]
1 - Các thi t b ế ịIT chỉ được cung cấp bởi đường dẫn đơn không có dự phòng
- Công suất của các thành ph n không có s d phòng ầ ự ự
- H tạ ầng cơ bản có độ ẵ s n sàng ch p nhấ ận được là 99.671%
2 - Mức đ này đáp ứộ ng hoặc vượt qua mức độ 1
- Tất cả các thành phần đều được dự phòng
- Độ ẵ s n sàng c a trung tâm d u ch p nhủ ữliệ ấ ận được là 99.741%
3 - Mức độ này đáp ứng hoặc vượt qua mức độ 1 và 2
- Các thi t b ế ị IT được cung c p bấ ởi nhiều đường độc lập
- T t c ấ ảthiết b phị ải được cung c p b i nguấ ở ồn điện kép, độ s n sàng 99,982% ẵ
4 - Mức đ này đáp ứộ ng hoặc vượt qua mức độ 1, 2 và 3
- Tất cả ệ h thống làm l nh phạ ả ội đ c lập với chế độ ngu n kép ồ
- Độ ẵ s n sàng của hạ ầ t ng là 99,995%
Mạng trung tâm dữ liệu là hệ thống truyền thông được sử dụng trong trung tâm dữ liệu, được mô tả bằng đồ hình mạng, các thiết bị nhúng, chuyển mạch và các giao thức như Ethernet, IP Các nghiên cứu gần đây phân loại đồ hình mạng trung tâm dữ liệu thành ba mô hình chính: (1) mô hình phân cấp, (2) mô hình đệ quy và (3) mô hình rack-to-rack.
Hình 1.4: Kiến trúc m ng trung tâm d li u [10] ạ ữ ệ
Mô hình hierarchical với các thiết bị được tổ chức thành nhiều lớp và có đặc tính lưu lượng mạng khác nhau giúp giảm tỉ lệ tắc nghẽn Kiến trúc Three tier là giải pháp phổ biến trong triển khai hệ thống mạng trung tâm dữ liệu, bao gồm ba lớp: lớp truy cập (access layer), lớp tập trung (aggregation layer) và lớp lõi (core layer) Trong mô hình này, mỗi switch ToR (Top-of-Rack) ở lớp truy cập kết nối với các máy chủ trên rack, trong khi các switch tầng trung gian (AS - aggregation switch) chuyển tiếp lưu lượng từ các switch ToR tới lớp lõi Các switch ToR được kết nối với nhiều switch AS để đảm bảo tính dự phòng, và lớp lõi cung cấp kết nối bảo mật giữa các switch tầng trung gian và các bộ định tuyến lõi (CR - core router).
Kiến trúc mạng ba tầng (Three-tier) truyền thống không còn đáp ứng được nhu cầu phát triển và lưu lượng dữ liệu hiện tại của các trung tâm dữ liệu.
Kiến trúc hiện tại đang bộc lộ nhiều điểm yếu, bao gồm khả năng mở rộng hạn chế, chi phí đầu tư cao, tiêu thụ năng lượng lớn và băng thông giữa các thiết bị không đủ nhanh nhạy Để khắc phục những vấn đề này, các nhà thiết kế đã đề xuất các kiến trúc mới với nhiều cải tiến hơn.
Đồ hình Fat-tree là một kiến trúc mạng ba tầng (core, aggregation và edge) được đề xuất bởi Al-Fares, nổi bật với khả năng dự phòng và tính đơn giản trong mở rộng Trong kiến trúc này, các switch ở tầng edge và aggregation được tổ chức thành các nhóm gọi là pod, với số lượng pod là một đặc trưng quan trọng Mỗi pod có các switch ở tầng edge kết nối với các switch ở tầng aggregation trong cùng pod, và ngược lại Các switch ở tầng aggregation sẽ kết nối với các switch ở tầng core Mỗi switch ở tầng edge luôn có một đường đi duy nhất tới một switch bất kỳ ở tầng core Kiến trúc Fat-tree được xây dựng từ các switch port chứa k pod, với mỗi pod có 2 lớp (aggregation và edge), mỗi lớp có k/2 switch Tổng cộng có k²/4 switch ở tầng core, mỗi switch kết nối tới các pod, và mỗi switch edge kết nối trực tiếp với k/2 máy chủ.
Kiến trúc Fat-Tree có ưu điểm nổi bật là sử dụng các switch giống nhau, cụ thể là các switch k-port 1 GigE với chi phí hợp lý Điều này giúp tối ưu hóa hiệu suất mạng và giảm thiểu chi phí đầu tư Hơn nữa, kiến trúc này cho phép các cấp server giao tiếp hiệu quả, hỗ trợ tối đa trong việc xử lý dữ liệu.
Ấ V N Đ Ề NHÚNG TRUNG TÂM D LI U Ữ Ệ ẢO ĐẢ M B O HI U QU Ả Ệ Ả
Hi u qu ệ ả năng lượ ng trong các trung tâm d ữ li ệu và điện toán đám mây
Gần đây, sự phát triển của khoa học công nghệ, đặc biệt là Internet, đã mang lại nhiều lợi ích to lớn Dịch vụ Internet và Cloud Computing ngày càng phát triển và đóng góp quan trọng trong các lĩnh vực giáo dục, kinh tế và giải trí Bảng 2.1 minh họa số lượng người sử dụng Internet.
4 năm gần đây, với số lượng tăng một cách nhanh chóng (khoảng 1,3 tỉ người trong
4 năm) cho thấy tiềm năng vô cùng to lớn của Internet
Bảng 2.1 Số lượng người sử dụng Internet trên toàn thế giới [24] Năm Số lượng người sử dụng Tỷ lệ so với dân số thế giới
Mặc dù Internet mang lại nhiều lợi ích, nhưng sự gia tăng người dùng và bùng nổ các dịch vụ mạng như IaaS, NaaS, SaaS đã dẫn đến nhu cầu lớn về điện toán đám mây và các trung tâm dữ liệu khổng lồ Những trung tâm này cần một số lượng lớn máy chủ và thiết bị mạng để vận hành liên tục, đảm bảo chất lượng dịch vụ tốt nhất cho khách hàng Tuy nhiên, nhu cầu ngày càng tăng đang đặt ra thách thức lớn cho ngành công nghiệp này.
Ngành công nghệ thông tin đang tiêu thụ khoảng 2% lượng khí thải CO2 toàn cầu, tương đương với ngành hàng không, trong đó thiết bị mạng chiếm 37% lượng khí thải của ngành này Sự gia tăng ứng dụng điện toán đám mây và lưu lượng mạng đã làm tăng đáng kể năng lượng cần thiết cho hạ tầng mạng và trung tâm dữ liệu Nghiên cứu gần đây chỉ ra rằng năng lượng tiêu thụ trong các trung tâm dữ liệu đang gia tăng, với một phần lớn do các tài nguyên mạng như switch và máy chủ được cung cấp vượt quá yêu cầu để đảm bảo độ tin cậy Các thiết bị tính toán trong một trung tâm dữ liệu 5000 m² tiêu thụ tới 52% tổng năng lượng, trong khi phần còn lại thuộc về các hệ thống khác như làm mát và phân phối nguồn Do đó, việc tối ưu hóa năng lượng tiêu thụ trong trung tâm dữ liệu đang trở thành mối quan tâm hàng đầu của nhiều nhà nghiên cứu.
2.1.2 Khó khăn trong bài toán tiết kiệm năng lượng trong ảo hóa mạng
Mặc dù khái niệm hiệu quả sử dụng năng lượng trong mạng Internet đã xuất hiện từ lâu, nhưng việc hiện thực hóa vẫn gặp nhiều thách thức do mạng truyền thống thiếu tính linh hoạt cần thiết để tối ưu hóa năng lượng Những khó khăn này cần được giải quyết để cải thiện hiệu suất năng lượng trong các hệ thống mạng.
Một trong những vấn đề quan trọng hiện nay trong lĩnh vực mạng là thiếu tính mềm dẻo, đặc biệt khi dịch vụ điện toán đám mây ngày càng phát triển và ảnh hưởng đến cơ sở hạ tầng Các nhà quản trị mạng cần có những kế hoạch cụ thể và chuẩn bị kỹ lưỡng để ứng phó với bất kỳ sự thay đổi nào trong mạng, nhằm đảm bảo hiệu suất và tính ổn định của hệ thống.
Việc tái thiết kế, tái cấu hình và dịch chuyển mạng là một yêu cầu quan trọng, nhưng thường gặp nhiều thách thức trong việc áp dụng các phương pháp mới Điều này dẫn đến sự phát triển của các mạng linh hoạt hơn Tuy nhiên, việc đánh giá mức năng lượng tiết kiệm từ các phương pháp nâng cao hiệu suất năng lượng gặp khó khăn do mạng truyền thống không kiểm soát được năng lượng tiêu thụ Do đó, các đề xuất phát triển cần phải đánh giá hiệu quả của các phương pháp tiết kiệm năng lượng mới.
Công nghệ điện toán đám mây đang bùng nổ với các mô hình dịch vụ mới như IaaS, PaaS và NaaS Trong bối cảnh này, ảo hóa mạng và ảo hóa trung tâm dữ liệu đã thu hút sự chú ý lớn từ các nhà phát triển Hiện tại, công việc ảo hóa chủ yếu tập trung vào tối ưu hóa tài nguyên và khả năng thay đổi, đồng thời có nhiều nghiên cứu hướng đến việc tối ưu hóa năng lượng tiêu thụ Tuy nhiên, một thách thức lớn là thiếu các phương pháp tính toán năng lượng tiêu thụ trong hạ tầng mạng trong môi trường điện toán đám mây Điều này đã thúc đẩy sự phát triển của các ứng dụng nhận thức về mạng, nhằm cải thiện hiệu quả sử dụng năng lượng trong ảo hóa mạng và trung tâm dữ liệu, mở ra những triển vọng mới trong việc tối ưu hóa năng lượng trong mạng Internet.
Có một số khái niệm quan trọng về hiệu quả năng lượng trong máy tính Các phương pháp tiếp cận chính được phân loại thành ba nhóm: (1) tái cấu trúc và tái thiết kế (re-engineering); (2) thích nghi động (dynamic adaptation); và (3) ngủ/thông minh (smart sleeping/standby).
Các giải pháp tái cấu trúc nhằm khai thác và áp dụng hiệu quả hơn các công nghệ có hiệu suất và mật độ năng lượng trong các kiến trúc thiết bị mạng vật lý, bao gồm các hệ thống phức tạp.
30 công nghệ và vật liệu mới cho chip xử lý gói tin và các công nghệ giao diện mạng tiên tiến Các phương pháp tiếp cận này có thể được chia thành hai nhóm: (1) silicon hiệu quả năng lượng, tập trung vào phát triển các công nghệ silicon mới, và (2) giảm độ phức tạp, tập trung vào việc giảm độ phức tạp của thiết bị trong xử lý header, kích thước bộ đệm, tăng tốc chuyển mạch và truy cập băng thông.
Các giải pháp thích nghi động được thiết kế để điều chỉnh khả năng xử lý gói tin và dung lượng của giao diện mạng phù hợp với lưu lượng tài chính thực tế Giải pháp này được thực hiện bởi hai phương pháp: (1) điều chỉnh linh động năng lượng và (2) chế độ idle logic Điều chỉnh linh động năng lượng cho phép giảm tốc độ làm việc của các bộ xử lý giao diện mạng bằng cách thực hiện điều chỉnh xung đồng hồ và/hoặc điện áp của bộ vi xử lý Chế độ idle logic cho phép giảm tiêu thụ năng lượng bằng cách tắt nhanh các thành phần linh kiện không cần thiết và đánh thức chúng khi hệ thống nhận được một tín hiệu mới.
Giải pháp ngữ thông minh tập trung vào việc tối ưu hóa năng lượng cho các thiết bị đầu cuối và thiết bị di động bằng cách chuyển sang trạng thái tiết kiệm năng lượng khi không sử dụng Điều này giúp thiết bị duy trì khả năng đáp ứng nhu cầu dịch vụ mà không tiêu tốn quá nhiều năng lượng Các ứng dụng và dịch vụ có thể hoạt động hiệu quả khi thiết bị ở trạng thái “ngủ”, nhưng cần lưu ý rằng trạng thái này sẽ làm giảm khả năng xuất hiện trên mạng của thiết bị Khi thiết bị được đánh thức, nó sẽ khôi phục kết nối và tạo ra lưu lượng truy cập mới, từ đó kích hoạt lại các ứng dụng và dịch vụ liên quan.
Thuật toán được đề xuất trong bài viết này thuộc nhóm giải pháp ngả ủ/chờ thông minh, kết hợp giữa ảo hóa mạng và hợp nhất máy chủ trong trung tâm dữ liệu Mục tiêu là tối ưu hóa tài nguyên ảo hóa và hợp nhất máy chủ để tăng cường hiệu suất hoạt động, đồng thời cung cấp các máy chủ ảo linh động và hiệu quả.
Việc ánh xạ trung tâm dữ liệu vào thực tế là rất quan trọng, vì nó giúp người dùng tiếp cận các dịch vụ đám mây một cách liền mạch và không bị gián đoạn Các cơ sở hạ tầng vật lý cần phải được tối ưu hóa để đảm bảo hiệu suất và độ tin cậy, mang lại trải nghiệm tốt nhất cho người dùng.
2.2 Vấn đề nhúng trung tâm d ữliệu ảo (VDCE)
2.2.1 T ng quan v nhúng trung tâm d ổ ề ữliệu ảo
Khi nhu cầu về tài nguyên cloud gia tăng, các nhà cung cấp dịch vụ cloud phải triển khai nhiều trung tâm dữ liệu ở các địa điểm khác nhau để đảm bảo độ tin cậy và thời gian phản hồi Tuy nhiên, việc quản lý tài nguyên của các trung tâm dữ liệu này gặp nhiều thách thức do sự bùng nổ dữ liệu Để tối ưu hóa việc sử dụng tài nguyên và tăng doanh thu mà không cần đầu tư thêm, giải pháp ảo hóa trung tâm dữ liệu đã được giới thiệu Ảo hóa trung tâm dữ liệu cho phép tạo ra nhiều trung tâm dữ liệu ảo, giúp tối ưu hóa tài nguyên vật lý và nâng cao hiệu quả hoạt động Thách thức lớn nhất trong ảo hóa là làm thế nào để ánh xạ tài nguyên ảo lên tài nguyên vật lý một cách hiệu quả.
XÂY D NG THU T TOÁN 41 Ự Ậ
Mô hình trung tâm d u 41 ữ li ệ
3.2.1 Cơ sở ạ ầ h t ng trung tâm d u vữliệ ật lý [4]
Cơ sở hạ tầng DC vật lý được mô hình hóa như một đồ thị vô hướng, trong đó bao gồm tập hợp máy chủ vật lý và các thiết bị mạng như switch, cùng với các liên kết vật lý Đối với các máy chủ vật lý, các thuộc tính thường bao gồm dung lượng bộ nhớ và CPU đang sử dụng của từng máy chủ Về các liên kết vật lý, băng thông là băng thông sẵn có của liên kết đó.
3.2.2 Yêu c u trung tâm d ầ ữliệu ảo (VDCR) [4]
Các yêu cầu trung tâm dữ liệu ảo đến và rời đi theo thời gian, tương tự như trong vật lý Hệ thống VDC được mô hình hóa như một đồ thị vô hướng có trọng số, trong đó các đỉnh đại diện cho máy chủ với nhu cầu tài nguyên CPU và bộ nhớ tương ứng Ma trận yêu cầu băng thông giữa các kết nối ảo thể hiện nhu cầu băng thông giữa máy ảo nguồn và máy ảo đích, cùng với thời gian đến và thời gian tồn tại của yêu cầu trong VDC.
Thách thức chính trong việc tối ưu hóa trung tâm dữ liệu là vấn đề nhúng các Virtual Data Centers (VDC) trên một Data Center vật lý Việc nhúng VDC vào Data Center vật lý có nghĩa là tìm một tập con của tài nguyên đáp ứng các nhu cầu về tài nguyên Bài toán nhúng VDC được chia thành hai bài toán nhỏ hơn: (1) ánh xạ máy chủ (VmM) chịu trách nhiệm ánh xạ tài nguyên tại các máy chủ vật lý, và (2) ánh xạ liên kết ảo (VLiM) tại các liên kết vật lý Việc nhúng VDC bao gồm hai hàm sử dụng cho VmM (PT.1) và sử dụng cho VLiM (PT.2).
3.3 Mô hình năng lượng của các thành ph n trong DC ầ
Trong trung tâm dữ liệu, năng lượng tiêu thụ tập trung vào bốn thành phần chính: các thiết bị mạng, máy chủ, cơ sở hạ tầng tòa nhà và năng lượng tiện ích như làm mát và hệ thống báo động Năng lượng tiêu thụ của các thiết bị mạng chiếm khoảng 15%, trong khi máy chủ tiêu thụ khoảng 45% tổng năng lượng tiêu thụ của toàn bộ trung tâm dữ liệu Do hai thành phần này có liên quan mật thiết đến trạng thái làm việc của các máy chủ và thiết bị mạng, nên phương pháp tiết kiệm năng lượng hiệu quả là giảm năng lượng tiêu thụ của thiết bị mạng và máy chủ.
3.3.1 Mô hình năng lượng của thiết bị ạ m ng
Mô hình năng lượng c a thi t b m ng t i thủ ế ị ạ ạ ời điểm t được định nghĩa trong phương trình (3) v i state n,tớ ( ) là tr ng thái hoạ ạt động t i thạ ời điểm t c a ph n t ủ ầ ử n
Năng lượng tiêu thụ của một switch bao gồm hai phần: năng lượng tĩnh, là năng lượng tiêu thụ cơ bản của switch, và năng lượng tiêu thụ trên các giao diện, phụ thuộc vào tốc độ hoạt động Mỗi tốc độ khác nhau sẽ tiêu thụ mức năng lượng khác nhau Tổng năng lượng tiêu thụ của switch và các liên kết được gọi là năng lượng phân bổ của DC.
Trong đó: k là s m c tố ứ ốc độ hoạ ột đ ng c a giao di n trên switch, ủ ệ m j và P j tương ứng là s ố link đang hoạ ột đ ng t i m c j ạ ứ và năng lượng tiêu th c a giao di n t i m c ụ ủ ệ ạ ứ j
3.3.2 Mô hình năng lượng của máy ch v t lý ủ ậ
Năng lượng tiêu thụ của máy chủ phụ thuộc vào trạng thái hoạt động (bật/tắt) và tỷ lệ CPU và RAM được sử dụng Giá trị nh phân 0 đại diện cho trạng thái tắt, trong khi giá trị 1 đại diện cho trạng thái bật Util là mức độ sử dụng CPU và RAM tính theo phần trăm Năng lượng tiêu thụ của phần máy chủ trong trung tâm dữ liệu được tính toán dựa trên các yếu tố này.
PT (4) trong đó tương ứng là h s ệ ố năng lượng và năng lượng tĩnh của server
(4) 3.3.3 Chi phí di trú máy o ả
Chi phí năng lượng cho việc di trú máy ảo bao gồm năng lượng tiêu thụ của máy chủ nguồn trước khi di trú và máy chủ đích sau khi di trú Tất cả chi phí này phát sinh do sự gia tăng tài nguyên như CPU và RAM cần thiết để hỗ trợ các máy ảo Năng lượng tiêu thụ cho việc di trú được tính theo sự chênh lệch năng lượng của các máy chủ trước và sau khi di trú máy ảo.
Năng lượng tiêu thụ của máy chưng cất ủ ồn được đo trước và sau khi di chuyển máy Đồng thời, năng lượng tiêu thụ của máy chưng cất ủ đích cũng được ghi nhận trước và sau khi di trú máy.
3.4 Mô hình hóa bài toán hi u qu ệ ả năng lượng
Mục tiêu chính của các phương pháp nhận thức năng lượng trong trung tâm dữ liệu (DC) là giảm thiểu năng lượng tiêu thụ Để thực hiện điều này, các thuật toán nhúng VDC cần tập trung vào giải quyết bài toán làm thế nào để giảm số lượng máy chủ cần thiết và số thiết bị mạng cần sử dụng, cũng như các giao diện mạng kết nối chúng Cụ thể, trong bài toán tiết kiệm năng lượng cho DC, mục tiêu chính là tối ưu hóa năng lượng tiêu thụ của các thành phần trong DC, bao gồm năng lượng tiêu thụ bởi phần mạng, phần máy chủ và quá trình di trú.
Gọi là bi n nh phân cho bi t VM ế ị ế đang được ánh x vào server ạ s hay không và là hàm tr v ả ề trạng thái theo ki u nh phân (1 là ể ị ON_state, 0 là
OFF_state) của tất cả các ph n t trong DC vầ ử ật lý tại thời điểm t Do đó:
• chỉra trạng thái làm việc của máy ch ủ tại thời điểm t
• chỉ ra tr ng thái làm vi c c a thi t b m ng ạ ệ ủ ế ị ạ t i thạ ời điểm t
Bài viết này chỉ ra trạng thái làm việc của các liên kết vật lý và ảo trong hệ thống DC, nhấn mạnh vai trò của hàm truyền tài nguyên sẵn có Nó đề cập đến máy chủ và thiết bị mạng, đồng thời nêu rõ hàm truyền nhu cầu của VDCR, liên quan đến yêu cầu về máy chủ và các đặc điểm của liên kết ảo.
Hàm m c tiêu trên có mụ ột số ràng buộc như sau:
• Các ràng bu c v ánh x máy o: Yêu c u v tài nguyên c a máy o b t k ộ ề ạ ả ầ ề ủ ả ấ ỳ luôn nhỏ hơn tài nguyên của máy ch vủ ật lý mà nó được ánh x vào ạ
Máy ảo của VDC chỉ được ánh xạ lên một server vật lý Giá trị ánh xạ tới server sẽ là 1 nếu ánh xạ thành công và là 0 khi ánh xạ không thành công.
Các ràng buộc về ánh xạ liên kết ảo yêu cầu băng thông tối thiểu phải nhỏ hơn băng thông có sẵn trên tất cả các liên kết vật lý mà liên kết ảo đó được ánh xạ.
• Các ràng bu c v VDC: T t c các thành ph n v t lý mà ộ ề ấ ả ầ ậ VDC i được nhúng vào đều phải được b t ậ
3.5 Thuật toán nhúng VDC nh n thậ ức năng lượng
Trong nghiên cứu này, thuật toán nhúng VDC mang tên HEA-E (Heuristic Energy-Aware VDC Embedding) được đề xuất nhằm tối ưu hóa việc sử dụng năng lượng thông qua cơ chế ngủ/chờ thông minh HEA-E không chỉ giảm tiêu thụ năng lượng mà còn cải thiện hiệu suất sử dụng tài nguyên của trung tâm dữ liệu (DC) Kiến trúc Fat-Tree, một cấu trúc phổ biến cho mạng trung tâm dữ liệu, được lựa chọn để đánh giá hiệu năng của thuật toán nhúng VDC Một trong những lợi ích của Fat-Tree là giảm thiểu tắc nghẽn trong mạng, giúp loại bỏ điểm "thắt cổ chai" trong kiến trúc phân cấp Trung tâm dữ liệu với kiến trúc Fat-Tree k-Pod sử dụng các switch k-port tại ba tầng: edge, aggregation và core Trong trường hợp không có lưu lượng, DC duy trì cây bậc cục bộ MST để đảm bảo kết nối tối thiểu giữa các máy chủ Khi không có yêu cầu lưu lượng, tất cả các máy chủ đều được tắt; chỉ có một số switch core và aggregation hoạt động ở mức thấp nhất Khi lưu lượng tăng lên, các máy chủ, switch và các liên kết tương ứng sẽ được kích hoạt theo nhu cầu.
Hình 3.1 mô tả đồ hình Fat-tree với cây MST Khi có yêu cầu về VDC, HEA-E sử dụng thuật toán ánh xạ máy ảo VmM để ánh xạ các máy ảo vào các máy chủ vật lý Dựa trên kết quả từ VmM, thuật toán ánh xạ liên kết ảo VLiM sẽ tạo ra các liên kết ảo kết nối các máy ảo, và các liên kết này được ánh xạ lên các liên kết của hệ thống mạng vật lý Để cải thiện tính ổn định khi nhúng VDC, nếu VLiM không thành công, HEA-E sẽ ánh xạ máy ảo lên một nhóm các máy chủ khác Quá trình này lặp lại cho tới khi VDC được nhúng thành công hoặc sau khi đã duyệt tất cả các nhóm máy chủ mà không thành công trong việc nhúng VDC.
Ba nhóm máy chủ được phân loại thành nhóm near, nhóm middle và nhóm far, tương ứng với ba mô hình lưu lượng khác nhau Lưu lượng near diễn ra giữa hai máy chủ kết nối với cùng một switch tầng edge Lưu lượng middle đi qua một switch tầng aggregation, trong khi lưu lượng far được chuyển tiếp thông qua một switch tầng core Khi có yêu cầu VDC, các bước cần thiết sẽ được thực hiện để ánh xạ máy chủ.
Mô hình hóa bài toán hi u qu ệ ả năng lượng
Mục tiêu chính của các phương pháp nhận thức năng lượng trong trung tâm dữ liệu (DC) là giảm năng lượng tiêu thụ của các thiết bị vật lý Để thực hiện điều này, các thuật toán nhúng VDC cần tập trung vào giải quyết bài toán làm thế nào để giảm thiểu số lượng máy chủ và thiết bị mạng cần thiết cũng như các giao diện mạng của chúng Mục tiêu chính trong bài toán tiết kiệm năng lượng cho DC là tối ưu hóa năng lượng tiêu thụ của các thành phần trong DC, bao gồm năng lượng tiêu thụ bởi phần mạng, phần máy chủ và quá trình di trú.
Gọi là bi n nh phân cho bi t VM ế ị ế đang được ánh x vào server ạ s hay không và là hàm tr v ả ề trạng thái theo ki u nh phân (1 là ể ị ON_state, 0 là
OFF_state) của tất cả các ph n t trong DC vầ ử ật lý tại thời điểm t Do đó:
• chỉra trạng thái làm việc của máy ch ủ tại thời điểm t
• chỉ ra tr ng thái làm vi c c a thi t b m ng ạ ệ ủ ế ị ạ t i thạ ời điểm t
Bài viết chỉ ra trạng thái làm việc của các liên kết vật lý tại thời điểm đặt là hàm truy vấn tài nguyên sẵn có của DC vật lý, trong đó có máy chủ và thiết bị mạng Đồng thời, cũng đề cập đến hàm truy vấn nhu cầu của VDCR, là yêu cầu về máy chủ ảo và các liên kết ảo.
Hàm m c tiêu trên có mụ ột số ràng buộc như sau:
• Các ràng bu c v ánh x máy o: Yêu c u v tài nguyên c a máy o b t k ộ ề ạ ả ầ ề ủ ả ấ ỳ luôn nhỏ hơn tài nguyên của máy ch vủ ật lý mà nó được ánh x vào ạ
Mỗi máy ảo của VDC chỉ được ánh xạ lên một server vật lý, vì biện pháp ánh xạ tới server sẽ có giá trị 1 nếu ánh xạ thành công và giá trị 0 khi ánh xạ không thành công.
Các ràng buộc về ánh xạ liên kết ảo yêu cầu băng thông cần thiết phải nhỏ hơn băng thông sẵn có trên tất cả các liên kết vật lý mà liên kết ảo được ánh xạ.
• Các ràng bu c v VDC: T t c các thành ph n v t lý mà ộ ề ấ ả ầ ậ VDC i được nhúng vào đều phải được b t ậ
3.5 Thuật toán nhúng VDC nh n thậ ức năng lượng
Trong nghiên cứu này, thuật toán nhúng VDC mang tên HEA-E (Heuristic Energy-Aware VDC Embedding) được đề xuất nhằm tối ưu hóa hiệu suất sử dụng năng lượng thông qua cơ chế ngủ/chờ thông minh HEA-E không chỉ giảm tiêu thụ năng lượng mà còn cải thiện hiệu quả sử dụng tài nguyên của trung tâm dữ liệu (DC) Kiến trúc Fat-Tree, một cấu trúc phổ biến trong mạng trung tâm dữ liệu, đã được lựa chọn để đánh giá hiệu năng của thuật toán nhúng VDC Một trong những ưu điểm nổi bật của Fat-Tree là khả năng giảm thiểu tắc nghẽn trong mạng, giúp loại bỏ điểm “thắt cổ chai” của kiến trúc phân cấp Trung tâm dữ liệu với kiến trúc Fat-Tree k-Pod sử dụng các switch k-port ở ba tầng: edge, aggregation và core Trong trạng thái không có lưu lượng, DC duy trì cây bậc cục bộ MST để đảm bảo kết nối tối thiểu giữa các máy chủ Khi không có yêu cầu lưu lượng, tất cả các máy chủ đều được bật, các switch core và aggregation hoạt động ở tốc độ thấp nhất, trong khi các switch edge cũng được bật và hoạt động ở tốc độ thấp Khi lưu lượng tải tăng lên, các máy chủ, switch và các liên kết tương ứng sẽ được bật theo nhu cầu.
Hình 3.1 minh họa đồ hình Fat-tree kết hợp với cây MST Khi có yêu cầu đầu vào từ VDC, HEA-E sử dụng thuật toán ánh xạ máy ảo VmM để ánh xạ các máy ảo vào các máy chủ vật lý Dựa trên kết quả của VmM, thuật toán ánh xạ liên kết ảo VLiM được thực hiện để tạo ra các liên kết ảo kết nối các máy ảo, và các liên kết này được ánh xạ lên các liên kết của hệ thống mạng vật lý Để cải thiện tính khả thi khi nhúng VDC, nếu VLiM không thành công, HEA-E sẽ thực hiện ánh xạ lại các máy ảo lên một nhóm máy chủ khác Quá trình này lặp lại cho đến khi VDC được nhúng thành công hoặc đã duyệt tất cả các nhóm máy chủ mà không thành công trong việc nhúng.
Ba nhóm máy chủ được phân loại thành nhóm near, nhóm middle và nhóm far, tương ứng với ba mô hình lưu lượng khác nhau Lưu lượng near là luồng dữ liệu giữa hai máy chủ kết nối với cùng một switch tầng edge Lưu lượng middle được xác định là luồng dữ liệu đi qua một switch tầng aggregation Cuối cùng, lưu lượng far được chuyển tiếp thông qua một switch tầng core Khi có yêu cầu VDC, các bước cần thiết sẽ được thực hiện để ánh xạ máy chủ.
Bước 1: Tìm tất cả các nhóm máy chủ có số lượng máy chủ không nhỏ hơn số lượng máy của VDC theo thứ tự ưu tiên Near, Far, Middle Để cải thiện độ tin cậy, hai máy chủ trên cùng một VDC sẽ không được ánh xạ trên cùng một máy chủ vật lý Việc sắp xếp các nhóm theo thứ tự ưu tiên nêu trên sẽ giúp các liên kết ảo giữa các VM trở nên ít chậm chạp hơn, từ đó giảm năng lượng tiêu thụ của các thiết bị mạng.
Bước 2: Đối với các nhóm đã xác định, tiến hành tính toán tài nguyên của các máy chủ để tìm ra nhóm đủ điều kiện thi đấu Nhóm đủ điều kiện là nhóm có số lượng máy chủ còn lại với tài nguyên không nhỏ hơn số lượng máy yêu cầu.
Thuật toán 1: Thu t toán nhúng máy o c a HEA-E ậ ả ủ
2: / /Get list group in near middle far oder, ,
5: for all gr GR i do
8: ifM cap ( ) 0S v j and C cap ( ) 0S v j then
16: / /Sort listPossibleGroup in increasing order by number of server need to turn on
23: returnisSuccessNodeMapping vmResult G t, , p ( ) Ánh xạ liên k t ế ảo
Thuật toán ánh x liên kết ảo được phát triển dựa trên ý tưởng của Heller, người đã đề xuất khái niệm Elastic Tree nhằm giảm năng lượng tiêu thụ của mạng DC Mục tiêu của Elastic Tree là duy trì một cấu trúc mạng tối ưu trên mô hình Fat-Tree, dựa trên nhu cầu lưu lượng thực tế HEA-E thực hiện việc nhúng các liên kết ảo để đạt được hiệu quả này.
Thuật toán 2: Thu t toán nhúng liên k t o cậ ế ả ủa HEA-E
3: L sort L key bwRequest order desc v j = ( , v j = , = )
5: link type =getType vmResult vLink( , )
15: listLink sort listSwitch key cap order asc= ( , = , = )
Bước 1: S p x p các liên kắ ế ết ảo c a m t VDC theo th t ủ ộ ứ ự không tăng về băng thông yêu c u ầ
Bước 2: V i m i liên kớ ỗ ết ảo gi a máy o ngu n ữ ả ồ và máy ảo đích , thuật toán VLiM xác định kiểu lưu lượng (near, middle, far) gi a chúng d a trên v trí c a ữ ự ị ủ
2 máy ch v t lý mà 2 máy ủ ậ ảo được ánh x t i Tùy vào kiạ ớ ểu lưu lượng, vi c ánh x ệ ạ liên k t ế ảo sau đó được th c hiện như sau: ự
Đối với lưu lượng near, hai máy chủ vật lý kết nối với nhau thông qua một switch tầng edge Liên kết ảo được ánh xạ vào hai liên kết vật lý, đảm bảo rằng nếu băng thông trên liên kết vật lý đáp ứng đủ yêu cầu băng thông, thì máy chủ sẽ hoạt động hiệu quả.
Trong một pod có k switch t ng Aggregation, có thể có tầ ậ ể ới k đường đi Trong số k đường đó, cần chọn ra một đường có băng thông còn thừa thấp nhất nhưng vẫn đảm bảo yêu cầu về băng thông của liên kết ảo, đồng thời ánh xạ liên kết ảo lên tuyến đường đó.
Bước 3: Ki m tra s ể ố lượng liên kết ảo đã được ánh x và tr v k t qu ánh x ạ ả ề ế ả ạ liên k t ế ảo
Nền tảng HEA-E không thành công trong việc kết nối ánh xạ ảo, tuy nhiên, nó vẫn có khả năng ánh xạ liên kết với các nhóm máy khác Tất cả các hoạt động của thuật toán HEA-E được mô tả chi tiết trong hình ảnh và thuật toán dưới đây.
Hình 3.2 Hoạ ột đ ng c a thuật toán HEA-E ủ
Thuật toán 3: Thu t toán nhúng VDC c a HEA-E ậ ủ
7: / /Update network and add mapping result to list
3.6 Xây d ng các chiự ến lược di trú máy oả
Xây d ng các chi ự ến lược di trú máy ả o
Khi các VDC rời khỏi DC, tài nguyên đã cấp cho các máy chủ của VDC sẽ được giải phóng, dẫn đến tình trạng nhúng VDC trệ ở và giảm hiệu quả sử dụng tài nguyên Để khắc phục vấn đề này, cần thực hiện hợp nhất máy chủ bằng cách di chuyển các máy ảo từ máy chủ này sang máy chủ khác Nghiên cứu đề xuất ba chiến lược di trú máy ảo: (1) di trú một phần (PM) để hợp nhất một số máy chủ đang trong trạng thái tài nguyên chưa được sử dụng; (2) di trú tại thời điểm đến (MoA) nhằm tối ưu hóa toàn bộ hệ thống khi có một VDC mới tham gia; (3) di trú toàn bộ (FM) thực hiện ánh xạ lại tất cả yêu cầu khi một VDC rời khỏi hệ thống.
FM là phương pháp hiệu quả để nâng cao hiệu suất sử dụng năng lượng và tài nguyên Tuy nhiên, độ phức tạp của FM ngày càng tăng do sự gia tăng số lượng di trú.
3.6.1 Di trú m t ph n (Partial Migration ộ ầ –PM)
Khi m t VDC r i kh i h ộ ờ ỏ ệ thống, thu t toán di ậ trú m t phộ ần được th c hi n ự ệ Nguyên lý cơ bản của PM như sau:
Trong PM, các "máy chủ không được tận dụng" là những máy chủ không sử dụng 100% tài nguyên để phục vụ các máy ảo PM sẽ bố trí lại các máy ảo trên những máy chủ này bằng cách di chuyển một số máy ảo từ các máy chủ còn dư nhiều tài nguyên sang các máy chủ dư ít tài nguyên Sau khi bố trí lại, trên một số máy chủ vật lý sẽ không còn phục vụ bất kỳ máy ảo nào và có thể tắt máy chủ đó để tiết kiệm năng lượng Tập hợp các máy chủ không được tận dụng được liệt kê trong hệ thống List-inefficient-server và được sắp xếp theo thứ tự giảm dần về số lượng máy ảo mà chúng phục vụ, tức là giảm dần về tài nguyên còn dư.
- Xét các máy chủ trong danh sách List-inefficient server - theo th t ứ ự tăng dần
Trong danh sách máy chủ, có một tập hợp các máy ảo cần được di chuyển từ máy chủ hiện tại, được gọi là List-Src-VM Các máy ảo này có thể được chuyển đến các máy chủ đích, được gọi là List-Des-Server Để chọn một máy chủ đích từ danh sách, cần định nghĩa một metric dựa trên các tuyến đường ngắn nhất giữa máy chủ đích và các máy chủ đang chứa máy ảo cần di chuyển Máy chủ đích nào có các tuyến đường ngắn nhất và đảm bảo yêu cầu về băng thông sẽ được chọn để di chuyển máy ảo Thuật toán chỉ thực hiện di chuyển các máy ảo khi tất cả các máy ảo trên máy chủ nguồn đã được di chuyển đến các máy chủ khác.
Thuật toán di mtrú ột phần được mô t chi tiả ết hơn trong lưu đồ Hình 3.2
List-Src-VM(Pi(p))=[VM i(p) 1, VM i(p) 2, VM i(p) nvm ] i(vm) nvm?
Sort (List-inefficient-server, key = no hosting VMs, order = ASC)
Sort (List-Des-Server, key = metric, order = ASC)
List-Des-Server = [dP1, dP2, dPndp] i(dp) = 1 i(dp) ndp? des-server dPi(dp) thỏa mãn? i(dp)++ i(vm)++
Tất cả VM được di chuyển?
Hình 3.2: Lưu đồ thu t toán di trú m t ph n (PM) ậ ộ ầ 3.6.2 Di trú tại thời điểm đến (Migration on Arrival –MoA)
MoA là chiến lược di trú tích hợp thu thập toán HEA-E nhằm tái ánh xạ các yêu cầu VDC Khi có yêu cầu VDC mới liên quan đến hệ thống, MoA sẽ kiểm tra số lượng máy ảo cần thiết Nếu DC vật lý có khả năng đáp ứng yêu cầu, các bước tiếp theo sẽ được thực hiện để đảm bảo tính khả thi của quá trình di trú.
- Thêm yêu c u m i vào danh sách các yêu cầ ớ ầu đang tồ ạn t i trong h ệ thống và s d ng HEA-ử ụ E để tái ánh x tạ ất cả các yêu c u trong danh sách này ầ
Trong quá trình ánh xạ thành công, yêu cầu mế ạ ầ ới được chấp nhận, trong khi các yêu cầu s b t ầ ẽ bị từ chối phục vụ và các kết quả ánh xạ trước đó không thay đổi Thuật toán di trú tại thời điểm n được mô tả chi tiết hơn trong lưu đồ Hình 3.3.
Bắt đầu newVDC tới DC
Kiểm tra kích thước VDC? listServingVDC.add(newVDC) Sort(listServingVDC, key = no VM, order = DESC) Ánh xạ thử (thăm dò) listServingVDC sử dụng HEA-E Ánh xạ thử thành công?
Tái ánh xạ sử dụng HEA-E
Danh sách VDC đang được phục vụ
Hình 3.3: Lưu đồ thu t toán di trú t i thậ ạ ời điểm VDC đến (MoA)
3.6.3 Di trú toàn b (Full Migration ộ –FM)
Chiến lược FM tương tự như chiến lược MoA, nhưng điểm khác biệt chính là FM thực hiện tái ánh xạ khi có sự thay đổi trong hệ thống, chẳng hạn như khi một VDC đến hoặc rời đi Về mặt lý thuyết, FM là chiến lược tối ưu nếu đánh giá hiệu quả sử dụng tài nguyên và năng lượng Tuy nhiên, FM liên tục yêu cầu hệ thống tái ánh xạ tất cả các yêu cầu, bao gồm cả những yêu cầu đã được ánh xạ thành công trước đó, từ đó làm tăng độ phức tạp của hệ thống.
ĐÁNH GIÁ HIỆU NĂNG
Đánh giá kế t qu 56 ả
4.2.1 Ảnh hưởng của s phân m nh tài nguyên tự ả ới hiệu năng hệthống
Các yêu cầu liên tục đến và rời khỏi hệ thống có thể làm giảm hiệu quả sử dụng tài nguyên, đặc biệt là khi hệ thống không thể phân phối tài nguyên một cách hợp lý, dẫn đến tình trạng lãng phí tài nguyên và giảm hiệu suất hoạt động của hệ thống.
Hình 4.1: S bi n thi n hi u suự ế ế ệ ất sử ụ d ng h ệthống - SecondNet
Hình 4.1 cho th y hiấ ệu năng sử d ng c a SecondNet trong kho ng th i gian ng n ụ ủ ả ờ ắ
Hiệu năng sử dụng của hệ thống biến thiên theo thời gian mặc dù không có tải đầu vào ổn định Điều này có thể giải thích do khi một số VDC rời khỏi hệ thống, tài nguyên trên một số máy chủ được giải phóng và không được sử dụng (gọi là máy chủ chưa được tận dụng) Tuy nhiên, do các máy này trải rộng trên toàn bộ DC, chúng có thể không được lựa chọn để ánh xạ các máy khác cho các yêu cầu cụ thể.
Khi thuật toán ánh x không thể kết nối các liên kết ảo thành công, hiệu suất sử dụng của hệ thống sẽ giảm sút do các yêu cầu mới có thể bị ảnh hưởng Khi số lượng VDC tăng lên, tài nguyên của các máy chủ trở nên hạn chế, dẫn đến tỷ lệ chấp nhận giảm Hiệu suất sử dụng trở nên biến động, làm cho hiệu năng của trung tâm dữ liệu (DC) không ổn định Việc áp dụng máy chủ ảo có thể giúp tái phân bổ tài nguyên, từ đó tăng tỷ lệ chấp nhận và cải thiện hiệu suất sử dụng của hệ thống Hiện tượng biến động này có thể được đánh giá thông qua việc sử dụng độ lệch chuẩn của hiệu suất, với giá trị lệch chuẩn càng nhỏ thì hiệu suất sử dụng càng ổn định, giúp giảm thiểu sự phân mảnh trong hệ thống.
Bản cập nhật B ng 4.3 đã đề xuất ba chiến lược di trú máy ảo (PM, MoA, FM) cho thấy sự ổn định vượt trội so với các thuật toán nhúng thông thường Sự kết hợp của thuật toán HEA-E với các chiến lược này mang lại hiệu quả cao trong việc tối ưu hóa quá trình di trú.
PM, MoA và FM đạt hiệu năng tốt hơn khi chỉ sử dụng HEA-E mà không cần di trú máy ảo Điều này cho thấy rằng di trú máy ảo có thể cải thiện đáng kể hiệu suất của hệ thống.
Bảng 4.3: Độ ệ l ch chuẩn hiệu suất sử ụ d ng h ệthống
GH SN HEA-E PM MoA FM Độ ệ l ch chu n (%) 13,09 14,95 ẩ 13,92 11,97 11,49 11,49
Hiệu quả sử dụng tài nguyên có thể được đánh giá qua tham số hiệu suất sử dụng hệ thống (utilization) Hiệu suất sử dụng được tính theo công thức sau:
Hiệu su t sử ụấ d ng = S ố lượng VM được phục vụ ở b i DC
Dung lượng tính theo VM của DC cho thấy rằng khi tải tăng, hiệu suất sử dụng cũng tăng đến một giá trị nhất định, sau đó đạt trạng thái bão hòa Việc sử dụng máy ảo và các chiến lược tái ánh x (PM, MoA, FM) cho phép số lượng VM được phục vụ bởi hệ thống ở mức cao hơn đáng kể so với GH và SN dưới cùng điều kiện tải đến hệ thống MoA và FM duy trì hiệu suất sử dụng tương đương với cùng giá trị tải.
Hình 4.2 minh họa hệ thống, trong khi hình 4.3a và 4.3b cho thấy rằng khi tải tăng, tỷ lệ chấp nhận của tất cả các thuật toán đều giảm Tuy nhiên, tỷ lệ chấp nhận của các thuật toán đề xuất như PM, MoA và FM tốt hơn so với GH và SN Các tỷ lệ chấp nhận được tính toán dựa trên VM và VDC.
Hình 4.3: T l ỷ ệchấp nh n c a các chiậ ủ ến lược di trú
Tổng năng lượng tiêu thụ của trung tâm dữ liệu vật lý được thể hiện trong hình 4.4 Dưới điều kiện tải đầu vào thấp, năng lượng tiêu thụ của GH đạt mức tối thiểu, tiếp theo là năng lượng tiêu thụ của FM và MoA Năng lượng tiêu thụ của PM cao hơn một chút so với FM, MoA và GH nhưng vẫn thấp hơn SN Khi tải hệ thống tăng, các máy chủ và thiết bị mạng của trung tâm dữ liệu vật lý sẽ được kích hoạt để đáp ứng yêu cầu VDC, dẫn đến việc năng lượng tiêu thụ cũng gia tăng Ở trạng thái tải cao, do hệ thống hoạt động hiệu quả, năng lượng tiêu thụ của các thuật toán gần như tương đương nhau Một điểm cần lưu ý là mặc dù GH có hiệu quả năng lượng rất cao, nhưng tỷ lệ chấp nhận và hiệu suất sử dụng lại thấp, vì GH chỉ hoạt động hiệu quả trong tình trạng tải thấp (dưới 20%).
Hình 4.4: T ng ổ năng lượng tiêu th c a DC ụ ủ ng tiêu th trung bình cho m t VDC ng
Tiếp theo, xét đến năng lượ ụ ộ Năng lượ tiêu th trung bình c a mụ ủ ột VDC được tính bằng cách chia năng lượng tiêu th cụ ủa
Khi số lượng VDC được phục vụ tăng lên, năng lượng tiêu thụ trên mỗi VDC giảm, trong khi năng lượng tiêu thụ của các thuật toán đề xuất vẫn nhỏ hơn so với GH và SN Điều này cho thấy năng lượng tiêu thụ của DC vật lý gần như tuyến tính với số lượng VDC Mặc dù năng lượng tiêu thụ toàn bộ DC khi sử dụng GH thấp, nhưng năng lượng tiêu thụ trung bình cho mỗi VDC lại cao nhất do GH chỉ có thể phục vụ một số lượng VDC rất hạn chế.
Hình 4.5: Năng lượng tiêu th ụ trung bình để phục vụ ộ m t VDC
Số lần di trú máy ảo trung bình cho mỗi chiến lược dưới các tình trạng khác nhau được sử dụng để đánh giá độ phức tạp Việc di chuyển một máy chủ vật lý này tới một máy chủ vật lý khác cần không thời gian nhất định, số lần di trú máy ảo cao sẽ làm giảm đáng kể hiệu năng của hệ thống Các kết quả mô phỏng cho thấy
Trong FM, số lượng di chuyển đạt 90% đầu vào là khoảng 9000 lần, trong khi đó, số lượng di chuyển trong PM chỉ khoảng 50 lần và không phụ thuộc vào tải.
Hình 4.6: S l n di chuy n máy o c a các chiố ầ ể ả ủ ến lược di trú
Thuật toán SecondNet mang lại hiệu quả về mặt tài nguyên nhưng không đáp ứng yêu cầu về hiệu quả năng lượng Ngược lại, thuật toán GreenHead hiệu quả về mặt năng lượng nhưng hiệu suất sử dụng hệ thống lại khá thấp so với các phương pháp khác.
Chiến lược di trú máy ảo PM, MoA và FM được đề xuất nhằm tối ưu hóa tài nguyên và hiệu quả năng lượng Trong đó, PM nổi bật với tính đơn giản, cho phép di chuyển máy ảo dễ dàng hơn so với MoA và FM, đồng thời độc lập với các hệ thống phức tạp Theo phân tích so sánh, PM là chiến lược phù hợp nhất, vì hiệu năng của nó gần đạt mức của FM và MoA nhưng lại đơn giản hơn.
62 Hình 4.7: So sánh các chiến lược di trú nhúng VDC –
KẾT LUẬ VÀ HƯỚN NG NGHIÊN C U Ứ
Trong bài viết này, tác giả tập trung giải quyết bài toán làm thế nào để nhúng các trung tâm dữ liệu ảo một cách hiệu quả về năng lượng và tài nguyên trong điều kiện phân bổ các tài nguyên mô hình Đề xuất các chiến lược hợp nhất máy chủ và di trú máy ảo kết hợp với thuật toán nhúng trung tâm dữ liệu heuristic nhằm tiết kiệm năng lượng Ba chiến lược được giới thiệu bao gồm: di trú một phần, di trú tại thời điểm đến và di trú toàn bộ Kết quả đánh giá cho thấy các chiến lược này vượt trội hơn về hiệu quả sử dụng tài nguyên và tiết kiệm năng lượng so với các phương pháp hiện có Tác giả cũng dự định sẽ tối ưu các chiến lược đã đề xuất và mô phỏng với kích thước lớn hơn trong tương lai.
DANH SÁCH CÔNG TRÌNH ĐÃ CÔNG BỐ
1 Tran Manh Nam, Nguyen Huu Thanh, Hoang Trung Hieu, Nguyen Tien Manh, Nguyen Van Huynh, Tuan Hoang (2017) “Joint Network Embedding and Server
Consolidation for Energy-Efficient Dynamic Data Center Virtualization”, Elsevier - Computer Networks, 2017 - https://doi.org/10.1016/j.comnet.2017.06.007
[1] P Costa, M Migliavacca, P Pietzuch, A L Wolf (2012), “NaaS: Network- as-aService in the cloud , in: ” the 2nd USENIX Workshop on Hot Topics in Management of Internet, Cloud, and Enterprise Networks and Services,
[2] R Bolla, R Bruschi, F Davoli, F Cucchietti (2011), “Energy efficiency in the future internet: A survey of existing approaches and trends in energy-aware fixed network infrastructures , ” IEEE Communications Surveys Tutorials 13, pp 223-244
[3] H T Nguyen, N N Pham, T H Truong, N T Tran, M D Nguyen, V G
Nguyen, T H Nguyen, Q T Ngo, D Hock, C Schwartz (2013), Modeling “ and experimenting combined smart sleep and power scaling algorithms in energy-aware data center networks , ” Simulation Modelling Practice and Theory 39, pp 20-40 [doi:10.1016/j.simpat.2013.05.011]
[4] M N Tran, V H Nguyen, Q D Le, H T Nguyen (2016), An energy-aware “ embedding algorithm for virtual data centers”, in: The 28th International Teletraffic Congress, Wuerzburg, Germany
[5] Venkata Josyula, Malcolm Orr, Greg Page (2011), Cloud Computing:
Automating the Virtualized Data Center, Cisco Press
[6] L Nicholas (2007), “Network virtualization: A new building block of network design”
[7] MF Bari, R Boutaba, R Esteves, L Granville, M Podlesny, M Rabbani, Q.
Zhang and M F Zhani (2013), “Data Center Network Virtualization: A Survey ”, IEEE Communications Surveys and Tutorials IEEE Press Vol 15(2 , pp 909-928 )
[8] M Chowdhury and R Boutaba (2010), “A Survey of Network Virtualization,”
Computer Networks vol 54, no 5, pp 862 876 –
[9] "Data Center Classification" [Online] Available: http://www.datacentertalk.com/2011/11/data-centers an- -overview/
[10] Bin Wang, Z Qi, R Ma, H Guana, A V Vasilakos (2015), A survey on data center networking for cloud computing, Computer Networks 91, pp 528 547 –
[11] C Leiserson (1985), “Fat-Trees: Universal Networks for Hardware-Efficient
Supercomputing,” IEEE Transactions on Computers, vol 34, no 10, pp 892–
[12] C Guo, H Wu, K Tan, L Shi, Y Zhang, S (2008Lu ), “DCell: A Scalable and Fault-Tolerant Network Structure for Data Centers”, ACM SIGCOMM Computer Communication Review, vol 38, no 4, p 75 86 –
[13] A Singla, C.-Y Hong, L Popa, P B Godfrey (2012), "Jellyfish: Networking data centers randomly", The 9th USENIX Conference on Networked Systems
Design and Implementation, CA, USA
[14] C Guo, G Lu, H Wang, S Yang, C Kong, P Sun, W Wu, and Y Zhang
(2010), “SecondNet: A Data Center Network Virtualization Architecture with Bandwidth Guarantees,” in Proceedings ACM CoNEXT
[15] H Ballani, P Costa, T Karagiannis, and A Rowstron (2011), “Towards
Predictable Datacenter Networks” in Proceedings ACM SIGCOMM
[16] C Hopps (№vember 2000), “Analysis of an Equal-Cost Multi-Path
[17] R Zhang-Shen and N McKeown (№vember 2004), “Designing a Predictable
Internet Backbone Network” in Proceedings ACM HotNets
[18] IEEE (May 2006 ),“IEEE Standard for Local and Metropolitan Area Networks
–Virtual Bridged Local Area Networks”, Std 802.1Q-2005
[19] A Edwards, F A, and A Lain (August 2009), “Diverter: A New Approach to
Networking Within Virtualized Infrastructures” in Proceedings ACM WREN
[20] J Mudigonda, P Yalagandula, B Stiekes, and Y Pouffary (August 2011),
“NetLord: A Scalable Multi-Tenant Network Architecture for Virtualized Datacenters,” in Proceedings ACM SIGCOMM
[21] F Hao, T Lakshman, S Mukherjee, and H Song (August 2009), “Enhancing
Dynamic Cloud-based Services using Network Virtualization,” in
[22] A Greenberg, J Hamilton, N Jain, S Kandula, C Kim, P Lahiri, D Maltz,
P Patel, and S Sengupta (August 2009), “VL2: A Scalable and Flexible Data Center Network,” in Proceedings ACM SIGCOMM
[23] L Popa, S Ratnasamy, G Iannaccone, A Krishnamurthy, and I Stoica
(№vember 2010), “A Cost Comparison of Datacenter Network Architectures,” in Proceedings ACM CoNext
[24] http://www.internetworldstats.com/stats.htm, "Usage and Population
[25] Energy Logic: Reducing Data Center Energy Consumption by Creating
Savings that Cascade Across Systems http://www.cisco.com/web/partners/downloads/765/other/Energy Logic Reducing Data Center Energy Consumption.pdf
[26] L G Roberts (2009), A radical n“ ew router”, IEEE Spectrum 46 (7), pp 34-
[27] K Christensen, P Reviriego, B №rdman, M Bennett, M Mostowfi, J A
Maestro (2010), IEEE 802.3az: the road to energy efficient Ethernet , “ ” IEEE Communications Magazine 48 (11), pp 50-56
[28] R Bolla, R Bruschi, A Cianfrani, M Listanti (2011), “Enabling backbone networks to sleep , ” IEEE Network 25 (2), pp 26-31 [doi:10.1109/MNET.2011.5730525]
[29] A Haider, R Potter, A Nakao (2009), Challenges in resource allocation in “ network virtualization , in: ” 20th ITC Specialist Seminar, ITC, Hoi An, Vietnam
[30] A Fischer, J F Botero, M T Beck, H de Meer, X Hesselbach (2013),
“Virtual network embedding: A survey , ” IEEE Communications Surveys Tutorials 15 (4), pp 1888-1906 [doi:10.1109/SURV.2013.013013.00155]
[31] B.Sivaranjani, P.Vijayakumar (Feb 2015), A Technical Survey on Various “
VDC Request Embedding Techniques in Virtual Data Center , ” 2015 National Conference on Parallel Computing Technologies (PARCOMPTECH)
[32] H T Nguyen, A V Vu, D L Nguyen, V H Nguyen, M N Tran, Q T Ngo,
T H Truong, T H Nguyen, T Magedanz (2015), A generalized resource “ allocation framework in support of multi-layer virtual network embedding based on SDN , ” Computer Networks 92 (2), pp 251 - 269
[33] M F Zhani, Q Zhang, G Simona, R Boutaba (2013), VDC Planner: “
Dynamic migration-aware virtual data center embedding for clouds , in: ” 2013 IFIP/IEEE International Symposium on Integrated Network Management (IM
[34] Q Zhang, M F Zhani, M Jabri, R Boutaba (2014), “Venice: Reliable virtual data center embedding in clouds , in: ” IEEE INFOCOM 2014 - IEEE Conference on Computer Communications, pp 289-297
[35] Yoonseon Han, Jian Li, Jae-Yoon Chung, Jae-Hyoung Yoo, J W.-k Hong
(2015), “SAVE: Energy-aware Virtual Data Center Embedding and Traffic Engineering using SDN , in: ” The 1st NetSoft - 2015 IEEE, , pp 1-9
[36] A Amokrane, M F Zhani, R Langar, R Boutaba, G Pujolle (2013),
“Greenhead: Virtual data center embedding across distributed infrastructures”,
IEEE Transactions on Cloud Computing 1 (1), pp 36-49
[37] P Graubner, M Schmidt, and B Freisleben (2012), "Energy - efficient Virtual
Machine Consolidation for Cloud Computing", IT Professional, p 114
[38] F Farahnakian, P Liljeberg, and J Plosila (2014), "Energy-Efficient Virtual
Machines Consolidation in Cloud Data Centers Using Reinforcement Learning," in 2014 22nd Euromicro Int Conf Parallel, Distrib Network- Based Process
[39] A Beloglazov, R Buyya, Y C Lee, and A Zomaya (2011), "A Taxonomy and Survey of Energy-Efficient Data Centers and Cloud Computing Systems,"
[40] R Sherwood, G Gibb, K kiong Yap, M Casado, N Mckeown, G Parulkar
(2009), FlowVisor: A network v“ irtualization layer”, Tech.
[41] R D Corin, M Gerola, R Riggio, F D Pellegrini, E Salvadori (2012),
“VeRTIGO: Network virtualization and beyond , in: ” 2012 European Workshop on Soft-ware Defined Networking, pp 24-29
[42] A Al-Shabibi, M De Leenheer, M Gerola, A Koshibe, G Parulkar, E
Salvadori, B Snow (2014), OpenVirteX: Make your virtual SDNs “ programmable , in: ” Proceedings of the Third Workshop on Hot Topics in Software Defined Networking, HotSDN ’14, ACM, New York, NY, USA, pp 25-30
[43] H Goudarzi, M Pedram (2012), “Energy-efficient virtual machine replication and placement in a cloud computing system , in: ” 2012 IEEE Fifth International Conference on Cloud Computing, pp 750-757
[44] F Farahnakian, P Liljeberg, J Plosila (2014), Energy-efficient virtual “ machines consolidation in cloud data centers using reinforcement learning”, in: 2014 22nd Euromicro International Conference on Parallel, Distributed, and Network-Based Processing, pp 500-507
[45] A Beloglazov, R Buyya, Y C Lee, A Y Zomaya (2011), A taxonomy and “ survey of energy-efficient data centers and cloud computing systems”,
[46] OpenStack, https://www.openstack.org/ [Online]
[47] A Greenberg, J Hamilton, D A Maltz, P Patel (2008), The cost of a cloud: “
735 Research problems in data center networks , ” SIGCOMM Comput Commun Rev 39 (1), pp 68-73
[48] L A Barroso, U H¨olzle (2007), “The case for energy-proportional computing , ” Computer 40 (12), pp 33-37 doi:10.1109/MC.2007.443
[49] B Heller, S Seetharaman, P Mahadevan, Y Yiakoumis, P Sharma, S
Banerjee, N McKeown (2010), “ElasticTree: Saving energy in data center net- works”, in: Proceedings of the 7th USENIX Conference on Networked Systems