Xây dựng thuật toán lựa chọn máy chủ cho hệ thống mạng phân tán dữ liệu

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI - Trang phụ bìa NGUYỄN VIỆT ANH XÂY DỰNG THUẬT TOÁN LỰA CHỌN MÁY CHỦ CHO HỆ THỐNG MẠNG PHÂN TÁN DỮ LIỆU Chuyên ngành : CÔNG NGHỆ THÔNG TIN LUẬN VĂN THẠC SĨ KỸ THUẬT CÔNG NGHỆ THÔNG TIN NGƯỜI HƯỚNG DẪN KHOA HỌC: TS Trần Hải Anh Hà Nội – Năm 2015 MỤC LỤC Trang phụ bìa Lời cam đoan .4 Danh mục ký hiệu, chữ viết tắt Danh mục hình vẽ, đồ thị MỞ ĐẦU Cơ sở khoa học thực tiễn luận văn Mục đích đề tài (các kết cần đạt được) Đối tượng, phạm vi nghiên cứu Phương pháp nghiên cứu Bố cục luận văn CHƯƠNG 1: HỆ THỐNG MẠNG PHÂN TÁN DỮ LIỆU 1.1 Giới thiệu chung .10 1.1.1 Định nghĩa CDN 10 1.1.2 Mục tiêu CDN 11 1.1.3 Các thành phần CDN .16 1.1.4 Kiến trúc lớp 16 1.1.5 Quá trình phát triển CDN 19 1.2 Cấu trúc CDN 21 1.2.1 Tổ chức CDN 22 1.2.2 Máy chủ 22 1.2.3 Quan hệ 24 1.2.4 Nội dung/loại dịch vụ .25 1.3 Phân phối nội dung .27 1.3.1 Môi trường ứng dụng mạng phân phối nội dung 27 1.3.2 Các thành phần mạng phân phối nội dung .27 CHƯƠNG 2: THUẬT TOÁN LỰA CHỌN MÁY CHỦ CHO HỆ THỐNG MẠNG PHÂN TÁN DỮ LIỆU 32 2.1 Giới thiệu chương 32 2.2 Các thuật toán lựa chọn máy chủ hệ thống mạng phân tán liệu 32 2.3 Giải thuật Multi-Armed Bandit 35 2.3.1 Mô hình MAB 36 2.3.2 Ứng dụng MAB 40 2.3.3 Thuật toán cho MAB .42 CHƯƠNG 3: XÂY DỰNG GIẢI THUẬT MULTI-ARMED BANDIT 48 3.1 Môi trường thử nghiệm 48 3.2 Công thức tính phần thưởng dự kiến 50 3.3 Epsilon – Greedy 52 3.3.1 Mô tả toán 52 3.3.2 Implementing 53 3.4 Softmax 58 3.4.1 Mô tả toán 58 3.4.2 Implementing 59 3.5 UCB 63 3.5.1 Mô tả toán 63 3.5.2 Implementing 64 3.6 Đánh giá kết 68 KẾT LUẬN 71 TÀI LIỆU THAM KHẢO 72 Lời cam đoan Tôi xin cam đoan công trình nghiên cứu riêng Các số liệu, kết nêu luận văn trung thực chưa công bố bất kỳ công trình khác Tác giả NGUYỄN VIỆT ANH Danh mục ký hiệu, chữ viết tắt Ý nghĩa Từ viết tắt CDN Content Delivery Networks MAB Multi-Armed Bandit UCB Upper Confidence Bounds QoS Quality of Service QoE Quality of Experience HTML Hyper Text Markup Language ISP Internet Service Provider ICP Internet Cache Protocol URI Uniform Resource Identifier URL Uniform Resource Locator SLA Service Level Agreement MIME Multipurpose Internet Mail Extensions IETF Internet Engineering Task Force NECP Network Element Control Protocol TCP Transmission Control Protocol WCCP Web Cache Coordination Protocol CARP Cache Array Routing Protocol Danh mục hình vẽ, đồ thị Hình Mô hình mạng CDN 11 Hình Nội dung/dịch vụ cung cấp CDN 13 Hình Kiến trúc phân lớp CDN 17 Hình Phân loại thành phần CDN .22 Hình Các giao thức tương tác sử dụng CDN 23 Hình Các giao thức tương tác khác 25 Hình Cấu trúc hệ thống định tuyến yêu cầu 28 Hình Quá trình phân phối nội dụng 29 Hình Quá trình phân phát nội dung 30 Hình 10 Phân phối nội dung mạng CDN mạng CDN ngang cấp 30 Hình 11 Cơ chế thuật toán epsilon-greedy 42 Hình 12 Sơ đồ hàm chọn máy chủ thuật toán Epsilon-Greedy 55 Hình 13 Sơ đồ hàm chọn máy chủ thuật toán Softmax .59 Hình 14 Sơ đồ hàm chọn máy chủ thuật toán UCB .64 MỞ ĐẦU Cơ sở khoa học thực tiễn luận văn Internet phát triển hoạt động rộng khắp mà quản lý tập trung, một nguyên nhân quan trọng làm cho internet phát triển thay đổi nhanh Tuy nhiên, thiếu quản lý làm cho việc đảm bảo hiệu việc xử lý một cách có hệ thống với vấn đề hiệu rất khó Trong đó, băng thông mạng liên tục bị tải tăng vọt việc sử dụng Internet nội dung chiếm băng thông Hệ thống mạng phân tán liệu một giải pháp hữu hiệu để cải tiến chất lượng dịch vụ Internet Hệ thống mạng phân tán liệu tái tạo lại nội dung gốc đến máy chủ nằm nơi khác đáp ứng yêu cầu từ máy chủ gần nhất với nơi phát yêu cầu Lựa chọn máy chủ để đáp ứng yêu cầu một vấn đề quan trọng cần giải hệ thống mạng phân tán để đáp ứng người dùng tốt nhất, cải thiện chất lượng dịch vụ Đề tài chọn với mong muốn tìm hiểu thuật toán lựa chọn máy chủ hệ thống mạng phân tán liệu nhằm tăng hiệu cải thiện chất lượng dịch vụ Mục đích đề tài (các kết cần đạt được) Luận văn nghiên cứu thuật toán lựa chọn máy chủ cho mạng phân tán liệu Trên sở xây dựng thuật toán để lựa chọn máy chủ cho mạng phân tán liệu khảo sát đánh giá thuật toán Đối tượng, phạm vi nghiên cứu - Đối tượng: Thuật toán lựa chọn máy chủ hệ thống mạng phân tán liệu mà cụ thể thuật toán MAB - Phạm vi nghiên cứu: Giả lập một môi trường mạng phân tán nội dung đồng thời áp dụng thuật toán nghiên cứu môi trường giả lập Phương pháp nghiên cứu - Phương pháp nghiên cứu lý thuyết: o Tìm hiểu mạng phân tán qua sách khảo báo mạng o Tìm hiểu giải thuật chọn lựa máy chủ qua sách tham khảo báo mạng o Vẽ định hướng luận văn cần thực - Phương pháp nghiên cứu thực nghiệm: o Tham khảo ý kiến chuyên gia: Gặp gỡ, trao đổi, tiếp thu ý kiến thầy cô giáo, người có kinh nghiệm lĩnh vực mạng phân tán o Dựng một môi trường mô mạng phân tán o Tham khảo code một số báo sách vở, áp dụng vào môi trường dựng Bố cục luận văn Luận văn bố cục gồm ba phần: phần mở đầu, phần nội dung phần kết luận Trong phần nội dung gồm có ba chương: - Chương 1: Hệ thống mạng phân tán liệu - Chương 2: Thuật toán lựa chọn máy chủ cho hệ thống mạng phân tán liệu - Chương 3: Xây dựng giải thuật Multi-Armed Bandit CHƯƠNG 1: HỆ THỐNG MẠNG PHÂN TÁN DỮ LIỆU Với phát triển Internet, dịch vụ Web phổ biến thường bị tắc nghẽn nhu cầu thực dịch vụ lớn Nó gây tình trạng quản lý luồng lưu lượng, dẫn đến nhiều yêu cầu bị mất Sao chép nội dung giống chiến lược nhân đôi dịch vụ một số máy chủ Web đặt địa điểm khác một phương pháp thường sử dụng nhà cung cấp dịch vụ để cải thiện hiệu suất khả mở rộng Người sử dụng chuyển hướng đến máy chủ gần nhất phương pháp giúp giảm thiểu tác động mạng vào thời gian đáp ứng yêu cầu người dùng Content Delivery Networks (CDN) cung cấp dịch vụ để cải thiện hiệu suất mạng cách tối ưu hóa băng thông, nâng cao khả tiếp cận trì tính đúng đắn thông qua nội dung CDN có một số kết hợp giải phóng nội dung, yêu cầu định tuyến, phân phối sở hạ tầng Các sở hạ tầng phân phối nội dung bao gồm một tập hợp máy chủ lân cận (còn gọi máy chủ đại diện) cung cấp nội dung tới người dùng cuối Các sở hạ tầng theo yêu cầu định tuyến có trách nhiệm đạo yêu cầu khách hàng đến máy chủ lân cận thích hợp Nó tương tác với sở hạ tầng phân phối để cập nhật nội dung lưu trữ bộ nhớ đệm CDN Các sở hạ tầng phân phối di chuyển nội dung từ máy chủ gốc đến máy chủ lân cận đảm bảo tính thống nhất nội dung bộ nhớ đệm Các sở hạ tầng kế toán trì ghi khách hàng truy cập ghi lại việc sử dụng máy chủ CDN Thông tin sử dụng cho báo cáo lưu lượng toán cước sử dụng Trong thực tế, CDN thường lưu trữ nội dung tĩnh bao gồm hình ảnh, video, clip, file nhạc, quảng cáo, đối tượng nhúng khác cho nội dung web động Khách hàng tiêu biểu CDN phương tiện truyền thông công ty quảng cáo Internet, trung tâm liệu, cung cấp dịch vụ Internet, nhà bán lẻ âm nhạc trực tuyến, nhà khai thác di động, nhà sản xuất thiết bị điện tử tiêu dùng, công ty cung cấp dịch vụ khác Mỗi một khách hàng muốn xuất chuyển tải nội dung đến người dùng cuối Internet một cách đáng tin cậy kịp thời 1.1 Giới thiệu chung 1.1.1 Định nghĩa CDN Mạng CDN một tập hợp phần tử mạng xếp để phân phối nội dung hiệu cho người dùng Việc phối hợp thành phần mạng CDN phân tán xảy nút hai môi trường đồng nhất không đồng nhất Mạng CDN có nhiều hình thức cấu trúc khác Các chức tiêu biểu một CDN bao gồm: - Yêu cầu chuyển hướng phân phối nội dung để đạo một yêu cầu đến máy chủ thay thích hợp nhất cách sử dụng chế để vượt qua tình trạng tắc nghẽn - Dịch vụ phân phối nội dung để nhân rộng thay nội dung bộ nhớ đệm máy chủ phân phối đại diện cho máy chủ gốc - Các dịch vụ đàm phán nội dung để đáp ứng nhu cầu cụ thể người dùng cá nhân (hoặc nhóm người dùng) - Quản lý dịch vụ để quản lý thành phần mạng, giải hoạch toán, giám sát báo cáo việc sử dụng nội dung CDN cung cấp hiệu suất tốt thông qua bộ nhớ đệm chép nội dung một số máy chủ thay đặt địa điểm khác để đối phó với tăng vọt bất ngờ yêu cầu nội dung web Trong mạng CDN, nội dung đề cập đến bất kỳ nguồn liệu kỹ thuật số bao gồm hai phần chính: liệu đa phương tiện mã hóa siêu liệu Các liệu đa phương tiện bao gồm mã hóa tĩnh, động liệu đa phương tiện liên tục (ví dụ âm thanh, video, tài liệu, hình ảnh trang web) Siêu liệu mô tả nội dung cho phép nhận dạng, phát quản lý liệu đa phương tiện, tạo điều kiện cho việc giải thích liệu đa phương tiện 10 - Giai đoạn sau ta gán epsilon = 0.1 để nâng cao khả khai thác phần thưởng dự kiến 3.4 Softmax 3.4.1 Mô tả toán Chúng ta làm rõ thuật toán Softmax thông qua toán chọn lựa máy chủ đại diện hệ thống mạng phân phối liệu Thuật toán Softmax cố gắng tìm máy chủ đại diện tốt nhất máy khách phương pháp sau đây: - Tính toán phần thưởng dự kiến công thức bên thuật toán Epsilon – Greedy - Tính toán lại xác suất chọn lựa máy chủ đại diện dựa vào phần thưởng dự kiến một tham số nhiệt độ người dùng cấu hình Cũng thuật toán Epsilon – Greedy, thuật toán Softmax có cho phép cấu hình tham số nhiệt độ tùy theo giai đoạn Giai đoạn đầu cần thăm dò nhiều, ta để tham số nhiệt độ thật cao để tạo hỗn loạn, tất xác suất chọn lựa nhau, từ chọn lựa máy chủ đại diện ngẫu nhiên Giai đoạn sau cần khai thác nhiều hơn, ta để tham số nhiệt độ thấp, xác suất lựa chọn tỷ lệ thuận với phần thưởng dự kiến, máy chủ có phần thưởng dự kiến cao lựa chọn Trong phạm vi luận văn, sử dụng một biến thể thuật toán Softmax, tham số nhiệt độ giảm dần theo số lần chọn lựa ngày nhiều, nhờ ta cấu hình tay tham số nhiệt độ mà thuật toán tự động thăm dò giai đoạn đầu khai thác giai đoạn sau - Từ xác suất chọn lựa tính toán, ta chọn ngẫu nhiên xác suất chọn lựa cao nhất để trả máy chủ đại diện thích hợp nhất cho yêu cầu máy khách 58 3.4.2 Implementing Ta có sơ đồ lập trình hàm chọn lựa máy chủ thuật toán: Hình 13 Sơ đồ hàm chọn máy chủ thuật toán Softmax 59 Ta có lớp Softmax định nghĩa đây: class Softmax(object): def init (self): self.db = MABDatabase.MABDatabase() self.temperature = 999999999999999999; Tương tự thuật toán Epsilon – Greedy, thuật toán Softmax định nghĩa hai phương thức pickArm updateReward: def getClientStatistics(self, server_name, client_address): return self.db.getStatistics_softmax(server_name, client_address) def updateReward(self, rewardCalculator, server_name, client_address, ping, execution_time): #update statistics self.db.addStatistics_softmax(server_name, client_address, ping, execution_time) statistics = self.getClientStatistics(server_name, client_address) #update reward reward = rewardCalculator(statistics, server_name, client_address, ping, execution_time) self.db.addAverageReward_softmax(server_name, client_address, reward) return reward; 60 def pickArm(self, client_address): servers = self.db.getAllServers() statistics = self.db.getAllStatistics_softmax() totalRequests = len(statistics) if totalRequests == 0: totalRequests = temp = self.temperature / totalRequests totalRewards = for server in servers: currentReward = self.getCurrentReward(server['address'], client_address) if currentReward is None: currentReward = totalRewards += math.exp(currentReward / temp) maxReward = pickedServerAddress = [] 61 for server in servers: currentReward = self.getCurrentReward(server['address'], client_address) if currentReward is None: currentReward = p = math.exp(currentReward / temp) / (totalRewards) if p > maxReward: pickedServerAddress = [] maxReward = p pickedServerAddress.append(server['address']) elif p == maxReward: pickedServerAddress.append(server['address']) serverIndex = random.randrange(len(pickedServerAddress)); return self.db.getServerByIp(pickedServerAddress[serverIndex])[0] def getCurrentReward(self, server_name, client_address): return self.db.getCurrentAverageReward_softmax(server_name, client_address) Định nghĩa lớp Softmax phương thức updateReward tương tự Epsilon – Greedy ngoại trừ biến temperature thay cho biến epsilon 62 Riêng phương thức pickArm, theo mô tả toán thuật toán Softmax nói mục 3.4.1, ta chú ý tới chỗ sau: - Biến nhiệt độ giảm dần tỷ lệ nghịch với số lần lựa chọn máy chủ đại diện tính bằng: temp = self.temperature / totalRequests - Vòng for thứ nhất để nhằm mục đích tính tổng phần thưởng dự kiến phục vụ công thức tính xác suất lựa chọn vòng for thứ hai - Vòng for thứ hai thực đồng thời hai việc: Tính xác suất lựa chọn cho máy chủ đại diện chọn lựa một một nhóm máy chủ đại diện có xác suất lựa chọn cao nhất - Trả ngẫu nhiên nhóm máy chủ đại diện có xác suất lựa chọn cao nhất Với tham số nhiệt độ trên: Nếu ta khởi tạo một số cao xác suất bốn máy chủ đại diện luôn 0.25 trải qua trình thăm dò rất lâu Nếu ta để số nhỏ sau 1, lần thăm dò, thuật toán khai thác Dựa số liệu mô CDN, tham số nhiệt độ chọn để đảm bảo sau 100 – 200 lần chọn lựa ngẫu nhiên, thuật toán bước vào giai đoạn khai thác, tránh cho người dùng phải chủ động thay đổi tham số chạy 3.5 UCB 3.5.1 Mô tả toán Thuật toán cuối luận văn thuật toán có hiệu tốt nhất ba thuật toán, UCB cố gắng tìm máy chủ đại diện tốt nhất cho máy khách theo phương pháp sau đây: - Tính toán phần thưởng dự kiến công thức bên thuật toán Epsilon – Greedy - Dựa phần thưởng dự kiến máy chủ đại diện, thuật toán tính toán lại một giá trị gọi UCBIndex UCBIndex thực chất tổng phần thưởng dự kiến với một số gọi giới hạn tự tin với máy chủ đại diện 63 - Nhóm máy chủ đại diện có giá trị UCBIndex cao nhất lại - Chọn ngẫu nhiên nhóm máy chủ đại diện có UCBIndex cao nhất trả cho máy khách 3.5.2 Implementing Ta có sơ đồ lập trình hàm chọn lựa máy chủ thuật toán: Hình 14 Sơ đồ hàm chọn máy chủ thuật toán UCB 64 Ta có lớp UCB định nghĩa: class UCB(object): def init (self): self.db = MABDatabase.MABDatabase() Tương tự hai giải thuật trên, UCB định nghĩa phương thức updateReward để cập nhật lại phần thưởng dự kiến Phương thức updateReward giống hệt hai giải thuật Epsilon – Greedy Softmax, khác đầu cập nhật vào sở liệu khác def getClientStatistics(self, server_name, client_address): return self.db.getStatistics_ucb(server_name, client_address) def updateReward(self, rewardCalculator, server_name, client_address, ping, execution_time): #update statisticsss self.db.addStatistics_ucb(server_name, client_address, ping, execution_time) statistics = self.getClientStatistics(server_name, client_address) #update reward reward = rewardCalculator(statistics, server_name, client_address, ping, execution_time) self.db.addAverageReward_ucb(server_name, client_address, reward) return reward; 65 Sau đó, ta định nghĩa phương thức pickArm cho thuật toán UCB def getCurrentReward(self, server_name, client_address): return self.db.getCurrentAverageReward_ucb(server_name, client_address) 66 def pickArm(self, client_address): servers = self.db.getAllServers() statistics = self.db.getAllStatistics_ucb() maxReward = pickedServerAddress = [] for server in servers: currentReward = self.getCurrentReward(server['address'], client_address) totalServerRequests = self.db.getCurrentRequestCount_ucb (server['address'], client_address) ucbIndex = 9999 if totalServerRequests is not None: if currentReward is None: currentReward = ucbIndex = currentReward + math.sqrt(2 * math.log(len(servers)) / totalServerRequests) if ucbIndex > maxReward: pickedServerAddress = [] maxReward = ucbIndex pickedServerAddress.append(server['address']) elif ucbIndex == maxReward: pickedServerAddress.append(server['address']) 67 serverIndex = random.randrange(len(pickedServerAddress)); return self.db.getServerByIp(pickedServerAddress[serverIndex])[0] Thuật toán để lựa chọn máy chủ đại diện sau: - Tính phần thưởng dự kiến cho máy chủ đại diện cộng thêm một giá trị ngưỡng tự tin thành UCBIndex - Chọn ngẫu nhiên nhóm máy chủ đại diện có UCBIndex lớn nhất Ta dễ dàng nhận thấy thuật toán UCB tham số để cấu hình chạy ngẫu nhiên không kiểm soát giải thuật Đây hai cải tiến đáng kể thuật toán UCB so với hai thuật toán Epsilon – Greedy Softmax 3.6 Đánh giá kết Sau hoàn thành ba thuật toán để giải vấn đề MAB nhằm chọn lựa máy chủ đại diện hệ thống mạng phân tán, chúng ta đánh giá kết thu so sánh độ xác ba thuật toán Trong phạm vi luận văn, kết đánh giá dựa bốn máy chủ đại diện một máy khách (các máy khách lại tương tự không trình bày luận văn) Chúng ta đánh giá kết ba thuật toán độ hối tiếc thuật toán đồ thị xác suất chọn lựa máy chủ đại diện tốt đồ thị phần thưởng trung bình 68 Độ xác thuật toán Xác suất chọn máy chủ tốt 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0 50 100 150 200 250 200 250 Khoảng chọn lựa Epsilon-Greedy Softmax UCB Hiệu thuật toán Phần thưởng dự kiến trung bình 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0 50 100 150 Khoảng chọn lựa Epsilon-Greedy Softmax UCB Trong thuật toán MAB, có một công thức để tính toán độ hối tiếc thuật toán nhằm đánh giá độ xác thuật toán MAB Độ hối tiếc thuật toán MAB định nghĩa: Độ hối tiếc 𝜌 sau T lần thử khác biệt tổng phần thưởng dự kiến theo chiến thuật tối ưu tổng phần thưởng dự kiến thu được: 69 𝑡=𝑇 𝜌 = 𝑇𝜀 ∗ − ∑ 𝑟𝑡 𝑡=1 Tất thuật toán nhằm giải toán MAB có xu hướng mục đích làm giảm độ hối tiếc qua lần thử Sau 250 lần chọn lựa máy chủ đại diện, ta có độ hối tiếc giải thật sau: - Epsilon-Greedy: 𝜌 = 43 - Softmax: 𝜌 = 42 - UCB: 𝜌 = 13 Nhìn vào hai đồ thị độ xác thuật toán, hiệu thuật toán độ hối tiếc ba thuật toán sau 250 lần lựa chọn trên, ta có nhận xét so sánh ba thuật toán sau: - Ta dễ dàng thấy thuật toán UCB hoạt động tốt hai thuật toán Epsilon-Greedy Softmax - Thuật toán Softmax hoạt động tốt thuật toán Epsilon-Greedy dù không cách biệt 70 KẾT LUẬN Với mục tiêu xây dựng thuật toán lựa chọn máy chủ cho hệ thống mạng phân tán liệu, luận văn hoàn thành mục tiêu đề Trong điều kiện một hệ phân tán thực thông số biến động thật trình chạy, dựng lên một môi trường giả lập với thông số giả lập nhất đồng thời áp dụng ba thuật toán lựa chọn máy chủ với thông số cho môi trường giả lập Các thông số giả lập thể khía cạnh quan trọng nhất nút nghẽn cổ chai mô hình mạng tập trung: nghẽn đầu mạng nghẽn webserver Tuy giả lập tính chất ngẫu nhiên web server đột nhiên trục trặc, đường mạng đứt… hay lúc nghẽn mạng tải nhiều người truy cập, thông số mô luận văn dung thể tính chất quan trọng nhất việc lựa chọn máy chủ hệ thống mạng phân tán liệu: tính đáp ứng với nhóm người sử dụng khác biệt máy chủ thể qua tải mạng tải web server Nhờ vào đó, luận văn mô thể thuật toán môi trường tương đồng với môi trường mạng phân tán thật, dễ dàng triển khai vào môi trường thật Do thiếu điều kiện môi trường thật, thời gian tìm hiểu có hạn kiến thức hạ tầng mạng chưa đầy đủ nên luận văn nhiều thiếu sót Tôi rất mong sau có điều kiện tiếp xúc với môi trường thật để phát triển tiếp nghiên cứu luận văn hoàn thiện kiến thức lĩnh vực hệ thống mạng phân tán liệu 71 TÀI LIỆU THAM KHẢO Abdelhamid Mellouk, Said Hoceini, Hai Anh Tran (2013), Quality of Experience for Multimedia, Wiley-ISTE, chapter Abdelhamid Mellouk, Antonio Cuadra-Sanchez (2014), Quality of Experience Engineering for Customer Added Value Services: From Evaluation to Monitoring, Wiley-ISTE, chapter Al-Mukaddim Khan Pathan, Rajkumar Buyya A Taxonomy and Survey of Content Delivery Networks, University of Melbourne, Australia John Myles White (2012), Bandit Algorithms for Website Optimization, O'Reilly Media, chapter 3, 5, John Myles White (2012), “Code for my book on Multi-Armed Bandit Algorithms”, https://github.com/johnmyleswhite/BanditsBook Eric Chiang (2014), “Python Multi-armed Bandits (and Beer!)”, http://blog.yhathq.com/posts/the-beer-bandit.html Wikipedia “Content Delivery Network”, https://en.wikipedia.org/wiki/Content_delivery_network 72 ... 1: Hệ thống mạng phân tán liệu - Chương 2: Thuật toán lựa chọn máy chủ cho hệ thống mạng phân tán liệu - Chương 3: Xây dựng giải thuật Multi-Armed Bandit CHƯƠNG 1: HỆ THỐNG MẠNG PHÂN TÁN DỮ LIỆU... mạng phân tán liệu Trên sở xây dựng thuật toán để lựa chọn máy chủ cho mạng phân tán liệu khảo sát đánh giá thuật toán Đối tượng, phạm vi nghiên cứu - Đối tượng: Thuật toán lựa chọn máy chủ hệ thống. .. phần mạng phân phối nội dung .27 CHƯƠNG 2: THUẬT TOÁN LỰA CHỌN MÁY CHỦ CHO HỆ THỐNG MẠNG PHÂN TÁN DỮ LIỆU 32 2.1 Giới thiệu chương 32 2.2 Các thuật toán lựa chọn máy chủ hệ