Nghiên cứu thuật toán tự động điều phối tài nguyên trong điện toán đám mây (tt)

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 Chuyên ngành: Hệ thống thơng tin Mã số: 848.01.04 TĨM TẮT LUẬN VĂN THẠC SĨ 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 (Ghi rõ học hàm, học vị) Phản biện 1: …………………………………………………………………… Phản biện 2: …………………………………………………………………… Luận văn bảo vệ trước Hội đồng chấm luận văn thạc sĩ Học viện Cơng nghệ Bưu Viễn thơng Vào lúc: ngày tháng năm Có thể tìm hiểu luận văn tại: - Thư viện Học viện Cơng nghệ Bưu Viễn thơng 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: ”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 q 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 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 nguyên theo yêu cầu là: hệ CSDL, ứng dụng di động ứng dụng y khoa thời gian thực…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 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 thuê 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 mơi 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 mơi 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 Luận văn bố cục sau: Chương – Cơ sở lý luận Chương – Các cơng trình liên quan Chương – Xây dựng thuật toán tự động điều phối tài nguyên điện toán đám mây dựa thuật toán PSO Chương – Mô đánh giá Kết luận đáng giá CHƯƠNG - CƠ SỞ LÝ LUẬN 1.1 Tổng quan điện toán đám mây 1.1.1 Giới thiệu chung Cloud computing (ĐTĐM) có nhiều định nghĩa Có nhiều loại khác mơ hình cung cấp khơng giống ĐTĐM không đơn máy chủ ảo máy chủ ảo phận cấu thành thiết yếu ĐTĐM Tuy nhiên phận chủ chốt để vài loại ĐTĐM hoạt động Có thể nói định nghĩa xác liên quan ĐTĐM xuất National Institude of Standards and Technology (NIST) Tài liệu tổng quát giải thích rõ ràng ý nghĩa ĐTĐM ĐTĐM tập hợp nguồn tính tốn chia sẻ dễ dàng truy cập sử dụng lúc nơi Một ĐTĐM mang đặc điểm sau: Tự phục vụ: Sử dụng giao diện đơn giản, khách hàng (hoặc nhà kinh doanh) đăng kí dịch vụ đám máy triển khai tài ngun thơng tin cần sử dụng Lợi ích rõ việc tự cung cấp dịch vụ họ nhanh chóng tự cung cấp nguồn tài nguyên mà khơng cần nhờ tới phận IT, nhờ mà doanh nghiệp nắm bắt hội ứng biến với thử thách tốt Mạng lưới truy cập rộng lớn: người tiêu dùng sử dụng loại thiết bị công nghệ chưa thấy để truy cập vào dịch vụ kinh doanh Một đám mây phải cho phép người dùng truy cập vào thiết bị cách an toàn đáng tin cậy từ nhiều mạng lưới khác Một cách tốt để làm cho ứng dụng đến tay người dùng diện rộng thiết bị phải tăng cường sức mạnh Web công nghệ HTML Hệ thống triển khai dịch vụ riêng nhà cung cấp giao diện hệ thống xử lí phải tự động hóa Mỗi khách hàng sử dụng tài khoản ĐTĐM phải đảm bảo độc lập bảo mật với khác hàng hệ thống Tài nguyên chia sẻ: Các nhà cung cấp điện tốn đám mây sử dụng nhiều nguồn để cung cấp dịch vụ cho khách hàng cách nhanh chóng mà khơng cần tốn nhiều chi phí Tính linh hoạt nhanh: máy chủ triển khai phải lên kế hoạch sử dụng tối đa hiệu suất Một nhà cung cấp phải triển khai nhiều máy tốt để đáp ứng với khối lượng công việc khổng lồ khách hàng đa dạng Một đám mây phải giải vấn đề việc mở khả cung cấp dịch vụ Với khía cạnh cơng nghệ, việc có nghĩa phải tập trung hóa mật độ server thiết kế quản lí Tỉ lệ server quản trị viên tăng lên Hệ thống quản lí tự động quản trị chất lượng trở nên quan trọng 1.1.2 Các dịch vụ điện tốn đám mây Có nhiều loại dịch vụ điện toán đám mây Tuy nhiên dịch vụ bao gồm: Dịch vụ sở hạ tầng ( Infrastructure as a Service – IaaS), dịch vụ tảng ( Platform as a Service – PaaS), dịch vụ phần mềm (Software as a Service – SaaS), dịch vụ phần cứng (Hardware as a Service) 1.1.3 Những mơ hình triển khai ĐTĐM Private Cloud Private Cloud hoàn toàn thuộc nhu cầu cá nhân doanh nghiệp Nó hạ tầng sở (on-premises) hạ tầng sở (off-premises) Private Cloud thuộc doanh nghiệp thường trú phòng máy chủ sở hữu data center quản lí đội ngũ IT doanh nghiệp Với quyền sở hữu đám mây hạ tầng sở, doanh nghiệp toàn quyền điều khiển data center, hệ thống hạ tầng network Về phía Private Cloud ngồi hạ tầng sở, thừa hưởng sở vật chất có sẵn kiến thức chun mơn từ đơn vị outsourcing chức trung tâm liệu máy chủ Private Cloud sở hạ tầng lí tưởng cho doanh nghiệp khơng muốn khơng có đủ khả xây dựng phòng máy trung tâm liệu riêng Public Cloud Public Cloud dành cho nhiều người sử dụng Public Cloud có nhiều dạng tồn nhiều hình thức Windows Azure, Microsoft Office 365 Amazon Elastic Compute Cloud… Bạn tìm thấy dịch vụ với quy mô nhỏ với dịch vụ khách hàng phù hợp với nhu cầu cá nhân Ưu điểm lớn Public Cloud ln sẵn sàng để sử dụng nhanh chóng Một ứng dụng kinh doanh triển khai vòng vài phút Hybrid Cloud Mơ hình Hybrid Cloud sử dụng mơ hình Private Cloud mơ hình Public Cloud lúc với dịch vụ triển khai mở rộng Community Cloud Community Cloud đám mây chia sẻ doanh nghiệp với Community Cloud sử dụng nhiều cơng nghệ, thường sử dụng doanh nghiệp liên doanh thực cơng trình nghiên cứu khoa học Community Cloud hỗ trợ người dùng tính Private Cloud Public Cloud Chúng hoạt động để đảm bảo tính bảo mật thống đồng thời mang nhiều rủi ro q trình chia sẻ Chúng truy cập vào nguồn tính tốn lớn giúp mở rộng cấu trúc lũy tiến 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 nghĩa từ nhiều quan điểm học giả nhà cung cấp dịch vụ ĐTĐM bối cảnh đa dạng Auto-scaling đặc trưng quan trọng hệ thống ĐTĐM, cho phép hệ thống tự động mở rộng hay thu nhỏ khả năng; lựa chọn máy ảo có tài nguyên lớn cách tự động để đảm bảo tài nguyên sử dụng cách hiệu đảm bào tính sẳn sàng cho ứng dụng Auto-scaling đảm bào máy ảo phân chia yêu cầu khách hàng cách quán hạn chế tượng tải thiếu tài nguyên 1.2.2 Mục đích tự động điều phối tài ngun điện tốn đám mây (Auto-scaling) Mục đích tự động điều phối tài nguyên cải thiện hiệu toàn hệ thống cách bản; giảm thiểu thời gian chờ công việc; trì ổn định thích ứng biến đổi tương lai hệ thống; đảm bảo công việc nhỏ không bị đợi thời gian dài; đồng thời phải đảm bảo hạn chế tình trạng nút có nhiều tài nguyên sử dụng nút khác tài nguyên sử dụng Vì vậy, nhiều thuật tốn tự động điều phối tài nguyên phát triển nhiều năm qua khơng có thuật tốn thích hợp cho tất ứng dụng, hệ thống tính toán phân tán Việc lựa chọn thuật toán tự động điều phối tài nguyên tương ứng phụ thuộc thông số ứng dụng thông số sử dụng tài nguyên 1.3 Giải thuật toán tối ưu bầy đàn (PSO) Giải thuật tối ưu hóa theo bầy đàn (Particle Swarm Optimization - PSO) kỹ thuật tối ưu hóa ngẫu nhiên dựa quần thể phát triển Eberhart Kennedy, theo hành vi bầy chim hay đàn cá 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 thao tác tiến hóa lai ghép hay đột biến Năm 1987, quan sát trình chuyển động theo bầy đàn (bầy chim, đàn cá), Reynolds đưa nhận ba quy luật: Tách biệt; Sắp hàng Liên kết Từ nghiên cứu Renolds, Eberhart Kennedy đưa thêm giả thuyết trình tìm tổ bầy đàn theo quy luật: i Tất phần tử bầy đàn có xu hướng chuyển động tổ ii Mỗi phần tử ghi nhớ vị trí gần tổ đạt tới Tương tự vậy, hai ông đưa giả thuyết trình tìm mồi bầy đàn vùng không gian mà phần tử bầy đàn biết thông tin thức ăn cách bao xa lưu giữ vị trí gần thức ăn mà chúng đạt tới Khi đó, cách tốt để tìm thức ăn theo sau phần tử đầu 17 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 𝛼 𝑠𝑖𝑗 𝑟𝑖𝑗 = ∑ 𝛼=1 − 𝑤𝛼 ∑𝑦𝛽=1 𝑚 𝑖𝛽 𝑖 ∑ 𝑣 𝛿=1 𝛽𝛿 , (3.2) 𝛼 𝑠𝑖𝛽 đó: 𝛼 𝑠𝑖𝑗 thời gian phục vụ trung bình ứng dụng 𝑖 cho công việc thứ 𝑗 tầng thứ 𝛼 ∈, 𝛼 𝑠𝑖𝛽 thời gian phục vụ trung bình ứng dụng 𝑖 cho cơng 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 𝑖 tầng thứ 𝛽 cấp phát máy 𝛿 ∈ [] Trong nghiên cứu chúng tơi tính chi phí th 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 nguyên 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) 18 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 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 𝐹𝑖 = 𝜏𝑅𝑖 + (1 − 𝜏) ∑ ∑ 𝑝𝑥 (𝑣𝑦𝑥 ) ∀ 𝜏 ∈ [0,1] (3.4) 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 thứ 𝑖 tầng thứ y máy vật lý x, 𝑖 ngược lại 𝑣𝑦𝑥 − hành động điều chỉnh bớt máy ảo 𝑖 𝑖 𝑣𝑦𝑥 + 1, 𝑣𝑘𝑧 − hành động điều chỉnh di trú máy ảo từ máy vật lý 𝑥 sang máy vật lý 𝑧 19 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, 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 môi trường multi agent system, điểm cân khơng ổn định (stable) 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 sau: 20 𝑛 ∑(𝐹 𝑖𝑡𝑟 − 𝐹 𝑖𝑡𝑟−1 ) < 𝜀 (3.6) 𝑖=1 3.4 Ứng dụng thuật toán PSO Trong PSO, giải pháp đơn cá thể đươc gọi 𝑖 particle, cụ thể mơi trường ĐTĐM 𝑣𝑦𝑥 ứng 𝑖 dụng Ai Mỗi 𝑣𝑦𝑥 có giá trị thích nghi đáng giá hàm mục tiêu (3.4) vận tốc định hướng việc bay tìm 𝑖 kiếm Các 𝑣𝑦𝑥 duyệt khơng gian tốn 𝑖 theo sau 𝑣𝑦𝑥 có giá trị thích nghi tốt thời 𝑖 PSO khởi tạo nhóm ngẩu nhiên 𝑣𝑦𝑥 , sau tìm kiếm giải pháp tối ưu việc cập nhật hệ 𝑖 Trong hệ, 𝑣𝑦𝑥 cập nhật hai giá trị: giá trị thứ pBest (là nghiệm tốt đạt thời điểm 𝑖 tại) giá trị tiện ích 𝑣𝑦𝑥 hệ Giá 𝑖 trị thứ 2, gọi gBest ( nghiệm tốt mà 𝑣𝑦𝑥 lân cận 𝑖 𝑣𝑦𝑥 đạt thời điểm tại) giá trị tiện ích tất hệ từ trước đến Nói cách khác, 𝑖 𝑣𝑦𝑥 cập nhật vị trí theo vị trì tốt 𝑖 𝑣𝑦𝑥 khác ứng dụng Ai thời điểm Quá trình cập 𝑖 nhật 𝑣𝑦𝑥 dựa cơng thức (1.1), (1.2) 21 Thuật toán: PSOVM Input: 𝑃𝑟𝑜𝑏𝑙𝑒𝑚𝑠𝑖𝑧𝑒 , 𝑃𝑜𝑝𝑢𝑙𝑎𝑡𝑖𝑜𝑛𝑠𝑖𝑧𝑒 Output: 𝑃𝑔_𝑏𝑒𝑠𝑡 //giải pháp điều chỉnh máy ảo tốt 𝑃𝑜𝑝𝑢𝑙𝑎𝑡𝑖𝑜𝑛 ← ∅ 𝑃𝑔_𝑏𝑒𝑠𝑡 ← ∅ For(𝑖 = To 𝑃𝑜𝑝𝑢𝑙𝑎𝑡𝑖𝑜𝑛𝑠𝑖𝑧𝑒 ) 𝑃𝑣𝑒𝑙𝑜𝑐𝑖𝑡𝑦 ←RandomVelocity() 𝑃𝑝𝑜𝑠𝑖𝑡𝑖𝑜𝑛 ←RandomPosition(𝑃𝑜𝑝𝑢𝑙𝑎𝑡𝑖𝑜𝑛𝑠𝑖𝑧𝑒 ) 𝑃𝑝_𝑏𝑒𝑠𝑡 ← 𝑃𝑝𝑜𝑠𝑖𝑡𝑖𝑜𝑛 If (Cost(𝑃𝑝_𝑏𝑒𝑠𝑡 ) < Cost(𝑃𝑔_𝑏𝑒𝑠𝑡 )) 𝑃𝑔_𝑏𝑒𝑠𝑡 ← 𝑃𝑝_𝑏𝑒𝑠𝑡 End End While (¬StopCondition()) For ( 𝑃 ∈ Population) 𝑃𝑣𝑒𝑙𝑜𝑐𝑖𝑡𝑦 ←UpdateVelocity(𝑃𝑣𝑒𝑙𝑜𝑐𝑖𝑡𝑦 , 𝑃𝑔_𝑏𝑒𝑠𝑡 , 𝑃𝑝_𝑏𝑒𝑠𝑡 ) 𝑃𝑝𝑜𝑠𝑖𝑡𝑖𝑜𝑛 ←UpdatePosition(𝑃𝑝𝑜𝑠𝑖𝑡𝑖𝑜𝑛 , 𝑃𝑣𝑒𝑙𝑜𝑐𝑖𝑡𝑦 ) If (Cost(𝑃𝑝𝑜𝑠𝑖𝑡𝑖𝑜𝑛 ) ≤ Cost(𝑃𝑝_𝑏𝑒𝑠𝑡 )) 𝑃𝑝_𝑏𝑒𝑠𝑡 ← 𝑃𝑝𝑜𝑠𝑖𝑡𝑖𝑜𝑛 If (Cost(𝑃𝑝_𝑏𝑒𝑠𝑡 ) ≤ Cost(𝑃𝑔_𝑏𝑒𝑠𝑡 )) 𝑃𝑔_𝑏𝑒𝑠𝑡 ← 𝑃𝑝_𝑏𝑒𝑠𝑡 End End End End Return (𝑃𝑔_𝑏𝑒𝑠𝑡 ) 22 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 2 1 1 Φ = 1 Φ = 1 1 0 0 0 0 Φ = 2 0 1 1 1 Φ = 0 2 1 1 0 0 1 Φ = 1 1 Φ = 1 1 2 1 0 Với bước thuật tốn tìm giải pháp điều chỉnh tài nguyên tốt dựa viêc tính tốn hàm mục tiêu cơng thức (3.5) 23 CHƯƠNG - MƠ PHỎNG VÀ ĐÁNH GIÁ 4.1 Mơi trường giả lập Mơi trường xây dựng thuật tốn thực nghiệm dựa công 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 thông 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 thuê 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 toán 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 cơng thức (3.2) chi phí th tài nguyên theo công thức (3.3) Chọn 𝜀 trường hợp theo yêu cầu người dùng hướng xử lý, hướng lưu trữ liệu, hai Thực nghiệm 24 70 máy chủ vật lý, ứng dụng có tầng 100 ứng dụng phục vụ Cho 𝜀 từ 0.001 đến 0.01, đo số vòng lập thời gian thực thi thuật tốn 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 chúng tơi chọn epsilon = 0.03 25 Hình 4.2 Mối tương quan swamsize chất lượng dịch vụ, excution time 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 thời gian thực thi lớn ngược lại nhỏ Khi số lượng bày (swam size) thay đổi giá trị fitness thay đổi theo 26 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 𝝉nhưng khơng theo trình tự tăng hay giảm Giá trị fitness lớn giá trị 𝝉 nhỏ giảm dần 𝝉tăng lên 27 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Kết đạt đươc Trong luận văn trình bày đề xuất áp dụng dựa thuật tốn PSO mơ hình tự động cấp phát tài ngun 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 thơng số 𝜀, 𝑠𝑤𝑎𝑟𝑚𝑠𝑖𝑧𝑒, … Những vấn đề tồn Thuận toán 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 tốn để so sánh đánh giá tính xác mức độ hiệu thuật toán 28 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 29 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 [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 cec2013: 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), 30 “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 (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, 31 [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 ... hàng cách quán hạn chế tượng tải thiếu tài nguyên 1.2.2 Mục đích tự động điều phối tài nguyên điện toán đám mây (Auto-scaling) Mục đích tự động điều phối tài nguyên cải thiện hiệu toàn hệ thống... Chương – Xây dựng thuật toán tự động điều phối tài nguyên điện toán đám mây dựa thuật tốn PSO Chương – Mơ đánh giá Kết luận đáng giá CHƯƠNG - CƠ SỞ LÝ LUẬN 1.1 Tổng quan điện toán đám mây 1.1.1 Giới... tài nguyên thuật toán mở rộng tài nguyên cách tự động trì chất lượng dịch vụ Thuật tốn sử dụng phương pháp online profiling tài nguyên điện toán đám mây lịch sử tải để ước lượng yêu cầu tài ngun