Dự thảo tóm tắt Luận án Tiến sỹ Toán học: Nghiên cứu một số thuật toán nâng cao chất lượng dịch vụ trong mạng thế hệ mới

Đề xuất giải pháp phòng chống tấn công từ chối dịch vụ trong mạng NGNdựa trên chính sách an ninh bảo mật riêng.Với các mục tiêu của luận án như trên, luận án được tổ chức thành 3 chươngn

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN

Công trình được hoàn thành tại: Khoa Toán - Cơ - Tin học, Trường Đại học Khoa học Tự nhiên, Đại học Quốc gia Hà Nội

PGS.TS Ngô Hồng Sơn

Phản biện:

Phản biện:

Phản biện:

Luận án sẽ được bảo vệ trước Hội đồng cấp Đại học Quốc gia chấm luận án tiến sĩ họp tại

vào hồi giờ ngày tháng năm 20

Có thể tìm hiểu luận án tại:

- Thư viện Quốc gia Việt Nam

- Trung tâm Thông tin - Thư viện, Đại học Quốc gia Hà Nội

Mục lục

1 Tổng quan về QoS trong NGN 3

1.1 Mạng thế hệ mới 3

1.2 Chất lượng dịch vụ 3

1.3 Bài toán tối ưu tổ hợp 3

1.4 Thuật toán tối ưu đàn kiến 3

2 Cấp phát tài nguyên cho các dịch vụ 4 2.1 Mở rộng dung lượng mạng không dây 4

2.1.1 Mô hình bài toán 4

2.1.2 Đề xuất thuật toán ACO-MRDL tối ưu mở rộng dung lượng 5 2.1.3 Kết quả thực nghiệm và đánh giá 6

2.2 Định vị tài nguyên cho các lớp dịch vụ 8

2.2.1 Mô hình bài toán 8

2.2.2 Tối ưu định vị tài nguyên tập trung cho các lớp dịch vụ 9

2.2.2.1 Đề xuất thuật toán ACO-ĐVTN 9

2.2.2.2 Đề xuất thuật toán MMAS-ĐVTN 9

2.2.3 Kết quả thực nghiệm và đánh giá 10

2.3 Đáp ứng tài nguyên cho các luồng đa phương tiện 13

2.3.1 Mô hình bài toán 13

2.3.2 Đề xuất thuật toán MMAS tối ưu QoS luồng đa phương tiện 14 2.3.3 Kết quả thực nghiệm và đánh giá 15

2.4 Kết chương 15

3 An ninh dịch vụ trong mạng NGN 19 3.1 Kiến trúc đảm bảo ninh trong mạng NGN 19

3.2 Tấn công từ chối dịch vụ 19

3.3 Đề xuất giải pháp phòng chống dựa trên chính sách 19

3.4 Kết luận chương 3 23

Danh mục các công trình khoa học

Mở đầu

Mạng thế hệ mới (Next Generation Network-NGN ) [12] là sự hội tụ và kế thừa

cả 3 mạng: thoại (PSTN), không dây và Internet hiện nay thành một cơ sở hạ tầngchung thống nhất theo nguyên tắc cung cấp đa dịch vụ trên công nghệ chuyểnmạch gán nhãn đa giao thức MPLS/IP(MultiProtocol Lable Switching/InternetProtocol ) đang là xu hướng phát triển mới của ngành viễn thông thế giới và của

cả Việt Nam Mục tiêu NGN hướng đến là cung cấp các dịch vụ đa phương tiệnchất lượng cao theo yêu cầu người dùng trên nền IP Đây là một vấn đề mới đangthu hút được các nhà khoa học, trường đại học, viện nghiên cứu, nhà cung cấpdịch vụ quan tâm nghiên cứu và triển khai

Chất lượng dịch vụ (QoS) [13] là thước đo đánh giá khả năng và chất lượngcủa các dịch vụ được cung cấp được nhìn nhận từ 2 khía cạnh người sử dụng

và nhà cung cấp dịch vụ mạng Với nhà cung cấp, QoS liên quan chặt chẽ đếnhiệu năng mạng, còn với người dùng QoS được đánh giá dựa trên chất lượng trảinghiệm (Quality of Experiences-QoE) [8] Vấn đề QoS trong mạng đã được quantâm từ những năm 1980 và phát triển mạnh cho đến ngày nay nhằm đảm bảo chấtlượng của các ứng dụng thời gian thực Việc đáp ứng QoS theo yêu cầu trên cần

có cơ sở hạ tầng tốt và qui trình cấp phát, quản lý tài nguyên mạng hiệu quả Bởi

vì QoS phụ thuộc vào sự kết hợp của nhiều yếu tố như thành phần mạng, cơ chế

xử lý và điều khiển trong mạng Đối với mỗi phần có các yêu cầu về QoS tươngứng liên quan tới việc ứng dụng các chuẩn thiết kế, lựa chọn các giao thức phùhợp, xác định cấu trúc mạng, các phương pháp nhận dạng, lựa chọn công nghệxây dựng mạng, thiết kế quản lý nút bộ đệm, xem xét để đảm bảo rằng các tham

số chất lượng như: sự tắc nghẽn, độ sẵn sàng, trễ, biến đổi trễ, thông lượng, độsuy hao, sự tin cậy, không vượt quá khoảng thời gian dịch vụ được đáp ứng vàlưu lượng tải giữa hai điểm bất kì đã chọn trong mạng [24] Như vậy, chúng ta

có thể nhận thấy sự liên quan chặt chẽ giữa QoS và hiệu năng mạng, rõ ràng khinhìn vào các chỉ số của QoS ta có thể đánh giá được năng lực của mạng và ngượclại khi tham khảo các yếu tố của hiệu năng mạng, ta có thể đưa ra về mức QoScho các dịch vụ được cung cấp [13, 21]

Các công trình nghiên cứu về đảm bảo QoS trong NGN trong và ngoài nướcrất đa dạng với nhiều cách tiếp cận khác nhau Trong phạm vi nghiên cứu, luận

án chỉ tập trung đến hai vấn đề chính đang thu hút được nhiều sự quan tâm là:Qui hoạch, chia sẻ, nâng cấp và mở rộng cơ sở hạ tầng mạng Vì vây, mục tiêucủa luận án “Nghiên cứu một số thuật toán nâng cao chất lượng dịch

vụ trong mạng thế hệ mới ” hướng đến là tập trung đề xuất các thuật toánđịnh vị, mở rộng dung lượng, quản lý cấp phát tài nguyên hiệu quả đáp ứng đượccác yêu cầu đa dạng của người dùng về QoS dựa trên tiếp cận Meta-Heuristic sửdụng thuật toán tối ưu đàn kiến Cụ thể, luận án tập trung nghiên cứu và đề xuấtthuật toán tối ưu đàn kiến giải quyết các bài toán sau:

 Mở dung lượng mạng không dây kế thừa cơ sở hạ tầng đảm bảo nhu cầu vềlưu lượng trên toàn hệ thống.

 Định vị tài nguyên tập trung đáp ứng QoS cho các lớp dịch vụ theo mô hìnhphân bố tối ưu tài nguyên dựa vào độ đo

 Đáp ứng tài nguyên cho các luồng đa phương tiện đảm bảo QoS cho các dịch

vụ thời gian thực dựa trên mô hình dịch vụ tích hợp theo hướng dành trướctài nguyên

 Đề xuất giải pháp phòng chống tấn công từ chối dịch vụ trong mạng NGNdựa trên chính sách an ninh bảo mật riêng

Với các mục tiêu của luận án như trên, luận án được tổ chức thành 3 chươngnhư sau:

 Chương 1 giới thiệu một số kiến thức cơ sở, phân tích vấn đề đảm bảo chấtlượng dịch vụ trong mạng NGN và lý do lựa chọn hướng tiếp cận dựa trênthuật toán ACO để giải quyết các bài toán

 Chương 2, luận án đề xuất thuật toán ACO tối ưu mở dung lượng mạngkhông dây kế thừa cơ sở hạ tầng sẵn có với mục tiêu hướng đến là tối thiểuchi phí vận hành, chi phí cài đặt, chi phí nâng cấp và chi phí xây mới cácthành phần mạng để đảm bảo nhu cầu về lưu lượng trên toàn hệ thống Tiếp

đó, tác giả đề xuất thuật toán MMAS tối ưu định vị tài nguyên tập trungđáp ứng QoS cho các lớp dịch vụ theo mô hình phân lớp dịch vụ theo hướngphân lớp lưu lượng, tối ưu các luồng đa phương tiện đảm bảo QoS cho cácdịch vụ thời gian thực dựa trên mô hình dịch vụ tích hợp theo hướng dànhtrước tài nguyên

 Chương 3, luận án tập trung luận án phân tích những thách thức và khókhăn trong việc đảm bảo an ninh các dịch vụ trong mạng NGN đề xuất giảipháp phòng chống tấn công từ chối dịch vụ dựa trên chính sách an ninhriêng được thiết lập trên các nút Router

Cuối cùng là kết luận và hướng phát triển

Những kết quả nghiên cứu và đóng góp của luận án có ý nghĩa trong việc

bổ sung và hoàn thiện các giải pháp tối ưu định vị các trạm điều khiển, mở rộngdung lượng mạng, cấp phát tài nguyên cho các lớp, luồng dịch vụ đảm bảo yêucầu về QoS trong mạng có thể thực thi trong thời gian tuyến tính với chất lượnglời giải tốt hơn các tiếp cận trước đó Ưu điểm của các thuật toán đề xuất là sựhội tụ nhanh với các quy tắc heuristic kết hợp học tăng cường thông qua thôngtin vết mùi cho phép từng bước thu hẹp miền tìm kiếm, mà vẫn không loại bỏ cáclời giải tốt để nâng cao chất lượng lời giải Các kết quả của luận án đã được công

bố trong 4 báo cáo tại các Hội nghị quốc tế, 3 bài báo trên các tạp chí quốc tế, 2bài báo trong Kỷ yếu Hội thảo Quốc gia

dễ dàng mở rộng dung lượng, phát triển các dịch vụ mới theo thời gian thực và

đa phương tiện, đảm bảo độ tin cậy, thuận tiện cũng như dễ dàng sử dụng [12]

Chất lượng dịch vụ (Quality of Service-QoS) [24] là một khái niệm rộng đượctiếp cận theo nhiều hướng khác nhau Theo ITU-T: QoS là tập hợp các khía cạchcủa hiệu năng dịch vụ nhằm xác định cấp độ thỏa mãn của người sử dụng đối vớidịch vụ [13] Còn IETF nhìn nhận: QoS là khả năng phân biệt luồng lưu lượng đểmạng có các ứng xử phân biệt đối với các kiểu luồng lưu lượng, QoS bao gồm cảviệc phân loại các dịch vụ và hiệu năng tổng thể của mạng cho mỗi loại dịch vụ [1]

Thuật toán tối ưu đàn kiến (Ant Colony Optimization-ACO ) [7] đầu tiên là

Hệ kiến (Ant System-AS ) [7] do M Dorigo đề xuất năm 1991 giải bài toán TSP.Sau đó, có nhiều biến thể được nghiên cứu tập trung vào nâng cao hiệu năng tínhtoán dựa trên lựa chọn các đặc trưng trong thủ tục Xây dựng các phương án vàCập nhật vết mùi Quá trình phát triển các thuật toán ACO được có thể xemtrong [20, 22,27, 29] Tuy nhiên, thuật toán thông dụng nhất là MMAS và ACS

Cơ sở sự hội tụ của thuật toán: Năm 2000, W.J Gutjahz chứng minh đượctính hội tụ của thuật toán MMAS trong một số điều kiện nhất định MMAS hội tụtới một lời giải tối ưu với độ chính xác tùy ý nhưng chưa xét đến yếu tố có sử dụngthông tin heuristic [11] Năm 2002, M Dorigo và T St¨utzle đã chứng minh đượctính hội tụ của thuật toán MMAS và ASC [28] rằng: ∀  > 0, ∃ t đủ lớn P (t ) > 1−

do đó lim

t →∞P (t ) = 1 Năm 2008, Plelegrini và Elloro chỉ ra rằng sau một thời gianchạy, đa số vết mùi trên cạnh trở nên bé và chỉ có số ít cạnh có giá trị vết mùi làlớn vượt trội trong [26] Đây là cơ sở lý thuyết vững vàng và mở ra một loạt cácnghiên cứu đầy hứa hẹn về các tham số điều khiển trong ACO

Chương 2

Cấp phát tài nguyên cho các dịch vụ

2.1.1 Mô hình bài toán

Trong [3], Basole cùng các cộng sự đã mô hình hóa bài toán mở rộng dunglượng mạng không dây (MRDL) với kiến trúc gồm m MS, n BTS và p BSC Bàitoán gồm 2 giai đoạn: giai đoạn đầu là khởi tạo các kết nối từ MS đến BTS vàcác kết nối của BTS đến BSC và giai đoạn thứ hai là mở rộng năng lực mạng vàtăng lưu lượng truy cập

Định nghĩa 2.1 (Bài toán mở rộng dung lượng mạng không dây-MRDL [3]).Min

Bài toán mở rộng dung lượng mạng không dây là bài toán tối ưu đa mục tiêu.Đây là một bài toán khó, có rất nhiều định nghĩa khác nhau đề cập đến phương

án tối ưu như: Pareto, Borwein, Benson, Geoffrion, Kuhn-Tucker, nhưng chưa

có thuật toán hiệu quả với thời gian đa thức [3, 25] Trong [19], chúng tôi đã đềxuất thuật toán GA để giải mở rộng dung lượng mạng không dây dựa trên việckết hợp hai quần thể

2.1.2 Đề xuất thuật toán ACO-MRDL tối ưu mở rộng dung lượng

Đầu tiên, ta xây dựng đồ thị G1 = (V1, E1) với V1 = {M ∪N 1∪P 1} là tập các

MS, BTS và BSC, E1 là tập các kết nối giữa MSi đến BTSj và kết nối giữa BTSjđến BSCk đã có thỏa mãn các ràng buộc của bài toán Để tìm luồng cực đại trên đồthị G1, ta thêm 2 đỉnh nguồn S và đỉnh đích D như Hình2.1với các biến chỉ định.Trọng số của các cạnh trên đồ thị G1 được xác định như sau: c(S , MSi) = Ds

i, (i =1 m), c(i , j ) = Dis, (i = 1 m, j = 1 n1), c(j , k ) = P Ds

i, (j = 1.n1, k = 1 p1),c(k , D ) = P c(i , j ), (j = 1 n1, k = 1 p1) Tiếp theo, ta xây dựng đồ thị đầy đủ

G2 = (V2, E2) với V2 = {M ∪N ∪P } là tập hợp tất cả các MS, BTS, BSC sẵn có

và tiềm năng, E2 là tập cạnh chứa tất cả kết nối giữa MSi đến BTSj, giữa BTSjđến BSCk thỏa mãn các ràng buộc từ (2.2)-(2.9) Trong đó, các nút tô màu đậm

là tập các BTS và BSC tiềm năng Phương án của bài toán sẽ ứng với các đường

đi của các con kiến nhân tạo trên đồ thị G2 Mỗi con kiến được mã hóa bởi vectơAntk = {x1, x2, xm+n+p} với qui ước: xi = 1 nếu i ∈ [1 m] thì MSi được sử dụng,nếu i ∈ [m+1 m+n] thì sử dụng BTSj(j = i −m), nếu i ∈ [m+n+1 m+n+p] thì

sử dụng BSCk(k = i −m−n) và ngược lại

Hình 2.1 – Đồ thị đầy đủ với các biến quyết định

Ma trận mùi τij được mã hóa gồm các số thực được sinh ra từ đồ thị G2 dểbiểu diễn vị trí di chuyển của các con kiến Đường đi của mỗi con kiến Antk thểhiện việc cập nhật vết mùi trên các cạnh Mỗi cạnh của đồ thị G2 sẽ mô tả mức

độ mùi được lưu lại, tại mỗi nút con kiến Antk sẽ quyết định nút tiếp theo trongđường đi dựa vào vị trí hiện thời tại nút i và xác suất lựa chọn nút tiếp theo để dichuyển được xác định bởi (??) Thông tin heuristic ηij mô tả khả năng lựa chọnnút j được tính toán phụ thuộc vào hàm mục tiêu của bài toán ηij = 1

d ij với dij làkhoảng cách kết nối từ MSi đến BTSj khi kiến ở nút i (hoặc từ BTSi đến BSCj).Sau mỗi vòng lặp, vết mùi trên mỗi cạnh được cập nhật lại theo công thức (??)

với ∆τk

j = 1/ cost connectij + cost intallj+cost upgradej+ c ost setupj
là lượngvết mùi kiến k để lại khi đi từ nút i đến nút j Khi đó, sự thích nghi của kiến

k được tính theo công thức (2.1) Độ phức tạp của thuật toán ACO-MRDL là:

O (M ×N ×P +NMax×K ×M ×N ×P ) hay O (NMax×K ×M ×N ×P ) với NMax là sốvòng lặp tối đa, K là số lượng kiến

2.1.3 Kết quả thực nghiệm và đánh giá

Bộ dữ liệu thực nghiệm gồm vị trí các trạm MS, BTS và BSC được sinh rangẫu nhiên trên kích thước lưới xác định với số lượng và kiểu các trạm BTS

và BSC được thiết lập thông trong Bảng 2.1 Dữ liệu được sinh ngẫu nhiêntheo phân phối đều thỏa mãn các điều kiện sau: Ds

i ∈ [1 10], MaxBTS Capjt ∈[50 100], MaxBSC Capk ∈ [200 500], MaxBTS Covj ∈ [25 100], cost connectjtk,cost installk, cost upgradej, cost setupj t trong phạm vi [1 50] Tọa độ các MS,BTS, BSC lần lượt là (MSi 1, MSi 2), (BTSj 1, BTSj 2) và (BSCk 1, BSCk 2) được phân

bố đều trên lưới Các thuật toán được khai báo và cài đặt trên ngôn ngữ C vớitham số thực nghiệm của ACO-MRDL là: K = 100,Nmax = 500, α = 1, β = 10,

so sánh khả năng mở rộng dung lượng mạng giữa các thuật toán dựa trên dunglượng mạng đạt được trong trường hợp tốt nhất và trung bình trong Bảng 2.2.Các giá trị in đậm thể hiện khả năng mở rộng tốt nhất trong mỗi trường hợp Cộtcuối đánh giá khả năng mở rộng trung bình của mỗi thuật toán so với dung lượngmạng ban đầu được khởi tạo với các trạm sẵn có ∆Mở rộng

Bảng 2.3 so sánh giá trị hàm mục tiêu đạt được trong trường hợp tốt nhất,trung bình và tồi nhất giữa các thuật toán Kết quả trung bình phản ánh chấtlượng của thuật toán, còn các kết quả tốt nhất và tồi nhất để tham khảo về tínhkhám phá còn độ lệch chuẩn để tham khảo tính ổn định của thuật toán so với kếtquả tốt nhất

Đối chiếu kết quả giữa Bảng 2.2 và Bảng 2.3 ta thấy mối quan hệ giữa khảnăng mở rộng dung lượng với hàm mục tiêu tối thiểu chi phí Điều dễ thấy là chiphí tối ưu gần như đồng nghĩ với khả năng mở rộng tối ưu vì chi phí được xây

Bảng 2.2 – So sánh dung lượng được mở rộng của GA-MRDL và ACO-MRDL

kê và so sánh trong Hình 2.2

1.623 2.467 4.158 5.613 3.674 4.321

7.632 6.572 9.763 15.392

1.617 1.548 3.506 5.192 3.405 3.163 4.806 5.437 7.285 9.215

#1 #2 #3 #4 #5 #6 #7 #8 #9 #10 0

2 4 6 8 10 12 14 16

Thu t toán GA-MRDL Thu t toán ACO-MRDL

Hình 2.2 – So sánh thời gian thi trung bình của GA-MRDL và ACO-MRDL

Thời gian thực thi của thuật toán ACO-MRDL nhanh hơn so với GA-MRDL

Sự khác biệt này càng rõ khi số lượng các giải pháp lựa chọn tăng lên ứng với sốlượng các trạm tiềm năng lớn trong các bài toán lớn Điều đó một lần nữa khẳngđịnh được ưu điểm của cấu trúc đồ thị biểu diễn không gian trạng thái so với việc

sử dụng các phép toán lai ghép và đột biết trên quần thể

Thực nghiệm 2: Để đánh giá tác động của số kiến đến độ hội tụ và thờigian thực thi của thuật toán Chúng tôi tiến hành thực nghiệm bằng cách thayđổi lượng kiến từ 20 đến 250 và giữ nguyên số vòng lặp NMax = 500 với bài toán

#2 Sự ảnh hưởng của số kiến đến thời gian tìm được lời giải tối ưu của bài toánđược thể hiện qua Hình 2.3(a) Dữ liệu trên biểu đồ chứng tỏ rằng nếu ta tăng số

lượng kiến lên thì thời gian thực thi sẽ tăng theo, nhưng nếu giảm số lượng kiếnquá ít thì lại làm tăng thời gian thực hiện bởi số lượng giải pháp được xem xétquá ít dẫn đến phải thực hiện nhiều lần.

Hình 2.3 – Ảnh hưởng của số kiến và số vòng lặp đến thời gian thực thi

Thực nghiệm 3: Để đánh giá tác động của các tham số vòng lặp tới giátrị của hàm mục tiêu, tôi tiến hành thực nghiệm bằng cách thay đổi số vòng lặp

NMax từ 25, 50, đến 500 trong khi giữ nguyên số lượng kiến là 50 với bài toán #2.Kết quả thực nghiệm thể hiện mối quan hệ giữa số vòng lặp đến hàm mục tiêucủa thuật toán được cho trong Hình 2.3(b) Thực nghiệm 3 chỉ ra rằng số lượngvòng lặp ảnh hưởng rất lớn đến phương án bởi số lượng vòng lặp càng lớn thì hàmmục tiêu càng hội tụ Do đó, việc lựa chọn tham số vòng lặp là bao nhiêu cũngrất quan trọng

2.2.1 Mô hình bài toán

Bài toán cấp phát tài nguyên cho các lớp dịch vụ thỏa mãn ràng buộc trễxác suất trên từng lớp [14] theo MBORA được định nghĩa như sau:

Định nghĩa 2.2 (Cấp phát tài nguyên cho các lớp dịch vụ theo yêu cầu QoS [14])

Trong đó, lợi nhuận được xác định thông qua hàm tuyến tính giữa mức giá

pi và loại dịch vụ si cho bởi ri(si) = pisi, ∀ i = 1 N Còn chi phí được xác địnhthông qua hàm phi tuyến biểu diễn quan hệ giữa chi phí bồi thường bi và độ trễchênh lệch giữa mức độ yêu cầu Di(si) và khả năng đáp ứng trên mỗi dịch vụ di là

ci(si) = biDi(si) eβi (D i (s i )−d i ), ∀ i = 1 N Sự ảnh hưởng của chi phí, băng thông

và ngưỡng trễ đến hàm mục tiêu là một hàm phi tuyến được xác định dựa trêncác đặc trưng của bài toán Khi một dịch vụ bị trễ hàng đợi lớn hơn so với SLAcam kết thì hàm chi phí sẽ bị thay đổi rất lớn bởi phụ thuộc dưới dạng hàm mũ

(Di(si) > di) Kallitsis đã chứng minh được bài toán trên có hàm mục tiêu là mộthàm lồi [14] Trong [30], Yeganeh cùng các cộng sự đã đề xuất thuật toán PSO đểgiải quyết bài toán trên Tuy nhiên, phương án tối ưu gần đúng tìm được còn sailệch khá nhiều so với phương án tối ưu thực sự.

2.2.2 Tối ưu định vị tài nguyên tập trung cho các lớp dịch vụ

Để biểu diễn N loại dịch vụ khác nhau, mỗi con kiến được mã hóa bằng vectơ

k = {s1, s2, , sN} Các cá thể kiến trong đàn được sinh ngẫu nhiên với si là tỷ

lệ giữa các các dịch vụ được phân phối đều ngẫu nhiên trong đoạn [0, 1] Ma trậnmùi τn×n, τij thể hiện sự di chuyển của các con kiến là độ chênh lệch chi phí giữa 2dịch vụ được cung cấp và được xác định bởi τij = [ri(si) −ci(si)] − [rj(sj) −cj (sj)].Đường đi của mỗi con kiến thể hiện việc cập nhật vết mùi trên các cạnh Mỗi cạnhcủa đồ thị mô tả mức độ mùi được lưu lại, tại mỗi nút con kiến k sẽ quyết địnhnút tiếp theo trong đường đi dựa vào vị trí hiện thời tại nút i và xác suất lựa chọnnút tiếp theo để di chuyển được xác định bởi (??) Trong đó, τij là vết mùi trêncạnh nối từ nút dịch vụ si đến dịch vụ sj, α là hệ số điều chỉnh ảnh hưởng của τij;

ηij là thông tin heuristic giúp đánh giá chính xác sự lựa chọn của con kiến khi dichuyển, β là hệ số điều chỉnh ảnh hưởng của ηij; Nk

i là các lân cận mà con kiến

k chưa thăm khi cấp phát tài nguyên cho dịch vụ si Sau mỗi vòng lặp, vết mùitrên mỗi cạnh được cập nhật lại theo công thức (??) với ∆τjk = 1

là lượng mùi con kiến k để lại khi đi chuyển từ việc cấp phát tài nguyên cho dịch

vụ si sang cấp phát tài nguyên cho dịch vụ sj Khi đó, hàm đo độ thích nghi củacon kiến k được tính theo (2.10)

Thuật toán 2.1 MMAS-Định vị tài nguyên tập trung cho các lớp dịch vụ

end for

If (G best = ∅) then G best ⇐ I best ;

If (f (G best ) < f (I best ) then

Gbest ⇐ Ibest; Cập nhật vết mùi theo G best : τ ij ← (1−ρ)τij+∆τ best

ij ; end if

Giới hạn vết mùi và cập nhật τ min và τ max ; Until (i > N Max ) or (Tìm thấy phương án tối ưu) ;

s∗⇐ G best ; Tính hàm mục tiêu f (s ∗ ) theo ( 2.10 ) ;

End

2.2.3 Kết quả thực nghiệm và đánh giá

Quá trình thực nghiệm được tiến hành trên bộ dữ liệu lấy từ [14], các thuậttoán được khai báo và cài đặt trên ngôn ngữ C với tham số là: K = 100,Nmax = 500,

α = 1, β = 10, ρ = 0.5, τmin = 0.01, τmax = 0.5 Xét hệ thống đơn giản với 2 lớpdịch vụ (s1, s2) với giá trị tham số của các lớp dịch vụ thực nghiệm là:pi = 1,

bi = 0.1, di = 0.01,QoS(= ε)=10−6, ¯αi = 0.2, σi = 0.01, βi = 10,Hi = 0.7 và

C = 10Mbps [14] Để chứng minh hiệu quả của các thuật toán đề xuất, các kếtquả thực nghiệm chúng được đánh giá dựa trên phương án phân bố tài nguyên vàhàm mục tiêu tối ưu nhất tìm được của các thuật toán PSO [30], ACO-ĐVTN vàMMAS-ĐVTN so với phương án tối ưu thực sự trong [14]

Thực nghiệm 1 đánh giá sự ảnh hưởng của tốc độ đến trung bình tới hàmmục tiêu Bảng 2.4 so sánh kết quả thực nghiệm dựa trên phương án cấp pháttài nguyên tối ưu cho các lớp dịch vụ (s1∗, s2∗) và hàm mục tiêu f (s1∗, s2∗) tốt nhấtcủa các thuật toán sau 50 lần thực hiện Thực nghiệm 2 đánh giá sự ảnh hưởngcủa ngưỡng trễ tới hàm mục tiêu Các phương án cấp phát tài nguyên tối ưu chodịch vụ (s1∗, s2∗) được thể hiện trong Bảng 2.5 Sự nhạy cảm của hàm mục tiêu sovới ngưỡng trễ di được xác định bởi ∂d∂f

i = biβiDieβ i (D i −di) > 0 Thực nghiệm 3đánh giá sự ảnh hưởng của chi phí tới hàm mục tiêu Các phương án cấp phát tàinguyên tối ưu cho dịch vụ (s1∗, s2∗) được thể hiện trong Bảng2.6tuân theo qui luậtphân bố tỷ lệ p1/p2 Thực nghiệm 4 đánh giá sự ảnh hưởng của tham số Hurst tớihàm mục tiêu, chúng ta cho thay đổi giá trị của tham số Hi trong khi các tham

số khác được giữ cố định Mức độ thay đổi các phương án cấp phát tài nguyên tối

ưu cho dịch vụ (s1∗, s2∗) được thể hiện trong Bảng 2.7, hàm mục tiêu tỷ lệ nghịchvới sự thay đổi của |∆Hi| Để kiểm chứng về hiệu năng thực thi, luận án đã thống

kê và so sánh thời gian thực hiện trung bình của các thuật toán trên 17 bộ testtrong Hình 2.4

Hình 2.4 – So sánh thời gian thực thi của PSO, ACO-ĐVTN và MMAS-ĐVTN

Thực nghiệm 5: Kết quả so sánh giá trị hàm mục tiêu và phân bố của thuậttoán MMAS-ĐVTN so với phương án tối ưu thực sự khi thay đổi các tham số

¯

αi, ∀ i = 1 6, pi, ∀ i = 1 6 [14] được cho trong Bảng2.8và Bảng2.9 Thực nghiệm

6 so sánh giá trị hàm mục tiêu trong 3 trường hợp tốt nhất, trung bình và tồinhất giữa các thuật toán sau 50 lần thực hiện với số lớp dịch vụ tăng dần đượccho trong Bảng 2.10 Hình 2.5thể hiện so sánh thời gian thực thi trung bình giữacác thuật toán Thực nghiệm cũng chỉ ra rằng, thuật toán MMAS-ĐVTN tốt hơn

so với 2 thuật toán còn lại ở cả tính khám phá, độ ổn định và thời gian thực thikhi áp dụng trên nhiều lớn dịch vụ

Bảng 2.4 – So sánh kết quả phân bố tài nguyên khi thay đổi tốc độ đến trung bình ( ¯α1, ¯α2) giữa PSO, ACO-ĐVTN và MMAS-ĐVTN

Bảng 2.5 – So sánh kết quả phân bố tài nguyên khi thay đổi ngưỡng trễ (d1, d2) giữa PSO, ACO-ĐVTN và MMAS-ĐVTN

Bảng 2.6 – So sánh kết quả phân bố tài nguyên khi thay đổi thừa số giá (p1, p2) giữa giữa PSO, ACO-ĐVTN và MMAS-ĐVTN