Nghiên cứu thuật toán tự động điều phối tài nguyên trong điện toán đám mây (Luận văn thạc sĩ)

Nghiên cứu thuật toán tự động điều phối tài nguyên trong điện toán đám mây (Luận văn thạc sĩ)Nghiên cứu thuật toán tự động điều phối tài nguyên trong điện toán đám mây (Luận văn thạc sĩ)Nghiên cứu thuật toán tự động điều phối tài nguyên trong điện toán đám mây (Luận văn thạc sĩ)Nghiên cứu thuật toán tự động điều phối tài nguyên trong điện toán đám mây (Luận văn thạc sĩ)Nghiên cứu thuật toán tự động điều phối tài nguyên trong điện toán đám mây (Luận văn thạc sĩ)Nghiên cứu thuật toán tự động điều phối tài nguyên trong điện toán đám mây (Luận văn thạc sĩ)Nghiên cứu thuật toán tự động điều phối tài nguyên trong điện toán đám mây (Luận văn thạc sĩ)Nghiên cứu thuật toán tự động điều phối tài nguyên trong điện toán đám mây (Luận văn thạc sĩ)Nghiên cứu thuật toán tự động điều phối tài nguyên trong điện toán đám mây (Luận văn thạc sĩ)

HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG - MAI HOÀNG XUÂN LÂM NGHIÊN CỨU THUẬT TOÁN TỰ ĐỘNG ĐIỀU PHỐI TÀI NGUYÊN TRONG ĐIỆN TOÁN ĐÁM MÂY LUẬN VĂN THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) TP.Hồ Chí Minh – 2018 HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THÔNG - MAI HỒNG XN LÂM NGHIÊN CỨU THUẬT TỐN TỰ ĐỘNG ĐIỀU PHỐI TÀI NGUYÊN TRONG ĐIỆN TOÁN ĐÁM MÂY CHUYÊN NGÀNH : HỆ THỐNG THÔNG TIN MÃ SỐ: 848.01.04 LUẬN VĂN THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) NGƯỜI HƯỚNG DẪN KHOA HỌC PGS TS TRẦN CÔNG HÙNG TP.Hồ Chí Minh – 2018 i LỜI CAM ĐOAN Tơi cam đoan cơng trình nghiên cứu riêng Các số liệu, kết nêu luận văn trung thực chưa công bố cơng trình khác TP.HCM, Ngày 07 tháng 05 năm 2018 Học viên thực luận văn Mai Hoàng Xuân Lâm ii LỜI CẢM ƠN Trong suốt q trình học tập, nghiên cứu hồn thành luận văn thạc sĩ, cố gắng nỗ lực thân, em nhận hướng dẫn, giúp đỡ quý báu quý thầy cô, với động viên khích lệ ủng hộ đồng nghiệp, bạn bè gia đình Với lòng kính trọng biết ơn sâu sắc em xin gửi lời cảm ơn chân thành tới: Xin gửi lời cảm ơn trân trọng tới PGS.TS Trần Công Hùng, người trực tiếp hướng dẫn, tận tình bảo, chia sẻ kiến thức, tài liệu, tạo điều kiện thuận lợi định hướng cho em suốt trình thực luận văn Ban giám hiệu tất Thầy Cơ giáo Học viện Cơng nghệ Bưu Viễn thơng giảng dạy dìu dắt em trong suốt trình học tập trường Bên cạnh đó, em nhận nhiều hỗ trợ tận tình từ TS Tân Hạnh, ThS.Bùi Thanh Khiết đồng nghiệp bệnh viện Đa khoa khu vực Cần Giuộc Xin gửi lời tri ân đến tất thầy anh chị Tuy nhiên, thời gian hạn hẹp, nỗ lực mình, luận văn khó tránh khỏi thiếu sót Em mong nhận thơng cảm bảo tận tình q Thầy Cơ bạn Em xin chân thành cảm ơn! TP.HCM, Ngày 07 tháng 05 năm 2018 Học viên thực luận văn Mai Hoàng Xuân Lâm iii MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN .ii MỤC LỤC iii DANH MỤC CÁC THUẬT NGỮ, CHỮ VIẾT TẮT vii DANH SÁCH HÌNH VẼ viii MỞ ĐẦU Chương 1:CƠ SỞ LÝ LUẬN 1.1 Tổng quan ĐTĐM 1.1.1Giới thiệu chung 1.1.2Các dịch vụ điện toán đám mây 1.1.3Những mơ hình triển khai điện tốn đám mây 1.2 Tổng quan tự động điều phối tài nguyên ĐTĐM 11 1.2.1Giới thiệu tự động điều phối tài nguyên ĐTĐM 11 1.2.2Mục đích tự động điều phối tài ngun điện tốn đám mây 12 1.3 Giải thuật tối ưu bầy đàn (PSO) 12 Chương 2:CÁC CƠNG TRÌNH LIÊN QUAN 16 Chương 3: XÂY DỰNG THUẬT TOÁN TỰ ĐỘNG ĐIỀU PHỐI TÀI NGUYÊN TRONG ĐTĐM DỰA TRÊN THUẬT TOÁN PSO 20 3.1 Mạng xếp hàng theo tầng (Layered Queueing Networks - LQN) 20 3.1.1Giới thiệu LQN .20 3.1.2Mơ hình LQN 20 3.2 Lý thuyết trò chơi .21 3.3 Xây dựng mô hình tốn 23 3.4 Ứng dụng thuật toán PSO 25 Chương 4:MÔ PHỎNG VÀ ĐÁNH GIÁ 29 4.1 Môi trường giả lập 29 4.2 Kết .29 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 32 1.Kết đạt đươc 32 2.Những vấn đề tồn .32 3.Hướng phát triển 32 DANH MỤC TÀI LIỆU THAM KHẢO 33 vii DANH MỤC CÁC THUẬT NGỮ, CHỮ VIẾT TẮT Viết tắt Tiếng Anh Tiếng Việt ĐTĐM Điện toán đám mây CSDL Cơ sở liệu QoS Quality of Service Chát lượng dịch vụ PSO Particle Swarm Optimizarion Phương pháp tối ưu bầy đàn IaaS Infrastruture as a Server Dịch vụ hạ tầng SaaS Software as a Service Dịch vụ phần mềm PaaS Platform as a Service Dịch vụ tảng viii DANH SÁCH HÌNH VẼ Hình Mơ hình điện tốn đám mây Hình 1.1 Các loại dịch vụ điện tốn đám mây Hình 1.2 Mơ hình dịch vụ phần mềm Hình 1.3 Mơ hình dịch vụ tảng Hình 1.4 Mơ hình dịch vụ sở hạ tầng Hình 3.1 Mơ hình LQN 20 Hình 3.2 Lưu đồ thuật tốn VMPSO…………………………………… 27 Hình 4.1 Mối tương quan epsilon iterator, excution time 30 Hình 4.2 Mối tương quan swamsize chất lượng dịch vụ, Hình 4.3 excution time 30 Mối tương quan 𝜏với chất lượng dịch vụ, chi phí……… 31 MỞ ĐẦU Ngày nay, điện toán đám mây (ĐTĐM) xu hướng, quan tâm hàng đầu thành tựu công nghệ thông tin Các dịch vụ công nghệ dựa nguồn tài nguyên, cấu vận hành việc lưu trữ, phân phối xử lý thông tin ĐTĐM Theo định nghĩa NIST [1]: “ĐTĐM mơ hình phổ biến, thuận lợi, có khả truy cập Internet để chia sẻ cấu hình nguồn tài nguyên cách nhanh chóng bắt đầu với chi phí tối thiểu tương tác dịch vụ cung cấp” + Tự phục vụ theo yêu cầu: người sử dụng chủ động trình cung cấp khả tính tốn mà khơng đòi hỏi có tương tác người với nhà cung cấp dịch vụ + Độ co giãn cao: khả mở rộng thu hẹp tài nguyên theo nhu cầu cụ thể khách hàng thời điểm khác Hình 1: Mơ hình điện tốn đám mây Khả tự động điều phối tài nguyên (auto - scaling) đặc trưng quan trọng ĐTĐM, đòi hỏi tốc độ thay đổi ln mức cao thích nghi liên tục với biến động thị trường, khả mềm dẻo, đáp ứng cho nhiều loại nhu cầu khác thời gian ngắn Một số ứng dụng, cần tính tốn liệu tài ngun theo yêu cầu là: hệ CSDL [2],[3], ứng dụng di động [4], ứng dụng y khoa thời gian thực [5].Các ứng dùng có tải biến động nên cần xử lý tài nguyên linh động, tùy biến theo yêu cầu trì chất lượng dịch vụ QoS mức cao Điện toán đám mây gọi điện tốn máy chủ ảo, việc ảo hóa tài ngun tính tốn ứng dụng Thay người dùng sử dụng nhiều máy chủ thật người dùng sử dụng tài ngun ảo hóa thơng qua mơi trường internet mơ hình dịch vụ hạ tầng (Infrastruture as a Server – IaaS) Ở mơ hình điện tốn này, khả liên quan đến công nghệ thông tin cung cấp dạng "dịch vụ", cho phép người dùng truy cập dịch vụ công nghệ từ nhà cung cấp "trong đám mây" mà khơng cần phải có kiến thức, kinh nghiệm cơng nghệ đó, khơng cần quan tâm đến sở hạ tầng phục vụ cơng nghệ Tuy nhiên việc quản lý, sử dụng tài nguyên cách hiệu thách thức lớn Trong môi trường điện toán đám mây đa số tài nguyên vật lý khơng đồng với có yêu cầu từ người dùng không đồng loại tài nguyên Các định điều chỉnh tự động (autosacler) phải đảm bảo mong muốn bên liên quan Đối vối khách hàng, họ mong muốn chi phi thuê dịch thấp nhà cung cấp dịch vụ mong muốn mang lại tối đa lợi nhuận Mơ hình định giá th tài nguyên bao gồm loại máy ảo, chi phí theo đơn vị thời gian (mỗi phút, giờ) Bộ điều chỉnh tự động phải bảo đảm chức ứng dụng thực thi cách trì chất lượng dịch vụ (QoS) QoS thường phụ thuộc vào hai loại thỏa thuận mức dịch vụ (SLA): SLA ứng dụng hợp đồng khách hàng (chủ sở hữu ứng dụng) người dùng cuối; SLA tài nguyên, nhà cung cấp khách hàng đồng ý Cả hai loại SLA thường trộn lẫn, để thỏa mãn SLA ứng dụng, nhà cung cấp cần phải tuân thủ SLA tài nguyên Tuy nhiên, việc xác định lượng tài nguyên thuê đáp ứng mức thỏa thuận dịch vụ (SLA) yêu cầu giữ mức chi phí tổng thể thấp thách thức lớn Đã có nhiều thuật toán tự động điều phối tài nguyên phát triển khơng có thuật tốn thích hợp cho tất ứng dụng Trong môi trường điện toán đám mây, khách hàng nhà cung cấp dịch vụ thường có yêu cầu khác mâu thuẫn với Do vậy, việc điều chỉnh tự động tài nguyên điện toán đám mây thách thức lớn Giải pháp cho vấn đề thường dựa đặc tính cụ thể tốn từ áp dụng giải thuật vét cạn (exhaustive algorithm), xác định (deterministic algorithm) metaheuristic Trong thực nghiệm, giải thuật xác định tốt giải thuật vét cạn Tuy nhiên giải thuật xác định lại không hiệu môi trường liệu phân tán từ dẫn đến khơng thích hợp cho vấn đề lập lịch mơi trường tính mở rộng Trong đó, điện tốn đám mây mơi trường có liệu phân tán, đòi hỏi có khả mở rộng, khả đáp ứng yêu cầu người dùng cao tiếp cận vấn đề điều chỉnh tự động máy ảo điện toán đám mây theo hướng metaheuristic khả thi giải thuật metaheuristic cho kết gần tối ưu thời gian chấp nhận Trong nghiên cứu này, đưa giải pháp điều chỉnh tự động tài nguyên đảm bảo mục tiêu chất lượng dịch chi phí thuê tài nguyên dựa lý thuyết trò chơi dùng giải thuật metaheuristic cụ thể thuật toán tối ưu bày đàn Particle Swarm Optimizarion (PSO) để tìm giải pháp điều chỉnh tự động máy ảo tối ưu gần tối ưu dựa cân Nash 21 Mơ hình LQN thể hình 3.1 Hình bình hành ngồi thể cho Tasks hình bình hành Tasks tương ứng với Entries Entries tương tự lớp khách hàng QN[19] Hơn nữa, Entries chia nhỏ thành đơn vị nhỏ công việc gọi Activities [19], đại diện hình chữ nhật Processors hiển thị dạng hình bầu dục Tính đa dạng Tasks nghĩa nhiều luồng trình phần mềm thể hình bên dấu ngoặc Kết nối Entries Tasks có ba loại: Synchronous (đồng bộ), Asynchronous (không đồng bộ) Forwarding (chuyển tiếp) Đầu vào cho mơ hình LQN nguồn lực phần cứng,cường độ công việc khách hàng nhu cầu dịch vụ khách hàng mơ hìnhcác thành phần giai đoạn Các số hoạt động có sẵn từ LQN đánh giá mơ hình thông tin trạng thái ổn định, thời gian phản hồi sử dụng thành phần mơ hình 3.2 Lý thuyết trò chơi Lý thuyết trò chơi nhánh Toán học ứng dụng Ngành nghiên cứu tình chiến thuật đối thủ lựa chọn hành động khác để cố gắng làm tối đa kết nhận Ban đầu phát triển công cụ để nghiên cứu hành vi kinh tế học, ngày lý thuyết trò chơi sử dụng nhiều ngành khoa học, từ sinh học tới triết học Lý thuyết trò chơi có phát triển lớn từ John von Neumann người hình thức hóa thời kỳ trước, chủ yếu áp dụng chiến lược quân Bắt đầu từ năm 1970, Lý thuyết trò chơi bắt đầu áp dụng cho nghiên cứu hành vi động vật, có phát triển loài qua chọn lọc tự nhiên Lý thuyết trò chơi bắt đầu dùng Chính trị học, Đạo đức học triết học Cuối cùng, Lý thuyết trò chơi gần thu hút ý nhà Khoa học máy tính ứng dụng Trí tuệ nhân tạo Điều khiển học Tuy tương tự với Lý thuyết định, Lý thuyết trò chơi nghiên cứu định đưa môi trường đối thủ tương tác với 22 Nói cách khác, Lý thuyết trò chơi nghiên cứu cách lựa chọn hành vi tối ưu chi phí lợi ích lựa chọn khơng cố định mà phụ thuộc vào lựa chọn cá nhân khác Lý thuyết trò chơi kỹ thuật dùng để phân tích tình dành cho hai nhiều cá nhân mà kết cục hành động số họ thực không phụ thuộc hành động cụ thể cá nhân mà phụ thuộc vào hành động (những) cá nhân lại trò chơi Trong trường hợp này, kế hoạch chiến lược cá nhân liên quan phụ thuộc vào dự kiến mà người khác làm Do đó, cá nhân tình khơng định cách biệt lập, mà việc định họ có quan hệ phụ thuộc lẫn Điều gọi tương thuộc chiến lược tình thường gọi trò chơi chiến lược, đơn giản trò chơi, người tham gia trò chơi gọi người chơi Trong trò chơi chiến lược, hành động cá nhân nhóm tác động lên người chơi khác quan trọng cá nhân nhận thức điều Lý thuyết trò chơi biểu diễn dạng tổ hợp chiến lược có nhiều khả đạt mục tiêu người chơi vào thơng tin sẵn có cho họ Các lý thuyết gia trò chơi tập trung vào tổ hợp chiến lược gọi chiến lược cân (equilibrium strategy) người chơi Nếu người chơi chọn chiến lược cân họ, họ hành động tốt vào chọn lựa người chơi khác Trong tình này, khơng có người chơi có động thay đổi kế hoạch hành động Sự cân trò chơi diễn tả chiến lược mà người chơi lý tiên đoán chọn họ tương tác với Việc tiên đoán chiến lược mà người chơi trò chơi có khả lựa chọn hàm ý tiên đoán thu hoạch họ 23 3.3 Xây dựng mơ hình tốn Giả sử sở hạ tầng ĐTĐM có M máy vật lý Nhờ cơng nghệ ảo hóa, máy vật lý triển khai VM Hệ thống ĐTĐM cung cấp tài nguyên VM cho tập ứng dụng đa tầng 𝐴 = {𝐴1 , 𝐴2 , … , 𝐴𝑛 } Một vector phân bổ nguồn lực Φ = {Φ1 , Φ2 , … , Φ𝑛 } định nghĩa số lượng máy ảo phân bổ cho ứng dụng tất máy chủ lý Chiến lược cấp phát VM cho ứng dụng 𝐴𝑖 ∀ 𝑖 ∈ biểu diễn ma trận Φ𝑖 không âm hàng 𝑘 cho tầng 𝑚 cột cho máy vật lý sau: 𝑖 𝑣11 𝑖 Φ𝑖 = 𝑣21 ⋮ 𝑖 (𝑣𝑘1 𝑖 𝑣12 𝑖 𝑣22 ⋮ 𝑖 𝑣𝑘2 𝑖 𝑣1𝑚 𝑖 𝑣2𝑚 , ⋮ 𝑖 𝑣𝑘𝑚 ) ⋯ ⋯ ⋱ ⋯ 𝑖 𝑣𝑘𝑚 > số lượng máy ảo cấp phát cho ứng dụng thứ 𝑖 cho tầng thứ 𝑘 máy vật lý thứ 𝑚 Một ứng dụng đa tầng 𝐴𝑖 phục vụ cho 𝑇𝑖 = {𝑡𝑖1 , 𝑡𝑖2 , … , 𝑡𝑖𝑦 } công việc, 𝑦 số công việc Để đảm bảo chất lượng dịch vụ cho người dùng ứng 𝐴𝑖 , xem xét mức độ thõa mãn yêu cầu người dùng dựa thời gian đáp ứng cơng việc, trình bày sau: 𝑦 𝑅𝑖 = ∑ − 𝑗=1 𝑇 + 𝑒 𝑟𝑖𝑗− 𝑟𝑖𝑗 , (3.1) đó, 𝑟𝑖𝑗 thời gian đáp ứng ứng dụng thứ 𝑖 cho công việc thứ 𝑗, 𝑟𝑖𝑗𝑇 thời gian đáp ứng mong đợi ứng dụng thứ 𝑖 cho công việc thứ 𝑗 Bằng cách áp dụng LQN, 𝑟𝑖𝑗 tính tốn sau: 𝑘 𝑠𝑖𝑗𝛼 𝑟𝑖𝑗 = ∑ 𝛼=1 − 𝑤𝛼 ∑𝑦𝛽=1 𝑚 𝑖𝛽 𝑖 ∑ 𝑣 𝛿=1 𝛽𝛿 , (3.2) 𝛼 𝑠𝑖𝛽 đó: - 𝑠𝑖𝑗𝛼 thời gian phục vụ trung bình ứng dụng 𝑖 cho cơng việc thứ 𝑗 tầng thứ 𝛼 ∈, 24 - 𝛼 𝑠𝑖𝛽 thời gian phục vụ trung bình ứng dụng 𝑖 cho công việc thứ 𝛽 ∈ tầng thứ 𝛼 ∈, 𝛼 𝑤𝑖𝛽 tải công việc 𝛽 tầng 𝛼 ứng dụng 𝑖, - 𝑖 𝑣𝛽𝛿 số lượng máy ảo ứng dụng thứ 𝑖tại tầng thứ 𝛽 cấp phát máy 𝛿 ∈ [] Trong nghiên cứu chúng tơi tính chi phí thuê dịch vụ dựa số lượng CPU cấp phát cho ứng dụng Giả sử, 𝑥 số lượng tài nguyên cấp phát máy chủ vật lý thứ 𝑖 Nếu nguồn tài nguyên sử dụng nhiều khách hàng phải trả chi phí nhiều Chi phí tỷ lệ thuận với việc sử dụng tài ngun thời gian để hồn thành cơng việc Vì vậy, chi phí th 𝑥 biểu diễn sau: 𝑝𝑖 (𝑥) = 𝑎𝑥 + 𝑏 (0 < 𝑥 < 𝑐𝑖 )(3.3) đó, 𝑎, 𝑏 số, 𝑐𝑖 tổng số lượng CPU máy vật lí thứ 𝑖 Những định điều chỉnh tự động tài nguyên dựa lấy thông tin tài nguyên từ trung tâm giám sát môi trường đám mây Chúng ta xem việc điều chỉnh tự động tài nguyên trò chơi khách hàng người chơi (player) Mỗi người chơi cố gắng tăng tối đa việc khai thác tài nguyên cách điều chỉnh chiến lược 𝜙 𝑖 Các người chơi biết thông tin chiến lược điểm định nên ta thiết lập thành trò chơi hợp tác có thơng tin hồn hảo Từ ta tiếp cận đến khái niệm cân Nash đạt hiệu Pareto trò chơi điểm mà khơng có người chơi nhận thu hoạch nhiều cách thay đổi chiến lược [21] Để biểu diễn đánh đổi chất lượng dịch vụ chi phí, hàm lợi nhuận (playoff) đem lại cho người chơi thứ 𝑖 phục vụ máy ảo biểu diễn sau: 𝑚 𝑘 𝑖 ) ∀ 𝜏 ∈ [0,1] (3.4) 𝐹𝑖 = 𝜏𝑅𝑖 + (1 − 𝜏) ∑ ∑ 𝑝𝑥 (𝑣𝑦𝑥 𝑥=1 𝑦=1 Giả sử người chơi thay đổi chiến lược phân bổ hành động sau: 𝑖 𝑣𝑦𝑥 +1 𝑖 −1 𝑎𝑖 = { 𝑣𝑦𝑥 𝑖 𝑖 𝑣𝑦𝑥 + 1, 𝑣𝑘𝑧 −1 𝑖 đó, 𝑣𝑦𝑥 + hành động điều chỉnh thêm máy ảo cho ứng dụng 𝑖 thứ 𝑖 tầng thứ y máy vật lý x, ngược lại 𝑣𝑦𝑥 − hành động điều chỉnh 25 𝑖 𝑖 bớt máy ảo 𝑣𝑦𝑥 + 1, 𝑣𝑘𝑧 − hành động điều chỉnh di trú máy ảo từ máy vật lý 𝑥 sang máy vật lý 𝑧 Trong trò chơi này, hàm lợi ích trò chơi có ảnh hưởng quan trọng đến định chiến lược người chơi kết trò chơi Mỗi người chơi chọn chiến lược nhằm tối đa hóa thu hoạch họ, hàm mục tiêu sau: 𝑀𝑖𝑛 ∑𝑛𝑖=1 𝐹 𝑖 (𝛷) 𝑘 𝑖 cho ∑𝑛𝑖=1 ∑𝑚 𝑥=1 ∑𝑦=1(𝑣𝑦𝑥 ) ≤ 𝑐𝑥 Điểm cân Nash trò chơi chiến lược mà khơng người chơi tăng lợi nhuận người chơi khác cố định chiến lược Khi đó, chiến lược người chơi thứ i chiến lược tối ưu kí hiệu 𝑝𝑖∗ , ∗ chiến lược tối ưu người chơi khác ký hiệu 𝑝−𝑖 cân Nash ∗ chiến lược 𝑝𝑖 tuân thủ theo điều kiện [22], sau: ∗ ∗ 𝐹𝑖 (𝑝−𝑖 , 𝑝𝑖∗ ) ≥ 𝐹𝑖 (𝑝−𝑖 , 𝑝𝑖 )(3.5) từ tìm định cơng hiệu cân Nash trò chơi Φ∗ = Φ1∗ , Φ2∗ , … , Φ𝑛∗ có nghĩa ∗ ′ 𝐹(Φ1 , Φ2 , Φ𝑘 , … , Φ𝑘 ) > 𝐹(Φ1 , Φ2 , Φ𝑛 , … , 𝐴Φ𝑘 ) Trong mơi trường multi agent system, điểm cân khơng ổn định (stable) [23] Ngồi ra, khó tìm Pareto-efficiency cân Nash Để giải vấn đề đa phần giải thuật dựa giải thuật metaheuristic Các phương án gán máy ảo vào máy vật lý khả thi tìm dựa giải thuật tối ưu đàn kiến Từ tập phương án khả thi dựa vào điều kiện cân Nash chọn phương án tốt Điều kiện dừng thuật tốn tính theo Siar [24] sau: 𝑛 ∑(𝐹 𝑖𝑡𝑟 − 𝐹 𝑖𝑡𝑟−1 )2 < 𝜀 (3.6) 𝑖=1 3.4 Ứng dụng thuật toán PSO Trong PSO, giải pháp đơn cá thể đươc gọi particle, cụ thể 𝑖 𝑖 mơi trường ĐTĐM 𝑣𝑦𝑥 ứng dụng Ai Mỗi 𝑣𝑦𝑥 có giá trị thích 26 nghi đáng giá hàm mục tiêu (3.4) vận tốc định hướng việc bay 𝑖 𝑖 tìm kiếm Các 𝑣𝑦𝑥 duyệt khơng gian tốn theo sau 𝑣𝑦𝑥 có giá trị thích nghi tốt thời Cũng giống giải thuật di truyền, PSO tìm kiếm giải pháp tối ưu việc cập nhật hệ Tuy nhiên, không giống giải thuật di truyền, PSO khơng có thao tác tiến hóa lai ghép hay đột biến 𝑖 PSO khởi tạo nhóm ngẩu nhiên 𝑣𝑦𝑥 , sau tìm kiếm giải 𝑖 pháp tối ưu việc cập nhật hệ Trong hệ, 𝑣𝑦𝑥 cập nhật hai giá trị: giá trị thứ pBest (là nghiệm tốt đạt thời 𝑖 điểm tại) giá trị tiện ích 𝑣𝑦𝑥 hệ Giá trị thứ 2, gọi 𝑖 𝑖 gBest( nghiệm tốt mà 𝑣𝑦𝑥 lân cận 𝑣𝑦𝑥 đạt thời điểm tại) giá trị tiện ích tất hệ từ trước đến Nói cách khác, 𝑖 𝑖 𝑣𝑦𝑥 cập nhật vị trí theo vị trì tốt 𝑣𝑦𝑥 khác ứng dụng 𝑖 Ai thời điểm Q trình cập nhật 𝑣𝑦𝑥 dựa cơng thức (1.1), (1.2) 27 Hình 3.2: Lưu đồ thuật tốn VMPSO 28 Ví dụ: Hệ thống có máy chủ vật lý phục vụ giả sử có ứng dụng 𝐴 = {𝐴1 , 𝐴2 , 𝐴3 }, ứng dụng có tầng Thơng qua bước thuật tốn tìm chiến lược cấp phát cho yêu cầu người dùng sau: Chiến lược Chiến lược Φ1 = 1 0 1 Φ1 = 1 0 Φ = 2 0 1 1 1 Φ = 0 1 0 Φ = 2 0 1 1 1 Φ = 0 1 1 2 3 Với bước thuật toán tìm giải pháp điều chỉnh tài ngun tốt dựa viêc tính tốn hàm mục tiêu cơng thức (3.5) 29 CHƯƠNG - MƠ PHỎNG VÀ ĐÁNH GIÁ 4.1 Môi trường giả lập Môi trường xây dựng thuật tốn thực nghiệm dựa cơng cụ CloudSim 3.0 toolkit Chúng tơi xây dựng datacenter có 70 máy chủ vật lý Tham số đầu vào: + Số lượng ứng dụng + Số lượng máy chủ vật lý + Số tầng ứng dụng Yêu cầu đặt thơng qua bước thuật tốn tìm chiến lược cấp phát cho yêu cầu người dùng chọn chiến lược tối ưu theo hàm mục tiêu 4.2 Kết Trong thực nghiệm quan tâm tới vấn đề đáp ứng chất lượng dịch vụ ứng dụng chi phí th dịch vụ ứng dụng Để đánh giá hiệu thuật toán, thực nghiệm thực ứng dựng cấp phát tài nguyên cách ngẫu nhiên sau thơng qua thuật tốn PSO tạo chiến lược cấp phát tài nguyên cách tự động dựa hàm mục tiêu sau chọn chiến lược tối ưu Với thuật tốn PSO, kết xỉ phụ thuộc vào tham số 𝜺, số lượng cá thể đàn 𝒔𝒘𝒂𝒓𝒎𝒔𝒊𝒛𝒆𝒔 = 𝟑𝟎, hệ số đánh đổi chất lượng dịch vụ chi phí thuê máy ảo 𝝉 Do vậy, thực nghiệm đây, chúng tơi tìm thơng số thích hợp cho hệ thống đánh giá việc điều chỉnh tài nguyên máy ảo cho ứng dụng thông qua chất lượng dịch vụ công thức (3.2) chi phí th tài ngun theo cơng thức (3.3) Chọn 𝜀 trường hợp theo yêu cầu người dùng hướng xử lý, hướng lưu trữ liệu, hai Thực nghiệm 70 máy chủ vật lý, ứng dụng có tầng 100 ứng dụng phục vụ Cho 𝜀 từ 0.01 đến 0.1, đo số vòng lập thời gian thực thi thuật toán 30 Hình 4.1: Mối tương quan epsilon iterator, excution time Trong Hình 4.1, ta thấy thời gian thực thi số lượng vòng lặp lớn epsilon nhỏ ngược lại epsilon lớn thời gian thực thi số lượng vào lặp nhỏ Theo giá trị epsilon = 0.03 cho thời gian thực thi số lượng vòng lặp nhỏ thực nghiệm chọn epsilon = 0.03 Hình 4.2: Mối tương quan swamsize chất lượng dịch vụ, excution time 31 Trong Hình 4.2, chọn epsilon = 0.03, tăng số lượng bày từ 10 lên 90 cá thể ta thấy số lượng bày (swam size) lớn thìthời gian thực thi lớn ngược lạicàng nhỏ Khi số lượng bày (swam size) thay đổi giá trị fitness thay đổi theo Hình 4.3: Mối tương quan 𝝉 với chất lượng dịch vụ, chi phí Trong Hình 4.3 cố định epsilon = 0.03, số lượng bầy = 50, điều chỉnh 𝝉 từ 0.1 đến 0.9 ta thấy giá trị cost thay đổi theo 𝝉 khơng theo trình tự tăng hay giảm Giá trị fitness lớn giá trị 𝝉 nhỏ giảm dần 𝝉 tăng lên 32 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Kết đạt đươc Trong luận văn tơi trình bày đề xuất áp dụng dựa thuật tốn PSO mơ hình tự động cấp phát tài nguyên ứng dụng đa tầng Thuật toán đưa chiến lược cấp phát tài nguyên cho máy chủ vật lý chọn chiến lược tối ưu đáp ứng chất lượng dịch vụ chi phí thuê dịch vụ ứng dụng Trong phần thực nghiệm chúng tơi trình bày thơng số ảnh hướng đến hiệu thuật tốn, thơng qua điều chỉnh thông số 𝜀, 𝑠𝑤𝑎𝑟𝑚𝑠𝑖𝑧𝑒, … Những vấn đề tồn Thuận tốn PSO đề xuất giải toán tối ưu với liệu đầu vào lớn Do cầu hình máy thực mơ có giới hạn nên liệu đầu vào chưa đủ lớn điều ảnh hưởng nhiều đến hiệu thuật toán thực thi Luận văn tập trung nghiên cứu thuật toán PSO, chưa nghiên cứu thuật toán khác (thuật toán di truyền…) để so sánh Chương trình tính chất mơ chưa phải ứng dụng cụ thể Hướng phát triển Tiếp tục nghiên cứu sâu thuật toán PSO, xây dựng hàm mục tiêu tốt Nghiên cứu số thuật toán để so sánh đánh giá tính xác mức độ hiệu thuật toán 33 DANH MỤC TÀI LIỆU THAM KHẢO [1]Marco Guazzon,Cosimo Anglano, Massimo Canonico(2011), “Energy – Efficient Resource Management for Cloud Computing Infrastructures” IEEE Third International Conference on Cloud Computing Technology and Science [2] Agrawal, D., El Abbdi, A., Das, S., and Elmore, A.J (2011), Database scalability, elasticity, and autonomy in the cloud, Book Database scalability, elasticity, and autonomy in the cloud, pp.2-15 [3] Huang, C.-W., Sih, C.-C., Hu, W.-H., Lin, B.-T., and Cheng, C.-W (2013), The improvement of auto-scaling mechanism for distributed database-A case study for MongoDB”, Book The improvement of auto-scaling mechanism for distributed database-A case study for MongoDB, pp 1-3 [4] Vijayakumar, S., Zhu, Q., and Agrawal, G.( 2010), Dynamic resource provisioning for data streaming applications in a cloud environment,Book Dynamic resource provisioning for data streaming applications in a cloud environment, pp 441-448 [5] Raveendran, A., Bicer,T., and Agrawal, G.( 2011), A framework for elastic execution of existing mpi programs, Book A framework for elastic execution of existing mpi program,pp.940-947 [6] Ratan Mishra and Anant Jaiswal (2012) , “Ant colony Optimization: “A Solution of Load balancing in Cloud”, International Journal of Web & Semantic Technology (IJWesT), [7] Y Ranjith Kumar, M MadhuPriya, K ShahuChatrapati (2013), “Effective Distributed Dynamic Load Balancing For The Clouds”, International Journal of Engineering Research & Technology (IJERT) [8]J Kennedy, J F Kennedy, R C Eberhart and Y Shi (2001), “Swarm intelligence”, Morgan Kaufmann [9] J Kennedy (2011), “Particle swarm optimization”, in Encyclopedia of machine learning, Springer, pp 760-766 34 [10] M Clerc (2010), “Particle swarm optimization”, vol 93, John Wiley & Sons [11] M Zambrano-Bigiarini, M Clerc and R Rojas (2013), “Standard particle swarm optimisation 2011 at cec-2013: A baseline for future pso improvements” IEEE Congress on Evolutionary Computation [12]Khiet Thanh Bui, Tran Vu Pham, & Hung Cong Tran ( 2016), “A Load Balancing Game Approach for VM Provision Cloud Computing Based on Ant Colony Optimization” Context-Aware Systems and Applications International Conference, ICCASA, Vietnam, pages 52-63 [13]Phạm Nguyễn Minh Nhựt, Lê Văn Sơn (2014), “Thuật toán di truyền cung cấp tài nguyên cho dịch vụ ảo hóa từ tảng máy chủ chia sẻ đồng nhất”Tạp chí Khoa học & Cơng nghệ, số 7, tr.121-124 [14]Nguyễn Hồng Hà, Lê Văn Sơn, Nguyễn Mậu Hân (2013),“Thuật toán lập lịch động mơi trường điện tốn 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",Tập: 1, Trang: 436-442 [15]Rakesh Kumar Mishra, Sreenu Naik Bhukya(2014), “Service Broker Algorithm for CloudAnalyst”in International Journal of Computer Science and InformationTechnology, 5(3), pp 3957-396., [16]Jyoti Sahni, Deo Prakash Vidyarthi(2016), “Heterogeneity-aware adaptive auto-scaling heuristic for improved QoS and resource usage in cloud environments”Computing, Volume 99, pp 351–381, [17] Tania Lorido-Botran, Jose Miguel-Alonso, Jose Miguel-Alonso (2014), “A Review of Auto-scaling Techniques forElastic Applications in Cloud Environments”Springer Science+Business Media Dordrecht [18]G Franks, P Maly, M Woodside, D C Petriu and A Hubbard ( 2005), “ Layered Queueing Network Solver and Simulator User Manual”,Real-time and Distributed Systems Lab, Carleton University, Ottawa [19]G Franks, “Performance Analysis of Distributed Server Systems 35 (1999),” PhD Thesis, Report OCIEE-00-01, Carleton University, Ottawa, Ontario, Canada [20] X P Wu (2003), “An Approach to Predicting Performance for Component Based Systems,” MASc Thesis, Carleton University, Ottawa, Ontario, Canada [21] Xu, X., and Yu, H.: (2014), “A game theory approach to fair and efficient resource allocation in cloud computing”, Mathematical Problems in Engineering [22] Osborne, M.J., and Rubinstein, A (1994), “A course in game theory”, MIT press [23] Pendharkar, P.C (2012), “Game theoretical applications for multi-agent systems”, Expert Systems with Applications, 39, pp 273-279, [24] Siar, H., Kiani, K., and Chronopoulos, A.T (2015), “An effective game theoretic static load balancing applied to distributed computing”, Cluster Computing, pp 1-15 ... dụng nhiều công ty lúc 1.2 Tổng quan tự động điều phối tài nguyên điện toán đám mây (Auto-scaling) 1.2.1 Giới thiệu tự động điều phối tài nguyên điện toán đám mây (Auto-scaling) Auto-scaling định... 1.1.2Các dịch vụ điện toán đám mây 1.1.3Những mô hình triển khai điện tốn đám mây 1.2 Tổng quan tự động điều phối tài nguyên ĐTĐM 11 1.2.1Giới thiệu tự động điều phối tài nguyên ĐTĐM... - MAI HOÀNG XUÂN LÂM NGHIÊN CỨU THUẬT TOÁN TỰ ĐỘNG ĐIỀU PHỐI TÀI NGUYÊN TRONG ĐIỆN TOÁN ĐÁM MÂY CHUYÊN NGÀNH : HỆ THỐNG THÔNG TIN MÃ SỐ: 848.01.04 LUẬN VĂN THẠC SĨ KỸ THUẬT (Theo định hướng