Đề xuất thuật toán cân bằng tải dựa vào thời gian đáp ứng trên điện toán đám mây (tt)

Đề xuất thuật toán cân bằng tải dựa vào thời gian đáp ứng trên điện toán đám mây (Luận văn thạc sĩ)Đề xuất thuật toán cân bằng tải dựa vào thời gian đáp ứng trên điện toán đám mây (Luận văn thạc sĩ)Đề xuất thuật toán cân bằng tải dựa vào thời gian đáp ứng trên điện toán đám mây (Luận văn thạc sĩ)Đề xuất thuật toán cân bằng tải dựa vào thời gian đáp ứng trên điện toán đám mây (Luận văn thạc sĩ)Đề xuất thuật toán cân bằng tải dựa vào thời gian đáp ứng trên điện toán đám mây (Luận văn thạc sĩ)Đề xuất thuật toán cân bằng tải dựa vào thời gian đáp ứng trên điện toán đám mây (Luận văn thạc sĩ)Đề xuất thuật toán cân bằng tải dựa vào thời gian đáp ứng trên điện toán đám mây (Luận văn thạc sĩ)Đề xuất thuật toán cân bằng tải dựa vào thời gian đáp ứng trên điện toán đám mây (Luận văn thạc sĩ)Đề xuất thuật toán cân bằng tải dựa vào thời gian đáp ứng trên điện toán đám mây (Luận văn thạc sĩ)

HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG - LÊ NGỌC HIẾU ĐỀ XUẤT THUẬT TOÁN CÂN BẰNG TẢI DỰA VÀO THỜI GIAN ĐÁP ỨNG TRÊN ĐIỆN TỐN ĐÁM MÂY TĨM TẮT LUẬN VĂN THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) TP Hồ Chí Minh – 2018 Luận văn hồn thành tại: HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THÔNG Người hướng dẫn khoa học: PGS.TS TRẦN CÔNG HÙNG Phản biện 1: PGS.TS LÊ HOÀNG THÁI Phản biện 2: TS LÊ XUÂN TRƯỜNG Luận văn bảo vệ trước Hội đồng chấm luận văn thạc sĩ Học viện Cơng nghệ Bưu Viễn thơng Vào lúc: 08 00 ngày 14 tháng 07 năm 2018 Có thể tìm hiểu luận văn tại: - Thư viện Học viện Cơng nghệ Bưu Viễn thơng MỞ ĐẦU Ngày song song với bùng nổ mạnh mẽ công nghệ thông tin phát triển Internet tồn cầu phát triển khơng ngừng cơng nghệ điện tốn đám mây Nhằm nâng cao hiệu suất phục vụ dịch vụ điện toán đám mây, theo chuyên gia việc quản lý tài nguyên đối mặt với vấn đề bao gồm phân bổ tài nguyên, đáp ứng tài nguyên, kết nối tới tài nguyên, khám phá tài nguyên chưa sử dụng, ánh xạ tài nguyên tương ứng, mô hình hóa tài ngun, cung cấp tài ngun lập kế hoạch sử dụng tài nguyên Trong đó, việc lập kế hoạch cho sử dụng tài nguyên dựa kết nối theo thời gian, thời gian đáp ứng dịch vụ Từ ta nghiên cứu thời gian đáp ứng để đưa giải pháp cho việc phân bố, cân tải tài nguyên Đây hướng nghiên cứu nhiều triển vọng giúp cho công nghệ đám mây ngày hồn thiện tiến Chính lý luận văn nghiên cứu chủ yếu sau: Đề xuất thuật toán cân tải dựa vào thời gian đáp ứng điện toán đám mây, tiếng Anh: A Response-Time Based Algorithm of Workload balancing in Cloud Computing Luận văn bố cục sau: Trong chương giới thiệu sở lý luận, tổng quan cân tải điện toán đám mây Tiếp chương 2, giới thiệu số cơng trình nghiên cứu ngồi nước cân tải cách tiếp cận khác cân tải, làm sở tảng nghiên cứu đề tài Chương xin giới thiệu thuật toán đề xuất dựa việc tiếp thu phát huy ý tưởng dự đoán chuỗi thời gian, sử dụng thuật toán ARIMA để dự báo Chương xin trình mơ thực nghiệm kết đạt chạy mô công cụ CloudSim, từ nhận xét thuật tốn đề xuất Tóm tắt: Điện tốn đám mây xu phát triển công nghệ thơng tin tồn cầu, vậy, việc nâng cao hiệu suất làm việc cải tiến khả xử lý đám mây mục tiêu hướng tới Việc sử dụng thời gian đáp ứng (Response Time) để làm giá trị đo lường tiêu chí việc nâng cao hiệu suất làm việc đám mây hướng nghiên cứu điện tốn đám mây Từ việc sử dụng thời gian đáp ứng làm thông số để cân tải, phân bổ tài nguyên đám mây cho tối ưu Trong luận văn trình bày hướng tiếp cận dựa thời gian đáp ứng, từ tính chất chuỗi thời gian, nên xin áp dụng khả dự báo chuỗi thời gian thông qua thuật toán ARIMA Học viên sử dụng thuật toán dự báo thống kê ARIMA, để dự báo thời gian đáp ứng máy ảo, cloud tồn cục, từ lên kế hoạch phân bổ yêu cầu (Request) tương ứng với tài nguyên hợp lý, tài nguyên máy ảo Việc mơ thuật tốn thực mơ công cụ CloudSim Chương 1: CƠ SỞ LÝ LUẬN - TỔNG QUAN VỀ CÂN BẰNG TẢI TRÊN ĐIỆN TỐN ĐÁM MÂY 1.1 Tổng quan điện tốn đám mây (Cloud Computing) Điện toán đám mây xuất từ năm 1950, phát triển rộng rãi ngày Với xuất phát triển vượt bậc thiết bị điện tử, điện toán đám mây bước vào giai đoạn phát triển mạnh mẽ Theo định nghĩa Viện Quốc gia Tiêu chuẩn Công nghệ Mỹ (US NIST), điện tốn đám mây mơ hình cho phép truy cập mạng tới tài nguyên chia sẻ (ví dụ: hệ thống mạng, máy chủ, thiết bị lưu trữ, ứng dụng dịch vụ) cách thuận tiện theo nhu cầu sử dụng Những tài nguyên cung cấp cách nhanh chóng thu hồi với chi phí quản lý tối thiểu tương tác tối thiểu với nhà cung cấp dịch vụ Cũng từ đây, NIST đưa mơ hình điện tốn đám mây mang năm đặc điểm bản, ba mơ hình dịch vụ (Service Model) bốn mơ hình triển khai cài đặt (Deployment Models) Theo NIST điện toán đám mây bao gồm đặc điểm sau: Khả tự phục vụ theo yêu cầu,khả truy cập mạng diện rộng, khả sử dụng chung tài ngun, tính uyển chuyển co giãn cách nhanh chóng tài nguyên, Các dịch vụ đo lường Hình 1.1: Tổng thể điện toán đám mây Nguồn: Bài giảng điện toán đám mây, Carnergie Mellon University in Qatar 1.2 Tổng quan cân tải điện toán đám mây (Workload balancing in Cloud Computing) 1.2.1 Khái niệm cân tải điện toán đám mây Điện toán đám mây giúp chia liệu cung cấp nhiều nguồn tài nguyên cho người dùng Người dùng cần chi trả cho họ sử dụng Chính điện tốn đám mây lưu trữ liệu phân phối tài nguyên môi trường mở Cân tải xem trình tìm nút mạng bị tải từ chuyển sang nốt khác tải khơng tải Trong mơi trường đám mây, cân tải đòi hỏi phân bổ lại tải hoạt động liên tục tất nốt mạng Việc dự đốn ước lượng tải cần thiết vơ quan trọng, cần phải so sánh với tất tải, tính ổn định tương đối hệ thống khác nhau, hiệu suất làm việc hệ thống mục tiêu, tương tác nốt cơng việc cần làm để truyền q trình xây dựng thuật toán cân tải Vấn đề quan trọng lựa chọn nốt mà có nhiều loại khác 1.2.2 Phân loại cân tải Các thuật toán cân tải chia thành 02 nhóm : - Nhóm dựa vào trạng thái hệ thống (depending on system state): nhóm chia thành 02 nhóm nhóm tiếp cận tĩnh (Static), nhóm tiếp cận động (Dynamic) - Nhóm dựa vào người khởi tạo q trình xử lý (depending on who initiated the process): nhóm chia thành 03 nhóm nhóm khởi tạo người gửi (sender Initiated), nhóm khởi tạo người nhận (Reciever Initiated), nhóm khởi tạo hai (Symmetric) Nhưng nhìn chung, thuật tốn cân tải chủ yếu tập trung vào trạng thái hệ thống gồm 02 nhóm thuật tốn cân tải tĩnh, thuật toán cân tải động: - Tiếp cận tĩnh (static approach): tức thuật toán cân tãi tĩnh , chia lưu lượng thành phần máy chủ - Tiếp cận động (dynamic approach): chủ yếu xem xét đến định đưa để cân băng tải Hướng tiếp cận phù hợp rộng rãi cho hệ thống phân tán đám mây Hình 1.2: Phân loại thuật tốn cân tải [8] 1.2.3 Đo lường cân tải - Thơng lượng (Throughput): Được sử dụng để tính tốn tất tác vụ mà hoàn tất thực thi Nếu thơng lượng lớn hiệu suất làm việc hệ thống cải thiện - Dung sai lỗi (Fault Tolerance): Có nghĩa hồi phục sau cố Cân tải cần có kỹ thuật tính tốn dung sai lỗi tốt - Thời gian di dời (Migration Time): tổng thời gian cần thiết để di dời tác vụ hay tài nguyên từ nốt sang nốt khác Thời gian cần tối thiểu hóa để nâng cao hiệu suất làm việc hệ thống - Thời gian đáp ứng (Response Time): Là khoảng thời gian trung bình mà thuật tốn cân tải trả lời tác vụ hệ thống Thông số cần tối thiểu hóa để nâng cao hiệu suất hệ thống - Khả mở rộng (Scalability): Là khả thuật tốn cân tải, xử lý lúc số lượng nốt định hệ thống Thông số cần cải thiện để hệ thống đạt hiệu tốt 1.2.4 Các sách thuật tốn cân tải Có nhiều sách sử dụng thuật tốn cân tải, bao gồm: - Chính sách thơng tin (Information policy): sách định nghĩa loại thông tin yêu cầu làm để lấy loại thơng tin Chính sách định nghĩa rõ thời gian thu thập thơng tin - Chính sách trigger: sách định nghĩa khoảng thời gian thực thi hành động cân tải bắt đầu kiểm sốt tải - Chính sách loại tài nguyên (Resource type policy): sách định nghĩa loại, kiểu tài nguyên mà sẵn sàng phục vụ q trình cân tải - Chính sách khu vực (location policy): sách sử dụng tất kết sách loại tài ngun, từ dùng để tìm đối tượng thích hợp cho máy chủ hay cho người nhận - Chính sách chọn lựa (selection policy): sách dùng để tìm tác vụ truyền từ nốt tải sang nốt trống 1.2.5 Các mục tiêu thuật tốn cân tải - Hiệu chi phí (Cost effectiveness): Cân tải giúp hệ thống hoạt động hiệu suất cao với chi phí thấp - Khả mở rộng & tính linh hoạt (Scalability and flexibility): Kích thước tổng thể hệ thống có cân tải thay đổi theo thời gian Thuật toán giúp hệ thống xử lý vấn đề Chính vậy, thuật tốn có tính linh hoạt khả mở rộng - Tính ưu tiên (Priority): Sắp xếp ưu tiên tác vụ nguồn tài nguyên cần phải xử lý trước vậy, tác vụ có độ ưu tiên cao có hội thực thi trước 1.3.6 Các thuật toán cân tải Có nhiều thuật tốn cân tải giúp giải thông lượng tốt giảm thời gian đáp ứng mơi trường cloud Mỗi thuật tốn có lợi ích riêng: - Thuật tốn phân bố tác vụ dựa LB (Task Scheduling based on LB - Thuật toán cân tải hội (Opportunistic Load Balancing – OLB - Thuật toán Round Robin (RR) - Thuật tốn ngẫu nhiên hóa (Randomized) - Thuật tốn Min-Min - Thuật tốn Max-Min - Thuật tốn hành vi Tìm kiếm Ong Mật (Honeybee Foraging Behavior) - Thuật toán gom cụm động (Active Clustering) - Thuật toán so sánh cân (Compare & Balance) - Thuật toán Lock-free (Lock-free multiprocessing solution for LB) - Thuật toán đàn kiến (Ant Colony Optimization) - Thuật toán thời gian đáp ứng ngắn (Shortest Response Time First - Thuật toán lấy mẫu ngẫu nhiên (Based Random Sampling) 1.3 Tổng quan thuật toán dự báo ARIMA Theo [9], ARIMA thuật toán dựa thống kê, thuật toán tự hồi quy tích hợp trung bình trượt (Auto Regression Integrated Moving Average), phát triển từ mơ hình hồi quy ARMA (Auto Regression Moving Avera) Đây mơ hình phát triển số liệu chuỗi thời gian biết dự báo số liệu tương lai gần 1.3.1 Dữ liệu chuỗi thời gian [10] Dữ liệu thời gian thực hay chuỗi thời gian chuỗi giá trị đại lượng ghi nhận thời gian Bất liệu chuỗi thời gian tạo trình ngẫu nhiên Các giá trị chuỗi thời gian đại lượng X kí hiệu X1, X2, X3,…, Xt,… , Xn với X giá trị X thời điểm t Một dãy số liệu thực tế cụ thể giá bắp cải tháng kết trình ngẫu nhiên Đối với liệu chuỗi thời gian, có khái niệm tổng thể mẫu sau: - Quá trình ngẫu nhiên tổng thể - Số liệu thực tế sinh từ trình ngẫu nhiên mẫu Chuỗi thời gian bao gồm thành phần: - Thành phần xu hướng dài hạn (long –term trend component) - Thành phần mùa (seasional component) - Thành phần chu kỳ (cyclical component) - Thành phần bất thường (irregular component) 1.3.2 Tính dừng tính mùa vụ - Nếu chuỗi thời gian gọi dừng trung bình, phương sai, đồng phương sai (tại độ trễ khác nhau) giữ nguyên không đổi chúng xác định vào thời điểm - Trung bình: E(Yt)=const (Kỳ vọng không đổi theo thời gian) - Phương sai: Var(Yt)=const (Phương sai không đổi theo thời gian) - Đồng phương sai: Covar(Yt,Yt-k)=gk (Đồng phương sai phụ thuộc khoảng cách độ trễ mà không phụ thuộc thời điểm tính đồng phương sai đó, khơng phụ thuộc t) - Để xem chuỗi thời gian có dừng hay khơng, ta sử dụng Đồ thị Yt theo thời gian, Đồ thị tự tương quan mẫu (Sample Auto Correlation), hay kiểm định bước ngẫu nhiên (kiểm định Dickey-Fuller) - Nếu chuỗi Yt khơng dừng, ta lấy sai phân bậc Khi chuỗi sai phân bậc (Wt) dừng Sai phân bậc 1: Wt=Yt-Yt-1 - Nếu chuỗi sai phân bậc (Wt) khơng dừng, ta lấy sai phân bậc Khi chuỗi sai phân bậc dừng Sai phân bậc 2: Vt=Wt-Wt-1 11 Chương 2: CÁC CÔNG TRÌNH LIÊN QUAN Trong chương học viên giới thiệu cơng trình liên quan tới cân tải điện tốn đám mây 2.1 Các cơng trình giới Theo tài liệu [4], Tác giả báo “A Workload Balanced Approach for Resource Sche Resource Scheduling (LBRS) để nâng cao chất lượng phục vụ Cloud Kết thực nghiệm có hiệu tốt Tác giả Agraj Sharma [5], Ấn Độ, năm 2014 đưa giải thuật cân tải dựa vào thời gian đáp ứng: “Response Time Based Balancing in Cloud Computing” Tác giả đưa vấn đề: (i) việc cân tải diễn sau server bị tải, (ii) yêu cầu liên tục gửi server không tương xứng với tài nguyên server, tạo gia tăng tiêu thụ tài nguyên & chi phí Từ đó, tác giả đưa giải thuật giảm tải dựa thời gian đáp ứng server, từ đưa định yêu cầu xử lý server (VMs nào) Ngoài ra, tác giả Rashmi K.S [6], Ấn Độ, năm 2012 đưa giải pháp nâng cao tải làm việc tránh Deadlocks Cloud : “Enhanced Load Balancing Approach to Avoid Deadlocks in Cloud” Vì lý Cloud dựa tính chất phân tán ảo hóa nên bị deadlock Tác giả đưa thuật toán tránh bị deadlocks, người dùng đưa yêu cầu với cloud (request), thuật toán gọi để xử lý VMs, cách nâng cao số lượng công việc xử lý cloud để phục vục tốt hơn, tránh bị deadlocks Năm 2013, Huankai Chen tác giả [7], cơng bố thuật tốn “Min-Min Scheduling” (tạm dịch thuật toán lên kế hoạch Min-Min) theo tính ưu tiên người dùng việc cân tải điện toán đám mây Bài báo nhấn mạnh cân tải, vấn đề đám mây, đồng thời đưa thuật toán Min-Min để giảm khoảng trống tang hiệu suất sử dụng tài nguyên (LBIMM), thuật toán nâng cao dựa ưu tiên người dùng thuật tốn PA-LBIMM Cơng trình nghiên cứu cài đặt kiểm nghiệm 12 môi trường giả lập MathLab, kết đạt cải thiện 20% người dùng đặc biệt (VIP) tăng hiệu làm việc cloud thấy rõ Bên cạnh theo tài liệu [4], từ năm 2010 có cơng trình nghiên cứu QoS Cloud, thuật toán Cân tải song song mức người dùng mức tác vụ, Các thuật toán phân bổ tài nguyên cloud,… đưa Mỗi thuật tốn có nhiều ưu điểm riêng có nhiều điểm cần cải tiến Song, điểm chung cơng trình có khả cải tiến nữa, phát triển Khoa học máy tính khai phá liệu lúc phát triển tiền đề ứng dụng vào xử lý tác vụ phân bổ tài nguyên, cân tải Cloud Thuật toán ARIMA thuật toán dự báo tốt ứng dụng vào CLOUD Theo [12] ARIMA Auto Regression Integrated Moving Average (Trung bình trượt tích hợp tự hồi qui) thuật toán dựa lý thuyết xác suất, ứng dụng phổ biến dự báo ngắn hạn, sử dụng giá trị khứ để dự báo Theo nghiên cứu luận văn này, sử dụng thuật toán ARIMA vào dự báo thời gian đáp ứng tiếp theo, từ lên kế hoạch cho cân tải 2.2 Các cơng trình Việt Nam Tác giả Lê Văn Sơn [8], Đại học Đà Nẵng, năm 2012 nghiên cứu đưa vấn đề cung cấp tài nguyên máy ảo sở hạ tầng tính toán đám mây Tác giả vấn đề tài nguyên cốt lõi điện toán đám mây Đối với dich vụ IaaS (tức dịch vụ cung cấp hạ tầng) bao gồm máy chủ gom nhóm để phục vục dịch vụ liên tục nhằm đạt hiệu mong muốn Tác giả đưa mục tiêu nâng cao hiệu suất cho IaaS đáp ứng nhu cầu sử dụng, sử dụng tốt tài nguyên đám mây Tác giả tổng hợp vấn đề ảo hóa, kỹ thuật ảo hóa dịch vụ kèm theo di trú máy ảo để mong muốn đạt hiệu suất đám mây Tác giả Trần Công Hùng & cộng nghiên cứu đề xuất giải pháp nhằm nâng cao hiệu suất điện toán đám mây, đặc biệt cân 13 tải dựa vào thời gian đáp ứng Trong tài liệu [9] năm 2016, tác giả đưa cơng trình nghiên cứu tham số tính hiệu nhằm cân tải đám mây (STUDY THE EFFECT OF PARAMETERS TO LOAD BALANCING IN CLOUD COMPUTING), rõ kỹ thuật cân tải có nhiều cách giải quyết: (i) cân tải sau máy chủ bị tải; (ii) cân tải dự đoán tải nhằm phân bổ tài nguyên; (iii) cải thiện tham số ảnh hưởng đến cân tải đám mây Trong nghiên cứu đề xuất số phương pháp nhằm nâng cao hiệu cân tải tang hiệu suất hoạt động đám mây Một nghiên cứu khác tác giả Trần Công Hùng đồng nghiệp [10] vào năm 2017, cân tải dành dựa lý thuyết trò chơi sử dụng cho máy ảo đám mây dựa vào thuật tốn tối ưu hóa theo đàn kiến (Ant Colony Optimization) Trong nghiên cứu này, tác giả đề xuất giải pháp dành cho máy ảo nhằm đảm bảo cân mục tiêu mà nhà sử dụng cần bao gồm nhà cung cấp dịch vụ khách hàng họ dựa lý thuyết trò chơi Ý tưởng chủ đạo sử dụng thuật toán metaheuristic Ant Colony Optimization (ACO) dựa trạng thái cân Nash Trong nghiên cứu thực nghiệm, tác giả ứng dụng thuật toán Ant System, Ma-Min Ant System, Ant Colony System để giải trò chơi (theo lý thuyết trò chơi) Thực nghiệm cho thấy cách sử dụng hệ số tương quan nhằm đạt cân tải việc cung cấp máy ảo Bên cạnh đó, có nhiều nghiên báo từ Việt Nam công bố rộng rãi cân tải đám mây, nhiên đa số mức thực nghiệm mơ phỏng, chưa có áp dụng vào thực tế cơng nghệ cloud tai tính chất quy mô đề tài nghiên cứu 14 Chương 3: THUẬT TOÁN ĐỀ XUẤT CẢI TIẾN Trong chương trình bày thuật tốn đề xuất thuật toán cân tải dựa vào thời gian đáp ứng điện toán đám mây, cách giải vấn đề cân tải, cụ thể sử dụng thuật toán dự báo ARIMA để dự báo thời gian đáp ứng, từ đưa cách giải phân phối tài ngun 3.1 Mơ hình nghiên cứu Mơ hình nghiên cứu nhằm mục đích sử dụng thuật tốn dự báo ARIMA để nâng cao th Về mục tiêu: - Giảm thiểu q trình truyền thơng tin cân tải máy ảo có tài nguyên rỗi với máy chủ - Giảm thời gian đáp ứng Request từ phía người dùng - Hạn chế tối đa cân tải máy ảo, ngăn chặn cảnh báo trước cân tải - Tập trung vào thời gian đáp ứng yêu cầu từ phía người dùng - Dự đoán thời gian đáp ứng từ máy chủ cho yêu cầu xử lý Giả định: - Bộ cân tải biết trước dịch vụ chạy máy ảo vào thời điểm - Ở tập trung vào dịch vụ Web (Web Service), máy chủ web biết trước thời gian đáp ứng dịch vụ chạy web máy ảo - Nếu hai máy ảo có cấu hình tương đương RAM, vi xử lý, I/O thời gian thực thi dịch vụ khơng khác Mơ hình nghiên cứu: - Trong mơ hình nghiên cứu cân tải chạy thuật tốn cân tải hình, cân tải có danh sách máy ảo dịch vụ mà cloud cung cấp Bộ cân tải biết trước dịch vụ chạy máy ảo phân bổ dịch vụ máy ảo theo yêu cầu 15 - Trong mơ hình sử dụng tham số gọi ngưỡng thời gian, dựa vào ngưỡng này, mà biết trước thời gian đáp ứng Giả sử máy ảo thứ chọn để xử lý yêu cầu trước, yêu cầu phân bổ vào máy ảo 4, lặp lặp lại cách tự nhiên Điều kiện máy ảo có thời gian đáp ứng dự đốn nhỏ ngưỡng tính tốn từ thuật tốn ARIMA, việc đối xử với máy ảo việc phân bổ u cầu Nếu khơng có máy ảo pool (tập số máy ảo) xét thỏa điều kiện ngưỡng, phân bổ yêu cầu tới pool máy ảo Máy ảo có thời gian đáp ứng trung bình dự đốn thấp chọn để xử lý yêu cầu Hình 3.1: Mơ hình cloud u cầu người dùng có sử dụng cân tải - Nếu khơng có máy ảo thỏa điều kiện ngưỡng ta xử lý sau: + Nếu có máy ảo khơng tải, pool khơng tải, sử dụng máy để xử lý yêu cầu, tất nhiên phải thỏa ngưỡng + Nếu máy ảo khơng tải, pool khơng tải, tất khơng thỏa mãn ngưỡng ta phân bổ dịch vụ chạy tới máy ảo có thời gian đáp ứng dự đốn gần với ngưỡng 16 - Mơ hình mơ thuật toán cách tự nhiên, lên kế hoạch cho yêu cầu nhằm không bị cân tải Theo thuật toán giảm tải liên lạc máy ảo nguồn tài ngun có, giảm băng thơng thông lượng không cần thiết, tăng phục vụ cho yêu cầu người dùng 3.2 Đề xuất thuật toán cân tải dựa vào thời gian đáp ứng điện toán đám mây Dựa vào tham khảo từ tài liệu [12], luận văn xin đề xuất thuật toán gồm nhóm module chính: (1) Module tính tốn ngưỡng thuật tốn ARIMA: Trong module này, ngưỡng thời gian đáp ứng dự báo Cloud, tính toán thời gian đáp ứng dự báo thuật toán ARIMA, tăng giảm tùy theo thời gian đáp ứng theo liệu chuỗi thời gian Ngưỡng thời gian đáp ứng dự đốn xét tập VM xét vòng 100 request gần Ngưỡng = TNew = ARIMA(RT1, RT2,…, RT100) Trong RTi = chuỗi thời gian đáp ứng ghi lại cloud (chỉ xét vòng 100 Request gần nhất) (2) Module dự báo thời gian đáp ứng cho máy ảo: Trong module sử dụng thuật toán ARIMA để dự báo thời gian đáp ứng máy ảo Việc dự đoán thời gian đáp ứng dựa vào liệu chuỗi thời gian đáp ứng 50 request gần máy ảo xét thông qua hàm getPredictedRT() Module đồng thời cung cấp hàm tính tốn giá trị dự đoán gần VM so với ngưỡng đưa vào thông qua hàm AllocateRequestToVM(VM, Request); PRTi = Prediected Response Time = Thời gian đáp ứng dự đoán máy ảo i 17 (3) Module phân bổ dịch vụ (chọn máy ảo) Module có nhiệm vụ phân bổ yêu cầu đến máy ảo đạt điều kiện ngưỡng thời gian Nếu yêu cầu gửi tới VM xét VM khơng tải, u cầu chuyển tới trực tiếp VM này, lấy giá trị thời gian đáp ứng Nếu thời gian đáp ứng dự đốn VM xét (được tính tốn từ module 2) nhỏ thời gian đáp ứng cloud (tính tốn từ module 1) u cầu xử lý VM Ngược lại, khơng có VM thỏa điều kiện ngưỡng (thời gian đáp ứng dự đốn VM khơng nhỏ thời gian đáp ứng dự đốn cloud) u cầu phân bổ vào máy ảo có dự báo gần với ngưỡng Việc khởi tạo ngưỡng: ban đầu chưa có liệu thời gian, nên ta lấy ngưỡng thời gian đáp ứng request khởi tạo ngưỡng: Tinitial = RT1 Các bước thuật toán: For each Request in CloudRequests Tnew = ARIMA(RTi); // Module isLocated = false; For each VM in VMList If VM.getPredictedRT() < Tnew AllocateRequestToVM(VM, Request); // Module isLocated = true; End If End For 10 If (!isLocated) 11 VM = VMList.getMinDistance(Tnew); // Module 12 AllocateRequestToVM(VM, Request); 13 End If 14 End For 18 Chương 4: MÔ PHỎNG VÀ ĐÁNH GIÁ THUẬT TOÁN ĐỀ XUẤT CẢI TIẾN 4.1 Môi trường mô thực nghiệm Giả lập môi trường cloud sử dụng thư viện CloudSim lập trình ngôn ngữ JAVA; Môi trường giả lập cloud từ đến 10 máy ảo, tạo môi trường request ngẫu nhiên tới dịch vụ cloud Bao gồm dịch vụ cung cấp máy ảo, dịch vụ cung cấp đáp ứng người dùng cloudSim để thử nghiệm Cài đặt thuật tốn ARIMA mơi trường mô phỏng, kiểm nghiệm kết Tương tự, cài đặt thuật toán tác giả [12], so sánh kết đạt thuật tốn Mơi trường mô giả lập gồm thông số sau: - 01 Datacenter với thông số sau: Bảng 4.1: Thơng số cấu hình Datacenter Thơng tin Datacenter - Số lượng máy (host) datacenter: - Không sử dụng Storage (các ổ SAN) - Kiến trúc(arch): x86 - Hệ điều hành (OS): Linux - Xử lý (VMM): Xen - TimeZone: +7 GMT - Cost: 3.0 - Cost per Memory: 0.05 - Cost per Storage: 0.1 - Cost per Bandwidth: 0.1 - Thông tin Host Datacenter Mỗi host Datacenter có cấu sau: - CPU có nhân, nhân có tốc độ xử lý 1000 (mips) - Ram: 16384 (MB) - Storage: 1000000 - Bandwidth: 10000 Các máy ảo có cấu hình giống khởi tạo: Bảng 4.2: Cấu hình máy ảo Kích thước (size) 10000 MB Ram Mips Bandwidth Số lượng cpu (pes no.) VMM 512 MB 250 1000 Xen 19 - Các Request đại diện Cloudlet cloudSim kích thước Cloudlet khởi tạo ngẫu nhiên hàm random JAVA Số lượng Cloudlet 100  1000 Bảng 4.3: Cấu hình thơng số Request Chiều dài (Length) Kích thước file (File Size) 3000 ~ 1700 5000 ~ 45000 Kích thước file xuất (Output Size) 450 ~ 750 Số CPU xử lý (PEs) 4.2 Thực nghiệm kết mô Kết chạy thực nghiệm mô CloudSim với máy ảo dựng sẵn để đáp ứng yêu cầu, yêu cầu khởi tạo với chiều dài kích thước ngẫu nhiên, số lượng Request 100, 200,… đến 900: Bảng 4.4: Kết qua thực nghiệm mô với máy ảo Số lần request 100 200 300 400 500 600 700 800 900 VM0 3491 6736 10082 13550 16574 20049 23712 26531 29491 VM1 3162 6899 9752 13213 17094 20239 23719 26994 30649 VM2 3268 6451 9925 13327 16505 19784 23078 26484 30055 Threshold 3492 6890 10084 13547 17095 20241 23712 26992 30649 20 Hình 4.1: Biểu đồ so sánh thời gian đáp ứng dự báo máy ảo ngưỡng Hình 4.2: Biểu đồ so sánh thời gian đáp ứng dự báo trường hợp máy ảo Kết chạy thực nghiệm mô CloudSim với máy ảo dựng sẵn để đáp ứng yêu cầu, yêu cầu khởi tạo với chiều dài kích thước ngẫu nhiên, số lượng Request 100, 200,… đến 900: 21 Bảng 4.5: kết thực nghiệm mô với máy ảo Số lần request 100 200 300 400 500 600 700 800 900 VM0 2635 5194 7654 10047 12324 15291 17650 20066 22941 VM1 2443 4986 7700 10251 12564 14984 17411 19700 22334 VM2 2534 5069 7584 9846 12582 14964 17151 19653 22469 VM3 2353 4928 7291 10110 12328 14685 17704 20149 22468 Threshold 2628 5192 7701 10258 12582 15291 17702 20153 22941 Hình 4.3: Biểu đồ so sánh thời gian đáp ứng dự báo máy ảo ngưỡng 22 Hình 4.4: Biểu đồ so sánh thời gian đáp ứng dự báo trường hợp máy ảo Kết chạy thực nghiệm mô CloudSim với máy ảo dựng sẵn để đáp ứng yêu cầu, yêu cầu khởi tạo với chiều dài kích thước ngẫu nhiên, số lượng Request 100, 200,… đến 900: Bảng 4.6: Kết thực nghiệm mô với máy ảo Số lần request 100 200 300 400 500 600 700 800 900 VM0 VM1 VM2 VM3 VM4 Threshold 1878 1904 2042 1828 2114 2133 4020 3922 4097 3913 3975 4028 6087 6031 5874 5987 5724 6089 7896 7913 8045 7820 7760 8048 9889 9752 10019 9934 10033 10033 12223 11875 12080 12311 12311 12315 13771 14346 13852 13939 14279 14347 15629 16117 16300 15929 16270 16299 18144 17819 17967 18336 18174 18338 23 Hình 4.5: Biểu đồ so sánh thời gian đáp ứng dự báo máy ảo ngưỡng Hình 4.6: Biểu đồ so sánh thời gian đáp ứng dự báo trường hợp máy ảo 4.3 Nhận xét kết đạt Thông qua 03 biểu đồ so sánh thời gian đáp ứng dự báo máy ảo với ngưỡng tính tốn (ứng với trường hợp máy ảo, máy ảo máy ảo) ta 24 thấy phân bổ ổn định hợp lý thuật toán, thời gian đáp ứng dự báo máy ảo không khác biệt so với thời gian dự báo cloud (tức ngưỡng) Ta thấy sai số dự báo thấp thuật toán ARIMA, giúp cho việc phân bổ request tương ứng tới máy ảo cách hiệu Thực nghiệm mơ mơ nhóm máy ảo, chưa tính tới việc mở rộng tập máy ảo (VM pool) để giảm tải trường hợp cần thiết, giả định nhóm máy ảo xử lý tối đa request, vượt ta mở rộng pool Tuy nhiên, việc thí nghiệm mơ với lượng request lớn 1000 request đòi hỏi máy tính mạnh xử lý tốt hơn, hạn chế thí nghiệm mơ 25 KẾT LUẬN Một thuật toán cân tải môi trường cloud phương pháp dự báo thời gian đáp ứng đề xuất thực nghiệm mơ với mơ hình nhỏ Dựa ý tưởng cơng trình nghiên cứu trước, đưa giải thuật ứng dụng khai phá liệu thuật toán ARIMA để cân tải dựa vào thời gian đáp ứng Trong đó, việc tính tốn thời gian đáp ứng dự báo xác hiệu thuật tốn cao Tuy nhiên việc tính tốn xác đòi hỏi tốn nhiều nhớ xử lý nhiều, đồng thời người dùng môi trường cloud có request vơ đa dạng phong phú, nên thời gian đáp ứng biến đổi khơn lường cloud Thuật tốn đề xuất luận văn tiếp cận cách khái quát phát huy ý tưởng dự báo xử lý chuỗi thời gian, điển hình thuật tốn ARIMA Do đó, thuật tốn đề có hướng tiếp cận cân tải môi trường đám mây, đồng thời đạt số kết thực nghiệm mơ tích cực, cho thấy hướng phát triển tốt thuật toán Hướng phát triển thuật toán đề xuất việc đo lường hiệu chỉnh thời gian dự báo xác cách kết hợp ARIMA với học máy, học không giám sát có giám sát cách đưa khoảng thời gian cao điểm thấp điểm cloud Đế phát triển thuật toán tốt sâu hơn, cần thực nghiệm mơ máy tính có cấu hình mạnh hơn, mô quy mô lớn Bên cạnh đó, việc cài đặt thuật tốn CLOUD thực tế giúp ta nghiên cứu chuyên sâu cụ thể hơn, mơi trường cloud thực tế phát sinh vấn đề liên quan đến thời gian đáp ứng, từ hiệu chỉnh cách hợp lý hiệu ... mơ đề tài nghiên cứu 14 Chương 3: THUẬT TOÁN ĐỀ XUẤT CẢI TIẾN Trong chương trình bày thuật toán đề xuất thuật toán cân tải dựa vào thời gian đáp ứng điện toán đám mây, cách giải vấn đề cân tải, ... 3.2 Đề xuất thuật toán cân tải dựa vào thời gian đáp ứng điện toán đám mây Dựa vào tham khảo từ tài liệu [12], luận văn xin đề xuất thuật tốn gồm nhóm module chính: (1) Module tính tốn ngưỡng thuật. .. này, ngưỡng thời gian đáp ứng dự báo Cloud, tính tốn thời gian đáp ứng dự báo thuật toán ARIMA, tăng giảm tùy theo thời gian đáp ứng theo liệu chuỗi thời gian Ngưỡng thời gian đáp ứng dự đoán