Luận Án Tiến Sĩ Kỹ Thuật Hướng Tiếp Cận Swot Cho Cân Bằng Tải Trên Điện Toán Đám Mây.pdf

HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG Luận án tiến sĩ ận Lu vă HƯỚNG TIẾP CẬN SWOT CHO CÂN BẰNG TẢI n TRÊN ĐIỆN TOÁN ĐÁM MÂY ạc th sĩ Chuyên ngành: Hệ thống thông tin Ki Mã số: 9.48.01.04 nh tế LUẬN ÁN TIẾN SĨ KỸ THUẬT HÀ NỘI - 2023 BỘ THÔNG TIN VÀ TRUYỀN THÔNG HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG LUẬN ÁN TIẾN SĨ KỸ THUẬT Luận án tiến sĩ ận Lu n vă HƯỚNG TIẾP CẬN SWOT CHO CÂN BẰNG TẢI ạc th TRÊN ĐIỆN TOÁN ĐÁM MÂY sĩ nh Ki tế HÀ NỘI – 2023 ii LỜI CAM ĐOAN Tôi cam đoan luận án Tiến sĩ: “Hướng tiếp cận SWOT cho cân tải điện toán đám mây” cơng trình nghiên cứu riêng tơi hướng dẫn thầy hướng dẫn, trừ kiến thức, nội dung tham khảo từ tài liệu rõ Các kết quả, số liệu trình bày luận án trung thực, phần cơng bố Tạp chí Kỷ yếu Hội thảo khoa học chun ngành (danh mục cơng trình cơng bố tác giả trình bày cuối Luận án), phần lại Lu chưa cơng bố cơng trình khác Luận án tiến sĩ ận Khơng có sản phẩm/nghiên cứu người khác sử dụng luận án mà khơng trích dẫn theo quy định n vă th TP Hồ Chí Minh, ngày 30 tháng 06 năm 2023 ạc Tác giả luận án sĩ nh Ki tế iii LỜI CẢM ƠN Trong suốt trình học tập nghiên cứu thực luận án, nỗ lực thân, nhận hướng dẫn nhiệt tình q báu q Thầy Cơ, với động viên ủng hộ gia đình, bạn bè đồng nghiệp Với lịng kính trọng biết ơn sâu sắc, xin gửi lời cảm ơn chân thành tới: Thầy PGS.TS Trần Công Hùng Thầy TS Lê Xuân Trường, tận tâm hướng dẫn bảo cho đường học thuật nghiên cứu, đồng thời quý Thầy tạo điều kiện giúp đỡ động viên nhiều để bước Lu hồn thành LATS Luận án tiến sĩ ận Ban Giám Đốc, Phòng đào tạo sau đại học quý Thầy Cô tạo điều kiện thuận lợi giúp tơi hồn thành luận án vă Tơi xin chân thành cảm ơn gia đình, bạn bè, đồng nghiệp quan n th động viên, hỗ trợ tơi lúc khó khăn để tơi học tập hồn thành luận án ạc Mặc dù có nhiều cố gắng, nỗ lực, thời gian kinh nghiệm nghiên cứu khoa học cịn hạn chế nên khơng thể tránh khỏi thiếu sót Tơi mong nhận sĩ góp ý quý Thầy Cô bạn bè đồng nghiệp để kiến thức ngày nh Xin chân thành cảm ơn! Ki hoàn thiện tế TP Hồ Chí Minh, ngày 30 tháng 06 năm 2023 iv TĨM TẮT Cân tải đám mây thách thức cần nghiên cứu cải tiến, với nhiều thuật tốn khơng ngừng đời Max-Min, Min-Min, Round-Robin, CLBDM, Active Clustering nhằm cải thiện hiệu cân tải Tuy có nhiều cơng trình đạt thành tựu đáng kể, việc sử dụng phương pháp dự đoán kết hợp học máy liệu cân tải nhiều thách thức hướng nghiên cứu Do đó, luận án phân tích cân tải môi trường đám mây với ý tưởng từ cách tiếp cận SWOT (điểm mạnh, điểm yếu, hội nguy cơ), từ đưa đánh giá cân tải với hai hướng tiếp cận: hướng tiếp cận bên hướng tiếp cận Lu bên Với hướng tiếp cận bên trong, luận án tập trung phân tích thuật tốn ận Luận án tiến sĩ cân tải có liên quan đến yếu tố bên cân tải thời gian vă phản hồi, thông lượng, tham số khác đặc điểm bên khác Với hướng n tiếp cận bên ngoài, luận án xem xét yếu tố bên cân tải, hành th vi người dùng đám mây, cấu trúc mạng môi trường địa lý Internet, mức ạc độ ưu tiên yêu cầu từ phía người dùng, v.v Với hướng tiếp cận, luận án sĩ nghiên cứu phương pháp học máy khai phá liệu tương ứng để cải thiện hiệu Ki cân tải mơi trường điện tốn đám mây nh Với ý tưởng trên, luận án đề xuất thuật toán cân tải (MCCVA, APRTA, RCBA ITA) theo hướng tiếp cận từ bên trong, thuật toán cân tải tế (PDOA k-CTPA) theo hướng tiếp cận từ bên ngồi Các thuật tốn cài đặt triển khai mô giả lập môi trường mô CloudSim so sánh với thuật toán cân tải phổ biến (Round Robin, Max Min, Min Min FCFS) Tương ứng với thuật toán, xuất phát từ góc độ phân tích khác cân tải, mà luận án sử dụng thông số đo lường khác để đánh giá mô giả lập (thời gian đáp ứng, thời gian thực hiện, speedup…) Kết từ việc mô chứng minh tính vượt trội khả cải thiện hiệu suất thuật toán học máy dự đoán việc tối ưu hóa cân tải điện toán đám mây v ABSTRACT Cloud load balancing is always a challenge that needs to be researched and improved, with many algorithms constantly emerging such as Max-Min, Min-Min, RoundRobin, CLBDM, Active Clustering to improve the performance of the load balancer Although there have been many works with remarkable achievements, the use of predictive methods using machine learning on load balancing datasets still has many challenges and research directions Therefore, this thesis analyzes the load balance in the cloud environment with ideas from the SWOT approach (Strengths, Weaknesses, Opportunities and Threats), thereby making a load balance assessment with two Lu directions: internal approach and external approach With an internal approach, the Luận án tiến sĩ ận thesis focuses on analyzing load balancing algorithms related to the internal factors of the load balancer such as response time, throughput, other parameters and other vă internal characteristics With an external approach, the thesis considers factors n th outside the load balancer, such as the behavior of cloud users, the network structure ạc and geographical environment of the Internet, the priority of requests from user side, etc With each approach, the thesis studies the corresponding machine learning and sĩ data mining methods to improve load balancing performance in the cloud computing nh Ki environment With the above idea, the thesis has proposed load balancing algorithms tế (MCCVA, APRTA, RCBA and ITA) in the direction of internal approach, load balancing algorithms (PDOA and k-CTPA) in the direction approaching from the outside These algorithms are installed and deployed experimentally on the CloudSim simulation environment and compared with current popular load balancing algorithms (Round Robin, Max Min, Min Min and FCFS) Corresponding to each algorithm, derived from different analysis angles of the load balancer, the thesis uses different measurement parameters for empirical evaluation (response time, execution time, speedup, etc.) Simulation results show the superiority and efficiency of machine learning prediction algorithms in improving the performance of load balancers in the cloud environment vi DANH MỤC CÁC TỪ VIẾT TẮT Thuật ngữ Diễn giải tiếng anh Diễn giải tiếng việt CC Cloud computing Điện toán đám mây VM Virtual Machine Máy ảo LB / CBT Load Balancing Cân tải Cloud Cloud coputing environment Môi trường điện tốn đám mây AI Artificial Intelligence Trí tuệ nhân tạo ML Machine Learning Máy học Lu Thuật toán dự đoán xảy Occurance Algorithm deadlock ITA Improved Throttle Algorithm Thuật toán cải tiến Throttle RCBA Response Time Classification Thuật tốn phân lớp thời gian đáp with Nạve Bayes Algorithm ứng sử dụng Naïve Bayes Makespan Classification & Thuật toán cân tải phân lớp Clustering VM Algorithm thời gian xử lý gom cụm máy n vă ạc th MCCVA ận Prediction Deadlock Luận án tiến sĩ PDOA sĩ QoS Quality of Service Chất lượng dịch vụ IoT Internet of things Internet vạn vật IP Internet Protocol Địa thiết bị mạng SVM Super Vector Machine FCFS First Come First Serve tế Priority Algorithm nh kNN Classification Task Ki k-CTPA ảo Đến trước xử lý trước vii DANH MỤC CÁC KÝ HIỆU Ký hiệu Diễn giải tiếng việt Trang Xi Thuộc tính Request 48 Ti Thời gian xử lý thứ i 49 RTi Thời gian đáp ứng thứ i 52 Tnew Ngưỡng thời gian 52 PRTi Thời gian đáp ứng dự báo máy ảo i 53 Chuỗi thời gian xử lý tải tối đa ghi lại 54 cloud vă cloud Luận án tiến sĩ Chuỗi thời gian xử lý tải tối thiểu ghi lại ận ITi Lu ATi 55 Quá trình thứ i Po Mức tiêu hao lượng 74 CPU Mức độ sử dụng CPU 74 RAM Mức độ sử dụng RAM 74 n Pi 62 ạc th sĩ nh Ki tế viii DANH MỤC HÌNH ẢNH vă Luận án tiến sĩ ận Lu Hình 1.1:Mơ hình điện tốn đám mây [37] Hình Cung cấp tài nguyên đám mây [44] 12 Hình 1.3 Kiến trúc điện toán đám mây [47] .13 Hình 1.4 Mơ hình Cân tải điện tốn đám mây theo NGINX [52] 14 Hình Phân loại thuật toán cân tải theo hệ thống tài nguyên [21] 19 Hình Phân loại thuật tốn cân tải theo tính chất thuật tốn [32] 20 Hình Các tham số đo lường cân tải [32] 21 Hình Siêu phẳng phân chia liệu học thành lớp + - với khoảng cách biên lớn Các điểm gần Support Vector [60] 27 Hình Sơ đồ thuật tốn K – means [61] .27 Hình 10 Sơ đồ mơ mơ hình Box-Jenkins [63] 29 Hình 11 Bản đồ 1NN (Nguồn: Wikipedia) 32 n Hình Phân tích SWOT [66] .35 Hình 2 Khung phân tích SWOT [67] 35 Hình Tiếp cận phân tích SWOT [67] 39 Hình Đề xuất hướng tiếp cận nâng cao hiệu cân tải 40 Hình Khung lập lịch Makespan tối thiểu – Minimum Makespan Scheduling Framework (MMSF) [105] 52 Hình Sơ đồ đề xuất LBDA [107] 55 Hình Trạng thái máy ảo [107] 56 Hình Sơ đồ thuật toán FOA [108] .58 Hình Sơ đồ mã giả thuật toán Min-Min [17] 65 Hình 10 Sơ đồ mã giả thuật toán LBMin-Min [17] 66 ạc th sĩ nh Ki tế Hình Sơ đồ thuật toán MCCVA 75 Hình Biểu đồ so sánh thời gian thực thuật toán với thuật toán MCCVA trường hợp 50 Request 77 Hình 3 Biểu đồ so sánh thời gian thực thuật toán với thuật toán MCCVA trường hợp 1000 Request .78 Hình Sơ đồ thuật toán APRTA 81 Hình Biểu đồ so sánh thời gian đáp ứng dự báo máy ảo ngưỡng thuật toán APRTA 84 ix n vă ạc th Luận án tiến sĩ ận Lu Hình Biểu đồ ngưỡng thời gian đáp ứng dự báo trường hợp máy ảo thuật toán APRTA 84 Hình Biểu đồ so sánh thời gian đáp ứng dự báo máy ảo ngưỡng thuật toán APRTA 85 Hình Biểu đồ ngưỡng thời gian đáp ứng dự báo trường hợp máy ảo thuật toán APRTA 86 Hình Biểu đồ so sánh thời gian đáp ứng dự báo máy ảo ngưỡng thuật toán APRTA 88 Hình 10 Biểu đồ ngưỡng thời gian đáp ứng dự báo trường hợp máy ảo thuật toán APRTA 88 Hình 11 Sơ đồ thuật toán RCBA 91 Hình 12 Biểu đồ so sánh thời gian đáp ứng thuật toán với thuật toán RCBA trường hợp 25 Request 92 Hình 13 Biểu đồ so sánh thời gian đáp ứng thuật toán với thuật toán RCBA trường hợp 50 Request 94 Hình 14 Biểu đồ So sánh thời gian đáp ứng thuật toán với thuật toán RCBA trường hợp 100 Request 96 Hình 15 Biểu đồ so sánh thời gian đáp ứng thuật toán với thuật toán RCBA trường hợp 1000 Request .98 Hình 16 Hình Sơ đồ thuật tốn Throttled cải tiến (ITA) 100 Hình 17 Thơng số cấu hình Datacenter máy ảo thuật tốn ITA trường hợp 104 Hình 18 Cấu hình chi phí Datacenter thuật tốn ITA trường hợp 104 Hình 19 Chi tiết cấu hình vật lý host Datacenter thuật toán ITA trường hợp .104 Hình 20 Thơng số cấu hình Cơ sở người dùng (2UB) thuật toán ITA trường hợp .105 Hình 21 Biểu đồ so sánh ITA với thuật toán khác trường hợp 105 Hình 22 Biểu đồ so sánh thông số ITA với thuật toán khác trường hợp .106 Hình 23 Thơng số cấu hình trường hợp thuật tốn ITA 107 Hình 24 Biểu đồ so sánh ITA với thuật toán khác trường hợp 108 Hình 25 Thơng số cấu hình trường hợp thuật tốn ITA 109 Hình 26 Biểu đồ so sánh ITA với thuật tốn khác trường hợp .110 Hình 27 Thơng số cấu hình Datacenter máy ảo thuật toán ITA trường hợp 111 sĩ nh Ki tế