nghiên cứu ứng dụng ai xây dựng thuật toán phân loại tác vụ dựa trên độ ưu tiên nhằm nâng cao hiệu năng cân bằng tải trên điện toán đám mây

HỒ CHÍ MINH, NĂM 2021 Nghien cuu ung dung ai xay dung thuat toan phan loai tac vu dua tren do uu tien nham nang cao hieu nang can bang tai tren dien toan dam mayNghien cuu ung dung ai xa

Trang 1

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC MỞ THÀNH PHỐ HỒ CHÍ MINH - ∞0∞ -

Giảng viên hướng dẫn: PGS.TS TRẦN CÔNG HÙNG TP HỒ CHÍ MINH, NĂM 2021

Nghien cuu ung dung ai xay dung thuat toan phan loai tac vu dua tren do uu tien nham nang cao hieu nang can bang tai tren dien toan dam mayNghien cuu ung dung ai xay dung thuat toan phan loai tac vu dua tren do uu tien nham nang cao hieu nang can bang tai tren dien toan dam mayNghien cuu ung dung ai xay dung thuat toan phan loai tac vu dua tren do uu tien nham nang cao hieu nang can bang tai tren dien toan dam mayNghien cuu ung dung ai xay dung thuat toan phan loai tac vu dua tren do uu tien nham nang cao hieu nang can bang tai tren dien toan dam may872412066:33:02 PM6:33:02 PM872412066:33:02 PM6:33:02 PM872412066:33:02 PM6:33:02 PM

Nghien cuu ung dung ai xay dung thuat toan phan loai tac vu dua tren do uu tien nham nang cao hieu nang can bang tai tren dien toan dam mayNghien cuu ung dung ai xay dung thuat toan phan loai tac vu dua tren do uu tien nham nang cao hieu nang can bang tai tren dien toan dam mayNghien cuu ung dung ai xay dung thuat toan phan loai tac vu dua tren do uu tien nham nang cao hieu nang can bang tai tren dien toan dam mayNghien cuu ung dung ai xay dung thuat toan phan loai tac vu dua tren do uu tien nham nang cao hieu nang can bang tai tren dien toan dam mayNghien cuu ung dung ai xay dung thuat toan phan loai tac vu dua tren do uu tien nham nang cao hieu nang can bang tai tren dien toan dam mayNghien cuu ung dung ai xay dung thuat toan phan loai tac vu dua tren do uu tien nham nang cao hieu nang can bang tai tren dien toan dam mayNghien cuu ung dung ai xay dung thuat toan phan loai tac vu dua tren do uu tien nham nang cao hieu nang can bang tai tren dien toan dam mayNghien cuu ung dung ai xay dung thuat toan phan loai tac vu dua tren do uu tien nham nang cao hieu nang can bang tai tren dien toan dam may

Nghien cuu ung dung ai xay dung thuat toan phan loai tac vu dua tren do uu tien nham nang cao hieu nang can bang tai tren dien toan dam mayNghien cuu ung dung ai xay dung thuat toan phan loai tac vu dua tren do uu tien nham nang cao hieu nang can bang tai tren dien toan dam mayNghien cuu ung dung ai xay dung thuat toan phan loai tac vu dua tren do uu tien nham nang cao hieu nang can bang tai tren dien toan dam mayNghien cuu ung dung ai xay dung thuat toan phan loai tac vu dua tren do uu tien nham nang cao hieu nang can bang tai tren dien toan dam may87Wednesday, June 12, 20246:33:03 PM6:33:03 PM87Wednesday, June 12, 20246:33:03 PM6:33:03 PM87Wednesday, June 12, 20246:33:03 PM6:33:03 PM

Nghien cuu ung dung ai xay dung thuat toan phan loai tac vu dua tren do uu tien nham nang cao hieu nang can bang tai tren dien toan dam mayNghien cuu ung dung ai xay dung thuat toan phan loai tac vu dua tren do uu tien nham nang cao hieu nang can bang tai tren dien toan dam mayNghien cuu ung dung ai xay dung thuat toan phan loai tac vu dua tren do uu tien nham nang cao hieu nang can bang tai tren dien toan dam mayNghien cuu ung dung ai xay dung thuat toan phan loai tac vu dua tren do uu tien nham nang cao hieu nang can bang tai tren dien toan dam may

Nghien cuu ung dung ai xay dung thuat toan phan loai tac vu dua tren do uu tien nham nang cao hieu nang can bang tai tren dien toan dam mayNghien cuu ung dung ai xay dung thuat toan phan loai tac vu dua tren do uu tien nham nang cao hieu nang can bang tai tren dien toan dam mayNghien cuu ung dung ai xay dung thuat toan phan loai tac vu dua tren do uu tien nham nang cao hieu nang can bang tai tren dien toan dam mayNghien cuu ung dung ai xay dung thuat toan phan loai tac vu dua tren do uu tien nham nang cao hieu nang can bang tai tren dien toan dam mayNghien cuu ung dung ai xay dung thuat toan phan loai tac vu dua tren do uu tien nham nang cao hieu nang can bang tai tren dien toan dam mayNghien cuu ung dung ai xay dung thuat toan phan loai tac vu dua tren do uu tien nham nang cao hieu nang can bang tai tren dien toan dam mayNghien cuu ung dung ai xay dung thuat toan phan loai tac vu dua tren do uu tien nham nang cao hieu nang can bang tai tren dien toan dam mayNghien cuu ung dung ai xay dung thuat toan phan loai tac vu dua tren do uu tien nham nang cao hieu nang can bang tai tren dien toan dam mayNghien cuu ung dung ai xay dung thuat toan phan loai tac vu dua tren do uu tien nham nang cao hieu nang can bang tai tren dien toan dam mayNghien cuu ung dung ai xay dung thuat toan phan loai tac vu dua tren do uu tien nham nang cao hieu nang can bang tai tren dien toan dam mayNghien cuu ung dung ai xay dung thuat toan phan loai tac vu dua tren do uu tien nham nang cao hieu nang can bang tai tren dien toan dam mayNghien cuu ung dung ai xay dung thuat toan phan loai tac vu dua tren do uu tien nham nang cao hieu nang can bang tai tren dien toan dam may

87Wednesday, June 12, 20246:33:03 PM6:33:03 PM87Wednesday, June 12, 20246:33:03 PM6:33:03 PM87Wednesday, June 12, 20246:33:03 PM6:33:03 PM

87Nghien cuu ung dung ai xay dung thuat toan phan loai tac vu dua tren do uu tien nham nang cao hieu nang can bang tai tren dien toan dam mayWednesday, June 12, 2024

Trang 2

TRƯỜNG ĐẠI HỌC MỞ THÀNH PHỐ HỒ CHÍ MINH KHOA ĐÀO TẠO SAU ĐẠI HỌC

CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự do – Hạnh phúc

GIẤY XÁC NHẬN

Tôi tên là: Cao Thành Nam

Ngày sinh: 30/06/1976 Nơi sinh: Tân Thành, Thành phố Cà Mau, tỉnh Cà Mau Chuyên ngành: Khoa học máy tính Mã học viên: 1884801010005

Tôi đồng ý cung cấp toàn văn thông tin luận văn tốt nghiệp hợp lệ về bản quyền cho Thư viện trường đại học Mở Thành phố Hồ Chí Minh Thư viện trường đại học Mở Thành phố Hồ Chí Minh sẽ kết nối toàn văn thông tin luận văn tốt nghiệp vào hệ thống thông tin khoa học của Sở Khoa học và Công nghệ Thành phố Hồ Chí Minh

Trang 3

CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự do – Hạnh phúc

Giảng viên hướng dẫn: PGS.TS Trần Công Hùng

Học viên thực hiện: Cao Thành Nam Lớp: MCOM018A

Mau, tỉnh Cà Mau

Tên đề tài: Nghiên cứu ứng dụng AI xây dựng thuật toán phân loại tác vụ dựa trên độ

ưu tiên nhằm nâng cao hiệu năng cân bằng tải của điện toán đám mây

Ý kiến của giáo viên hướng dẫn về việc cho phép học viên Cao Thành Nam

được bảo vệ luận văn trước Hội đồng:

Học viên đã thực hiện theo đúng đề cương được giao, thực hiện 4 chương qua 61 trang, dùng 30 tài liệu tham khảo, Học viên đã thực hiện

+ Giới thiệu tổng quan về điện toán đám mây và cân bằng tải trên môi trường điện toán đám mây, giới thiệu các thuật toán AI ứng dụng phân loại tác vụ

+ Trình bày cơ sở các công trình liên quan tới cân bằng tải trong điện toán đám mây

+ Đề xuất phương pháp cải tiến thuật toán cân bằng tải trong điện toán đám mây + Đánh giá các thuật toán cân bằng tải Đánh giá các thuật toán phân loại tác vụ dựa trên độ ưu tiên

Luận văn đạt yêu cầu của một luận văn thạc sĩ, và đề nghị được phép bảo vệ luận văn tốt nghiệp

Tp Hồ Chí Minh, ngày 23 tháng 07 năm 2021

Trang 4

LỜI CAM ĐOAN

Tôi tên là Cao Thành Nam, cam đoan rằng luận văn: “Nghiên cứu ứng dụng AI

xây dựng thuật toán phân loại tác vụ dựa trên độ ưu tiên nhằm nâng cao hiệu năng cân bằng tải trên điện toán đám mây” là công trình nghiên cứu của chính tôi

Những kết quả nghiên cứu được trình bày trong luận văn là công trình của riêng của tôi dưới sự hướng dẫn của PGS.TS Trần Công Hùng

Những kết quả nghiên cứu của các tác giả khác và các số liệu được sử dụng trong luận văn đều có trích dẫn đầy đủ

Những kết quả nghiên cứu chung được trình bày trong luận văn đều có sự đồng ý của các đồng tác giả

Tp Hồ Chí Minh, ngày 21 tháng 7 năm 2021

Học viên thực hiện luận văn

Trang 5

LỜI CẢM ƠN

Trong suốt quá trình học tập và nghiên cứu thực hiện luận văn, ngoài nỗ lực của bản thân, tôi đã nhận được sự hướng dẫn nhiệt tình quý báu của quý Thầy Cô, cùng với sự động viên và ủng hộ của gia đình, bạn bè và đồng nghiệp Với lòng kính trọng và biết ơn sâu sắc, tôi xin gửi lời cảm ơn chân thành tới:

Ban Giám hiệu, quý Thầy Cô Khoa Đào tạo Sau Đại học và Khoa Công nghệ Thông tin, Trường Đại học Mở Tp.HCMđã tạo mọi điều kiện thuận lợi giúp tôi hoàn thành luận văn

Tôi xin chân thành cảm ơn Thầy PGS.TS Trần Công Hùng, người thầy kính

mến đã hết lòng giúp đỡ, hướng dẫn, động viên, tạo điều kiện cho tôi trong suốt quá trình thực hiện và hoàn thành luận văn

Tôi xin chân thành cảm ơn gia đình, bạn bè, đồng nghiệp trong cơ quan đã động viên, hỗ trợ tôi trong lúc khó khăn để tôi có thể học tập và hoàn thành luận văn

Mặc dù đã có nhiều cố gắng, nỗ lực, nhưng do thời gian và kinh nghiệm nghiên cứu khoa học còn hạn chế nên không thể tránh khỏi những thiếu sót Tôi rất mong nhận được sự góp ý của quý Thầy Cô cùng bạn bè đồng nghiệp để kiến thức của tôi ngày một hoàn thiện hơn

Xin chân thành cảm ơn!

123docz.net - File bi loi xin lienhe: lethikim34079@hotmail.com

Trang 6

TÓM TẮT

Ngày nay điện toán đám mây đã trở thành một nền tảng phổ biến cho các ứng dụng khoa học và đời sống của con người Cùng với đó, thách thức lớn nhất trong lĩnh vực điện toán đám mây là bài toán lập lịch luồng công việc Nhiều nghiên cứu cho thấy hiệu năng của các hệ thống điện toán đám mây phụ thuộc rất nhiều vào việc sắp xếp các tác vụ trong luồng thực thi trên các máy tính trong môi trường đám mây Với mục đích giải quyết các vấn đề cân bằng tải trên môi trường điện toán đám mây, cần tìm ra và khắc phục những yếu kém trong các phương pháp hiện tại, cũng như cung cấp dịch vụ chất

lượng tốt hơn Đề tài “Nghiên cứu ứng dụng AI xây dựng thuật toán phân loại tác

vụ dựa trên độ ưu tiên nhằm nâng cao hiệu năng cân bằng tải trên điện toán đám mây” sẽ tập trung vào nghiên cứu các thuật toán cân bằng tải, nghiên cứu bộ tham số

đánh giá mức độ ưu tiên của tác vụ, các thuật toán có thể áp dụng vào phân lớp tác vụ (tasks classification), nghiên cứu các thuật toán cân bằng tải phổ biến đang được áp dụng hiện nay, từ đó cải tiến bổ sung hoặc đề xuất mới một kỹ thuật cân bằng tải ứng dụng AI nhằm phân loại tác vụ, từ đó nâng cao hiệu năng cân bằng tải trên điện toán đám mây Việc phát triển và đề xuất này sẽ được thực nghiệm mô phỏng trên môi trường mô phỏng điện toán đám mây phổ biến như CloudSim, Matlab, GridSim, … từ kết quả thực nghiệm, ta có thể đánh giá kết quả, chứng minh thuật toán đề xuất mang lại hiệu suất tốt hơn so với các thuật toán lập lịch truyền thống khác

123docz.net - File bi loi xin lienhe: lethikim34079@hotmail.com

Trang 7

ABSTRACT

Nowadays cloud computing has become a popular platform for scientific applications and human life Along with that, the biggest challenge in cloud computing is the problem of workflow schedule Many studies show that the performance of cloud computing systems depends a lot on arranging tasks in the execution stream on computers in a cloud environment With the purpose of solving load balancing problems in the cloud, it is necessary to find and overcome weaknesses in current methods, as well

as provide better quality services The topic "AI application research builds

priority-based task classification algorithms to enhance load balancing performance on the cloud computing" will focus on studying load balancing algorithms, studying sets of

parameters to evaluate task priority, algorithms that can be applied to task classification, study common load balancing algorithms that are being applied today, thereby further improving or proposing a new AI application load balancing technique to categorise tasks and enhancing load balancing performance in the cloud This development and proposal will be experimentally simulated on popular cloud computing simulation environments such as CloudSim, Matlab, GridSim, from the experimental results, we can evaluate the results, proving that the proposed algorithm offers better performance

than other traditional schedule algorithms

Trang 8

DANH MỤC CÁC THUẬT NGỮ, TỪ VIẾT TẮT

MIPS Millions of Instructions Per Second Tốc độ xử lý của CPU

Trang 9

DANH MỤC BẢNG

Bảng 2 1 Kết quả mô phỏng thuật toán FCFS, GA và ACO [21] 31

Bảng 4.1 Thông số cấu hình Datacenter 49

Bảng 4.2 Cấu hình máy ảo 49

Bảng 4.3 Cấu hình thông số các Request 50

Bảng 4.4 Kết quả thực nghiệm mô phỏng với 30 request 51

Trang 10

DANH MỤC HÌNH ẢNH

Hình 1 1 Mô hình điện toán đám mây (theo 3STechBlog) 8

Hình 1 2 Mô hình kiến trúc điện toán đám mây [7] 9

Hình 1 3 Mô hình dịch vụ điện toán đám mây [8] 10

Hình 1 4 Mô hình Cân bằng tải trong điện toán đám mây [11] 11

Hình 1.5 Sơ đồ thiết kế lớp trong CloudSim [15] 17

Hình 1 6 Luồng giao tiếp giữa các thực thể lõi trong CloudSim [16] 19

Hình 1 7 Mối liên hệ giữa AI, ML và DL (theo NVIDIA.com) 20

Hình 1 8 Phân nhóm các thuật toán Machine Learning (theo Data Flair) 21

Hình 2 1 Sơ đồ mã giả thuật toán Min-Min [18] 27

Hình 2 2 Sơ đồ mã giả thuật toán LBMin-Min [18] 28

Hình 2 3 Lưu đồ phân bổ tài nguyên trên cloud [19] 29

Hình 2 4 Khung lập lịch Makespan tối thiểu MMSF [20] 31

Hình 2 5 Các quan sát thực nghiệm của FCFS, GA và ACO [21] 32

Hình 2 6 Mô hình thuật toán LBRS [22] 33

Hình 2 7 Mô hình cân bằng tải trên cloud [24] 35

Hình 3 1 Sơ đồ mô hình nghiên cứu trên Cloud 41

Hình 3 2 Tính toán độ ưu tiên của các request Cloud 42

Hình 3 3 Sơ đồ thuật toán đề xuất k-CTPA 45

Hình 4.1 Biểu đồ so sánh thời gian thực hiện của 5 thuật toán với 30 Request 51

Hình 4.5 Thời gian thực hiện trung bình của 5 thuật toán từ 30-1000 Request 54

Hình 4.6 Thời gian thực hiện lớn nhất của 5 thuật toán từ 30-1000 Request 55

Trang 11

3 Mục tiêu và nhiệm vụ nghiên cứu 3

4 Đối tượng và phạm vi nghiên cứu 3

5 Phương pháp nghiên cứu 4

6 Đóng góp mới của của đề tài 4

7 Cấu trúc của luận văn 5

PHẦN NỘI DUNG 7

CHƯƠNG 1: CƠ SỞ LÝ THUYẾT 7

1.1 Tổng quan về điện toán đám mây 7

1.1.1 Khái niệm về điện toán đám mây 7

1.1.2 Mô hình kiến trúc của điện toán đám mây 8

1.1.3 Mô hình cung cấp dịch vụ của điện toán đám mây 9

1.2 Tổng quan về cân bằng tải trong điện toán đám mây 11

1.2.1 Khái niệm về cân bằng tải 11

1.2.2 Chức năng và ưu điểm cân bằng tải 12

1.2.3 Tham số đo lường cân bằng tải 14

1.2.4 Tác vụ và độ ưu tiên của tác vụ trong cân bằng tải 15

1.3 Bộ mô phỏng điện toán đám mây CloudSim 15

1.3.1 Giới thiệu CloudSim 15

1.3.2 Thiết kế các lớp trong CloudSim 16

1.3.3 Luồng giao tiếp giữa các thực thể lõi trong CloudSim 19

1.4 Một số thuật toán AI có thể ứng dụng vào phân lớp tác vụ theo độ ưu tiên 20

Trang 12

1.4.1 Phân nhóm các thuật toán dựa trên phương thức học 21

1.4.2 Phân nhóm các thuật toán dựa trên chức năng: 24

1.5 Kết luận chương 1 25

CHƯƠNG 2: CÁC CÔNG TRÌNH LIÊN QUAN 26

2.1 Giới thiệu chung 26

3.2 Mô hình nghiên cứu 39

3.3 Thuật toán k-NN và ứng dụng vào phân lớp task dựa trên độ ưu tiên 42

3.4 Thuật toán đề xuất k-CTPA 43

CHƯƠNG 4: KẾT QUẢ THỰC NGHIỆM 48

4.2 Môi trường mô phỏng thực nghiệm 48

4.3 Thực nghiệm và kết quả mô phỏng 51

PHẦN KẾT LUẬN 57

TÀI LIỆU THAM KHẢO 59

Trang 13

PHẦN MỞ ĐẦU

Thế giới chúng ta đang diễn ra cuộc cách mạng công nghiệp lần thứ tư (Industry 4.0), với ngành CNTT là thành phần chủ lực, trong đó điện toán đám mây (Cloud Computing) là một trong những xu hướng, quan tâm hàng đầu của những thành tựu về công nghệ thông tin Các dịch vụ công nghệ trong các lĩnh vực của đời sống hiện nay đều dựa trên các nguồn tài nguyên, cơ cấu vận hành cũng như việc lưu trữ, phân phối và xử lý thông tin của điện toán đám mây

Điện toán đám mây giúp chúng ta chia sẻ dữ liệu và cung cấp thêm nhiều tài nguyên cho người dùng Người dùng chỉ cần trả tiền cho những gì họ sử dụng tùy thuộc vào mục đích sử dụng thông qua kết nối internet thay vì phải mua, sở hữu và bảo trì các trung tâm dữ liệu và các máy chủ mà vẫn có thể tiếp cận các dịch vụ công nghệ, như năng lực tính toán, lưu trữ và cơ sở dữ liệu Đặc biệt với nhu cầu hiện nay của con người việc lưu trữ, sử dụng dịch vụ đám mây ngày càng được phát triển, lượng thông tin lưu trữ ngày càng nhiều dẫn đến việc quá tải, lượng dữ liệu được lưu trữ trên đám mây đang ngày một gia tăng nhanh chóng

Một kỹ thuật góp phần quan trọng giúp cho điện toán đám mây được triển khai thành công đó là kỹ thuật cân bằng tải Nó giải quyết được các vấn đề về chiến lược phân bổ, sự tận dụng tài nguyên tính toán một cách có hiệu quả Khi nói đến cân bằng tải người ta thường nghĩ đến làm thế nào phân phối khối lượng công việc giữa các nút tính toán sao cho cân bằng, ít gây ra sự lãng phí và tận dụng tài nguyên hiệu quả nhất Vì vậy kỹ thuật cân bằng tải trên điện toán đám mây luôn cần được nghiên cứu cải tiến, áp dụng các kỹ thuật tiên phong hiện nay nhằm nâng cao chất lượng dịch vụ cho người dùng và tối ưu hiệu quả kinh doanh của nhà cung cấp dịch vụ

1 Lý do chọn đề tài

Ngày nay điện toán đám mây đã trở thành một nền tảng phổ biến cho các ứng dụng khoa học và đời sống, điện toán đám mây giúp chia sẻ một lượng lớn tài nguyên và thiết bị tính toán, lưu trữ, thông tin và kiến thức cho các nghiên cứu khoa học có liên quan Một trong số các vấn đề, thách thức lớn nhất trong lĩnh vực điện toán đám mây là bài toán lập lịch luồng công việc, đã có một số nghiên cứu được thực hiện trong lĩnh vực thực hiện các bài toán lập lịch luồng công việc để tìm hiểu về cách thực thi, kiểm

Trang 14

tra hiệu suất của các tác vụ được sử dụng trong điện toán đám mây Qua nhiều các nghiên cứu cho thấy hiệu năng của các hệ thống điện toán đám mây phụ thuộc rất nhiều vào việc sắp xếp các tác vụ trong luồng thực thi trên các máy tính trong môi trường đám mây để hoàn thành luồng công việc một cách tối ưu và hiệu quả nhất [1] Nhất là trong điều kiện hiện nay với nhu cầu sử dụng điện toán đám mây ứng dụng vào trong các hoạt động kinh doanh, ứng dụng, website hoặc cho các mục đích cá nhân ngày càng nhiều, dẫn đến số lượng các tác vụ ngày càng tăng làm ảnh hưởng đến việc tải và hiệu suất làm việc của hệ thống Với môi trường điện toán đám mây, khi tiến hành quá trình tải luôn phải đối mặt với nhiều vấn đề cần được xem xét, đó là thuật toán lập lịch công việc cần chú ý đến việc phân loại các tác vụ để thực hiện công việc một cách tốt nhất và nhanh nhất Điện toán đám mây phải đối mặt với nhiều thách thức, một trong số chúng là lập lịch tiến trình công việc phải thực thi [2] Lập lịch dựa theo độ ưu tiên là đề cập đến một tập hợp các chính sách để kiểm soát trình tự công việc được thực hiện bởi một hệ thống máy tính

Nhằm giải quyết các vấn đề cân bằng tải trên môi trường điện toán đám mây và các phương pháp cân bằng tải hiện tại còn có nhiều điểm yếu kém, cần tìm ra và khắc phục những yếu kém hiện tại, cũng như cung cấp dịch vụ chất lượng tốt hơn Chính vì

các lý do cơ bản trên, việc lựa chọn đề tài “Nghiên cứu ứng dụng AI xây dựng thuật

toán phân loại tác vụ dựa trên độ ưu tiên nhằm nâng cao hiệu năng cân bằng tải trên điện toán đám mây” là cần thiết và đáp ứng yêu cầu cấp thiết để góp phần giải quyết

các vấn đề này

Đề tài này sẽ tập trung vào nghiên cứu các thuật toán cân bằng tải, nghiên cứu bộ tham số đánh giá mức độ ưu tiên của tác vụ, các thuật toán có thể áp dụng vào phân lớp tác vụ (tasks classification), nghiên cứu các thuật toán cân bằng tải phổ biến đang được áp dụng hiện nay, từ đó cải tiến bổ sung hoặc đề xuất mới một kỹ thuật cân bằng tải ứng dụng AI nhằm phân loại tác vụ, từ đó nâng cao hiệu năng cân bằng tải trên điện toán đám mây Việc phát triển và đề xuất này sẽ được thực nghiệm mô phỏng trên môi trường mô phỏng điện toán đám mây phổ biến như CloudSim, Matlab, GridSim, … từ kết quả thực nghiệm, ta có thể đánh giá kết quả, chứng minh thuật toán đề xuất mang lại hiệu suất tốt hơn so với các thuật toán lập lịch truyền thống khác

Trang 15

2 Lịch sử nghiên cứu vấn đề

Nghiên cứu nhiều thuật toán cân bằng tải, những công trình của các tác giả trong và ngoài nước liên quan tới cân bằng tải trong điện toán đám mây Trên cơ sở đó đánh giá được hướng nghiên cứu của luận văn là mới và không trùng với những kết quả đã được công bố trước đó Nội dung này được trình bày chi tiết tại Chương 2

3 Mục tiêu và nhiệm vụ nghiên cứu

• Nghiên cứu cân bằng tải trong điện toán đám mây

• Nghiên cứu bộ tham số đánh giá mức độ ưu tiên các tác vụ trong cân bằng tải Nghiên cứu các thuật toán AI có thể ứng dụng vào phân loại tác vụ theo độ ưu tiên, từ đó đưa ra quyết định phân bổ tác vụ (cân bằng tải) phù hợp

nhất ứng với từng loại tài nguyên, mức độ ưu tiên

• Trên cơ sở đó đề xuất thuật toán cân bằng tải mới (kết hợp thuật toán AI),

mô phỏng thực nghiệm bằng công cụ CloudSim

4 Đối tượng và phạm vi nghiên cứu

Đối tượng nghiên cứu

Đối tượng nghiên cứu chính là các tác vụ (Task/Job), độ ưu tiên của tác vụ trong cân bằng tải trên điện toán đám mây

Các thuật toán lập lịch luồng công việc phổ biến, các thuật toán điều phối có độ ưu tiên như: First Come First Serve (FCFS), Shortest Job First (SJF), Priority (P), Round-Robin, Weighted Round-Robin, Max-Min, Throttled,.… vì môi trường đám mây là một hệ thống không đồng nhất và tốc độ của mỗi bộ xử lý luôn thay đổi nhanh chóng nên các thuật toán lập lịch heuristic thích hợp hơn cho môi trường đám mây

Công cụ CloudSim để mô phỏng môi trường điện toán đám mây và đánh giá thuật toán được đề xuất trong đề tài này Công cụ này cung cấp các lớp cơ bản để mô tả các trung tâm dữ liệu, các máy ảo, ứng dụng, tài nguyên tính toán,

Trang 16

Các thuật toán phân loại tác vụ dựa trên độ ưu tiên để tìm ra những nhược điểm tồn tại và đưa ra hướng cải tiến nhằm nâng cao hiệu năng cân bằng tải trên điện toán đám mây

Tiến hành nghiên cứu xây dựng mô phỏng mô hình đám mây ở mức độ nhỏ: khoảng 10-20 máy ảo Độ phức tạp dựa trên mỗi máy ảo chỉ ở mức độ thấp: từ 1-4 ứng dụng trên máy ảo đó Bên cạnh đó xem xét nghiên cứu các thuật toán có độ ưu tiên để áp dụng đưa vào sử dụng trong lập lịch luồng công việc, đối với mỗi yêu cầu (Request) được gửi về máy chủ cũng đơn giản, dung lượng dữ liệu gửi về ở dung lượng nhỏ dưới 1 Mb

5 Phương pháp nghiên cứu

Phương pháp tài liệu

• Tìm các tài liệu, sách, tạp chí chuyên ngành liên quan tới điện toán đám mây, thuật toán cân bằng tải, thuật toán phân loại tác vụ dựa trên độ ưu tiên trên điện toán đám mây, đề xuất cải tiến thuật toán cân bằng tải đã tham khảo

• Tìm tham khảo tài liệu từ những hội thảo, công trình, đề tài, luận văn thực hiện trong và ngoài nước

• Tìm tài liệu, sách liên quan tới công cụ CloudSim dùng mô phỏng môi trường cân bằng tải bằng

Phương pháp thực nghiệm

• Xây dựng, phát triển mô hình thuật toán cải tiến/đề xuất, sau đó thực nghiệm, phân tích, so sánh và đánh giá kết quả thực nghiệm với một số thuật toán cân bằng tải phổ biến hiện nay

6 Đóng góp mới của của đề tài

• Nghiên cứu tổng quát về kỹ thuật cân bằng tải trong điện toán đám mây Thông qua môi trường mô hình mô phỏng điện toán đám mây sử dụng bộ thư viện CloudSim cài đặt và thử nghiệm, dựa trên kết quả thu được tìm ra điểm hạn chế của thuật toán cân bằng tải và từ đó đề xuất thuật toán cải tiến

• Điện toán đám mây như một nền tảng cho các tài nguyên máy tính được cung cấp dịch vụ qua mạng internet cho khách hàng Mục đích của nó là chia sẻ các

Trang 17

thiết bị và tài nguyên quy mô lớn để tính toán, lưu trữ, thông tin và kiến thức cho các nghiên cứu khoa học Có nhiều công việc được yêu cầu thực hiện bởi các nguồn lực sẵn có để đạt được hiệu suất tốt nhất, tổng thời gian hoàn thành tối thiểu, thời gian phản hồi ngắn nhất,… Do các mục tiêu khác nhau và hiệu suất cao đồng thời hiện nay số lượng khách hàng sử dụng điện toán đám mây đang tăng lên theo cấp số nhân cùng với số lượng lớn yêu cầu của người dùng cố gắng cấp quyền thu thập cho nhiều ứng dụng của môi trường máy tính, chúng ta cần thiết kế, phát triển và đề xuất thuật toán phân loại tác vụ dựa trên độ ưu tiên nhằm cải tiến thuật toán cân bằng hiện có trên điện toán đám mây Độ ưu tiên các tác vụ là một trong những vấn đề quan trọng trong môi trường điện toán đám mây Vì một số công việc cần được lên lịch trước sau đó tất cả các công việc còn lại có thể chờ trong thời gian dài

7 Cấu trúc của luận văn

Phần nội dung chính của luận văn gồm có 4 chương:

Chương 1: Cơ sở lý thuyết

Chương 1 sẽ giới thiệu tổng quan về điện toán đám mây và cân bằng tải trên môi trường điện toán đám mây, đồng thời cũng đề cập đến những khái niệm tổng thể về cân bằng tải trên môi trường điện toán đám mây, giới thiệu các thuật toán AI ứng dụng phân loại tác vụ Trong chương này cũng trình bày về công cụ mô phỏng Cloudsim, đây là bộ thư viện mã nguồn mở dùng để hỗ trợ mô hình hóa hệ thống điện toán đám mây và nó sẽ được dùng để mô phỏng trong bài luận văn này

Chương 2: Các công trình liên quan

Chương 2 sẽ tìm hiểu được nhiều thuật toán cân bằng tải, những công trình nghiên cứu trong và ngoài nước liên quan tới cân bằng tải trong điện toán đám mây Từ đó đề xuất phương pháp cải tiến thuật toán cân bằng tải trong điện toán đám mây

Chương 3: Đề xuất giải pháp cải tiến thuật toán

Đánh giá các thuật toán cân bằng tải Đánh giá các thuật toán phân loại tác vụ dựa trên độ ưu tiên

Trang 18

Đề xuất ứng dụng AI xây dựng thuật toán phân loại tác vụ dựa trên độ ưu tiên, thực hiện cải tiến thuật toán cân bằng tải trên điện toán đám mây

Chương 4: Mô phỏng chương trình và đánh giá kết quả

Chương 4 sẽ trình bày về cài đặt mô phỏng thuật toán cân bằng tải được đề xuất ở chương 3 Kết quả thực nghiệm sẽ so sánh với các thuật toán có sẵn

Từ kết quả thực nghiệm mô phỏng sẽ cho thấy một phương pháp mới giải quyết vấn đề cân bằng tải

Trang 19

PHẦN NỘI DUNG

CHƯƠNG 1: CƠ SỞ LÝ THUYẾT1.1 Tổng quan về điện toán đám mây

1.1.1 Khái niệm về điện toán đám mây

Điện toán đám mây (Cloud Computing) xuất hiện vào năm 2007 và được nhiều tổ chức nổi tiếng định nghĩa theo nhiều cách khác nhau Ví dụ như:

• Theo Viện Tiêu chuẩn và Công nghệ Mỹ (NIST – National Institute of Standards & Technology) [3]: “Điện toán đám mây là mô hình dịch vụ cho phép người truy cập tài nguyên điện toán dùng chung (mạng, sever, lưu trữ, ứng dụng, dịch vụ) theo yêu cầu thông qua kết nối mạng, mọi lúc mọi nơi một cách dễ dàng Tài nguyên điện toán đám mây có thể được thiết lập hoặc hủy bỏ nhanh chóng bởi người dùng mà không cần sự can thiệp của nhà cung cấp dịch vụ” • Tổ chức An Ninh Mạng và Thông Tin Châu Âu (ENISA) [4] định nghĩa: “Điện

toán đám mây là mô hình cung cấp dịch vụ theo yêu cầu, nó được triển khai trên công nghệ ảo hóa và công nghệ điện toán phân tán”

• Theo hãng Gartner [5] định nghĩa: “Điện toán đám mây là một công nghệ tính toán có khả năng co giản và mở rộng linh hoạt, các nguồn lực công nghệ có khả năng mở rộng rất lớn và được cung cấp dưới dạng dịch vụ thông là qua công nghệ mạng internet”

• Theo hãng Forrester Research [6]: “Nền tảng điện toán đám mây không chỉ là cơ sở hạ tầng được chia sẻ cho nhiều đối tượng trên tnternet công cộng, nó được triển khai dưới dạng cơ sở hạ tầng như là một dịch vụ với ba tùy chọn Mỗi tùy chọn có đặc điểm và tính kinh tế riêng biệt có thể giúp tối ưu hóa các mục tiêu triển khai ứng dụng và dịch vụ”

Trang 20

Hình 1 1 Mô hình điện toán đám mây (theo 3STechBlog)

Nhìn chung, ta có thể hiểu đơn giản điện toán đám mây là một giải pháp mang tính dịch vụ cho phép cung cấp các tài nguyên CNTT và có khả năng thay đổi linh hoạt theo nhu cầu người dùng “Đám mây – Cloud” là một thuật ngữ minh họa các tài nguyên CNTT có sẵn trên internet, người dùng có thể truy cập tới các tài nguyên đó mà không cần quan tâm tới hạ tầng và công nghệ bên trong nó

1.1.2 Mô hình kiến trúc của điện toán đám mây

Kiến trúc điện toán đám mây [7], [8] gồm có các thành phần chính:

• Hạ tầng (Infrastructure): Cơ sở hạ tầng bao gồm phần cứng và phần mềm như máy chủ, bộ lưu trữ, thiết bị mạng, phần mềm ảo hóa và các tài nguyên lưu trữ khác cần thiết để hỗ trợ mô hình điện toán đám mây

• Lưu trữ (Storage): Lưu trữ là một trong những thành phần quan trọng nhất của điện toán đám mây Nó cung cấp dung lượng lưu trữ khổng lồ trên đám mây để lưu trữ và quản lý dữ liệu

• Quản lý (Management): Phần này giám sát và vận hành các thành phần của điện toán đám mây như ứng dụng, dịch vụ, thời gian thực tài nguyên (Runtime Cloud-cung cấp môi trường thực thi và thời gian chạy cho các máy ảo), lưu trữ, cơ sở hạ tầng và các vấn đề bảo mật khác trong phần phụ trợ và thiết lập sự phối hợp giữa chúng

• Ứng dụng (application): có thể là phần mềm hoặc nền tảng ứng dụng cung cấp cho người dùng truy cập

Trang 21

• Dịch vụ (Service): có 3 thành phần chính là Software as a Service (SaaS) – dịch vụ ứng dụng đám mây; Platform as a Service (PaaS) – dịch vụ nền tảng đám mây; Infrastructure as a Service (IaaS) – Dịch vụ hạ tầng đám mây

• Bảo mật (Security): Bảo mật là một thành phần được tích hợp sẵn bên trong hệ thống, thực hiện cơ chế bảo mật cho các thành phần khác liên quan đến của điện toán đám mây

Hình 1 2 Mô hình kiến trúc điện toán đám mây [7]

1.1.3 Mô hình cung cấp dịch vụ của điện toán đám mây

Điện toán đám mây cung cấp dịch vụ rất đa dạng, các lớp dịch vụ điện toán như cung cấp năng lực tính toán trên lưới, máy chủ hiệu năng cao, máy chủ ảo, không gian lưu trữ, hệ điều hành, công cụ phát triển ứng dụng, ứng dụng quản lý các dịch vụ khá đa dạng, nhưng các mô hình dịch vụ điện toán đám mây được phân chia thành ba nhóm cơ bản [7][8][9][10] như sau:

Trang 22

Hình 1 3 Mô hình dịch vụ điện toán đám mây [8]

• Dịch vụ cơ sở hạ tầng (Infrastructure as a Service - IaaS): nhà cung cấp sẽ triển khai hạ tầng phần cứng (máy ảo (VM), network, vùng lưu trữ,…) trên các hệ thống phân tán và cung cấp như một dịch vụ cho người dung Người dùng không thể biết thông tin hạ tầng thực tế bên trong cloud nhưng họ có toàn quyền truy cập và sử dụng tài nguyên mà họ được sở hữu và mua thêm tài nguyên thêm khi có nhu cầu Ví dụ: Amazon EC2/S3, Elastra, Nirvanix, AppNexus, Microsoft Azue

• Dịch vụ nền tảng (Platform as a Service - PaaS): cung cấp cách thức, các tính năng cần thiết cho việc phát triển ứng dụng trên một nền tảng dịch vụ sẵn có Có 2 dạng hạ tầng được xây dựng phổ biến là hạ tầng ứng dụng trung gian (middleware) dùng trao đổi thông tin và nên tảng máy chủ ứng dụng (application server) được tích hợp sẵn các công cụ nhất định để phát triển ứng dụng [9] Người dùng phát triển ứng dụng mà không cần quan tâm đến thông số phần cứng và công nghệ phần mềm bên dưới Ví dụ: Google App Engine, Openshilt, Salesforce, Microsoft Azure

IaaS PaaS SaaS

Saleforce.com, Rackspace, SAP Business

ByDesign….Etc

Microsoft Azure, Google App Engine,

Force.com…Etc

Amazon’s (EC2), Sun cloud service,

Amazone S3, GoGird…Etc

Trang 23

• Dịch vụ phần mềm (Software as a Service - SaaS): nhà cung cấp tạo ra nhiều ứng dụng cơ bản, hoàn chỉnh và cung cấp dịch vụ để đáp ứng nhu cầu số đông người dùng [9] Ứng dụng có thể lưu trữ trên máy chủ của nhà cung cấp dịch vụ hoặc khách hàng có tải ứng dụng xuống và lưu tại thiết bị đầu cuối Người dùng chỉ việc sử dụng và trải nghiệm dịch vụ mà không cần tìm hiểu giải pháp công nghệ của nhà cung cấp dịch vụ Ví dụ: các ứng dụng Zalo, Telegram, Google (Mail, Doc, Sheets, Translate,…), Viber, OneDrive, DropBox, …

1.2 Tổng quan về cân bằng tải trong điện toán đám mây 1.2.1 Khái niệm về cân bằng tải

Cân bằng tải là kỹ thuật phân bổ lưu lượng truy cập (jobs/tasks) đồng đều giữa hai hay nhiều máy chủ có cùng chức năng trong một hệ thống [11], giúp cho hệ thống giảm thiểu tối đa tình trạng một máy chủ bị quá tải và máy khác trong tình trạng không xử lý tác vụ nào Hoặc khi một máy chủ trong hệ thống gặp sự cố, bộ cân bằng tải sẽ phân phối tác vụ của máy chủ đó cho các máy chủ còn lại, nhằm nâng thời gian đáp ứng của hệ thống lên cao nhất và duy trì hiệu suất hoạt động tổng thể của hệ thống tốt hơn

Hình 1 4 Mô hình Cân bằng tải trong điện toán đám mây [11]

Trang 24

Như vậy cân bằng tải là một phương pháp phân phối khối lượng tác vụ trên nhiều máy chủ hoặc một cụm máy chủ để có thể sử dụng tối ưu các nguồn lực, tối đa hóa thông lượng, giảm thời gian đáp ứng và tránh tình trạng quá tải cục bộ trên một máy chủ tại một thời điểm

Mục đích của kỹ thuật cân bằng tải là cải thiện hiệu năng tổng thể cho toàn bộ hệ thống; giảm thiểu thời gian đợi của tác vụ; có một cơ chế dự phòng trong trường hợp hệ thống bị lỗi, thậm chí một phần; duy trì sự ổn định và thích ứng sự biến đổi trong tương lai của hệ thống; đảm bảo những công việc nhỏ không bị chờ trong thời gian dài; đồng thời cũng phải tránh tình trạng một máy chủ chịu tải lớn trong thời gian dài trong khi những máy chủ khác chỉ chịu tải nhẹ

Cân bằng tải trong điện toán đám mây là một phương pháp để phân phối khối lượng công việc khắp một hay nhiều cụm tính toán, hoặc giữa các nguồn lực tính toán đồ sộ trên mạng được phân tán khắp mọi nơi trên Internet Ngày nay, việc triển khai trung tâm dữ liệu qui mô lớn dựa trên cơ sơ hạ tầng mạng và phần cứng tính toán lớn với khả năng xử lý mạnh mẽ Cân bằng tải và kiến trúc cân bằng tải truyền thống sử dụng các máy chủ để thực hiện, nhưng cân bằng tải trong điện toán đám mây khác với phương thức trước đây về cách thực hiện và kiến trúc Nó được mở rộng hơn về quy mô, có thể là cân bằng giữa các Datacenter, nút tính toán lớn, cụm nút tính toán hay giữa các đám mây với nhau

1.2.2 Chức năng và ưu điểm cân bằng tải

Chức năng của cân bằng tải [12]:

• Giảm lưu lượng mạng đến trang web một cách đáng kể Ngoài ra, thiết bị cân bằng tải có thể là một Proxy hoặc một Firewall ở lớp ứng dụng (Application Layer) và đồng thời là đối tượng đầu tiên có nhiệm vụ chia tải sau khi nhận các yêu cầu Đây được xem như là một trong những chức năng quan trọng của một thiết bị cân bằng tải

• Chức năng chính của cân bằng tải là phân chia lưu lượng thành những yêu cầu tách biệt và chọn ra máy chủ nào nhận các yêu cầu đó Mỗi thuật toán sẽ có từng cách thức khác nhau để tách các lưu lượng cho mỗi máy chủ

Trang 25

• Các máy chủ phải được duy trì trong trạng thái sẵn sàng để đảm bảo quá trình liên lạc với các thiết bị cân bằng tải Quá trình này đồng thời giúp kiểm tra việc máy chủ còn hoạt động hay không

• Cácthiết bị cân bằng tải đã sử dụng kịch bản fail-over nhiều lần để củng cố khả năng dự phòng

• Tiêu chí chia tải của hệ thống bao gồm các khả năng như nhận dạng nội dung phân tán bằng việc đọc URL, chặn cookie và biên dịch XML

Lợi ích của cân bằng tải [12]:

• Khả năng đáp ứng được tăng cường, giải quyết được vấn đề quá tải ở các máy chủ, đảm bảo hệ thống được mở rộng và hoạt động với hiệu suất tốt nhất • Củng cố khả năng dự phòng và độ tin cậy: Ngoài việc nâng cao tính sẵn sàng

cho hệ thống, cân bằng tải còn hỗ trợ người dùng các vấn đề về gián đoạn dịch vụ trong lúc xảy ra lỗi tại nơi cung cấp dịch vụ

• Tính bảo mật: Hệ thống cân bằng tải xử lí các yêu cầu được gửi đến thông qua bộ cân bằng tải, sau đó các yêu cầu này sẽ được chuyển đến các máy chủ bên trong Việc phản hồi cho khách hàng cũng thông qua thành phần cân bằng tải, do đó tính bảo mật được nâng cao vì người dùng cũng không biết chính xác được máy chủ bên trong và cách phân tải được sử dụng Phương pháp này có thể ngăn chặn được các cuộc tấn công mạng và các bên không liên quan đang hoạt động trên các cổng khác bằng cách ẩn thông tin và cấu trúc mạng nội bộ, đồng thời ngăn chặn người dùng giao tiếp trực tiếp với các máy chủ

Ưu điểm của cân bằng tải [12] [13]:

• Tính linh hoạt (Flexibility): Để hiệu năng hoạt động của hệ thống được tối ưu, các máy chủ có thể được bổ sung hoặc loại bỏ bất cứ khi nào cần thiết và đồng thời được duy trì và sửa chữa khi có ít tác động hoặc không có tác động nào tới hệ thống Ngoài ra, cân bằng tải đã sử dụng tập tin cookie, phân tích cú pháp URL, áp dụng các thuật toán tĩnh/động dể trực tiếp điều khiển lưu lượng mạng nhằm tăng hiệu suất chia tải cho hệ thống

• Tính sẵn sàng cao (High availability): Trong một chu kỳ, hệ thống sẽ kiểm tra liên tục mức hoạt động của các máy chủ và tự động “loại” các máy chủ không

Trang 26

phản hồi cũng như thêm máy chủ đó vào hệ thống ngay khi nó hoạt động trở lại Đặc biệt hơn, quá trình này không cần sự hỗ trợ của người quản trị, hoàn toàn tự động và thông qua cơ chế giao tiếp giữa cân bằng tải và các máy chủ Vì vậy, tính dự phòng của hệ thống cân bằng tải luôn sẵn sàng khi có bất kỳ thiết bị nào đó bị hỏng

• Khả năng mở rộng (Scalability): Để phục vụ nhiều máy chủ, cân bằng tải có trách nhiệm chia tải tới một số lượng lớn các máy chủ trong hệ thống Hoạt động này giúp giảm chi phí đáng kể vì chỉ đầu tư khoản chi phí cho nhiều máy chủ nhỏ thay vì tốn chi phí cho các thiết bị chuyên dụng và hệ thống máy chủ lớn Bên cạnh đó, hệ thống có thể thay đổi, tăng, giảm hoặc that thế một cách dễ dàng các máy chủ mà không gây ảnh hưởng đến hiệu suất của hệ thống, giúp

cho hệ thống giữ được tính sẵn sàng trong mọi lúc

1.2.3 Tham số đo lường cân bằng tải

Các thuật toán Cân bằng tải được sử dụng để cải thiện hiệu suất tổng thể của hệ thống đám mây Một số yếu tố chính đánh giá tính thực dụng và hiệu quả của một thuật toán là: Chi phí, khả năng mở rộng, tính linh hoạt và luồng thực thi Trong điện toán đám mây, có nhiều thuật toán cân bằng tải khác nhau đã được đề xuất cho kết quả thông lượng cao và thời gian phản hồi nhanh nhất Về cơ bản, các thuật toán cân bằng tải được phân thành hai: Thuật toán cân bằng tải tĩnh và Thuật toán cân bằng tải động Các tham số đang được ưu tiên xem xét để đo lường trong cân bằng tải hiện nay [14] như sau:

• Thông lượng: được sử dụng để tính toán số lượng các tác vụ mà sự thực thi các tác vụ này đã được hoàn thành Thông lượng nhỏ ảnh hưởng lớn tới cân bằng tải của hệ thống Vì vậy mà trong cân bằng tải nên tăng thông số này để có thể cải thiện hiệu năng của hệ thống

• Hiệu năng: được dùng để kiểm tra hiệu quả của hệ thống Nó phải được cải thiện với chi phí hợp lý, tức là giảm thời gian đáp ứng trong khi vẫn giữ được độ trễ có thể chấp nhận được

• Sự tận dụng nguồn tài nguyên: được dùng để kiểm tra mức độ sử dụng nguồn tài nguyên sẵn có Nó nên được tối ưu để cân bằng tải hiệu quả

Trang 27

• Khả năng mở rộng: là khả năng của một thuật toán để thực hiện cân bằng tải cho một hệ thống với bất kỳ hữu hạn các nút Đo lường này nên được cải thiện • Thời gian đáp ứng là lượng thời gian thực hiện để đáp ứng bởi một thuật toán cân bằng tải cụ thể trong một hệ thống phân tán Tham số này nên được tối thiểu • Khả năng chịu lỗi: khả năng của một thuật toán để thực hiện thống nhất cân bằng tải mặc dù một hay nhiều nút nào đó hoặc liên kết bị lỗi Cân bằng tải phải là kỹ thuật chịu lỗi tốt

• Thời gian di trú: là thời gian di trú các công việc hoặc tài nguyên từ nút này tới nút khác Nó nên được tối thiểu để tăng cường hiệu năng của hệ thống

• Khí thải Carbon: Đây cũng là một thông số quan trọng trong cân bằng tải Việc sử dụng cơ sở hạ tầng càng nhiều thì việc tiêu thụ năng lượng cũng tăng lên Để đo lường trong cân bằng tải người ta cũng tính toán khí thải Carbon Dioxide của tất cả các nguồn tài nguyên trong hệ thống Vì thế để cân bằng tải hiệu quả cũng cần phải hạn chế nhất có thể việc tiêu thụ năng lượng

1.2.4 Tác vụ và độ ưu tiên của tác vụ trong cân bằng tải

Tác vụ (task) là một tiến trình hoặc nhiều tiến trình sẽ được thực thi trên một nút tính toán hiện hữu bởi một máy ảo trong điện toán đám mây [1]

Độ ưu tiên của các tác vụ là việc xác định mức độ ưu tiên của tác vụ cần thực hiện trong lập lịch tác vụ, vì chúng có ảnh hưởng lớn đến chất lượng dịch vụ mà nhà cung cấp dịch vụ cam kết [1] Độ ưu tiên của các tác vụ (priority task) phụ thuộc vào nhiều yếu tố như: khả năng sử dụng CPU, RAM, băng thông, chiều dài và kích thước của mỗi tác vụ, thời gian hoàn thành của mỗi tác vụ…việc xác định mức độ ưu tiên của tác vụ có ảnh hưởng rất lớn đến vấn đề lập lịch/cân bằng tải trong môi trường điện toán đám mây một cách tối ưu

1.3 Bộ mô phỏng điện toán đám mây CloudSim

1.3.1 Giới thiệu CloudSim

Mục này được trình bày dựa theo [15] [16]:

CloudSim (Cloud Simulation) là dự án được phát triển tại đại học Melbourne, Australia CloudSim là một bộ công cụ (thư viện) để mô phỏng các kịch bản điện toán

Trang 28

đám mây Nó cung cấp các lớp học cơ bản để mô tả các trung tâm dữ liệu, các máy ảo, ứng dụng, người dùng, tài nguyên tính toán, và chính sách quản lý của các bộ phận khác nhau của hệ thống (ví dụ như lập kế hoạch và dự phòng)

Các thành phần trong đám mây có thể được đặt lại với nhau cho người sử dụng để đánh giá chiến lược mới trong việc sử dụng của Cloud như chính sách, các thuật toán lập lịch trình, lập bản đồ và chính sách cân bằng tải CloudSim cũng có thể được sử dụng để đánh giá hiệu quả của các chiến lược từ những quan điểm khác nhau, từ chi phí, lợi nhuận để tăng tốc độ thời gian thực hiện ứng dụng

1.3.2 Thiết kế các lớp trong CloudSim

CloudSim gồm các thành phần như: Trung tâm môi giới (Broker), trung tâm dữ liệu, máy ảo, các chính sách cung cấp nguồn tài nguyên, các chính sách quản lý các thành phần khác nhau của hệ thống Các thành phần này giúp người dùng có thể đánh giá các chiến lược mới trong việc sử dụng đám mây như các chính sách, thuật toán lập lịch, ánh xạ và chính sách cân bằng tải… Đánh giá hiệu quả chiến lược về chi phí, lợi nhuận để tăng tốc độ thời gian thực thi ứng dụng Các lớp thư viện của CloudSim giúp người dùng dễ dàng mô phỏng thuật toán, chiến lược trong cân bằng tải phục vụ quá trình nghiên cứu của mình

Thông qua bộ mô phỏng CloudSim đã giải quyết được các vấn đề về việc kiểm tra và thử nghiệm trong điện toán đám mây Ví dụ như tiết kiệm tài nguyên, thời gian, đánh giá được các thuật toán và ứng dụng cân bằng tải trước khi đưa ra môi trường đám mây thực tiễn Như vậy bộ mô phỏng CloudSim giúp cho việc kiểm tra hiệu suất cân bằng tải tốt hơn nhờ vào việc tốn ít thời gian để thử nghiệm và tính linh hoạt của nó

Trang 29

Hình 1.5 Sơ đồ thiết kế lớp trong CloudSim [15]

Hình 1.6 là sơ đồ thiết kế lớp trong CloudSim, mỗi lớp trên sơ đồ trên đều có một vai trò nhất định trong bộ mô phỏng CloudSim Một thành phần CloudSim có thể là một lớp hoặc tập các lớp đại diện một mô hình CloudSim chẳng hạn như Datacenter hay Host Một Datacenter có thể quản lý một vài Host, các Host này sẽ quản lý các máy ảo trong suốt thời gian hoạt động Host là một thành phần trong CloudSim đại diện cho một máy chủ tính toán vật lý trong đám mây Nó được gán một năng lực xử lý, tính bằng triệu lệnh trên giây gọi là MIPS Ngoài ra còn có các thống số như bộ nhớ, lưu trữ và một chính sách cung cấp để phân bổ các core xử lý tới các máy ảo Host trong CloudSim thực hiện giao diện hỗ trợ mô hình và mô phỏng các nút đơn core và đa core

BwProvisioner: Đây là lớp trừu tượng mô hình chính sách cung cấp băng thông cho máy ảo Nó có vai trò chính là phụ trách việc phân bổ băng thông mạng tới một tập máy ảo trên các Datacenter

Cloudlet: Đây là lớp mô hình dịch vụ ứng dụng cơ bản trên đám mây (phân phát nội dung, mạng xã hội và quy trình làm việc doanh nghiệp) CloudSim tổ chức xử lý sự tính toán phức tạp của ứng dụng theo yêu cầu tính toán của nó Mỗi dịch vụ ứng dụng có chiều dài chỉ thị và được gán trước Lớp này được mở rộng để hỗ trợ việc mô hình

Trang 30

hóa các nghiên cứu khác và cả những số liệu thành phần cho các ứng dụng giống như giao dịch trong các ứng dụng hướng đối tượng

Cloudlet Scheduler: Lớp này được mở rộng để thực hiện các chính sách khác nhau để xác định cách chia sẻ nguồn lực xử lý gữa các Cloudlets trong một máy ảo Có hai loại chính sách đó là Space-shared và Time-shared

Datacenter: Đây là lớp mô hình dịch vụ mức lõi cơ sở hạ tầng được cung cấp bởi các nhà cung cấp điện toán đám mây như Amazon, Azure, App Engine Nó bao gồm một tập các host tính toán Các host này có thể đồng nhất hay không đồng nhất về cấu hình phần cứng

DatacenterBroker hay CloudBroker: Đây là lớp mô hình như là nhà môi giới, nó chịu trách nhiệm là như là một trung gian đàm phán giữa các nhà cung cấp SaaS và các nhà cung cấp đám mây, được điểu khiển bởi yêu cầu QoS Nó tìm ra những nhà cung cấp dịch vụ đám mây phù hợp bằng cách yêu cầu dịch vụ thông tin đám mây và đảm nhiệm đàm phán trực tuyến để phân bổ các dịch vụ hay các nguồn tài nguyên để có thể đáp ứng được các yêu cầu QoS của ứng dụng

DatacenterCharacteristics: Lớp này chứa thông tin cấu hình đặc điểm của các nguồn tài nguyên Datacenter

Host: Đây là lớp mô hình nguồn tài nguyên vật lý như một máy chủ tính toán hoặc máy chủ lưu trữ Nó bao gồm những thông tin quan trọng như là số lượng bộ nhớ và lưu trữ, danh sách core và loại core xử lý, đại diện cho một máy tính đa lõi, một chính sách phân bổ chia sẻ năng lực xử lý giữa các máy ảo và chính sách cung cấp bộ nhớ và băng thông cho máy ảo

VM: Đây là lớp mô hình máy ảo, được quản lý và lưu trữ bởi một thành phần lưu trữ đám mây Mỗi thành phần máy ảo có thể truy xuất tới một thành phần lưu trữ kèm theo sau là bộ nhớ truy cập, bộ xử lý, kích thước lưu trữ Ngoài một số lớp nêu trên thì còn một số lớp như CloudCoordinator, Network Topology, RamProvisioner, SanStorage, Sensor, VmAllocation Policy… Đây là những lớp cơ bản, khối xây dựng của bộ mô phỏng CloudSim

Trang 31

1.3.3 Luồng giao tiếp giữa các thực thể lõi trong CloudSim

Hình 1 6 Luồng giao tiếp giữa các thực thể lõi trong CloudSim [16]

Như đã xét ở phần trên ta đã biết Datacenter và DatacenterBroker là hai lớp quan trọng trong bộ mô phỏng CloudSim Datacenter bao gồm một tập các host tính toán, còn DatacenterBroker là nhà môi giới, nó chịu trách nhiệm là trung gian đàm phán giữa các nhà cung cấp SaaS và các nhà cung cấp đám mây Ở hình 1.8: Luồng giao tiếp giữa các thực thể lõi trong CloudSim ta còn đề cập tới CISRegistry Đây là một thực thể dùng để đăng ký nguồn tài nguyên có thể cung cấp, lập chỉ mục và khả năng phát hiện tài nguyên Nó hỗ trợ hai phương thức cơ bản là cho phép thực thể đăng ký chính chúng với CIS và cho phép các thực thể như CloudCoordinator và Broker trong việc phát hiện tình trạng và địa chỉ liên lạc đầu cuối của các thực thể khác Thực thể này thông báo tới các thực thể khác về sự kết thúc mô phỏng

Bắt đầu mô phỏng, mỗi thực thể Datacenter sẽ đăng ký với CIS Sau đó CIS cung cấp các chức năng đăng ký thông tin, dàn xếp dịch vụ để lập bản đồ người dùng hay môi giới để yêu cầu các nhà cung cấp đám mây phù hợp Tiếp theo Datacenter đại diện cho người dùng tham khảo dịch vụ CIS để có được danh sách các dịch vụ từ các nhà cung cấp đám mây sao cho cho phù hợp với yêu cầu chất lượng dịch vụ QoS, phần cứng và phần mềm của ứng dụng Trong trường hợp ngang hàng nhau DatacenterBroker sẽ triển khai ứng dụng với đám mây được đề xuất bởi CIS Luồng giao tiếp được mô tả từ trước

Trang 32

đến nay liên quan tới luồng cơ bản trong một môi trường mô phỏng Một vài thay đổi trong luồng này có thể tùy thuộc vào các chính sách Ví dụ như thông tin từ Broker đến Datacenter có thể yêu cầu từ bộ phận khác của Datacenter, hoặc về số lượng tối đa của máy ảo mà người dùng có thể tạo ra

1.4 Một số thuật toán AI có thể ứng dụng vào phân lớp tác vụ theo độ ưu tiên

Mục này được trình bày dựa theo [17]

Trí tuệ nhân tạo (Artificial Intelligence - AI) cụ thể hơn là Học Máy hoặc Máy Học (Machine Learning), nó là thành phần nồng cốt trong cuộc cách mạng công nghiệp lần thứ tư AI đang được ứng dụng vào mọi lĩnh vực trong đời sống mà có thể chúng ta chưa nhận ra hết những điều đó Các Tập đoàn công nghệ trên thế giới đã tiên phong trong việc ứng dụng công nghệ AI và tạo ra các “kiệt tác” như xe tự hành như Google, Tesla; tự động nhận diện khuôn mặt trong ảnh (TAG); trợ lý ảo trên các nền tảng ứng dụng và thiết bị điện tử, hệ thống “gợi ý” trên các trang mua sắm, giải trí, tin tức,…được ứng dụng phổ biến trên các website hiện nay;…đó là một vài ứng dụng điển hình trong vô vàn những ứng dụng của AI/Machine Learning và chứng được ứng trong các lĩnh vực trong đời sống và khoa học khác

Hình 1 7 Mối liên hệ giữa AI, ML và DL (theo NVIDIA.com)

Trang 33

Machine Learning là một tập con của AI Theo Wikipedia định nghĩa, Machine learning is the subfield of computer science that “gives computers the ability to learn without being explicitly programmed” Thực tế là, Machine Learning là một lĩnh vực nhỏ trong Khoa Học Máy Tính, công nghệ này có khả năng tự học hỏi dựa trên dữ liệu đưa vào mà không cần phải được lập trình cụ thể AI là thành phần thể hiện mục tiêu của con người Machine learning chính là phương tiện được xem là giúp con người đạt được mục tiêu đó

Về cơ bản, các thuật toán Machine learning có hai cách để phân nhóm Một nhóm các thuật toán ML là dựa trên phương thức học (learning style), nhóm thứ hai là dựa trên chức năng hoặc sự tương đồng về hình thức (function/similarity) của các thuật toán ML

Hình 1 8 Phân nhóm các thuật toán Machine Learning (theo Data Flair)

1.4.1 Phân nhóm các thuật toán dựa trên phương thức học

Thuật toán được phân theo phương thức học thường được chia làm 4 nhóm: Supervised learning, Unsupervised learning, Semi-supervised lerning và Reinforcement learning Không có thuật toán nào giải quyết cho tất cả các bài toán Do đó, cách sắp xếp các thuật toán giúp chúng ta chọn thuật toán phù hợp nhất với vấn đề cần giải quyết

+ Nhóm 1: Học có giám sát (Supervised Learning)

Mô hình qua quá trình huấn luyện với tập dữ liệu được gọi là training set, thuật toán học cách chuyển đổi mỗi input (đầu vào) thành label (kết quả) tương ứng Do đó,

Trang 34

dữ liệu của mô hình này cần tin cậy và khách quan Quá trình huấn luyện tiếp tục cho đến khi mô hình đạt được mức độ mong muốn Supervised learning là nhóm phổ biến nhất trong các thuật toán Machine Learning

Học có giám sát còn được tiếp tục chia nhỏ ra thành hai loại:

Phân loại (Classification): Một bài toán được gọi là classification khi kết quả đầu ra là một tập hữu hạn và rời rạc Một số thuật toán điển hình như: cây quyết định, Support Vector Machines Ví dụ: đầu vào là những bình luận, kết quả là sếp loại tích cực, tiêu cực, bình thường

Hồi quy (Regression): Nếu kết quả đầu ra là một dãi giá trị liên tục Ví dụ: một bài toán dự đoán điểm tin cậy trong [0; 1], thể hiện xác suất một người sẽ trả các khoản vay hay không

+ Nhóm 2: Học không giám sát (Unsupervised Learning)

Mô hình này chỉ cần dữ liệu đầu vào mà không cần dữ liệu đầu ra, nhiệm vụ của mô hình là tìm ra các kết quả ẩn nằm trong dữ liệu Thuật toán được sử dụng trong việc khám phá cấu trúc và mối quan hệ của dữ liệu

Một cách toán học, Unsupervised learning là khi chúng ta chỉ có dữ liệu vào X mà không biết nhãn Y tương ứng

Khó khăn trong học không giám sát là việc định nghĩa bài toán Việc không tập trung vào một mục tiêu cụ thể có thể khiến cho mô hình cho ra những kết quả mơ hồ nhưng bù lại chúng ta không cần dán nhãn cho dữ liệu

Mô hình còn được chia nhỏ thành hai loại:

Clustering (phân nhóm): tìm các mẫu dữ liệu tương tự nhau và nhóm vào thành các cụm từ tập dữ liệu ban đầu Một ví dụ về thuật toán phân cụm là k-Means, trong đó k đại diện cho số cụm cần tìm trong dữ liệu Một ví dụ điển hình của các thuật toán xấp xỉ phân phối là thuật toán xấp xỉ mật độ nhân (Kernel Density Estimation) trong đó sử dụng một nhóm nhỏ mẫu dữ liệu có liên quan chặt chẽ với nhau để tìm cách xấp xỉ phân phối cho các điểm mới trong không gian dữ liệu của bài toán

Trang 35

Association (Kết hợp): hướng tới việc khám phá ra quy luật trong tập dữ liệu Một thuật toán điển hình là Apriori Thuật toán được sử dụng để tạo ra các quy tắc kết hợp từ một tập dữ liệu đã cho Hoạt động theo cách nếu một tập hợp mục (item set) xảy ra thường xuyên thì tất cả các tập hợp con của tập hợp mục (item set) đó cũng xuất hiện thường xuyên và ngược lại Ví dụ: nếu mọi người mua một iPhone thì họ cũng mua một miếng dán màn hình để bảo vệ nó

+ Nhóm 3: Học bán giám sát (Semi-Supervised Learning)

Học bán giám sát là sự pha trộn giữa học có giám sát và không giám sát Pha trộn một lượng nhỏ dữ liệu có nhãn và một lượng lớn hơn các dữ liệu không có nhãn giúp giảm gánh nặng trong các bài toán không có nhiều dữ liệu

Mục tiêu của mô hình học bán giám sát là tận dụng hiệu quả của toàn bộ dữ liệu có được, không chỉ các dữ liệu đã được gán nhãn mà cả các dữ liệu chưa được gán nhãn Thông thường, điều này sẽ làm tăng tính chính xác của mô hình xây dựng được Để làm được điều này, mô hình học bán giám sát thường kết hợp cả các thuật toán học không giám sát lẫn có giám sát Các mô hình học không giám sát như phân cụm hoặc xấp xỉ phân phối được sử dụng để tìm ra các mẫu và nhóm dữ liệu, và các nhóm dữ liệu này sau đó sẽ được sử dụng để gán nhãn dựa trên các thuật toán học có giám sát

Học bán giám sát rất hiệu quả trong nhiều bài toán thực tế, khi tài nguyên sử dụng để gán nhãn dữ liệu rất tốn kém Chẳng hạn trong các bài toán thị giác máy tính (dữ liệu ảnh), xử lý ngôn ngữ tự nhiên (dữ liệu văn bản), nhận dạng giọng nói (dữ liệu âm thanh) Học bán giám sát có thể làm tăng độ chính xác cho các mô hình học có giám sát bằng cách tận dụng thông tin từ các dữ liệu không gán nhãn Các dữ liệu này vốn rất phổ biến trên môi trường Internet và có thể dễ dàng kiếm được hơn là số lượng hạn chế các dữ liệu có gán nhãn

+ Nhóm 4: Học Củng Cố (Reinforcement Learning)

Học củng cố là cách tiếp cận không sử dụng nhãn của dữ liệu mà giúp mô hình học thông qua tự động xác định hành vi lý tưởng trong một bối cảnh cụ thể để tối đa hóa hiệu suất Mô hình này tương tự với mô hình học có giám sát ở chỗ nó đều dựa trên các phản hồi để học, tuy nhiên phản hồi trong mô hình học củng cố không có sẵn trong dữ

Trang 36

liệu được cung cấp mà được thu nhận từ môi trường và do đó nó có thể có độ trễ nhất định hoặc chứa nhiều nhiễu Điều này làm cho mô hình khó khăn trong việc kết nối giữa hành động và phản hồi một cách chính xác, ngay lập tức và cần một thời gian tương đối để thực hiện huấn luyện Mô hình này được áp dụng nhiều trong lý thuyết trò chơi, các thuật toán cần xác định nước đi tiếp theo để đạt được điểm số cao nhất

1.4.2 Phân nhóm các thuật toán dựa trên chức năng:

Trong phân nhóm thứ 2 này, các thuật toán ML được phân nhóm theo sự tương đồng về chức năng của chúng như sau:

+ Nhóm thuật toán hồi quy Regression, thuật toán hồi quy liên quan đến việc mô hình hóa mối quan hệ giữa các biến, chúng ta sử dụng để tinh chỉnh để đo lỗi trong các dự đoán được đưa ra bởi mô hình, vì thế chúng ta có thể sử dụng hồi quy để chỉ lớp vấn đề và lớp thuật toán, bao gồm các thuật toán như Linear Regression, Logistic Regression, Stepwise Regression, Ordinary Least Squares Regression (OLSR), Multivariate Adaptive Regression Splines (MARS), Locally Estimated Scatterplot Smoothing (LOESS)

+ Nhóm thuật toán phân lớp Classification như Linear Classifier, Support Vector Machine (SVM), Kernel SVM, Sparse Representation-based classification (SRC)

+ Nhóm thuật toán Instance-based như k-Nearest Neighbor (kNN), Learning Vector Quantization (LVQ)

+ Nhóm thuật toán Regularization: Ridge Regression, Least Absolute Shrinkage and Selection Operator (LASSO), Least-Angle Regression (LARS)

+ Nhóm thuật toán Bayesian, là phương pháp áp dụng Định lý Bayes cho các vấn đề là phân loại và hồi quy có các thuật toán như Naive Bayes, Gaussian Naive Bayes, Multinomial Naive Bayes

+ Nhóm thuật toán phân cụm Clustering, giống như hồi quy, mô tả lớp vấn đề và lớp phương thức Các phương pháp Clustering được tổ chức theo mô hình hóa dựa trên centroid và phân cấp Các thuật toán phổ biến nhất như k-Means, k-Medians, Expectation Maximization (EM)

Trang 37

+ Nhóm thuật toán mạng nơ ron nhân tạo Artificial Neural Network, đây là mô hình được lấy cảm hứng từ cấu trúc của mạng lưới thần kinh sinh học Vì nó kết hợp hàng trăm thuật toán và biến thể Các thuật toán phổ biến nhất là Perceptron, Softmax Regression, Multi-layer Perceptron, Back-Propagation

+ Nhóm thuật toán giảm kích thước Dimensionality Reduction, giống như các phương pháp phân cụm, giảm kích thước tìm kiếm cấu trúc vốn có trong dữ liệu Các thuật toán như Principal Component Analysis (PCA), Linear Discriminant Analysis (LDA)

+ Nhóm thuật toán kết hợp Ensemble, các thuật toán như Boosting, Bootstrapped Aggregation (Bagging), AdaBoost, Random Forest, Gradient Boosting Machines (GBM), Gradient Boosted Regression Trees (GBRT)

1.5 Kết luận chương 1

Chương 1 đã giới thiệu tổng quan về điện toán đám mây và cân bằng tải trên môi trường điện toán đám mây, đồng thời cũng đề cập đến những khái niệm tổng thể về cân bằng tải trên môi trường điện toán đám mây, giới thiệu một số thuật toán AI có thể ứng dụng vào phân lớp tác vụ theo độ ưu tiên Qua đó khẳng định tính cấp thiết của luận văn là quan trọng và cấp thiết Trong chương này cũng trình bày về công cụ mô phỏng Cloudsim, đây là bộ thư viện mã nguồn mở dùng để hỗ trợ mô hình hóa hệ thống điện toán đám mây và nó sẽ được dùng để mô phỏng trong bài luận văn này Chương kế tiếp sẽ trình bày và phân tích một số công trình, thuật toán cân bằng tải trên môi trường điện toán đám mây

Trang 38

CHƯƠNG 2: CÁC CÔNG TRÌNH LIÊN QUAN 2.1 Giới thiệu chung

Chương này giới thiệu các công trình liên quan, có tính ứng dựng vào trong đề tài gồm các công trình của Việt Nam và trên thế giới Các công trình này đề xuất các kỹ thuật phân bổ tài nguyên, cải thiện việc lập lịch tác vụ trong cloud, tối ưu hóa thời gian đáp ứng và thời gian xử lý,….trong cloud, qua nghiên cứu các công trình ấy giúp cũng cố thêm cơ sở lý thuyết cho đề tài, giúp đề tài có tính chuyên môn cao hơn Ngoài ra các nghiên cứu này cũng giúp phần định hình hướng nghiên cứu của đề tài

2.2 Các công trình quốc tế

Năm 2013, Huankai Chen và các tác giả, đã công bố cải tiến thuật toán “Min-Min Scheduling” (thuật toán lập lịch Min-Min) theo tính ưu tiên người dùng trong việc cân bằng tải trên điện toán đám mây [18] Bài báo này nhấn mạnh về sự mất cân bằng trong tải, là vấn đề chính của đám mây, đồng thời đưa ra thuật toán Min-Min để giảm khoảng trống và tăng hiệu suất sử dụng tài nguyên (LBIMM), và thuật toán nâng cao của nó dựa trên ưu tiên người dùng là thuật toán PA-LBIMM Công trình nghiên cứu này được cài đặt và kiểm nghiệm trên môi trường giả lập MathLab, kết quả đạt được đã cải thiện 20% đối với người dùng đặc biệt (VIP) và tăng hiệu quả làm việc trên cloud thấy rõ

Trong bài báo này, đề cập tới thuật toán Min-Min truyền thống: là một trong những thuật toán cơ bản trong việc phân bổ nguồn tài nguyên trên đám mây Nó bắt đầu bằng một tập S bao gồm các tác vụ chưa được ánh xạ Từ đó tìm ra tài nguyên R mà tốn ít thời gian nhất để thực hiện tất cả các tác vụ trên Sau đó, tác vụ T mới kích thước nhỏ nhất sẽ được chọn ra và được phân bổ theo nguồn tài nguyên R Cuối cùng, tác vụ T sẽ bị xóa khỏi tập các tác vụ S, và sẽ lặp đi lặp lại cho đến khi hết tác vụ Sơ đồ mã giả của thuật toán Min-Min được thể hiện ở hình sau:

Trang 39

Hình 2 1 Sơ đồ mã giả thuật toán Min-Min [18]

Nghiên cứu chỉ ra rằng, từ kết quả thực nghiệm thì thuật toán Min-Min phải đối mặt với nhiều thách thức, và không đạt được hiệu quả khi sử dụng tối đa nguồn tài nguyên, và dẫn tới việc cân bằng tải không tốt Do không có độ ưu tiên trong quá trình phân bổ, nên một số người dùng đặc biệt (VIP users) sẽ không được đảm bảo cung cấp dịch vụ tốt hơn, dẫn tới người dùng đặc biệt sẽ cảm thấy không thoải mái Thuật toán LBIMM được đề xuất với mục tiêu tối ưu hóa cân bằng tải của Min-Min, nhằm tăng khả năng sử dụng nguồn tài nguyên hiệu quả, với các nguồn tài nguyên có tải nhẹ hay trạng thái chờ thì chia sẻ ra và giải phóng các nguồn lực có tải nặng Song song đó, độ ưu tiên của người dùng cũng được đề xuất trong thuật toán PA-LBIMM nhằm theo dõi và đảm bảo cho các khách hàng quan trọng có thể sử dụng dịch vụ tốt hơn người dùng thông thường Thuật toán LBIMM (Load Balance Improved Min-Min) dựa trên tính chất của thuật toán Min-Min Do điểm yếu nhất của Min-Min là không quan tâm tới các tải của các tài nguyên Do vậy, sẽ có một số tài nguyên luôn bận và một số luôn rảnh LBIMM sẽ cải tiến việc cân bằng tải của Min-Min và giảm thời gian thực thi ở các tài nguyên Bắt đầu giống như Min-Min, nhưng ở bước thứ 2, thuật toán này sẽ chọn những tác vụ có kích thước nhỏ nhất trong nhóm tài nguyên có tải lớn nhất và tính toán ra thời gian hoàn tất các tác vụ đó Và thời gian hoàn tất nhỏ nhất sẽ được so sánh với tính toán ở thuật toán Min-Min Nếu nhỏ hơn Min-Min,

1 For all submitted tasks in the set; Ti 2 For all resources; Rj

3 Ctij=Etij+rtj; End For; End For; 4 Do while tasks set is not empty

5 Find task Tk that cost minimum execution time 6 Assign Tk to the resource Rj which gives

minimum expected complete time

7 Remove Tk from the tasks set 8 Update ready time rtj for select Rj 9 Update Cij for all Ti

Trang 40

thì tác vụ sẽ được giao lại cho nguồn tài nguyên mà nó sinh ra, và thời gian sẵn sàng cho các tài nguyên sẽ được cập nhật Quá trình sẽ được lặp lại cho đến khi không còn tài nguyên nào mà có thời gian thực hiện nhỏ nhất mà tài nguyên đó có tải lớn Sơ đồ mã giả như sau:

Hình 2 2 Sơ đồ mã giả thuật toán LBMin-Min [18]

Vào năm 2016, Syed Hamid Hussain Madni cùng các cộng sự đã nghiên cứu và đánh giá các kỹ thuật về việc phân phối tài nguyên trên môi trường đám mây [19] Trong bài báo này, các tác giả đã chỉ ra rằng có hai nhân tố chính trong môi trường đám mây là nhà cung cấp dịch vụ và người sử dụng cloud Bên cạnh đó thì các nhà cung cấp dịch vụ cloud nắm giữ trên tay rất nhiều nguồn tài nguyên Các tài nguyên này nằm rải rác ở các trung tâm dữ liệu, và cho người dung thuê hay mướn các tài nguyên theo tiêu chí dùng bao nhiêu thì trả bấy nhiêu nhằm mục đích tối đa hóa lợi nhuận cho nhà cung cấp Mặt khác người dung cloud có nhiều ứng dụng khác nhau với các tải làm việc khác nhau và thuê nguồn tài nguyên cloud để chạy các ứng dụng đó với chi phí thấp nhất Một

1 For all submitted tasks in the set; Ti

2 For all resources; Rj

3 Ctij=Etij+rtj; End For; End For;

4 Do while tasks set is not empty

5 Find task Tk that cost minimum executiontime.

6 Assign Tk to the resource Rj which givesminimum expected complete time

7 Remove Tk from the tasks set

8 Update ready time rj for select Rj

9 Update Cij for all Ti

10 End Do

11 //Rescheduling to balance the load

12 Do while the most heavy load resource isconsidered no need for rescheduling

13 Find task Ti that cost minimum execution timeon the heavy load resource Rj

14 Find the minimum completion time of Ti produced by resource Rk

15 If such minimum completion time < makespan

16 Reassign Task Ti to Resource Rk

17 Update the ready time of both Rj and Rk

18 End If 19 End Do

20 //where Makespan represents maximumcompletion time of all tasks which

equals to thecompletion time of the most heavy load resource