Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống
1
/ 27 trang
THÔNG TIN TÀI LIỆU
Thông tin cơ bản
Định dạng
Số trang
27
Dung lượng
808,47 KB
Nội dung
BỘ GIÁO DỤC VÀ ĐÀO TẠO ĐẠI HỌC ĐÀ NẴNG *** CUNGCẤPTÀINGUYÊNCHODỊCHVỤẢOHÓADỰATRÊNNỀNTẢNGMÁYCHỦCHIASẺTRONGTÍNH TỐN ĐÁMMÂY CHUN NGÀNH: KHOA HỌC MÁYTÍNH MÃ SỐ: 62.48.01.01 TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐÀ NẴNG, 2018 BỘ GIÁO DỤC VÀ ĐÀO TẠO ĐẠI HỌC ĐÀ NẴNG *** Người hướng dẫn khoa học: PGS TS LÊ VĂN SƠN PGS TS ĐOÀN VĂN BAN Phản biện 1: Phản biện 2: Phản biện 3: Luận án bảo vệ trước Hội đồng chấm luận án cấp Cơ sở họp tại: Đại học Đà Nẵng Vào hồi ngày tháng năm Có thể tìm hiểu luận án tại: - Thư viện Quốc gia - Trung tâm Thông tin – Học liệu, Đại học Đà Nẵng MỞ ĐẦU Lý chọn đề tài Mô hình tính tốn đámmây (Cloud Computing) phát triển dựa kết việc thích ứng Internet phát triển cơng nghệ lĩnh vực: tính tốn lưới (Grid Computing), tính tốn cụm (Cluster Computing), tính tốn tiện ích (Utility Computing) tính tốn tự động (Automatic Computing) Mục đích hệ thống tạo tảngtính tốn hiệu quả, sử dụng chung tàinguyênmáytính tích hợp thông qua thiết bị phần cứng, mạng phần mềm nhằm nâng cao hiệu suất, khả chịu lỗi, đảm bảo tính sẵn sàng tàinguyên từ máytính đơn lẻ Những đặc điểm hệ thống tính tốn đámmây đem lại nhiều lợi ích cho người dùng thuận lợi cho nhà cungcấpdịchvụđámmây Tuy nhiên, thách thức việc tối ưu hệ thống cần quan tâm nghiên cứu, như: tiết kiệm tàinguyên lượng tiêu thụ cungcấptài nguyên, tối ưu mơ hình chi phí, khả cân tải, chủ đề nghiên cứu quan trọng Đặc biệt, nhu cầu sử dụng máy vật lý (Physical Machine) để cungcấptàinguyênchodịchvụảohóa (Virtual Service) trung tâm liệu (Data Center) ngày tăng Điều này, dẫn đến việc sử dụng tàinguyênmáy vật lý trung tâm liệu tăng, làm tăng lượng tiêu thụ lượng khí thải CO2 , trở thành mối đe dọa mơi trường sống Vì thế, tối ưu cungcấptàinguyênmáy vật lý chodịchvụảohóa từ tảngmáychủchiasẻ trung tâm liệu, đáp ứng nhu cầu chất lượng dịch vụ, khả cân tải giảm thiểu tối đa sử dụng tàinguyên vật lý, lượng tiêu thụ cần thiết Đó mục đích đề tài: "Cung cấptàinguyênchodịchvụảohóadựatảngmáychủchiasẻtính tốn đámmây " Đối tượng phạm vi nghiên cứu Cungcấptài ngun hệ thống tính tốn đámmây phân thành 03 lớp tốn: cungcấp ứng dụng, cungcấpmáyảocungcấptàinguyên vật lý (máy vật lý) chodịchvụảohóa để tạo máyảocungcấpchođámmây Các lớp toán liên quan đến đối tượng sử dụng dịchvụđámmây như: người dùng, nhà cungcấpdịchvụ SaaS, nhà cungcấpdịchvụ PaaS nhà cungcấpcấpdịchvụ IaaS Trong phạm vi đối tượng nghiên cứu, luận án tập trung nghiên cứu mô hình cungcấptàinguyênmáy vật lý chodịchvụảohóa để tạo máy ảo, đáp ứng nhu cầu nhà cungcấpdịchvụ IaaS Nghiên cứu thuật toán Meta Heuristic, như: thuật toán Tối ưu bầy đàn, thuật toán Tối ưu đàn kiến thuật tốn Mơ luyện kim nhằm đề xuất thuật toán để giải toáncungcấptàinguyênchodịchvụảohóa Phương pháp nghiên cứu 3.1 Phương pháp nghiên cứu tài liệu - Tìm kiếm, thu thập cơng trình nghiên cứu cơng bố tạp chí, kỷ yếu hội thảo, báo cáo khoa học, sách xuất lĩnh vực cungcấptàinguyên hệ thống tính tốn đám mây; - Trên sở tài liệu sưu tâp, thực phân tích, tổng hợp đề xuất toán nghiên cứu Đồng thời, dựatài liệu thuật toán Tối ưu bầy đàn, Tối ưu đàn kiến Mô luyện kim đề xuất thuật toáncungcấptàinguyênchodịchvụảohóa từ tảngmáychủchiasẻtính tốn đámmây 3.2 Phương pháp thực nghiệm khoa học - Tạo lựa chọn liệu thực nghiệm; - Cài đặt đánh giá thuật toán đề xuất tập liệu thực nghiệm Sử dụng cơng cụ mơ hệ thống tính tốn đámmây CloudSim để triển khai thử nghiệm, phân tích đánh giá hiệu suất thuật toán đề xuất Ý nghĩa thực tiễn - Xây dựng mơ hình cungcấptàinguyên vật lý chodịchvụảohóa từ tảngmáychủchiasẻ để tạo máyảo đề xuất thuật toán để giải, góp phần nâng cao hiệu suất cungcấptàinguyên lớp dịchvụ IaaS hệ thống tính tốn đámmây - Luận án sử dụng làm tài liệu tham khảo cho sinh viên, người đọc quan tâm vấn đề cungcấptàinguyênchodịchvụảohóa nghiên cứu phương pháp Meta heuristic, phương pháp xấp xỉ để giải tốn tối ưu Đóng góp luận án (1) Đề xuất mơ hình tốn học vấn đề cungcấptàinguyên đa chiều chodịchvụảohóa từ tảngmáychủchiasẻ đồng với mục tiêu tối thiểu số lượng máy vật lý dùng Áp dụng thuật toán Hệ kiến Max-Min, đề xuất thuật toán MDRAVS-MMAS để ước lượng so sánh với thuật tốn Firt Fit, Best Fit thơng qua 02 thước đo: số lượng máy vật lý cần dùng thời gian thực thuật toán Kết thực nghiệm nhận thấy rằng: thuật toán đề xuất MDRAVS-MMAS cho giá trị hàm mục tiêu tốt (tức là, số lượng máy vật lý cần dùng hơn) thuật tốn First Fit, Best Fit Độ phức tạp thuật toán đề xuất thực thời gian đa thức (2) Đề xuất mơ hình tốn học cho vấn đề cungcấptàinguyên đa chiều chodịchvụảohóa từ tảngmáychủchiasẻ không đồng với mục tiêu tối thiểu lượng tiêu thụ hệ thống Áp dụng thuật toán Tối ưu bầy đàn, cải tiến đề xuất thuật toán ECRAVS-PSO Áp dụng thuật tốn Mơ luyện kim, đề xuất thuật toán ECRAVS-SA để ước lượng so sánh với thuật tốn với thuật tốn Firt Fit Decreasing (FFD) thơng qua 02 thước đo: lượng tiêu thụ thời gian thực thuật toán Kết thực nghiệm nhận thấy rằng: 02 thuật toán đề xuất ECRAVS-PSO ECRAVS-SA cho giá trị hàm mục tiêu tốt (tức là, lượng tiêu thụ hơn) thuật tốn FFD Độ phức tạp thuật toán thực thời gian đa thức (3) Xây dựng mơ hình tốn học cho việc cungcấptàinguyên đa mục tiêu, gồm: mục tiêu cân tảimáy vật lý mục tiêu tối thiểu lượng tiêu thụ Áp dụng thuật toán Hệ đàn kiến, đề xuất thuật toán MORA-ACS để ước lượng so sánh với thuật toán Round Robin thông qua 03 thước đo: lượng tiêu thụ, độ lệch chuẩn thời gian thực thuật toán Kết thực nghiệm nhận thấy rằng: thuật toán đề xuất MORA-ACS cho giá trị hàm mục tiêu tốt (tức là, lượng tiêu thụ khả cân tải tốt hơn) thuật toán Round Robin Độ phức tạp thuật toán thực thời gian đa thức Bố cục luận án Ngoài phần mở đầu kết luận, nội dung luận án tổ chức gồm có 04 chương với cấu trúc sau: - Chương 1: Tổng quan đề xuất toáncungcấptàinguyênchodịchvụảohóa - Chương 2: Cungcấptàinguyênchodịchvụảohóa từ tảngmáychủchiasẻ đồng - Chương 3: Cungcấptàinguyênchodịchvụảohóa từ tảngmáychủchiasẻ không đồng - Chương 4: Cungcấptàinguyên đa mục tiêu chodịchvụảohóa từ tảngmáychủchiasẻ không đồng Các kết luận án công bố 07 cơng trình khoa học Trong đó, có 01 đăng kỷ yếu hội thảo quốc gia, 02 đăng tạp chí chuyên ngành nước, 02 đăng tạp chí quốc tế 02 đăng hội thảo quốc tế chuyên ngành Chương TỔNG QUAN VÀ ĐỀ XUẤT BÀI TOÁNCUNGCẤPTÀI NGUN CHODỊCHVỤẢO HĨA 1.1.Hệ thống tínhtoánđámmây Peter Mell Tim Grance định nghĩa mơ hình hệ thống tính tốn đámmây sau: "Một mơ hình cho phép việc truy cập mạng cách rộng rãi, tiện lợi theo nhu cầu nhằm chiasẻtài ngun tính tốn (ví dụ: mạng, máy chủ, thiết bị lưu trữ, ứng dụng dịch vụ) cấp phát nhanh với khả tối thiểu nỗ lực quản lý, cungcấpdịchvụ Mơ hình đámmây gồm có đặc điểm chính, mơ hình dịchvụ mơ hình triển khai." - 05 đặc điểm đám mây, gồm: truy cập mạng diện rộng, dịchvụcungcấp tự động theo nhu cầu, tổng hợp tài nguyên, tính co dãn nhanh dịchvụ đo lường - 03 mơ hình dịch vụ, là: sở hạ tầngdịch vụ, tảngdịchvụ phần mềm dịchvụ Ngoài ra, phần cứngdịchvụ xem mơ hình dịchvụ hệ thống tính tốn đámmây - Phân loại dựa vào tiêu chí triển khai, có 04 loại đám mây: đámmây riêng, đámmây công cộng, đámmây cộng đồng đámmây lai 1.2.Yêu cầu thách thức hệ thống tính tốn đámmây - u cầu: mục đích hệ thống, dịch vụ, ảo hố, đàm phán QoS động, giao diện truy cập người dùng, dịchvụ giá trị gia tăng - Thách thức: bảo mật, mơ hình chi phí, mơ hình tính phí, tiết kiệm tài nguyên, thỏa thuận mức dịch vụ, di trú máyảo 1.3.Máy ảo Theo Goldberg, máyảo định nghĩa "một cô lập hệ thống máytính thực, tập vi xử lý ảo thực vi xử lý máychủ thực cách tự nhiên" 1.4.Công nghệ ảohóa Cơng nghệ ảohóa bao gồm việc kết hợp phân chiatài ngun tính tốn để biểu diễn nhiều môi trường hoạt động Trong kiến trúc phân tầng cơng nghệ ảo hóa, tầngảohóa phân vùng tàinguyên hành nhiều máychủ vật lý bên thành nhiều máy ảo, tương ứng Hiện nay, công nghệ ảohóa có 02 loại: ảohóa phân chia gọi ảohóamáychủảohóa tích hợp 1.5.Cơng cụ mơ hệ thống tính tốn đámmây Triển khai đámmây thực tế sử dụng đámmây thương mại để thử nghiệm tốn Vì thế, sử dụng cơng cụ mơ có chức tương tự đámmây thực tế để triển khai nghiên cứu thử nghiệm cách thức thơng dụng Dựa đặc tính chi phí, chức yêu cầu thử nghiệm đề tài, luận án chọn công cụ CloudSim để triển khai thực nghiệm, đánh giá thuật toán giải toán đề xuất 1.6.Cung cấptàinguyên hệ thống tính tốn đámmây Mơ hình cungcấptài ngun tính tốn đámmây trình bày Hình 1.1 Trong đó, V số ứng dụng ứng dụng có T tác vụ Mỗi ứng dụng nhận yêu cầu từ người dùng Các ứng dụng chạy N máyảomáyảocungcấptàinguyên từ M máy vật lý Theo mơ hình này, có 03 đối tượng tham gia hoạt động hệ thống Hình 1.1: Mơ hình cungcấptài ngun hệ thống tính tốn đámmâytính tốn đám mây, bao gồm: nhà cungcấpđámmây (cloud provider), nhà cungcấp ứng dụng (application provider) người dùng đầu cuối (User) Trong đó, nhà cungcấpđámmâycungcấptàinguyên phần cứngtàinguyênảohóa chạy tàinguyên phần cứng Người dùng đầu cuối truy cập trực tiếp vào tàinguyênảohóa Nhà cungcấp ứng dụng chọn lựa máyảo cài đặt môi trường hoạt động máyảo như: hệ điều hành khách, phần mềm triển khai ứng dụng thông qua giao diện ứng dụng cungcấp từ nhà cungcấpđámmây Ngoài ra, nhà cungcấp ứng dụng phát triển triển khai ứng dụng hệ thống máyảo đến người dùng đầu cuối Như vậy, cungcấptàinguyênđámmây có 03 loại: cungcấp ứng dụng, cungcấpmáyảocungcấptàinguyên vật lý chodịchvụảohóa 1.7.Các nghiên cứu liên quan đến cungcấptàinguyênchodịchvụảohóa 1.7.1.Mơ hình hệ thống cungcấptài ngun chodịchvụảohóa Mục tiêu luận án nghiên cứu tốn cungcấptài ngun tĩnh, mơ hình hệ thống cungcấptàinguyêntĩnhchodịchvụảohóadựatảngmáychủchiasẻ Mark Stillwell cộng đề xuất, trình bày Hình 1.2 Hình 1.2: Mơ hình cungcấptài ngun chodịchvụảohóa từ tảngmáychủchiasẻ - Nềntảngmáychủchiasẻ (Shared Hosting Platform): gồm cụm máy vật lý (Physical Machine) kết nối qua thiết bị mạng để chiasẻtàinguyên nhằm cungcấpchodịchvụảohóa (Virtual Service) Nếu máy vật lý có cấu hình tài ngun giống gọi tảngmáychủchiasẻ đồng (Homogeneous Shared Hosting Platform) Ngược lại, máy vật lý có cấu hình tài ngun khơng giống gọi tảngmáychủchiasẻ không đồng (Heterogeneous Shared Hosting Platform) - Dịchvụảohóa (Virtual Service): dịchvụảohóa ánh xạ tàinguyên f : S → R Sao cho, với sk ∈ S rk ∈ R f (sk ) = rk rk biểu diễn tàinguyên thực tương ứng tàinguyênảo sk tàinguyên loại k Trong đó, S = {sk |k = D} tập tàinguyênảomáy ảo, R = {rk |k = 1, , D} tập tàinguyên thực máy vật lý D số loại tàinguyên - Bộ giám sát máyảo (Virtual Machine Manager): giám sát, quản lý máyảo thực thi máy vật lý - Hệ thống quản lý máyảo (Virtual Machine Manager System): điều khiển các Bộ giám sát máyảo nhằm xác định tỷ lệ tàinguyên tiêu thụ máy ảo, di trú máyảo từ máy vật lý sang máy vật lý khác hệ thống - Bộ cungcấptàinguyên (Resource Allocator): cungcấptàinguyênchodịchvụảohóa để đáp ứng nhu cầu tạo máyảo Theo mơ hình này, hệ thống nhận yêu cầu cungcấp cụm máyảo (yêu cầu tĩnh) để thực thi ứng dụng đám mây, hệ thống đáp ứng cách thiết lập nhiều máyảo để thực thi yêu cầu Các máyảo chạy máy vật lý quản lý Bộ giám sát máyảo tiêu thụ tàinguyên theo tỷ lệ khác Hệ thống quản lý máyảo có nhiệm vụ kiểm soát Bộ giám sát máyảo để xác định tỷ lệ tiêu thụ tàinguyênmáyảo Cuối cùng, Bộ cungcấptàinguyêndựa nhu cầu tàinguyênmáyảotàinguyên có máy vật lý để định từ chối đáp ứng yêu cầu, phân chia tỷ lệ tàinguyên đến dịchvụảohóa để đáp ứng tài ngun chomáyảo 1.7.2.Mơ hình cungcấptàinguyênchodịchvụảohóa với mục tiêu tối thiểu số lượng máy vật lý dùng Nghiên cứu cải tiến mơ hình cungcấptàinguyênchodịchvụảohóa với mục tiêu tối thiểu số lượng máy vật lý cần dùng phải xét nhiều loại tàinguyên (còn gọi tàinguyên đa chiều - Multi Dimensional Resource) Đề xuất thuật toán để giải so sánh với thuật toán FFD cần thiết 1.7.3.Mơ hình cungcấptài ngun chodịchvụảohóa với mục tiêu tối thiểu lượng tiêu thụ Nghiên cứu cải tiến mơ hình cungcấptàinguyênchodịchvụảohóa với mục tiêu tối thiểu lượng tiêu thụ cần tính đến việc tiêu thụ lượng tất tàinguyên xét tảngmáychủchiasẻ khơng đồng cần thiết 1.7.4.Mơ hình cungcấptàinguyênchodịchvụảohóa với mục tiêu cân tải Nghiên cứu cải tiến mơ hình cungcấptàinguyênchodịchvụảohóa từ tảngmáychủchiasẻ không đồng cần xét đến mơ hình đa mục tiêu: mục tiêu tối thiểu lượng tiêu thụ mục tiêu cân tảimáy vật lý Thiết kế thuật toán để giải so sánh với thuật toán Round Robin cần thiết 1.8.Mục tiêu nội dung luận án 1.8.1.Mục tiêu nghiên cứu luận án Mục tiêu luận án là: đề xuất giải pháp tối ưu chotoáncungcấptàinguyên vật lý đa chiều (nhiều loại tài nguyên, như: CPU, RAM, Disk, ) từ tảngmáychủchiasẻchodịchvụảohóa trung tâm liệu hệ thống tínhtoánđám mây, đảm bảo tối thiểu tàinguyênmáy vật lý sử dụng, tối thiểu lượng tiêu thụ hệ thống đảm bảo cân tảimáy vật lý 1.8.2.Nội dung nghiên cứu luận án Nội dung nghiên cứu triển khai thông qua 03 toán cụ thể sau: - Bài toán 1: Cungcấptàinguyên đa chiều chodịchvụảohóa từ tảngmáychủchiasẻ đồng nhất, với mục tiêu tối thiểu số lượng máy vật lý cần dùng (Multi-Dimensional Resource Allocation for Virtual Services – MDRAVS) - Bài toán 2: Cungcấptàinguyên đa chiều chodịchvụảohóa từ tảngmáychủchiasẻ không đồng nhất, với mục tiêu tối thiểu lượng tiêu thụ (Energy Consumption Resource Allocation for Virtual Services ECRAVS) Đây mở rộng Bài toán 1, xét tảngmáychủchiasẻ không đồng thay đổi mục tiêu tối ưu Bài toán - Bài toán 3: Cungcấptàinguyên đa chiều, đa mục tiêu chodịchvụảohóa từ tảngmáychủchiasẻ không đồng (Multi-Objective Resource Allocation - MORA) Với 02 mục tiêu tối ưu: tối thiểu lượng tiêu thụ đảm bảo cân tải Bài toán mở rộng Bài toán Để triển khai nghiên cứu, luận án xem xét tiếp cận phương diện cụ thể sau: - Áp dụng mô hình hệ thống cungcấptàinguyên trình bày (Hình 1.2); - Xây dựng mơ hình tốn học dạng toán tối ưu; - Đề xuất thuật toán Meta-heuristic để giải toán; - Xây dựng, lựa chọn liệu thực nghiệm phù hợp với đámmây thực tế 1.9.Tiểu kết Chương Trong nội dung chương này, luận án trình bày tổng quan hệ thống tính tốn đám mây, mơ hình dịchvụ mơ hình triển khai Cơng nghệ ảohóamáyảo trái tim hệ thống tính tốn đámmây trình bày Dựa mơ hình cơng nghệ ảo hóa, luận án đưa kết khảo sát toàn diện vấn đề cungcấptàinguyênđámmâytoán liên quan đến Cungcấptàinguyên hệ thống tính tốn đámmây phân thành 03 lớp toán: toáncungcấp ứng dụng, toáncungcấpmáyảotoáncungcấptàinguyên vật lý (máy vật lý) chodịchvụảohóa để tạo máyảocungcấpchođámmây Tuy nhiên, hầu hết giải pháp, mơ hình tập trung vào tốn cungcấp ứng dụng cungcấpmáy ảo, có số nghiên cứu tốn cungcấptài ngun vật lý phần lớn xét đến hai loại nguyên CPU nhớ Vì thế, luận án tập trung nghiên cứu toáncungcấptàinguyên vật lý đa chiều chodịchvụảohóa hệ thống tính tốn đám mây, đảm bảo tối thiểu số máy vật lý cần dùng, tối thiểu lượng tiêu thụ cân tải cần thiết Bên cạnh đó, để giảm thiểu rủi ro triển khai đámmây chi phí thực nghiệm, việc nghiên cứu công cụ mô đámmây để cài đặt, thử nghiệm đánh giá thuật toán trước áp dụng vào đámmây thực tế cách thức thơng dụng Vì thế, luận án khảo sát toàn diện đánh giá cơng cụ mơ đámmây thơng dụng có Dựa u cầu chi phí, chức cơng cụ mô CloudSim yêu cầu thử nghiệm đề tài, luận án chọn công cụ CloudSim để triển khai thực nghiệm, đánh giá thuật toán giải toán đề xuất Thuật toán 2: Thuật toán MDRAVS-MMAS Đầu vào: • Tập dịchvụảohóa VS với vector ri∗ , ri∗∗ Tập máy vật lý PM • Các tham số: α, β, ρ, pbest , τ max , số lần lặp numLoop số kiến numAnt Đầu : Giải pháp tốt nhất, S best−toan−cuc , số máy vật lý dùng Khởi tạo tham số α, β, ρ, pbest , τ max thiết lập giá trị mùi τij = τ max ; for nL := → numLoop for nA := → numAnt j := ; /* Sử dụng máy vật lý j, j số máy vật lý */ nA BIN ARY := [eij := 0], ∀i ∈ {1, , N }, ∀j ∈ {1, , M }; while (VS = ∅) VStemp = M i ∈ VS j=1 10 11 12 13 14 15 xij = ∧ Rj + ri∗ + ri∗∗ ≤ Cj , ∀j ; if (VStemp = ∅) then Chọn ngẫu nhiên dịchvụảohóa i ∈ VStemp theo xác [τij ]α ×[ηij ]β temp ; suất pij := α β , ∀i ∈ VS u∈VStemp [τuj ] ×[ηuj ] ∗ ∗∗ eij := 1; VS := VS − {i}; Rj := Rj + (ri + ri ); else j := j + ; /* Sử dụng thêm máy vật lý j */ So sánh giải pháp thông qua ma trận BIN ARY nA kiến tạo dựa vào giá trị f (S best ) lưu giải pháp tốt vào biến S best−vong−lap ; if (nL = ∨ Best − T oan − Cuc(S best−vong−lap )) then S best−toan−cuc := S best−vong−lap ; /* Đây giải pháp tốt tồn cục Trong đó, hàm Best − T oan − Cuc(S best−vong−lap ) kiểm tra S best−vong−lap có phải giải pháp tốt đến thời điểm hay không */ 16 17 18 19 20 21 22 23 Tính giá trị τ , τ max ; foreach (i, j) ∈ (VS × PM) τij := ρ × τij + ∆τijbest ; if (τij > τ max ) then τij := τ max ; if (τij < τ ) then τij = τ ; return Giải pháp tốt toàn cục S best−toan−cuc ; ∀ε > numLoop đủ lớn lim numLoop→∞ P (numLoop) = Vì thế, thuật toán MDRAVS-MMAS hội tụ sau numLoop bước lặp - Nếu cố định số loại tàinguyên D, độ phức tạp thuật tốn O(numLoop × numAnt × N × M ) 2.3.3.Thực nghiệm nhận xét 11 2.3.3.1.Phương pháp mô Để đánh giá thuật toán, sử dụng 4500 mẫu liệu đầu vào tạo theo phương pháp ngẫu nhiên 2.3.3.2.Nhận xét kết thực nghiệm thuật toán First Fit, Best Fit Kết thực nghiệm phiên thuật tốn First Fit Best Fit trình bày Bảng 2.1 Bảng 2.2 Bảng 2.1: Thời gian thực thuật toán First Fit Best Fit Tên thuật toán FirstFitDesMax FirstFitDesLex FirstFitDesSum BestFitDesMax BestFitDesLex BestFitDesSum N=32 0,00009 0,00010 0,00016 0,00121 0,00123 0,00128 N=64 0,00107 0,00114 0,00113 0,00254 0,00232 0,00234 N=128 0,00303 0,00214 0,00268 0,00833 0,00783 0,00800 N=256 0,01076 0,00827 0,00932 0,03741 0,03500 0,03693 N=512 0,03193 0,02529 0,02791 0,03741 0,12253 0,13380 Bảng 2.2: Số máy vật lý sử dụng thực thuật toán First Fit Best Fit Tên thuật toán FirstFitDesMax FirstFitDesLex FirstFitDesSum BestFitDesMax BestFitDesLex BestFitDesSum N=32 24 24 24 24 24 24 N=64 47 47 47 47 47 47 N=128 90 90 90 90 89 90 N=256 174 174 174 174 170 174 N=512 344 344 344 344 327 344 2.3.3.3.Nhận xét kết thực nghiệm thuật toán MDRAVSMMAS, First Fit Best Fit Giá trị tham số thuật toán MDRAVS-MMAS : α = 1, β = 2, ρ = 0, 9, pbest = 0,05, τ max = 3, numLoop = 5, numAnt = Kết thực nghiệm thuật tốn MDRAVS-MMAS, First Fit Best Fit trình bày Bảng 2.3 Bảng 2.4 Bảng 2.3: Số máy vật lý sử dụng thực thuật toán MDRAVSMMAS thuật toán khác Tên thuật toán FirstFit BestFit MDRAVS-MMAS N=32 24 24 24 N=64 47 47 47 12 N=128 90 89,7 88 N=256 174 172,7 172 N=512 344 338,3 323 Bảng 2.4: Thời gian thực thuật toán MDRAVS-MMAS thuật toán khác Tên thuật toán FirstFit BestFit MDRAVS-MMAS N=32 0,000117 0,001240 0,001000 N=64 0,001113 0,002400 0,003000 N=128 0,002617 0,006553 0,020890 N=256 0,009450 0,036447 0,040120 N=512 0,028377 0,129133 0,074100 2.4.Tiểu kết Chương Dựa mơ hình hệ thống cungcấptài ngun chodịchvụảohóa Mark Stillwell cộng đề xuất, luận án đề xuất mơ hình tốn học vấn đề cungcấptàinguyên đa chiều (xét nhiều loại tài nguyên, như: CPU, RAM, Disk, ) chodịchvụảohóa từ tảngmáychủchiasẻ đồng nhất, với mục tiêu tối thiểu số lượng máy vật lý cần dùng Đây toáncungcấptàinguyên hạn chế thuộc lớp toán NP-đầy đủ Để ước lượng toán, luận án thực thuật toán để giải, cụ thể: - Dựa thuật toán chuẩn giải toán Vector Packing, áp dụng thuật toán First Fit Best Fit để đưa 06 phiên khác thuật tốn Các thuật tốn cơng bố cơng trình số 1; - Đề xuất thuật tốn MDRAVS-MMAS sở thuật áp dụng thuật toán tối ưu Hệ kiến Max-Min Thuật tốn MDRAVS-MMAS cơng bố cơng trình số Các thuật tốn đánh giá thơng qua loạt kịch mô 4500 mẫu liệu, liệu thực nghiệm tạo theo phương pháp xác suất ngẫu nhiên, kết so sánh thuật toándựa 02 thước đo: số lượng máy vật lý cần dùng (hàm mục tiêu toán) thời gian thực thuật tốn Chương trình mơ thuật tốn thực ngôn ngữ C++ thời gian thực thuật tốn đo máytính đơn có vi xử lý Intel Core Duo 1.86 GHz, RAM 2Gb Các kết thực nghiệm cho thấy: - Độ phức tạp thuật toán thực thời gian đa thức; - Khi số lượng (miền tốn) dịchvụảohóa nhỏ thước đo thuật tốn khơng khác nhiều Trường hợp, số dịchvụ lớn thuật tốn MDRAVS-MMAS cho số lượng máy vật lý cần dùng (tức là, tiết kiệm tàinguyên hơn) 02 thuật toán First Fit Best Fit Hơn nữa, thời gian thực thuật toán nhỏ, nên phù hợp triển khai hệ thống tính tốn đámmây thực tế 13 Chương CUNGCẤPTÀINGUYÊNCHODỊCHVỤẢO HĨA TỪ NỀNTẢNGMÁYCHỦCHIASẺ KHƠNG ĐỒNG NHẤT 3.1.Mơ hình tài ngun nhu cầu tàinguyên Khác với Chương xét môi trường đồng nhất, nội dung chương khảo sát tảngmáychủchiasẻ không đồng (Heterogeneous Shared Hosting Platform), gồm cụm máy vật lý có cấu hình tàinguyên không giống nhau, kết nối qua thiết bị mạng để chiasẻtàinguyên nhằm cungcấpchodịchvụảohóa (trường hợp tĩnh) Vì thế, mơ hình tài ngun nhu cầu tài ngun mở rộng sau: Xét tảngmáychủchiasẻ không đồng nhất, gồm tập PM máy vật lý có cấu hình tài ngun khơng giống nhau, PM = {j | j = 1, , M } M số lượng máy vật lý Các máy vật lý kết nối qua thiết bị mạng tốc độ cao để chiasẻtàinguyên nhằm cungcấpcho tập VS dịchvụảo hóa, VS = {i | i = 1, , N } N số lượng dịchvụảohóa với dịchvụảohóamáyảo Mỗi máy vật lý cungcấp tập D loại tài nguyên, với D = {k | k = 1, , D} D số loại tàinguyên Đối với loại tàinguyênmáy vật lý có nhiều thành phần tàinguyên riêng biệt (ví dụ, nhiều CPU, nhiều RAM, ) tàinguyên tổng hợp Vì thế, tàinguyênmáy vật lý biểu diễn cặp vector (C e , C a ) Trong đó, C e = {cejk | j = 1, , M ; k = 1, , D} vector tàinguyên thành phần mà phần tử cejk ∈ Q+ biểu diễn phần tử đơn lẻ loại tàinguyên k máy vật lý j C a = {cajk | j = 1, , M ; k = 1, , D} vector tàinguyên tổng hợp mà phần tử cajk ∈ Q+ biểu diễn tổng phần tử đơn lẻ loại tàinguyên k máy vật lý j Tương tự, nhu cầu tàinguyêndịchvụảohóa biểu diễn cặp vector, bao gồm: vector nhu cầu tàinguyên thành phần vector nhu cầu tàinguyên tổng hợp Hơn nữa, nhu cầu tàinguyêndịchvụảohóa có hai loại: nhu cầu tất yếu nhu cầu tùy biến Trong đó: - Nhu cầu tất yếu tàinguyên loại k dịchvụảohóa i biểu diễn cặp vector (Re , Ra ) để biểu thị nhu cầu tàinguyên cần thiết để cungcấptàinguyênchodịchvụảohóa mức tối thiểu chấp nhận Nếu nhu cầu tàinguyên tất yếu khơng đáp ứng việc cungcấp e tàinguyên thất bại Trong đó, Re = {rik | i = 1, , N ; k = 1, , D} a a R = {rik | i = 1, , N ; k = 1, , D} vector biểu thị nhu cầu tàinguyên tất yếu thành phần nhu cầu tàinguyên tất yếu tổng hợp, tương e ứng rik ∈ Q+ phần tử nhu cầu tất yếu thành phần loại tàinguyên k a dịchvụảohóa i rik ∈ Q+ phần tử nhu cầu tất yếu tổng hợp loại tài 14 nguyên k dịchvụảohóa i - Nhu cầu tùy biến tàinguyên loại k dịchvụảohóa i biểu diễn cặp vector (F e , F a ) Trong đó, vector thứ F e = {fike | i = 1, , N ; k = 1, , D} chứa phần tử fike ∈ Q+ để biểu diễn nhu cầu tùy biến thành phần loại tàinguyên k dịchvụảohóa i Vector thứ hai F a = {fika | i = 1, , N ; k = 1, , D} chứa phần tử fika ∈ Q+ để biểu diễn nhu cầu tàinguyên tùy biến tổng hợp loại tàinguyên k dịchvụảohóa i Như vậy, cặp vector nhu cầu tùy biến (F e , F a ) biểu thị tàinguyên bổ sung cần thiết để cungcấptàinguyênchodịchvụảohóa mức tối đa Nên, nhu cầu tùy biến biểu diễn tích nhu cầu tùy biến với vector hệ số bổ sung Q = {qij | i = 1, , N ; j = 1, , M } gọi nhu cầu tùy biến ràng buộc Trong đó, phần tử qij ∈ Q+ gọi hệ số bổ sung nhu cầu tùy biến dịchvụảohóa i máy vật lý j Vì thế, cặp vector biểu diễn nhu cầu tàinguyêndịchvụảohóa (Re + Q × F e , Ra + Q × F a ) 3.2.Mơ hình lượng tiêu thụ Xét hệ thống cungcấptàinguyênchodịchvụảohóa trình bày Mục 1.7.1 (Hình 1.2) mơ hình tàinguyên nhu cầu tàinguyênchodịchvụảohóa Mục 3.1 Để ước lượng lượng tiêu thụ máy vật lý, luận án đề xuất tính nguồn điện tiêu thụ máy vật lý j hàm tuyến tính Pj (uj ) Công thức (3.1) Pj (uj ) = Pjmax − Pjidle × uj + Pjidle , ∀j ∈ PM (3.1) Trong đó, Pjmax ∈ Q+ Pjidle ∈ Q+ cơng suất máy vật lý j tương ứng trạng thái sử dụng tiện ích tàinguyên tối đa trạng thái không hoạt động Luận án mở rộng công suất tínhcho tất loại tài nguyên, tức uj tổng tiện ích sử dụng tất loại tàinguyênmáy vật lý j, uj ∈ [0, 1] tính theo Cơng thức (3.2) N D uj = k=1 ujk = cajk D i=1 k=1 a (rik + qij × fika ) × xij , cajk ∀j ∈ PM (3.2) Do vậy, lượng tiêu thụ M máy vật lý cungcấptàinguyêncho N dịchvụảohóa khoảng thời gian ∆t tính Cơng thức (3.3) M E (t) = ∆t × P (uj ) j=1 15 (3.3) 3.3.Phát biểu toán ECRAVS Với phát biểu Mục 3.1 với Công thức (3.1), (3.2) (3.3) Mục 3.2, toáncungcấptàinguyênchodịchvụảohóa từ tảngmáychủchiasẻ không đồng nhất, với mục tiêu tối thiểu lượng tiêu thụ (Energy Consumption Resource Allocation for Virtual Services ECRAVS) trình bày sau: e a xij ∈ {0, 1}; qij , rik , rik , fike , fika , ceik , caik ∈ Q+ , ∀i ∈ VS, j ∈ PM, k ∈ D (3.4) M xij = 1, ∀i ∈ VS (3.5) ∀i ∈ VS, j ∈ PM, k ∈ D (3.6) j=1 e (rik + qij × fike ) × xij ≤ cejk , N a ((rik + qij × fika ) × xij ) ≤ cajk , ∀j ∈ PM, k ∈ D (3.7) i=1 M j=1 D k=1 max Pj − Pjidle × N i=1 a (rik + qij × fika ) × xij cajk + Pjidle → (3.8) 3.4.Đề xuất giải pháp chotoán ECRAVS 3.4.1.Giải pháp dựa thuật toán Tối ưu bầy đàn: Đề xuất thuật toán ECRAVS-PSO Dựa thuật toán Tối ưu bầy đàn, đề xuất thuật toán ECRAVS-PSO để giải toán ECRAVS trình bày Thuật tốn cơng bố cơng trình số - Bài tốn ECRAVS trình bày Mục 3.3 tốn cungcấptài ngun tĩnh Vì thế, thời điểm cungcấptài nguyên, tập dịchvụảo e a hóa VS với nhu cầu tàinguyên rik ,rik ,fike ,fika , tập máy vật lý PM lực tàinguyênmáy vật lý cejk , cajk hoàn toàn xác định - Van den Bergh chứng minh độ hội tụ thuật toán Tối ưu bầy đàn sau: gọi x∗ giá trị tối thiểu toàn cục hàm mục tiêu không gian giải pháp S, gọi xnumLoop chuỗi giải pháp tạo thuật toán Tối ưu bầy đàn sau numLoop lần lặp xác suất 16 Thuật toán 3: Thuật toán ECRAVS-PSO Đầu vào: • Tập dịchvụảohóa VS = {i | i = 1, , N }, tập loại tàinguyên D = {k | k = e ,r a ,f e ,f a hệ số q 1, , D}, nhu cầu tài nguyên: rik ij ik ik ik • Tập máy vật lý PM = {j | j = 1, , M }, tàinguyênmáy vật lý: cejk , cajk • Số lượng particle numP article số lần lặp numLoop Đầu : Danh sách dịchvụảohóacungcấptàinguyênmáy vật lý (tốt nhất), gBest int numP: = numP article; new gBest [M ] ; /* new pBest [numP ] [M ]; new particleLocal [numP ] [M ]; boolean new particleV elocity [numP ] [M ]; while (nL ≤ numLoop) for (nP := → numP ) Toán tử new dùng để khai báo mảng */ particalLocal [nP ] := initSolution (nP, PM, VS) foreach (j ∈ PM) if (particleLocal [nP ] [j] size = 0) then particleV elocity [numP ] [M ] := 0; 10 particleV elocity [numP ] [M ] := 1; 11 for (nP := → numP ) for (nQ := → parLoca[nP ].length) 12 13 pBest [nP ] [nQ] := particalLocal [nP ] [nQ]; 14 20 gBest := globalBestP article(particalLocal, PM) for (nP := → numP ) particleV elocity [nP ] := speedU pdate(); particleLocal [nP ] := positionU pdate(); pBest[nP ] := P BestU pdate(pBest[nP ]); gBest := GBestU pdate(gBest); 21 numLoop + +; 15 16 17 18 19 return gBest; 22 P( lim numLoop→∞ xnumLoop = x∗ ) > Vì thế, thuật tốn ECRAVS-PSO hội tụ đến giá trị tối thiểu toàn cục sau numLoop lần lặp - Gọi N số dịchvụảo hóa, M số máy vật lý, numP artical số lượng particle, D số loại tàinguyên numLoop số lần lặp Cố định số loại tài nguyên, độ phức tạp thuật tốn ECRAVS-PSO là: O(numLoop × numP artical × N × M ) 17 3.4.2.Giải pháp dựa thuật tốn Mơ luyện kim: Đề xuất thuật tốn ECRAVS-SA Dựa thuật tốn Mơ luyện kim, đề xuất thuật toán ECRAVSSA để giải toán ECRAVS trình bày Thuật tốn Nội dung trình bày cơng trình số số Thuật toán 4: Thuật toán ECRAVS-SA Đầu vào: • Tập dịchvụảohóa VS = {i | i = 1, , N }, tập loại tàinguyên D = {k | k = e ,r a ,f e ,f a hệ số q 1, , D}, nhu cầu tài nguyên: rik ij ik ik ik • Tập máy vật lý PM = {j | j = 1, , M }, tàinguyênmáy vật lý: cejk , cajk • Các giá trị nhiệt độ T T , số lần lặp numLoop hệ số làm lạnh CR Đầu : Danh sách dịchvụảohóacungcấptàinguyênmáy vật lý (tốt nhất), S best double T := T ; S best := initializeSolution(PM, VS) ; /* Thực thi Thuật tốn FFD best Tính E theo Cơng thức (3.3); while (T > T ) for (nL := → numLoop) S current := S best ; Tính E current theo Cơng thức (3.3); S neighbor := currentN eighborSolution(M, N ); Tính E neighbor theo Cơng thức (3.3); if (E neighbor < E current ) then S current := S neighbor ; Tính E current theo Cơng thức (3.3); 10 11 12 14 E neighbor −E current T current S := S neighbor ; 15 Tính E current theo Cơng thức (3.3); 16 if (E current < E best ) then S best := S current ; Tính E current theo Công thức (3.3); 13 17 18 19 20 if (exp */ > random (0, 1)) then T := T × (1 − CR) ; /* CR hệ số làm lạnh */ return S best ; - Bài toán ECRAVS trình bày Mục 3.3 tốn cungcấptài ngun tĩnh Vì thế, tương tự thuật toán ECRAVS-PSO, thời điểm cungcấptài nguyên, liệu đầu vào thuật toán ECRAVS-SA, e a gồm: tập dịchvụảohóa VS với nhu cầu tàinguyên rik ,rik ,fike ,fika , tập máy vật lý PM với lực tàinguyênmáy vật lý cejk , cajk hoàn toàn xác định 18 - Mitra cộng chứng minh thuật tốn Mơ luyện kim hội tụ đến giải pháp tối ưu toàn cục với xác suất Vì thuật tốn ECRAVS-SA hội tụ sau bước lặp hữu hạn (tức là, T = T ) - Gọi N số dịchvụảo hóa, M số máy vật lý, D số loại tàinguyên Cố định số loại tài ngun, độ phức tạp thuật tốn ECRAVS-SA O(T × numLoop × N × M ) 3.4.3.Thực nghiệm nhận xét 3.4.3.1.Phương pháp mô Để đánh giá thuật toán, luận án so sánh thuật toán đề xuất với thuật tốn FFD mơi trường CloudSim - Giá trị tham số thuật toán ECRAVS-PSO: thực nghiệm thấy rằng, số lượng particle 20, số lần lặp numLoop 10 cho kết hàm mục tiêu tốt - Giá trị tham số thuật toán ECRAVS-SA: lấy từ thực nghiệm, cụ thể: T =1000, T =0, CR=5 numLoop= 100 cho kết hàm mục tiêu tốt 3.4.3.2.Kết nhận xét Để đánh giá thuật toán sử dụng thước đo: - Năng lượng tiêu thụ khoảng thời gian t = 24 - Thời gian thực thuật tốn - Đơn vị tính lượng tiêu thụ kWh thời gian thực thi giây(s) Bảng 3.1: Kết thực nghiệm thuật toán ECRAVS-PSO, ECRAVS-SA FFD Số nhu cầu máyảo 100 200 300 400 500 Tên thuật toán FFD ECRAVS-SA ECRAVS-PSO FFD ECRAVS-SA ECRAVS-PSO FFD ECRAVS-SA ECRAVS-PSO FFD ECRAVS-SA ECRAVS-PSO FFD ECRAVS-SA ECRAVS-PSO Thời gian thực (s) 0,031 0,038 0,037 0,078 0,088 0,084 0,116 0,125 0,121 0,144 0,160 0,150 0,200 0,218 0,216 19 Năng lượng tiêu thụ (kWh) 201,284 193,000 190,726 396,706 392,490 390,292 597,989 584,564 574,440 793,411 772,185 770,908 994,694 972,439 960,156 Lợi ích lượng (%) 4,292 5,536 1,074 1,643 2,297 4,099 2,749 2,919 2,289 3,597 3.5.Tiểu kết Chương Trên sở mơ hình hệ thống trình bày Mục 1.7.1 (Hình 1.2), nội dung chương mở rộng đặc tínhtàinguyênmáy vật lý nhu cầu tàinguyêndịchvụảohóachotảngmáychủchiasẻ không đồng Cải tiến mơ hình lượng tiêu thụ Zhibo Cao cách tính lượng tiêu thụ tất loại tài ngun (mơ hình lượng tiêu thụ Zhibo Cao xét lượng tiêu thụ CPU) Trên sở đó, luận án đề xuất mơ hình cungcấptàinguyên đa chiều (nhiều loại tài nguyên, như: CPU, RAM, Disk, ) từ tảngmáychủchiasẻ không đồng chodịchvụảohóa với mục tiêu tối thiểu lượng tiêu thụ dạng tốn quy hoạch tuyến tính với biến hữu tỷ nguyên Đây toáncungcấptàinguyên hạn chế thuộc lớp toán NP-đầy đủ Để ước lượng toán, luận án đề xuất 02 thuật toán để giải so sánh cụ thể: - Áp dụng thuật tốn Mơ luyện kim, đề xuất thuật toán ECRAVSSA; - Cải tiến thuật toán Tối ưu bầy đàn, đề xuất thuật toán ECRAVS-PSO Dữ liệu thực nghiệm tham khảo từ mẫu liệu thực tế so sánh kết thực nghiệm 02 thuật toán đề xuất với thuật toán FFD Sử dụng công cụ mô đámmây CloudSim để triển khai thực nghiệm, thời gian thực thuật toán đo máytính đơn có vi xử lý Intel(R) Core(TM) i5-3235M 2.60 GHz, RAM 4Gb Kết thực nghiệm nhận thấy rằng: lượng tiêu thụ đạt từ 02 thuật tốn đề xuất ECRAVS-SA ECRAVS-PSO sử dụng thuật toán FFD (tức là, giá trị hàm mục tiêu tốt hơn) Trong đó, thuật tốn ECRAVS-PSO cho kết tốt Mặc dù, thời gian thực thi 02 thuật tốn đề xuất có lớn cách thức hoạt động chúng tối ưu toàn cục, đảm bảo thời gian đa thức áp dụng hệ thống tínhtoánđámmây thực tế Các kết trình bày cơng trình số 3, số 4, số số 20 Chương CUNGCẤPTÀINGUYÊN ĐA MỤC TIÊU CHODỊCHVỤẢOHÓA TỪ NỀNTẢNGMÁYCHỦCHIASẺ KHÔNG ĐỒNG NHẤT 4.1.Mơ hình cân tải Theo tác giả Zongqin cộng sự, cungcấptàinguyênđảm bảo mục tiêu cân tảitính thơng qua độ lệch chuẩn phần tàinguyên lại máy vật lý M × M σ= Rj − R (4.1) j=1 4.2.Phát biểu toán MORA Bài toáncungcấptàinguyên đa mục tiêu chodịchvụảohóa từ tảngmáychủchiasẻ khơng đồng (Multi-Objective Resource Allocation MORA) trình bày sau: e a xij ∈ {0, 1}; qij , rik , rik , fike , fika , ceik , caik ∈ Q+ , ∀i ∈ VS, j ∈ PM, k ∈ D (4.2) M xij = 1, ∀i ∈ VS (4.3) j=1 e (rik + qij × fike ) × xij ≤ cejk , ∀i ∈ VS, j ∈ PM, k ∈ D (4.4) N a ((rik + qij × fika ) × xij ) ≤ cajk , i=1 D k=1 a (rik + qij × fika ) × xij , − i=1 R= × M × M M j=1 D k=1 (4.5) N cajk Rj = ∀j ∈ PM, k ∈ D max Pj − Pjidle × ∀j ∈ PM (4.6) M Rj (4.7) j=1 M Rj − R j=1 N i=1 → (4.8) a (rik + qij × fika ) × xij cajk + Pjidle → (4.9) 4.3.Giải pháp chotoán MORA 4.3.1.Phương pháp tối ưu Pareto Tập giải pháp khả thi không bị vượt trội không gian giải pháp gọi tập tối ưu Pareto 21 4.3.2.Đề xuất thuật toán MORA-ACS Thuật toán MORA-ACS trình bày Thuật tốn cơng bố cơng trình số Thuật tốn 5: Thuật tốn MORA-ACS Đầu vào: • Tập dịchvụảohóa VS = {i | i = 1, , N }, tập loại tàinguyên D = {k | k = e ,r a ,f e ,f a hệ số q 1, , D}, nhu cầu tài nguyên: rik ij ik ik ik • Tập máy vật lý PM = {j | j = 1, , M }, tàinguyênmáy vật lý: cejk , cajk Đầu : Tập giải pháp tối ưu Patero, P Thiết lập tham số: ρlocal ,ρglobal , α, β, q , numAnt, numLoop ; /* numAnt số lượng kiến, numLoop số lần lặp */ 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 Khởi tạo tập Pareto P rỗng; Thực thi giải pháp khởi tạo thuật toán FFD tính τij0 ; while (nL ≤ numLoop) for (nA := → numAnt) j := 1; /* Sử dụng máy vật lý j, j số máy vật lý while (VS = ∅) Xây dựng tập VStemp ; Tính giá trị ηij ; Tính giá trị pij ; if (VStemp = ∅) then Sinh số ngẫu nhiên q ∈ [0, 1]; if (q ≤ q ) then Thực trình khai thác; a + q × f a ); VS := VS − {i}; Loadj := Loadj + (rik ij ik else Thực trình khám phá; a + q × f a ); VS := VS − {i}; Loadj := Loadj + (rik ij ik else j := j + 1; /* Sử dụng thêm máy vật lý j */ */ Cập nhật mùi cục bộ; Tính hàm E(s) Công thức (3.3) σ(s) Công thức (4.1); Cập nhật giải pháp không bị vượt trội vào tập Pareto P Thuật tốn trình bày Mục 4.3.1; foreach s ∈ P Cập nhật mùi toàn cục; return Tập Pareto P; - Bài toán MORA trình bày Mục 4.2 tốn cungcấptàinguyêntĩnh Vì thế, thời điểm cungcấptài nguyên, liệu đầu vào thuật toán MORA-ACS, gồm: tập dịchvụảohóa VS với nhu cầu tài e a nguyên rik ,rik ,fike ,fika , tập máy vật lý PM với lực tàinguyênmáy vật lý cejk , cajk hoàn toàn xác định - Gọi P (numLoop) xác suất tìm thấy giải pháp thuật tốn Hệ đàn 22 kiến sau numLoop bước lặp, sử dụng mơ hình Markov không đồng nhất, Stutzle Dorigo chứng minh rằng: ∀ε > numLoop đủ lớn P (numLoop) > − ε Do đó, lim P (numLoop) = Điều chứng numLoop→∞ tỏ thuật toán MORA-ACS hội tụ sau numLoop bước lặp - Độ phức tạp thuật toán: gọi N số dịchvụảo hóa, M số máy vật lý, D loại tài nguyên, numLoop số lần lặp numAnt số lượng kiến Cố định số loại tàinguyên D, độ phức tạp thuật toán MORA-ACS : O(numLoop × numAnt × N × M ) 4.3.3.Thực nghiệm nhận xét 4.3.3.1.Phương pháp mô Để đánh giá hiệu thuật toán MORA-ACS, luận án so sánh thuật toán với thuật tốn Round Robin mơi trường CloudSim Giá trị ρlocal = ρglobal = 0, 45, α = β = 0, q = 0, cho kết hàm mục tiêu tốt Với thuật toán sử dụng 03 thước đo: độ lệch chuẩn, lượng tiêu thụ khoảng thời gian ∆t = 24 thời gian thực thuật toán 4.3.3.2.Kết thực nghiệm nhận xét Kết thực nghiệm trình bày Bảng 4.1 Bảng 4.1: Năng lượng tiêu thụ độ lệch chuẩn thuật toán MORAACS Round Robin Số nhu cầu máyảo 100 200 300 400 500 Tên thuật toán Round Robin MORA-ACS Round Robin MORA-ACS Round Robin MORA-ACS Round Robin MORA-ACS Round Robin MORA-ACS Thời gian thực hiện(s) 0,031 0,037 0,078 0,084 0,116 0,121 0,144 0,150 0,200 0,216 Năng lượng tiêu thụ(kWh) 201,284 190,726 396,706 390,292 597,989 574,440 793,411 770,908 994,694 960,156 Lợi ích lượng(%) 5,536 1,643 4,099 2,919 3,597 Độ lệch chuẩn 53,24 40,75 49,95 43,04 52,35 41,33 54,63 42,31 53,03 40,52 4.4.Tiểu kết Chương Nội dung chương trình bày tốn cungcấptài ngun đa chiều từ tảngmáychủchiasẻ không đồng chodịchvụảo hóa, với 02 mục tiêu: tối thiểu lượng tiêu thụ đảm bảo cân tải Kết thực nghiệm cho thấy rằng: lượng tiêu thụ cân tảicho thuật toán MORA-ACS tốt thuật toán Round Robin Kết cơng bố cơng trình số 23 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Kết luận Trong nội dung đề tài, luận án đạt số kết cụ thể sau: Dựa mô hình hệ thống cungcấptàinguyênchodịchvụảohóa Mark Stillwell cộng Đề xuất mơ hình tốn học vấn đề cungcấptàinguyênchodịchvụảohóa từ tảngmáychủchiasẻ đồng nhất, với mục tiêu tối thiểu số lượng máy vật lý cần dùng (thể Bài toán MDRAVS) Đề xuất thuật toán MDRAVS-MMAS để ước lượng so sánh với thuật toán First Fit, Best Fit thông qua 02 thước đo: số lượng máy vật lý cần dùng thời gian thực thuật toán Kết thực nghiệm nhận thấy rằng: thuật toán đề xuất MDRAVS-MMAS cho giá trị số lượng máy vật lý cần dùng thuật tốn First Fit, Best Fit (tức là, tiết kiệm tàinguyên hơn) Độ phức tạp thuật toán thực thời gian đa thức Cải tiến mơ hình lượng tiêu thụ Eugen Feller đề xuất mơ hình tốn học cho vấn đề cungcấptàinguyên từ tảngmáychủchiasẻ không đồng với mục tiêu tối thiểu lượng tiêu thụ hệ thống (thể Bài toán ECRAVS) Đề xuất thuật toán ECRAVSPSO ECRAVS-SA để ước lượng so sánh với thuật tốn First Fit Decreasing (FFD) thơng qua 02 thước đo: lượng tiêu thụ thời gian thực thuật tốn Sử dụng cơng cụ mơ đámmây CloudSim để triển khai thực nghiệm Kết thực nghiệm nhận thấy rằng: giá trị lượng tiêu thụ tìm từ 02 thuật tốn đề xuất ECRAVS-PSO ECRAVS-SA thuật toán FFD (tức là, tiết kiệm lượng tiêu thụ hơn) Độ phức tạp thuật toán thực thời gian đa thức Xây dựng mơ hình tốn học cho việc cungcấptài ngun đa mục tiêu, gồm: mục tiêu cân tảimáy vật lý mục tiêu tối thiểu lượng tiêu thụ (thể Bài toán MORA) Đề xuất thuật toán MORA-ACS để ước lượng so sánh với thuật tốn Round Robin thơng qua 03 thước đo: lượng tiêu thụ, độ lệch chuẩn thời gian thực thuật tốn Sử dụng cơng cụ mơ đámmây CloudSim để triển khai thực nghiệm Kết thực nghiệm nhận thấy rằng: lượng tiêu thụ khả cân tải thuật toán đề xuất MORA-ACS tốt thuật toán Round Robin Độ phức tạp thuật toán thực thời gian đa thức Những vấn đề cần tiếp tục nghiên cứu Hướng mở rộng nghiên cứu toáncungcấptàinguyên động hệ thống tính tốn đámmây Nghiên cứu thuật toán để rút ngắn thời gian thực vấn đề quan tâm thời gian đến 24 DANH MỤC CÁC CƠNG TRÌNH KHOA HỌC CỦA TÁC GIẢ LIÊN QUAN ĐẾN LUẬN ÁN Phạm Nguyễn Minh Nhựt, Đồn Văn Ban, Lê Văn Sơn Mơ hình tảngmáychủchiasẻtoán Vector Packing cungcấptàinguyênchodịchvụảo hóa, Tạp chí Tin học Điều khiển học, 30(1):63-72, 2014 Phạm Nguyễn Minh Nhựt, Lê Văn Sơn, Đoàn Văn Ban Thuật toán Max-Min Ant System cungcấptàinguyênchodịchvụảohóa từ tảngmáychủchiasẻ Hội thảo quốc gia lần thứ XVII: Một số vấn đề chọn lọc Công nghệ thông tin Truyền thông, trang 331-336, 2014 Nguyen Minh Nhut Pham, Thu Huong Nguyen, Van Son Le Resource Allocation for Virtual Service Based on Heterogeneous Shared Hosting Platforms In the 8th Asian Conference Intelligent Information and Database Systems, 9622:51-60 Springer, 2016 Phạm Nguyễn Minh Nhựt, Lê Văn Sơn, Hoàng Bảo Hùng Thuật toán PSO cải tiến cungcấptàinguyênchodịchvụảohóadựatảngmáychủchiasẻ không đồng Chuyên san Các cơng trình nghiên cứu, phát triển ứng dụng Công nghệ thông tin Truyền thông, 2(36):80-95, 2016 Nguyen Minh Nhut Pham, Van Son Le Applying Ant Colony System Algorithm in Multi-Objective Resource Allocation for Virtual Services Journal of Information and Telecommunication, 1(4):319-333 Taylor & Francis, 2017 Nguyen Minh Nhut Pham, Van Son Le, Ha Huy Cuong Nguyen Energy-Efficient Resource Allocation for Virtual Service in Cloud Computing Environment In the 4th International conference on information system design and intelligent applications, Advances in Intelligent Systems and Computing, vol 672: 126-136 Springer, 2018 Nguyen Minh Nhut Pham, Van Son Le, Ha Huy Cuong Nguyen Energy Efficient Resource Allocation for Virtual Service Based on Heterogeneous Shared Hosting Platforms in Cloud Computing Cybernetics and Information Technologies, 17(3): 47-58 BAS, 2017 25 ... xuất toán cung cấp tài nguyên cho dịch vụ ảo hóa - Chương 2: Cung cấp tài nguyên cho dịch vụ ảo hóa từ tảng máy chủ chia sẻ đồng - Chương 3: Cung cấp tài nguyên cho dịch vụ ảo hóa từ tảng máy chủ. .. cung cấp máy ảo cung cấp tài nguyên vật lý cho dịch vụ ảo hóa 1.7.Các nghiên cứu liên quan đến cung cấp tài ngun cho dịch vụ ảo hóa 1.7.1.Mơ hình hệ thống cung cấp tài nguyên cho dịch vụ ảo hóa. .. đề tài: "Cung cấp tài nguyên cho dịch vụ ảo hóa dựa tảng máy chủ chia sẻ tính tốn đám mây " Đối tượng phạm vi nghiên cứu Cung cấp tài nguyên hệ thống tính tốn đám mây phân thành 03 lớp toán: cung