Nghiên cứu một số vấn đề lập lịch trên môi trường tính toán đám mây.

NHỮNG ĐÓNG GÓP MỚI CỦA LUẬN ÁN   ·        Đề xuất các thuật toán lập lịch công việc thời gian thực áp dụng cho lớp các bài toán song song trên tính toán đám mây. Chúng tôi phát triển thêm tham số chi phí và kết hợp với xử lý song song để đưa ra lịch trình tối ưu về chi phí và thời gian cho các yêu cầu người dùng. ·        Xây dựng mô hình và bài toán lập lịch công việc trên nhà cung cấp PaaS theo hướng tối ưu đa mục tiêu dựa trên hai heuristic ACO và PSO. ·        Luận án kết hợp kỹ thuật xử lý song song, heuristic ACO và heuristic PSO để xây dựng công thức tính hàm cực tiểu, thông tin heuristic và xác xuất của mỗi con kiến; xây dựng hàm thích nghi, vị trí tối ưu cục bộ của mỗi cá thể và vị trí tối ưu toàn cục của cả bầy đàn. Trên cơ sở đó, chúng tôi xây dựng bài toán và đề xuất các thuật toán kiểm soát đầu vào và lập lịch theo hướng tối ưu đa mục tiêu về chi phí và thời gian cho nhà cung cấp SaaS và người dùng

ĐẠI HỌC HUẾ TRƯỜNG ĐẠI HỌC KHOA HỌC NGUYỄN HOÀNG HÀ NGHIÊN CỨU MỘT SỐ VẤN ĐỀ LẬP LỊCH TRÊN MÔI TRƯỜNG TÍNH TOÁN ĐÁM MÂY LUẬN ÁN TIẾN SĨ KHOA HỌC MÁY TÍNH HUẾ - NĂM 2016 MỤC LỤC Lời cam đoan Lời cảm ơn Danh mục từ viết tắt Danh mục ký hiệu Danh mục bảng biểu Danh mục hình vẽ Mở đầu Chương Tổng quan vấn đề lập lịch tính toán đám mây 1.1 Tổng quan tính toán đám mây 1.1.1 Giới thiệu 1.1.2 Đặc điểm tính toán đám mây 1.1.3 Kiến trúc tính toán đám mây 1.1.4 Các mô hình tính toán đám mây 1.1.5 Các thách thức tính toán đám mây 1.2 Công cụ mô tính toán đám mây 1.2.1 Giới thiệu 1.2.2 Một số công cụ mô tính toán đám mây 1.2.3 Công cụ mô CloudSim 1.3 Bài toán lập lịch tính toán đám mây 1.3.1 Giới thiệu 1.3.2 Mô hình tổng quát để lập lịch trung tâm liệu 1.3.3 Sự khác lập lịch TTĐM so với hệ thống khác 1.3.4 Các phương pháp lập lịch 1.3.5 Mô hình kinh tế cho toán lập lịch 1.4 Các nghiên cứu liên quan đến lập lịch tính toán đám mây 1.4.1 Lập lịch tĩnh động 1.4.2 Lập lịch heuristic 1.4.3 Lập lịch luồng công việc 1.4.4 Lập lịch công việc thời gian thực 1.5 Mục tiêu nội dung luận án 1.6 Tiểu kết Chương Chương Lập lịch công việc thời gian thực tính toán đám mây 2.1 Mô hình lập lịch truyền thống 2.1.1 Mô hình máy tham gia lập lịch 2.1.2 Mô hình công việc 2.1.3 Mô tả mục tiêu toán iii i ii iv v vi vii 5 8 10 11 11 11 12 15 15 16 18 19 20 24 24 25 26 27 28 29 30 30 31 31 32 Nghiên cứu số vấn đề lập lịch môi trường tính toán đám mây 2.2 Mô hình lập lịch công việc thời gian thực 2.2.1 Mô tả toán 2.2.2 Mô hình toán học cho toán 2.2.3 Mục tiêu tối ưu chi phí 2.2.4 Mục tiêu tối ưu thời gian 2.3 Mô hình tối ưu kinh tế 2.4 Thuật toán lập lịch hệ thống thời gian thực 2.4.1 Thuật toán lập lịch tối ưu thời gian 2.4.1.1 Thuật toán CT O 2.4.1.2 Thuật toán M IN C 2.4.1.3 Phân tích thuật toán CT O M IN C 2.4.1.4 Mô đánh giá thuật toán 2.4.2 Thuật toán lập lịch tối ưu chi phí 2.4.2.1 Thuật toán T CO 2.4.2.2 Mô đánh giá thuật toán 2.5 Tiểu kết Chương Chương Lập lịch công việc theo hướng tối ưu đa mục tiêu 32 33 35 37 37 37 39 39 40 43 45 46 50 51 53 56 tính toán đám mây 3.1 Mô hình lập lịch theo hướng tối ưu đa mục tiêu 3.1.1 Mô hình người dùng 3.1.2 Mô hình nhà cung cấp IaaS 3.1.3 Mô hình nhà cung cấp SaaS 3.1.4 Mô hình nhà cung cấp PaaS 3.2 Xây dựng toán theo hướng tối ưu đa mục tiêu 3.2.1 Tối ưu hóa đàn kiến (ACO) 3.2.2 Tối ưu hóa bầy đàn (P SO) 3.3 Thuật toán lập lịch tối ưu đa mục tiêu dựa ACO 3.3.1 Phát biểu toán 3.3.2 Thuật toán lập lịch tối ưu đa mục tiêu chi phí 3.3.2.1 Thuật toán ACACO 3.3.2.2 Thuật toán M prof it 3.3.2.3 Phân tích thuật toán ACACO M prof it 3.3.2.4 Mô đánh giá thuật toán 3.3.3 Thuật toán lập lịch tối ưu đa mục tiêu thời gian 3.3.3.1 Thuật toán ACT ACO 3.3.3.2 Áp dụng thuật toán M prof it 3.3.3.3 Mô đánh giá thuật toán 3.4 Thuật toán lập lịch tối ưu đa mục tiêu dựa P SO 3.4.1 Phát biểu toán 3.4.2 Thuật toán tối ưu ACP SO 58 58 59 60 61 61 63 64 68 73 73 74 74 76 77 78 83 84 85 85 88 89 89 iv Nghiên cứu số vấn đề lập lịch môi trường tính toán đám mây 3.4.2.1 Thuật toán ACP SO 3.4.2.2 Áp dụng thuật toán M prof it 3.4.2.3 Phân tích thuật toán ACP SO 3.4.2.4 Mô đánh giá thuật toán 3.5 Tiểu kết Chương Kết luận Danh mục công trình khoa học tác giả liên quan đến Tài liệu tham khảo v 90 91 91 92 95 97 luận án 99 100 Nghiên cứu số vấn đề lập lịch môi trường tính toán đám mây DANH MỤC CÁC TỪ VIẾT TẮT Viết tắt Dạng đầy đủ Diễn giải ý nghĩa ACACO Admission Control by using ACO Kiểm soát đầu vào cách sử dụng ACO ACO Ant Colony Optimization Tối ưu hóa đàn kiến ACPSO Admission Control by using PSO Kiểm soát đầu vào cách sử dụng PSO API Application Programming Inter- Giao diện lập trình ứng dụng face CIS Cloud Information Services Các dịch vụ thông tin đám mây CTO Cost-Time Optimization Tối ưu thời gian chi phí EDF Earliest Deadline First Ưu tiên thời hạn sớm GA Genetic Algorithm Thuật toán di truyền GIS Geographical Information System Hệ thống thông tin địa lý IaaS Infrastructure as a Service Cơ sở hạ tầng dịch vụ MCT Minimum Completion Time Thời gian hoàn thành nhỏ MET Minimum Execution Time Thời gian thực nhỏ MI Million Instructions Triệu thị MIPS Million Instructions Per Second Triệu thị giây Mprofit Maximum Profit Lợi nhuận lớn OLB Opportunistic Load Balancing Cân tải hội PaaS Platform as a Service Nền tảng dịch vụ PSO Particle Swarm Optimization Tối ưu hóa bầy đàn QoS Quality of Service Chất lượng dịch vụ SaaS Software as a Service Phần mềm dịch vụ SLA Service Level Agreement Thỏa thuận dịch vụ TCO Time-Cost Optimization Tối ưu chi phí thời gian TSP Travelling Salesman Problem Bài toán người du lịch VMs Virtual Machines Các máy ảo vi Nghiên cứu số vấn đề lập lịch môi trường tính toán đám mây DANH MỤC CÁC KÝ HIỆU Ký hiệu Diễn giải ý nghĩa R Tập tài nguyên T Tập yêu cầu người dùng X Tập nhà cung cấp tài nguyên IaaS γ Mục tiêu toán Cmin Mục tiêu chi phí nhỏ Tmin Mục tiêu thời gian thực nhỏ F Hàm cực tiểu η Thông tin heuristic τ Mùi để lại kiến P Xác suất pos Vị trí cá thể fcost (ti ) Hàm mục tiêu chi phí cho yêu cầu ti ftime (ti ) Hàm mục tiêu thời gian cho yêu cầu ti Fcost (pos) Hàm thích nghi chi phí vị trí pos Ftime (pos) Hàm thích nghi thời gian vị trí pos Scost (x) Hàm tính tổng chi phí phút thứ x Scycle (x) Hàm tính tổng chu phút thứ x P best Vị trí tối ưu cục Gbest Vị trí tối ưu toàn cục vmjx Máy ảo thứ j nhà cung cấp x vii Nghiên cứu số vấn đề lập lịch môi trường tính toán đám mây DANH MỤC BẢNG BIỂU 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 Chi phí tốc độ ban đầu tài nguyên Chi phí tốc độ tài nguyên sau phân nhóm theo tốc độ Chi phí tốc độ tài nguyên sau xếp theo chi phí Mảng kết xác định số lượng tài nguyên cho yêu cầu CT O Các thông số mô CloudSim Chi phí tốc độ ban đầu tài nguyên Chi phí tốc độ tài nguyên phân nhóm theo chi phí Chi phí tốc độ tài nguyên sau xếp theo tốc độ Mảng kết đưa thuật toán T CO viii 41 41 41 43 47 52 52 52 53 Nghiên cứu số vấn đề lập lịch môi trường tính toán đám mây DANH MỤC HÌNH VẼ 1.1 1.2 1.3 1.4 1.5 1.6 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 2.10 3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8 3.9 3.10 3.11 3.12 3.13 3.14 3.15 3.16 3.17 3.18 3.19 3.20 Mối quan hệ hệ thống phân tán với TTĐM Kiến trúc TTĐM Biểu đồ lớp CloudSim Mô hình lập lịch CloudSim Mô hình hệ thống để lập lịch TTĐM Các phương pháp lập lịch Ánh xạ đồng thời t1 t2 vào tài nguyên r1 r3 Ánh xạ đồng thời t1 t2 vào tài nguyên r1 r2 So sánh tổng thời gian thuật toán thay đổi số yêu cầu So sánh tổng chi phí thuật toán thay đổi số yêu cầu So sánh tổng thời gian thực thuật toán thay đổi ρ So sánh tổng chi phí thuật toán thay đổi ρ So sánh tổng chi phí thuật toán thay đổi số yêu cầu So sánh tổng thời gian thuật toán thay đổi số yêu cầu So sánh tổng chi phí thuật toán thay đổi ρ So sánh tổng thời gian thực thuật toán thay đổi ρ Mô hình tổng quát thành phần TTĐM Mô hình tổng quát thuật toán ACO Minh họa P SO Thuật toán P SO Tổng chi phí thuật toán cố định số lượng yêu cầu Tổng số yêu cầu bị phạt thuật toán cố định số lượng yêu cầu Tổng yêu cầu bị phạt thuật toán thay đổi số lượng yêu cầu Tổng chi phí thuật toán thay đổi số lượng yêu cầu Tổng chi phí thuật toán thay đổi số lượng máy ảo Tổng thời gian thuật toán thay đổi số lượng máy ảo So sánh tổng thời gian thuật toán cố định số yêu cầu So sánh tổng chi phí thuật toán cố định số yêu cầu So sánh tổng số yêu cầu bị phạt thuật toán cố định số yêu cầu So sánh tổng thời gian thuật toán thay đổi số yêu cầu Tổng chi phí thuật toán thay đổi số yêu cầu So sánh tổng số yêu cầu bị phạt thay đổi số yêu cầu Tổng chi phí thuật toán cố định số yêu cầu Tổng lợi nhuận thuật toán cố định số yêu cầu Tổng chi phí thuật toán thay đổi số yêu cầu Tổng lợi nhuận thuật toán thay đổi số yêu cầu ix 13 15 17 20 35 35 48 48 50 50 54 54 55 56 59 65 69 70 80 81 81 82 82 83 86 86 87 88 88 89 93 93 94 95 Nghiên cứu số vấn đề lập lịch môi trường tính toán đám mây MỞ ĐẦU Lý chọn đề tài Tính toán đám mây (TTĐM) đời xuất phát từ nhu cầu tính toán yêu cầu dịch vụ với chi phí thấp người sử dụng Thực tế, tổ chức, quan doanh nghiệp đối mặt với thử thách sau: (1) Khối lượng liệu xử lý lớn, công ty lưu trữ thông tin địa lý (GIS), thông tin biến đổi khí hậu khu vực, công ty tài chính, chứng khoán, v.v.; (2) Tính toán nhiều (computation intensive), công ty phân tích thị trường, phân tích không gian, phân tích mạng cần thời gian tính toán nhanh, v.v.; (3) Chi phí trang bị phần mềm cao, cá nhân tổ chức nhỏ mong muốn phát triển công nghệ phần mềm thương mại Do đó, tổ chức cần tìm giải pháp có lực tính toán mạnh mẽ chi phí thấp Hiện có cách để giải vấn đề này: • Thứ nhất: nâng cấp sở hạ tầng để tính toán mua thêm máy chủ, máy trạm, siêu máy tính, phần mềm cài thiết bị, v.v Rõ ràng cách cần đầu tư chi phí lớn tốn nhiều nguồn nhân lực để điều hành hệ thống • Thứ hai: tận dụng nguồn tài nguyên nhàn rỗi tổ chức thuê nguồn tài nguyên từ bên Cách giải thứ hai mục tiêu TTĐM TTĐM xem phần cứng, phần mềm dịch vụ, thông qua Internet người dùng chia sẻ tài nguyên (đám mây cộng đồng) thuê tài nguyên thông qua dịch vụ trả tiền sử dụng (đám mây công cộng) Việc sử dụng dịch vụ TTĐM giống dùng dịch vụ lưới điện, người dùng cắm điện vào dùng trả tiền theo số KW tiêu thụ Chính công nghệ mạng truyền thông phát triển mạnh mẽ năm qua giúp cho việc sử dụng dịch vụ TTĐM dần trở thành thực TTĐM phát triển tính toán phân tán, gặp phải nhiều thách thức lớn cần phải giải Hiện nay, ngày có nhiều nhà cung cấp dịch vụ TTĐM, nhà cung cấp có sách quản lý tài nguyên khác Các tài nguyên đa dạng, không đồng khác mặt kiến trúc, giao diện, khả xử lý, v.v Sử dụng hiệu nguồn tài nguyên Nghiên cứu số vấn đề lập lịch môi trường tính toán đám mây hoàn toàn không dễ dàng Tại thời điểm có nhiều người dùng yêu cầu dịch vụ TTĐM, người dùng có yêu cầu ràng buộc khác Vì vậy, để đưa lịch trình tối ưu cho người dùng đem lại lợi ích lớn cho nhà cung cấp thách thức lớn cần phải giải Bài toán lập lịch TTĐM phức tạp nhiều so với toán lập lịch truyền thống việc lập lịch TTĐM phải xét môi trường phân tán, động, tài nguyên từ nhiều nhà cung cấp khác nhau, yêu cầu người dùng có ràng buộc chất lượng dịch vụ khác nhau, v.v Mô hình ứng dụng TTĐM đa dạng nhiều so với mô hình tính toán truyền thống, phải nghiên cứu thuật toán cụ thể để đáp ứng nhu cầu cho dạng ứng dụng cụ thể Chính vậy, toán kiểm soát đầu vào lập lịch cho yêu cầu người dùng TTĐM toán khó, phải tìm thuật toán tối ưu để giải toán Các nghiên cứu trước chủ yếu nghiên cứu lập lịch công việc theo hướng hiệu hệ thống, nhằm mục đích tận dụng tối đa hiệu hệ thống, giảm thiểu thời gian hoạt động Trên TTĐM, nhà nghiên cứu tập trung nghiên cứu lập lịch công việc theo hướng hiệu kinh tế Mục tiêu hướng nhằm đem lại lợi nhuận cho nhà cung cấp, thời gian thực nhỏ cho người dùng đồng thời phải thỏa mãn ràng buộc đặt nhà cung cấp người dùng Các thuật toán lập lịch TTĐM thường thuật toán lập lịch động Vì vậy, tối ưu thời gian đưa lịch trình vấn đề mà nhà khoa học quan tâm nghiên cứu Xuất phát từ việc tìm hiểu, nghiên cứu đặc điểm thách thức vấn đề lập lịch TTĐM, chọn đề tài “Nghiên cứu số vấn đề lập lịch môi trường tính toán đám mây” Đối tượng phạm vi nghiên cứu TTĐM môi trường có qui mô hoạt động lớn, bao gồm tác nhân hệ thống lập lịch Các tác nhân bao gồm người dùng, nhà cung cấp SaaS, nhà cung cấp PaaS nhà cung cấp IaaS, tác nhân có chức nhiệm vụ khác Hệ thống lập lịch bao gồm chức mức ứng dụng mức tảng Luận án tập trung nghiên cứu mô hình nhà cung cấp PaaS xây dựng thuật toán kiểm soát đầu vào lập lịch mức tảng Phương pháp nghiên cứu Chúng tập trung tiếp cận số phương pháp chính: • Phương pháp tổng hợp mô hình hóa: tìm kiếm, thu thập tài liệu Nghiên cứu số vấn đề lập lịch môi trường tính toán đám mây toán lại Sau thuật toán ACACO ACP SO thực xong có tập yêu cầu chấp nhận với chi phí thấp, tập yêu cầu liệu đầu vào thuật toán lập lịch M prof it, M prof it tiếp tục tận dụng khoảng thời gian gối đầu yêu cầu lên tài nguyên nhà cung cấp IaaS, điều dẫn đến tổng chi phí thực thuật toán M prof it giảm xuống tổng lợi nhuận thuật toán M prof itf orACP SO M prof itf orACACO tăng lên Hình 3.17: Tổng chi phí thuật toán cố định số yêu cầu Hình 3.18: Tổng lợi nhuận thuật toán cố định số yêu cầu Thuật toán ACACO tập trung ánh xạ yêu cầu vào tài nguyên có chi phí thấp, có nhiều yêu cầu chọn nguồn tài nguyên nên 93 Nghiên cứu số vấn đề lập lịch môi trường tính toán đám mây thuật toán có tổng chi phí thấp thuật toán ACP SO lại cân tải cho hệ thống Thuật toán không xem xét khoảng thời gian gối đầu yêu cầu, dùng phương pháp vét cạn để tìm tài nguyên Do có nhiều trường hợp yêu cầu sử dụng không hết khoảng thời gian thuê, điều làm cho chi phí thuật toán tăng lên tốn khoảng thời gian lớn để đưa lịch trình Khi xét đến lợi nhuận cho nhà cung cấp SaaS, không xét đến thuật toán EDF thuật toán không quan tâm đến chi phí chọn tài nguyên để hoàn thành trước thời hạn yêu cầu Ngược lại, thuật toán lại xem xét cộng thêm chi phí bị phạt mà có lợi cho nhà cung cấp SaaS thỏa mãn ràng buộc người dùng yêu cầu chấp nhận Kết Hình 3.18 cho thấy tổng lợi nhuận đem lại cho nhà cung cấp SaaS thuật toán thuật toán áp dụng thuật toán M prof it gần thuật toán dùng phương pháp vét cạn để tìm tài nguyên tốt thuật toán áp dụng thuật toán M prof it tận dụng khoảng thời gian sử dụng chưa hết yêu cầu để thực cho yêu cầu Phân tích tổng chi phí tổng lợi nhuận cố định số máy ảo thay đổi số yêu cầu Hình 3.19: Tổng chi phí thuật toán thay đổi số yêu cầu Phần trình bày kết tổng chi phí tổng lợi nhuận cho nhà cung 94 Nghiên cứu số vấn đề lập lịch môi trường tính toán đám mây cấp thuật toán thay đổi số lượng yêu cầu từ 1000 yêu cầu đến 5000 cố định số máy ảo 150 thể Hình 3.19 Hình 3.20 Hình 3.20: Tổng lợi nhuận thuật toán thay đổi số yêu cầu Thuật toán sử dụng phương pháp vét cạn để tìm tài nguyên, số yêu cầu lớn thời gian để đưa lịch trình lớn Vì vậy, phần không xét thuật toán Khi số yêu cầu lớn tổng chi phí thuật toán M prof it nhỏ thuật toán EDF , ACACO ACP SO thể Hình 3.19 Khi số yêu cầu lớn khả gối đầu yêu cầu nhà cung cấp cao Vì vậy, thuật toán áp dụng thuật toán M prof it tận dụng nhiều khoảng thời gian gối đầu này, điều dẫn đến tổng lợi nhuận đem lại cho nhà cung cấp lớn thể Hình 3.20 3.5 Tiểu kết Chương Chương tập trung xây dựng mô hình thành phần TTĐM Luận án sử dụng lại mô hình nhà cung cấp IaaS R Buyya, sau mở rộng mô hình người dùng phát triển thêm thuộc tính để phù hợp với toán đề xuất Từ đó, xây dựng mô hình nhà cung cấp PaaS nhằm đáp ứng mục tiêu người dùng nhà cung cấp SaaS Luận án dựa hai heuristic ACO P SO để xây dựng toán tối ưu đa mục tiêu Đối với heuristic ACO, xây dựng công thức để xác định thông 95 Nghiên cứu số vấn đề lập lịch môi trường tính toán đám mây tin: hàm cực tiểu F , thông tin heuristic ηi , cập nhật lại mùi tính xác suất P để tìm kiếm tài nguyên Đối với heuristic P SO, tiến hành phân tích xây dựng công thức để tìm vị trí, vận tốc, hàm thích nghi, vị trí tối ưu cục cá thể vị trí tối ưu toàn cục bầy đàn để áp dụng vào toán Để giải toán lập lịch cho yêu cầu người dùng theo hướng đa mục tiêu chi phí Luận án đề xuất thuật toán ACACO, ACP SO M prof it Ba thuật toán cài đặt mô CloudSim so sánh với thuật toán EDF Luận án đề xuất thuật toán ACT ACO kết hợp với thuật toán M prof it để giải toán lập lịch cho yêu cầu người dùng theo hướng đa mục tiêu thời gian Thông qua việc phân tích, đánh giá kết mô phỏng, đối sách mẫu sử dụng công cụ mô CloudSim cho thấy kết thuật toán ACT ACO M prof it có cải tiến đáng kể thời gian chi phí so với thuật toán EDF có 96 Nghiên cứu số vấn đề lập lịch môi trường tính toán đám mây KẾT LUẬN Kết luận Trong thời gian thực luận án, với nỗ lực thân giúp đỡ tận tình cán hướng dẫn, luận án hoàn thành so với mục tiêu đặt ban đầu Đầu tiên luận án nghiên cứu, phân tích đánh giá ưu nhược điểm kết nghiên cứu vấn đề lập lịch TTĐM Trên sở xác định mục tiêu luận án Kết luận án xây dựng mô hình toán học cho thành phần TTĐM đề xuất thuật toán lập lịch theo hướng tối ưu thời gian chi phí Bám sát mục tiêu đề ra, nội dung luận án đạt sau: Đề xuất mô hình thuật toán lập lịch công việc thời gian thực áp dụng cho lớp toán song song theo hướng tối ưu thời gian chi phí Chúng kết hợp xử lý song song, phân nhóm tài nguyên theo chi phí thời gian, tận dụng khoảng thời gian gối đầu yêu cầu để đề xuất ba thuật toán CT O, T CO M IN C Các thuật toán cài đặt mô CloudSim Thông qua việc mô phỏng, phân tích đánh giá, kết ba thuật toán tối ưu chi phí thời gian thuật toán EDF có Xây dựng mô hình toán học cho thành phần môi trường TTĐM Luận án áp dụng lại mô hình toán học nhà cung cấp IaaS phát triển thêm thuộc tính người dùng Rajkumar Buyya đồng nghiệp đề xuất Từ đó, luận án tập trung xây dựng mô hình toán học cho nhà cung cấp PaaS mô hình tối ưu chi phí cho người dùng nhà cung cấp SaaS Đề xuất thuật toán lập lịch theo hướng tối ưu đa mục tiêu chi phí dựa xử lý song song, heurictis ACO P SO Đối với heurictis ACO, xây dựng hàm cực tiểu, thông tin heuristic xác suất để lựa chọn tài nguyên có chi phí thấp Dựa khung chung heurictis P SO luận án đưa hàm thích nghi để tối ưu chi phí đưa công thức tính vị trí cục thỏa mãn ràng buộc QoS người dùng Từ đó, đề xuất ba thuật toán ACACO, ACP SO M prof it Cả ba thuật toán đem lại lợi ích lớn cho nhà cung cấp SaaS, chi phí thấp cho người dùng thỏa mãn ràng buộc QoS cho yêu cầu Cả ba thuật toán cài đặt mô công cụ 97 Nghiên cứu số vấn đề lập lịch môi trường tính toán đám mây CloudSim so sánh với thuật toán EDF có Theo phân tích đánh giá kết mô cho thấy áp dụng thuật toán M prof it cho ACACO cho chi phí thấp Mặc dù kết thuật toán ACP SO có chi phí cao ACACO thuật toán ACP SO chạy nhanh cân tải so thuật toán ACACO Đề xuất thuật toán lập lịch theo hướng tối ưu đa mục tiêu thời gian dựa heurictis ACO Dựa khung chung heurictis ACO, luận án đưa hàm cực tiểu, thông tin heuristic xác suất để lựa chọn tài nguyên có tốc độ cao Từ đó, đề xuất thuật toán ACT ACO kết hợp với thuật toán M prof it nhằm tối ưu thời gian thực cho người dùng đem lại lợi ích cho nhà cung cấp SaaS thỏa mãn ràng buộc QoS yêu cầu Thông qua việc phân tích, đánh giá kết mô công cụ CloudSim cho thấy kết hợp hai thuật toán M prof it ACT ACO lại với kết có cải tiến đáng kể thời gian chi phí so với thuật toán EDF có Các kết luận án công bố công trình khoa học đăng tải tạp chí hội nghị chuyên ngành nước Trong có đăng kỷ yếu hội nghị quốc gia chuyên ngành, 01 đăng hội thảo quốc tế, 02 đăng tạp chí Khoa học Công nghệ 03 đăng tạp chí chuyên ngành nước Mặc dù vậy, luận án chưa nghiên cứu khả lập lịch lại yêu cầu bị thất bại thực lịch trình Trong mô phỏng, luận án áp dụng sách lập lịch máy ảo CloudSim, chưa nghiên cứu thuật toán lập lịch tối ưu để cung cấp máy ảo trung tâm liệu chưa nghiên cứu thuật toán lập lịch ứng dụng để đảm bảo độ tin cậy tính bảo mật Đây thiếu sót luận án hướng phát triển luận án thời gian tới 98 Nghiên cứu số vấn đề lập lịch môi trường tính toán đám mây DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC CỦA TÁC GIẢ LIÊN QUAN ĐẾN LUẬN ÁN Nguyễn Hoàng Hà, Lê Văn Sơn, Nguyễn Mậu Hân, Thuật toán lập lịch động môi trường điện toán đám mây dựa Heuristic Steiner, kỷ yếu hội thảo quốc gia lần thứ 15 "Một số vấn đề chọn lọc Công nghệ thông tin truyền thông", trang 436 - 442, 2013 Nguyễn Hoàng Hà, Lê Văn Sơn, Nguyễn Mậu Hân, Một thuật toán lập lịch môi trường tính toán đám mây dựa thuật toán ACO, kỷ yếu hội nghị khoa học công nghệ quốc gia lần thứ 6, FAIR "Nghiên cứu ứng dụng Công nghệ Thông tin", trang 331 -340, 2013 Nguyễn Hoàng Hà, Lê Văn Sơn, Nguyễn Mậu Hân, Nguyễn Thanh Bình, Định vị tài nguyên cho yêu cầu tính toán đám mây dựa ràng buộc thời hạn ngân sách, tạp chí Khoa học Công nghệ, tạp chí Đại học Đà Nẵng, số 7(80), trang 107 -110, 2014 Nguyễn Hoàng Hà, Lê Văn Sơn, Nguyễn Mậu Hân, Định vị tài nguyên cho yêu cầu tính toán đám mây dựa ràng buộc QoS, chuyên san Công nghệ Thông tin truyền thông, tạp chí Khoa học Kỹ thuật, học viện Kỹ thuật Quân sự, số 5, trang 58 - 71, 2014 Nguyễn Hoàng Hà, Lê Văn Sơn, Nguyễn Mậu Hân, Kiểm soát đầu vào để lập lịch cho yêu cầu người dùng tính toán đám mây dựa vào ràng buộc QoS, công trình nghiên cứu, phát triển ứng dụng Công nghệ thông tin Truyền thông", tạp chí Công nghệ thông tin truyền thông, số 13 (33), trang 16-25, 2015 Nguyễn Hoàng Hà, Lê Văn Sơn, Nguyễn Mậu Hân, Thuật toán lập lịch cho yêu cầu người dùng tính toán đám mây dựa heuristic PSO, tạp chí Khoa học, Đại học Huế, số 7(106), trang 83-96, 2014 Nguyễn Hoàng Hà, Nguyễn Thanh Bình, Scheduling algorithm for user requirements on cloud computing base on deadline and budget constraints, Journal of Computer Science and Cybernetics, no (31), pages 231-243, 2015 Ha Nguyen Hoang, Son Le Van, Han Nguyen Mau, Cuong Phan Nhat Bien, Admission Control and Scheduling Algorithms Based on ACO and PSO Heuristic for Optimizing Cost in Cloud Computing, 8th Asian Conference on Intelligent Information and Database Systems (ACIIDS) 2016, volume 642 of Studies in Computational Intelligence, pages 15-28, Springer, 2016 99 TÀI LIỆU THAM KHẢO [1] M Armbrust and I Sto Above the Clouds: A Berkeley View of Cloud Computing University of California, Berkeley, 2009 [2] X Bai, M Li, B Chen, Tsai, and Gao Cloud testing tools In Proceedings of the 6th IEEE International Symposium on Service Oriented System Engineering, pages 1–12 IEEE, 2011 [3] A Bala and D Chana A survey of various workflow scheduling algorithms in cloud environment IJCA Proceedings on 2nd National Conference on Information and Communication Technology, NCICT(4):26–30, 2011 [4] D V Ban and N M Han Xử lý song song phân tán Nhà xuất Khoa học Kỹ thuật, 2006 [5] S Banerjee, I Mukherjee, and P K Mahanti Cloud computing initiative using modified ant colony framework World Academy of Science, Engineering and Technology, 56(32):221 – 224, 2009 [6] F Bergh An analysis of particle swarm optimizers PhD thesis, University of Pretoria Pretoria, South Africa, South Africa, 2002 [7] L F Bittencourt, R Sakellariou, and E M Madeira DAG scheduling using a lookahead variant of the heterogeneous earlist time algorithm In Proceedings of the 2010 18th Euromicro Conference on Parallel, Distributed and Network-based Processing, pages 27–34 IEEE Computer Society, 2010 [8] Z Bo, G Ji, and A Jieqing Cloud loading balance algorithm In Information Science and Engineering (ICISE), 2010 2nd International Conference on, pages 5001–5004 IEEE, 2011 [9] P Bruckner Scheduling algorithms 5th edition Springer, 2007 [10] A Burns, R Davis, P Wang, and F Zhang Partitioned EDF scheduling for multiprocessors using a C=D scheme Real-Time Systems, 48(1):3–33, 2012 [11] R Buyya, R Ranjan, and Calheiros Modeling and simulation of scalable cloud computing environments and the cloudsim toolkit: Challenges and opportunities In Proceedings of the 7th High Performance Computing and Simulation, pages –11 IEEE, 2009 100 Nghiên cứu số vấn đề lập lịch môi trường tính toán đám mây [12] R Buyya, C S Yeo, and S Venugopal Market-oriented cloud and atmospheric computing: Hype, reality, and vision In 10th IEEE International Conference on High Performance Computing and Communications, pages 5–13 IEEE, 2008 [13] R Calheiros, R Ranjan, A Beloglazov, C Esar, A F D Rose, and R Buyya Cloudsim: a toolkit for modeling and simulation of cloud computing environments and evaluation of resource provisioning algorithms Software: Practice and Experience, 41(1):23–50, 2011 [14] Y Chawla and M Bhonsle A study on scheduling methods in cloud computing International Journal of Emerging Trends & Technology in Computer Science, 1(3):12 – 17, 2012 [15] M Choudhary and S K Peddoju A dynamic optimization algorithm for task scheduling in cloud environment International Journal of Engineering Research and Applications, 2(3):2564–2568, 2012 [16] M Clerc The swarm and the queen: Towards a deterministic and adaptive particle swarm In Evolutionary Computation, 1999 CEC 99 Proceedings of the 1999 Congress on, pages 1951–1957 IEEE, 1999 [17] D Corne, M.Dorigo, and F.Glover New Ideas in Optimization chapter 2, pages 217–279 McGraw, 1999 [18] K Das Cloud computing simulation Master’s thesis, Indian Institute of Technology, Bombay, Mumbai, 2010 [19] V den Bossche, Vanmechelen, and K Broeckhove Cost-efficient scheduling heuristics for deadline constrained workloads on hybrid clouds In Cloud Computing Technology and Science (CloudCom), 2011 IEEE Third International Conference on, pages 320 – 327 IEEE, 2012 [20] J Deng, Y Zhao, and H Yuan A service revenue-oriented task scheduling model of cloud computing Journal of Information and Computational Science, 10(10):3153 –3161, 2013 [21] V Dinesh Supporting Service Level Agreements on IP Networks Macmillan Technical Publishing, 1999 [22] M Dorigo and T Stutzle Ant Colony Optimization The MIT Press Cambridge, Massachusetts, London, England, 2004 [23] R Eberhart and Y Shi Comparing inertia weights and constriction factors in particle swarm optimization In Evolutionary Computation, 2000 Proceedings of the 2000 Congress on, pages 84 – 88 IEEE, 2000 101 Nghiên cứu số vấn đề lập lịch môi trường tính toán đám mây [24] O M Elzeki, M Z Reshad, and M A Elsoud Improved max-min algorithm in cloud computing International Journal of Advanced Research in Computer Science and Software Engineering, 50(12):22 – 27, 2012 [25] I Foster, Y Zhao, I Raicu, and S Lu Cloud computing and grid computing 360-degree compared In Proc IEEE Grid Computing Environments Workshop, pages 1–10 IEEE, 2008 [26] M Frincu and C Craciun Multi-objective metaheuristics for scheduling applications with high availability requirements and cost constraints in multicloud environments In Proceedings of the 2011 Fourth IEEE International Conference on Utility and Cloud Computing, pages 267–274 IEEE Computer Society, 2011 [27] B Gomathi and K Krishnasamy Task scheduling algorithm based on hybrid particle swarm optimization in cloud computing environment Journal of Theoretical and Applied Information Technology, 55(1):33–38, 2013 [28] Y Gu and Y Ge A real-time workload driven approach for the cloud In Modeling, Simulation and Visualization Methods (WMSVM), 2010 Second International Conference on, pages 128 – 130 IEEE, 2011 [29] G Gupta, V Kr.Kumawat, P R Laxmi, D Singh, V Jain, and R Singh A simulation of priority based earliest deadline first scheduling for cloud computing system In Networks & Soft Computing (ICNSC), 2014 First International Conference on, pages 35 – 39 IEEE, 2014 [30] Z C S S Hlaing and M A Khine Solving traveling salesman problem by using improved ant colony optimization algorithm International Journal of Information and Education Technology, 1(5):404–409, 2011 [31] S Irugurala and D Chatrapati Various scheduling algorithms for resource allocation in cloud computing The International Journal Of Engineering And Science, 5(2):16 – 24, 2013 [32] Y Jararweh, Z Alshara, M Jarrah, M Kharbutli, and M Alsaleh Teachcloud: a cloud computing educational toolkit International Journal of Cloud Computing, 2(2-3):237 – 257, 2013 [33] S K Jayadivya and S M S Bhanu QoS based scheduling of workflows in cloud computing International Journal of Computer Science and Electrical Engineering, 1(1):15 –21, 2012 [34] JiayinLi, MeikangQiu, ZhongMing, GangQuan, XiaoQin, and ZonghuaGu Online optimization for scheduling preemptable tasks on iaas cloud systems J Parallel Distrib Comput., 72(5):666–677, 2012 102 Nghiên cứu số vấn đề lập lịch môi trường tính toán đám mây [35] J.Kennedy and R.Eberhart Particle swarm optimization In Proceedings of IEEE International Conference on Neural Networks, pages 1942 – 1948 IEEE, 1995 [36] G John, Vlachogiannis, and Y L Kwang A comparative study on particle swarm optimization for optimal steady-state performance of power systems Power Systems, IEEE Transactions on, 21(4):1718 – 1728, 2006 [37] N Kaur, T S Aulakh, and R S Cheema Comparison of workflow scheduling algorithms in cloud computing International Journal of Advanced Computer Science and Applications, 2(10):81 – 86, 2011 [38] R Kaur and S Kinger Enhanced genetic algorithm based task scheduling in cloud computing International Journal of Computer Applications, 101(14):1 – 6, 2014 [39] K H Kim, A Beloglazov, and R Buyya Power-aware provisioning of cloud resources for real-time services In Proceedings of the 7th International Workshop on Middleware for Grids, Clouds and e-Science, pages – ACM, 2009 [40] T Kokilavani and D G Amalarethinam Load balanced min-min algorithm for static meta-task scheduling in grid computing International Journal of Computer Applications, 20(3):42 – 48, 2011 [41] K Kousalya and P.Balasubramanie An enhanced ant algorithm for grid scheduling problem IJCSNS International Journal of Computer Science and Network Security, 8(4):262 – 271, 2008 [42] L Kruk, J Lehoczky, K Ramanan, and S Shreve Heavy traffic analysis for EDF queues with reneging The Annals of Applied Probability, 21(2):484–545, 2011 [43] S Kuma and K Dutta Resource scheduling in grid computing networks to maximize business value In 15th Annual Workshop On Information Technolgies & Systems, pages 15 – 20 University of Arizona, 2006 [44] K Kumar, K Feng, Y Nimmagadda, and Y H Lu Resource allocation for real-time tasks using cloud computing In Computer Communications and Networks (ICCCN), 2011 Proceedings of 20th International Conference on, pages – IEEE, 2011 [45] P Kumar and A K Rai An overview and survey of various cloud simulation tools Journal of Global Research in Computer Science, 5(1):24 – 26, 2014 [46] Lee, Y Choon, Wang, Chen, Zomaya, Y.Albert, and B Bing Profit-driven service request scheduling in clouds In Proceedings of the 2010 10th IEEE/ACM International Conference on Cluster, Cloud and Grid Computing, pages 15–24 IEEE Computer Society, 2010 103 Nghiên cứu số vấn đề lập lịch môi trường tính toán đám mây [47] W Lee Energy-saving DVFS scheduling of multiple periodic realtime tasks on multicore processors In Proceedings of the 2009 13th IEEE/ACM International Symposium on Distributed Simulation and Real Time Applications, pages 216 – 223 IEEE Computer Society, 2009 [48] Z Lee, Y Wang, and W Zhou A dynamic priority scheduling algorithm on service request scheduling in cloud computing In Electronic and Mechanical Engineering and Information Technology (EMEIT), 2011 International Conference on, pages 4665 – 4669 IEEE, 2011 [49] K Li, G Xu, G Zhao, Y Dong, and D Wang Cloud task scheduling based on load balancing ant colony optimization In Chinagrid Conference (ChinaGrid), 2011 Sixth Annual, pages 3–9 IEEE, 2011 [50] Z K Li, G Xu, G Zhao, and Y Dong Cloud task scheduling based on load balancing ant colony optimization IEEE, 2011 [51] J S Lin and S H Wu Fuzzy artificial bee colony system with cooling schedule for the segmentation of medical images by using of spatial information Research Journal of Applied Sciences, Engineering and Technology, 4(17):2973–2980, 2012 [52] K Liu Scheduling algorithms for instanceintensive cloud workflows Technical report, University of Technology, 2009 [53] S Liu, G Quan, and S Ren On-line scheduling of real-time services for cloud computing In Services (SERVICES-1), 2010 6th World Congress on, pages 459 – 464 IEEE, 2010 [54] S Liu, G Quan, and S Ren On-line preemptive scheduling of real-time services with profit and penalty In Southeastcon, 2011 Proceedings of IEEE, pages 287–292 IEEE, 2011 [55] R Malhotra and P Jain Study and comparison of various cloud simulators available in the cloud computing International Journal of Advanced Research in Computer Science and Software Engineering, 3(9):347 – 350, 2013 [56] L Mao, Ming, Li, Jie, Humphrey, and Marty Cloud auto-scaling with deadline and budget constraints, grid computing (grid) In 11th IEEE/ACM International Conference on, pages 41–48 IEEE, 2010 [57] P Mathiyalagan, S Suriya, and S N Sivanandam Modified ant colony algorithm for grid scheduling International Journal on Computer Science and Engineering, 2(2):132 – 139, 2010 104 Nghiên cứu số vấn đề lập lịch môi trường tính toán đám mây [58] P Mell and Timothy The NIST Definition of Cloud Computing (Draft) National Institute of Standards and Technology, U.S Department of Commerce, 2011 [59] A Mohammadi and G.Akl.Selim Scheduling algorithms for real-time systems Technical report, Queen’s University, 2005 [60] S Nagadev, K Satyapriya, and D.Malathy A survey on economic cloud schedulers for optimized task scheduling International Journal of Advanced Engineering Technology, 4(1):58–62, 2013 [61] A Nunez, J L Vazquez-Poletti, A C Caminero, G G Castane, J Carretero, and I M Llorente icancloud: a flexible and scalable cloud infrastructure simulators J Grid Comput., 10(1):185–209, 2012 [62] S Ostermann, K Plankensteiner, R Prodan, and T Fahringe Groudsim: An eventbased simulation framework for computational grids and clouds In Proceedings of the 2010 Conference on Parallel Processing, pages 305–313 Springer-Verlag, 2011 [63] S Pandey Scheduling and management of data intensive applicationworkflows in grid and cloud computing environments Technical report, The University of Melbourne, Australia, 2010 [64] S Pandey and R Buyya Scheduling workflow applications based on multi-source parallel data retrieval in distributed computing networks Comput J., 55(11):1288 – 1308, 2012 [65] S Pandey, L Wu, S M Guru, and R Buyya A particle swarm optimization-based heuristic for scheduling workflow applications in cloud computing environments In Proceedings of the 2010 24th IEEE International Conference on Advanced Information Networking and Applications, pages 400–407 IEEE Computer Society, 2010 [66] M L Pinedo Scheduling: Theory, Algorithms, and Systems Springer, 2008 [67] R J Priyadarsini and L Arockiam Performance evaluation of min-min and max-min algorithms for job scheduling in federated cloud International Journal of Computer Applications, 99(18):47 –54, 2014 [68] K M Pua, J M Gauch, S E Gauch, and J Z Miadowicz Real time repeated video sequence identification Computer Vision and Image Understanding, 93(3):310–327, 2004 [69] N Ramkumar and S Nivethitha Efficient resource utilization algorithm (ERUA) for service request scheduling in cloud International Journal of Engineering and Technology, 5(2):1321–1327, 2013 105 Nghiên cứu số vấn đề lập lịch môi trường tính toán đám mây [70] M Sajid and Z Raza Cloud computing: Issues and challenges In International Conference on Cloud, Big Data and Trust, pages 35 –41 IEEE, 2013 [71] P Salot A survey of various scheduling algorithm in cloud computing environment International Journal of Research in Engineering and Technology, 2(2):131 – 135, 2013 [72] X Song, L Gao, and J Wang Job scheduling based on ant colony optimization in cloud computing In Computer Science and Service System (CSSS), 2011 International Conference on, pages 3309 – 3312 IEEE, 2011 [73] T Stutzle and M Dorigo A short convergence proof for a class of ant colony optimization algorithms Trans Evol Comp, 6(4):358–365, 2002 [74] Y Sun, S Tilak, R K Thulasiram, and K Chiu Markets, Mechanisms, Games, and Their Implications in Grids chapter 2, pages 29–48 John Wiley & Sons, 2009 [75] T Takpe, U Nancy, F Suter, and H Casanova A comparison of scheduling approaches for mixed-parallel applications on heterogeneous platforms In Proceedings of the Sixth International Symposium on Parallel and Distributed Computing, pages 35– IEEE Computer Society, 2007 [76] H Topcuoglu, S Hariri, and M Y Wu Task scheduling algorithms for heterogeneous processors In Proceedings of the Eighth Heterogeneous Computing Workshop, pages 3–14 IEEE Computer Society, 1999 [77] F van den Bergh An Analysis of Particle Swarm Optimizers PhD thesis, University of Pretoria, 2001 [78] K Vijayvargia Security and scheduling challenges in cloud computing Indian Journal of Applied Research, 5(6):155 – 157, 2015 [79] L Wu, S K Garg, and R Buyya SLA-based admission control for a software-as-aservice provider in cloud computing environments Journal of Computer and System Sciences, 78(5):1280 – 1299, 2012 [80] Z Wu, X L Z Ni, and D Y Y Yang A market-oriented hierarchical scheduling strategy in cloud workflow systems The Journal of Supercomputing, 63(1):256—-293, 2013 [81] M Xu, L Cui, H Wang, and Y Bi A multiple QoS constrained scheduling strategy of multiple workflows for cloud computing In Parallel and Distributed Processing with Applications, 2009 IEEE International Symposium on, pages 629 – 634 IEEE, 2009 [82] J Yu and R Buyya Workflow scheduling algorithms for grid computing Technical report, University of Melbourne, Australia, 2008 106 Nghiên cứu số vấn đề lập lịch môi trường tính toán đám mây [83] Z Yu and W Shi A planner-guided scheduling strategy for multiple workflow applications In Parallel Processing - Workshops, 2008 ICPP-W ’08 International Conference on, pages 1–8 IEEE, 2008 [84] G Zeng, T Yokoyama, H Tomiyama, and H Takad Practical energy-aware scheduling for real-time multiprocessor systems In Embedded and Real-Time Computing Systems and Applications, 2009 RTCSA ’09 15th IEEE International Conference on, pages 383 – 392 IEEE, 2009 [85] S Zhan and H Huo Improved PSO-based task scheduling algorithm in cloud computing Journal of Information & Computational Science, 9(13):3821–3829, 2012 [86] H Zhao and X Li Auctionnet: Market oriented task scheduling in heterogeneous distributed environments In Parallel & Distributed Processing, Workshops and Phd Forum (IPDPSW), 2010 IEEE International Symposium on, pages 1–4 IEEE, 2010 [87] Zhu, Xiaomin, Jianghan, M Manhao, and Dishan SAQA: A self-adaptive QoS-aware scheduling algorithm for real-time tasks on heterogeneous clusters In Proceedings of the 2010 10th IEEE/ACM International Conference on Cluster, Cloud and Grid Computing, pages 224–232 IEEE, 2010 107