Thuật toán cân bằng tải nhằm giảm thời gian đáp ứng dựa vào ngưỡng thời gian trên điện toán đám mây

Bài viết này đề xuất một thuật toán cân bằng tải nhằm giảm thời gian đáp ứng trên điện toán đám mây, ý tưởng chính là sử dụng thuật toán dự báo ARIMA để dự báo thời gian đáp ứng, từ đó đưa ra cách giải quyết phân phối tài nguyên hiệu quả dựa vào giá trị ngưỡng thời gian.

Nguyễn Xuân Phi, Lê Ngọc Hiếu, Trần Công Hùng THUẬT TOÁN CÂN BẰNG TẢI NHẰM GIẢM THỜI GIAN ĐÁP ỨNG DỰA VÀO NGƯỠNG THỜI GIAN TRÊN ĐIỆN TOÁN ĐÁM MÂY + Nguyễn Xuân Phi+, Lê Ngọc Hiếu+, Trần Công Hùng+ Học Viện Cơng Nghệ Bưu Chính Viễn Thơng Cơ Sở Thành Phố Hồ Chí Minh  Abstract: Nhằm nâng cao hiệu suất phục vụ dịch vụ điện toán đám mây việc quản lý hiệu tài nguyên điện toán 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, mơ hình hóa tài ngun, cung cấp tài ngun lập kế hoạch sử dụng tài nguyên, vấn đề cấp bách Trong đó, việc lập kế hoạch cho việc sử dụng tài nguyên dựa kết nối theo thời gian, thời gian đáp ứng dịch vụ quan trọng Từ việc nghiên cứu thời gian đáp ứng đưa giải pháp cho việc phân bố, cân tải tài nguyên cách hiệu Đây hướng nghiên cứu nhiều triển vọng giúp cho cơng nghệ đám mây ngày hồn thiện tiến Vì vậy, báo đề xuất thuật toán cân tải nhằm giảm thời gian đáp ứng điện tốn đám mây, ý tưởng sử dụng thuật toán dự báo ARIMA để dự báo thời gian đáp ứng, từ đưa cách giải phân phối tài nguyên hiệu dựa vào giá trị ngưỡng thời gian Keywords: Cân tải, điện toán đám mây, thời gian đáp ứng, thời gian đáp ứng dự báo… I GIỚI THIỆU Điện toán đám mây giúp chia sẻ liệu cung cấp thêm nhiều tài nguyên cho người dùng Người dùng cần trả tiền cho họ sử dụng Vì vậy, điện toán đám mây lưu trữ liệu phân phối tài nguyên môi trường mở Lượng liệu lưu trữ đám mây gia tăng nhanh chóng mơi trường mở Do đó, cân tải thách thức lớn điện toán đám mây Cân tải giúp phân phối tải thông qua nút mạng để đảm bảo nút bị tải Điều tối ưu hóa tài nguyên, cải thiện hiệu hệ thống Nhiều thuật toán đề xuất để cân tải tối ưu hóa tài nguyên Có nhiều loại tải sử dụng điện toán đám mây như: nhớ, CPU tải mạng Cân tải coi trình tìm nút mạng tải chuyển sang nút khác tải khơng tải Trong mơi trường đám mây [1], cân tải yêu cầu phân bổ lại tất tải hoạt động tất nút, cân tải cho phép đám mây đạt phân bổ nguồn lực tốt nhất, linh hoạt, mở rộng để tránh tắc nghẽn nhằm cải thiện suất tối đa hóa việc sử dụng đám mây Một vấn đề quan trọng khác xây dựng thuật toán cân tải lựa chọn nút có loại tải khác (mức độ sử dụng CPU, dung lượng nhớ, thông lượng) để tổng hợp tính tốn tải tổng thể Một biểu hiển rõ liệu web, khơng có cân tải, người dùng truy cập máy chủ web gặp cố tải, liệu tải xuống chậm, thời gian chờ thời gian đáp ứng dài Phương pháp làm giảm thời gian đáp dịch vụ đám mây người dùng truy cập vào dịch vụ nhằm tìm chiến lược tiết kiệm tài nguyên điện toán tăng chất lượng dịch vụ cho người dùng, điều ảnh hưởng trực tiếp đến hoạt động kinh doanh nhà cung cấp dịch vụ Chính báo đề xuất phương pháp nhằm giảm thời gian đáp ứng điện toán đám mây Bài báo bao gồm phần sau: Phần 1, Giới thiệu; Phần 2, Cơng trình liên quan; Phần 3, Đề xuất thuật tốn; Phần 4, Kết mơ phỏng; Phần 5, Kết luận II CƠNG TRÌNH LIÊN QUAN Vào năm 2016, Syed Hamid Hussain Madni [2] nghiên cứu đánh giá kỹ thuật phân phối tài nguyên môi trường cloud Bài báo tầm quan trọng việc phân bổ nguồn tài nguyên đám mây, phải có sách phân bổ tài ngun, chiến lược thuật toán nhằm phân phối chuyển nguồn tài nguyên nhằm hỗ trợ tốt cho nhà cung cấp lẫn Tác giả liên hệ: Nguyễn Xuân Phi Email: nguyenxuanphi@gmail.com Đến tòa soạn: 10/2018, chỉnh sửa: 12/2018, chấp nhận đăng: 12/2018 SỐ (CS.01) 2018 TẠP CHÍ KHOA HỌC CƠNG NGHỆ THƠNG TIN VÀ TRUYỀN THƠNG 43 THUẬT TOÁN CÂN BẰNG TẢI NHẰM GIẢM THỜI GIAN ĐÁP ỨNG… người dùng Theo tài liệu [3], tác giả đưa giải pháp tiếp cận cân tải làm việc dựa tiêu chí QoS Bài báo tác giả sử dụng thuật toán Load Balanced Resource Scheduling (LBRS) để nâng cao chất lượng phục vụ Cloud Trong thời gian đáp ứng (Thời gian gửi yêu cầu đợi trả lời hàng đợi lần đầu sử dụng CPU) được xem xét tới xây dựng thuật toán phân bổ request Tác giả Agraj Sharma [4], đưa giải thuật cân tải dựa vào thời gian đáp ứng Ttác giả đưa giải thuật giảm tải dựa thời gian đáp ứng server, từ đưa định yêu cầu xử lý server (VMs nào) Kết thực nghiệm cho thấy mơ hình đề xuất phương pháp cân tải động tự nhiên, xem xét tới đáp ứng thời biến để định phân bổ yêu cầu Tác giả Atyaf Dhari [5] đề xuất thuật toán lập lịch LDAB để đạt cân tải QoS Thuật toán đề xuất giảm thời gian đáp ứng Thuật toán so sánh với MaxMin, Shortest Job Firstand Round Robin Kết LBDA hiệu thuật toán Các tác giả thuật toán precentation [6], để giảm thời gian đáp ứng thời gian đáp ứng Trong viết, tác giả đề xuất thuật toán TMA để giảm thời gian phản ứng điện toán đám mây dựa việc sửa đổi Thuật tốn Throttled Họ mơ thuật tốn đề xuất công cụ mô CloudAnalyts thuật toán cải thiện thời gian đáp ứng thời gian xử lý trung tâm liệu đám mây Thời gian đáp ứng điện toán đám mây quan tâm đến [9], [10], [11], [12], [13], [14] Với khả sử dụng hiệu suất vậy, điện toán đám mây trở thành xu hướng tất yếu Trong tương lai, gia tăng số lượng người dùng đám mây yêu cầu nhà cung cấp dịch vụ phải đáp ứng nhu cầu người dùng với thời gian đáp ứng tối thiểu Do đó, phương pháp cân tải điện tốn đám mây ngày phát triển, số lượng máy chủ cấu hình máy chủ tăng phương pháp tạm thời Sử dụng hiệu tài nguyên "đám mây" điều cần thiết Đây thách thức lớn lĩnh vực điện toán đám mây Để đáp ứng yêu cầu trên, việc thiết lập thuật toán cân tải hiệu cách sử dụng tài nguyên cách hợp lý mục tiêu mà điện toán đám mây muốn đạt III ĐỀ XUẤT THUẬT TỐN Chúng tơi đề xuất thuật toán cân tải để giảm thời gian đáp ứng điện toán đám mây dựa vào thuật toán dự báo ARIMA [15] để dự báo thời gian đáp ứng, giúp phân bổ hiệu yêu cầu Mơ hình nghiên cứu SỐ (CS.01) 2018 u cầu Bộ cân tải sử dụng thuật toán ARIMA VM VM VM VM Hình Mơ hình cân tải sử dụng thuật tốn ARIMA Trong mơ hình nghiên cứu cân tải chạy thuật tốn cân tải Hình 1, 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 u cầu Trong mơ hình này, sử dụng tham số gọi ngưỡng thời gian, dựa vào ngưỡng này, mà biết trước thời gian đáp ứng Điều kiện máy ảo có thời gian đáp ứng dự đốn nhỏ ngưỡng tính tốn từ thuật toán ARIMA [15], việc đối xử với máy ảo việc phân bổ u cầu Nếu khơng có máy ảo tập máy ảo xét thỏa mãn điều kiện ngưỡng, phân bổ yêu cầu tới tập máy ảo khác Máy ảo có thời gian đáp ứng trung bình dự đốn thấp chọn để xử lý yêu cầu Nếu máy ảo thỏa điều kiện ngưỡng ta xử lý sau: + Nếu có máy ảo khơng tải, tập máy ảo khơng tải, sử dụng máy để xử lý yêu cầu, tất nhiên phải thỏa ngưỡng + Nếu khơng có máy ảo khơng tải, tập máy ảo không tải, tất không thỏa mãn ngưỡng ta phân bổ dịch vụ chạy tới máy ảo có thời gian đáp ứng dự đốn gần với ngưỡng 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 Thuật toán ARIMA Theo [15], ARIMA thuật toán dựa thống kê, thuật tốn tự hồi quy tích hợp trung bình trượt (Auto Regression Integrated Moving Average), phát triển từ mơ hình hồi quy TẠP CHÍ KHOA HỌC CƠNG NGHỆ THƠNG TIN VÀ TRUYỀN THÔNG 44 Nguyễn Xuân Phi, Lê Ngọc Hiếu, Trần Công Hùng ARMA (Auto Regression Moving Avera) Đây mơ hình phát triển dựa số liệu chuỗi thời gian biết dự báo số liệu tương lai gần 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 Việc xác định mơ hình ARIMA (hay gọi phương pháp Box-Jenkin) tức xác định p, d, q ARIMA(p,d,q), Do mơ hình Box-Jenkins mơ tả chuỗi dừng chuỗi sai phân hóa, nên mơ hình ARIMA(p,d,q) thể chuỗi liệu không dừng, sai phân (ở đây, d mức độ sai phân) Theo [16], phương pháp Box – Jenkins bao gồm bước chung: Quy trình dự báo mơ hình Arima - Xác nhận mơ hình thử nghiệm: Trước tiên, cần nhận dạng mơ hình thử nghiệm Trong đó: d bậc tích hợp p,q xác định hàm số chuyên dụng, gọi Correlogram Mô hình Arima trình bày theo dạng khác Phương pháp xác định mơ hình thường nhà nghiên cứu thực qua nghiên cứu chiều hướng biến đổi hàm tương quan toàn phần hay phần - Ước lượng tham số: Mơ hình Arima có dạng ARMA(p,q) Arima (p,d,q) Với dạng ARMA(p,q) có d = 0, ta biến đổi dạng Arima (p,0,q) Trong trình ước lượng tham số, ta cần lưu ý đến cách xác định p q mơ hình Arima Để xác định hai số liệu này, người ta sử dụng đồ thị Correlogram Cụ thể, p bậc đồ thị AR Xét từ độ trễ đầu tiên, nằm đường giới hạn sau độ giảm cách đáng kể sau độ trễ hệ số tự tương quan riêng phần p Tương tự, q bậc MA Để ước lượng tham số, ta cần ước lượng khởi đầu cho tham số a0, a1, …, ap, b1, …, bq mô hình dự định ban đầu Sau dựa tham số ước lượng, xây dựng ước lượng sau thơng q q trình lặp - Kiểm định chuẩn đoán: Sau tham số mơ hình tổng qt xây dựng, người ta kiểm tra mức độ xác phù hợp mơ hình với liệu lập Hãy xem xét phần sai số có phải ngẫu nhiên túy khơng? Nếu có mơ hình thỏa mãn, khơng ta phải thực lại bước - Dự báo: Ở bước cuối này, mơ hình phù hợp với liệu tìm được, ta thực dự báo thời điểm Đề xuất giải thuật Dựa vào liệu có chuỗi thời gian thời gian đáp ứng (Response Time), chúng tơi sử dụng thuật tốn ARIMA để dự báo thời gian đáp ứng tiếp theo, từ biết cách phân bố tài SỐ (CS.01) 2018 nguyên cho request Thuật toán đề xuất gồm module sau:  Module 1: Tính toán ngưỡng thuật toán ARIMA: Trong module 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 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)  Module 2: 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 đốn 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  Module 3: 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 đoán VM xét (được tính tốn từ module 2) nhỏ thời gian đáp ứng cloud (tính tốn từ module 1) yêu 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 đoán cloud) yêu 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 TẠP CHÍ KHOA HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG 45 THUẬT TOÁN CÂN BẰNG TẢI NHẰM GIẢM THỜI GIAN ĐÁP ỨNG…  If VM.getPredictedRT() < Tnew  AllocateRequestToVM(VM, Request);// Module  isLocated = true;  End If  End For  If (!isLocated)  VM = VMList.getMinDistance(Tnew);// Module  AllocateRequestToVM(VM, Request);  - 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 - Ram: 16384 (MB) - Storage: 1000000 - Bandwidth: 10000 End If BẢNG THƠNG SỐ CÁC REQUEST End For Trong đó, ngưỡng tính tốn thời gian đáp ứng lớn xét tập VM nhiên hiệu chỉnh số thay đổi, đưa vào hệ số tham số, tùy thuộc vào kết thực nghiệm IV KẾT QUẢ MƠ PHỎNG Giả lập mơi 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 mơ phỏng, kiểm nghiệm kết Tương tự, cài đặt thuật toán tác giả [4], so sánh kết đạt thuật toán Thực nghiệm mơ thuật tốn đề xuất cài đặt ngôn ngữ JAVA sử dụng NETBEAN IDE để chạy thử hiển thị kết STS IDE với framework SPRING BOOT Môi trường giả lập với thư viện mã nguồn mở CloudSim 4.0 (được cung cấp http://www.cloudbus.org/) - Môi trường mô gồm Data center có thơng số sau (Bảng 1) - Các Request đại diện Cloudlet cloudSim kích thước Cloudlet khởi tạo ngẫu nhiên hàm random JAVA Số lượng Cloudlet 100  1000 (Bảng 2) BẢNG THÔNG SỐ DATACENTER Datacenter - Số lượng máy (host) datacenter: - Không sử dụng Storage (các ổ SAN) - Kiến trúc(arch): x86 SỐ (CS.01) 2018 Host Mỗi host Datacenter có cấu sau: - CPU có nhân, nhân có tốc độ xử lý 1000 (mips) Chiều dài (Length) Kích thước file (File Size) Kích thước file xuất (Output Size) Số CPU xử lý (PEs) 3000 ~ 1700 5000 ~ 45000 450 ~ 750 Thuật toán đề xuất xây dựng cách tạo lớp ArimaDatacenterBroker, kế thừa từ đối tượng DatacenterBroker, cập nhật số phương thức thuộc tính liên quan đến PredictedResponseTime điều chỉnh hàm dựng sẵn để khớp với thuật toán đề xuất: processResourceCharacteristics (SimEvent ev) createVmsInDatacenter (int datacenterId) processVmCreate (SimEvent ev) processCloudletReturn (SimEvent ev) Thử nghiệm đám mây với tham số chạy thuật toán cân tải CloudSim, chạy thuật toán đề xuất, đầu vào, so sánh đầu ra, đặc biệt tham số thời gian đáp ứng Thời gian đáp ứng dự đoán VM thời gian đáp ứng dự đoán đám mây với lỗi thấp hiệu suất thuật toán tốt Kết mô Mô kết CloudSim tương ứng với trường hợp 3, VM xây dựng để đáp ứng yêu cầu, yêu cầu khởi tạo với độ dài kích thước ngẫu nhiên, yêu cầu 100, 200, đến 900 Thời gian đáp ứng dự đoán hiển thị Hình 2, Hình Hình 4: TẠP CHÍ KHOA HỌC CƠNG NGHỆ THƠNG TIN VÀ TRUYỀN THƠNG 46 Nguyễn Xn Phi, Lê Ngọc Hiếu, Trần Cơng Hùng với dự báo đám mây thời gian (nghĩa ngưỡng) Chúng ta thấy lỗi dự đốn thấp thuật tốn ARIMA, làm cho phân bổ yêu cầu tương ứng với máy ảo cách hiệu Thử nghiệm mơ nhóm máy ảo, chưa kể đến việc mở rộng nhóm máy ảo để giảm tải trường hợp cần thiết, giả sử số lượng yêu cầu máy chủ ảo tối đa, vượt hồ bơi mở rộng Tuy nhiên, thí nghiệm mô với yêu cầu lớn 1000 yêu cầu đòi hỏi máy tính mạnh xử lý tốt hơn, giới hạn thử nghiệm mơ V KẾT LUẬN Hình Thời gian đáp ứng dự báo trường hợp VMs Hình Thời gian đáp ứng dự báo trường hợp VMs Một thuật toán cho cân tải đám mây cách sử dụng mơ hình dự đoán thời gian đáp ứng đề xuất thử nghiệm mô với mô hình nhỏ Thuật tốn đề xuất sử dụng thuật toán ARIMA để cân tải dựa thời gian phản hồi Đặc biệt, thời gian phản hồi dự đốn xác hơn, hiệu thuật tốn cao Thuật toán thường tiếp cận phát triển ý tưởng dự báo xử lý chuỗi thời gian, thường thuật tốn ARIMA Do đó, thuật tốn đề xuất có phương pháp cân tải môi trường đám mây, đạt số kết mơ tích cực, cho thấy hướng phát triển tốt thuật toán Sự phát triển thuật toán đề xuất phép đo hiệu chuẩn xác thời gian dự báo cách kết hợp ARIMA với học máy, học không giám sát giám sát cách đặt thời gian cao điểm điểm thấp đám mây Sự phát triển thuật tốn tốt mơ thử nghiệm sâu hơn, nhiều máy tính mơ quy mơ lớn, mạnh mẽ Ngồi ra, việc thiết lập thuật tốn mơi trường đám mây thực tế cho phép nghiên cứu sâu chi tiết hơn, mơi trường đám mây thực tế tạo vấn đề liên quan đến thời gian phản hồi, điều chỉnh hợp lý hiệu TÀI LIỆU THAM KHẢO Imran Ghani & Naghmeh Niknejad & Seung Ryul Jeong, (2015), “Energy saving in green cloud computing data centers: a review”, Journal of Theoretical and Applied Information Technology, ISSN: 1992-8645, pages 16-30 [2] Syed Hamid Hussain Madni, (2016), “Recent advancements in resource allocation techniques for cloud computing environment: a systematic review”, Springer Science+Business Media New York 2016, DOI 10.1007/s10586-016-0684-4 [3] Ritu Kapur, (2015), “A Workload Balanced Approach for Resource Scheduling in Cloud Computing”, 978-1-46737948-9/15/$31.00 ©2015 IEEE [4] Agraj Sharma & Sateesh K Peddoju, (2014), “Response Time Based Load Balancing in Cloud Computing”, 2014 [1] Hình Thời gian đáp ứng dự báo trường hợp VMs Đánh giá thuật toán Bằng cách so sánh thời gian đáp ứng dự đốn máy ảo với ngưỡng tính tốn (đối với trường hợp máy ảo, máy ảo máy ảo), thấy khả phân phối yêu cầu thuật toán ổn định, thời gian đáp ứng không khác SỐ (CS.01) 2018 TẠP CHÍ KHOA HỌC CƠNG NGHỆ THƠNG TIN VÀ TRUYỀN THƠNG 47 THUẬT TỐN CÂN BẰNG TẢI NHẰM GIẢM THỜI GIAN ĐÁP ỨNG… [5] [6] [7] [8] [9] [10] [11] [12] International Conference on Control, Instrumentation, Communication and Computational Technologies (ICCICCT), pp 1287-1293 Atyaf Dhari, Khaldun I Arif (2017), “An Efcient Load Balancing Scheme for Cloud Computing”, Indian Journal of Science and Technology, Vol 10(11), DOI: 10.17485/ijst/2017/v10i11/110107 Bharat Khatavkar, Prabadevi Boopathy (2017), “Efficient WMaxMin Static Algorithm For Load Balancing In Cloud Computation”, DOI: 10.1109/IPACT.2017.8245166, International Conference on Innovations in Power and Advanced Computing Technologies [i-PACT2017], Vellore, India Jananta Permata Putra, Supeno Mardi Susiki Nugroho, Istas Pratomo (2017), “Live Migration Based on Cloud Computing to Increase Load Balancing”, 2017 International Seminar on Intelligent Technology and Its Application, 10.1109/ISITIA.2017.8124096, Publisher: IEEE, 28-29 Aug Surabaya, Indonesia Nguyen Xuan Phi, Cao Trung Tin, Luu Nguyen Ky Thu and Tran Cong Hung, “Proposed Load Balancing Algorithm To Reduce Response Time And Processing Time On Cloud Computing”, International Journal of Computer Networks & Communications (IJCNC) Vol.10, No.3, DOI : 10.5121/ijcnc.2018.10307,pp 87-98, May 2018 Rodrigo N Calheiros, Rajiv Ranjan, Anton Beloglazov ,C´ esar A F De Rose and Rajkumar Buyya (2010), “CloudSim: a toolkit for modeling and simulation of cloud computing environments and evaluation of resource provisioning algorithms”, Software: Practice and Experience (SPE), Volume 41 Number 1, pp.23-50 Rashmi K S, Suma V, Vaidehi M (June 2012), “Enhanced Load Balancing Approach to Avoid Deadlocks in Cloud”, Special Issue of International Journal of Computer Applications on Advanced Computing and Communication Technologies for HPC Applications – ACCTHPCA, pp.3135 Rajwinder Kaur, Pawan Luthra (2014), “Load Balancing in Cloud System using Max Min and Min Min Algorithm”, International Journal of Computer Applications Proceedings on National Conference on Emerging Trends in Computer Technology (NCETCT- Number 1), pp.31-34 Navtej Singh Ghumman, Rajwinder Kaur (2015),“Dynamic Combination of Improved Max-Min and Ant Colony Algorithm for Load Balancing in Cloud System”, 6th International Conference on Computing, Communication and Networking Technologies (ICCCNT) Hafiz Jabr Younis (2015), “Efficient Load Balancing Algorithm in Cloud Computing”, Islamic University Gaza Deanery of Post Graduate Studies Faculty Of Information Technology SỐ (CS.01) 2018 Shubham Sidana, Neha Tiwari (2016), “NBST Algorithm: A load balancing algorithm in cloud computing”, International Conference on Computing, Communication and Automation (ICCCA), pp 1178 – 1181, IEEE Conference Publications [14] Ross Ihaka Time Series Analysis, Lecture Notes for 475.726, Statistics Department, University of Auckland, 2005 [15] [10] Roy Batchelor Box-Jenkins Analysis Cass Business School, City of Lodon [13] Nguyễn Xuân Phi Sinh năm 1980 Tốt nghiệp Thạc sỹ chuyên ngành Truyền số liệu & Mạng máy tính PTIT Hiện Nghiên cứu sinh Tiến sĩ chuyên ngành Hệ thống Lê Ngọc Hiếu Tốt nghiệp Thạc sỹ chuyên ngành Hệ thống Thông tin PTIT Trần Cơng Hùng Sinh năm 1961 Ơng nhận Tiến sĩ trường Đại học Bách khoa Hà Nội năm 2004 Hiện PGS.TS Học viện Công nghệ Bưu Viễn thơng thành phố Hồ Chí Minh TẠP CHÍ KHOA HỌC CƠNG NGHỆ THƠNG TIN VÀ TRUYỀN THÔNG 48 ... hiệu thuật toán Các tác giả thuật toán precentation [6], để giảm thời gian đáp ứng thời gian đáp ứng Trong viết, tác giả đề xuất thuật toán TMA để giảm thời gian phản ứng điện toán đám mây dựa. .. tham số chạy thuật toán cân tải CloudSim, chạy thuật toán đề xuất, đầu vào, so sánh đầu ra, đặc biệt tham số thời gian đáp ứng Thời gian đáp ứng dự đoán VM thời gian đáp ứng dự đoán đám mây với lỗi... cân tải để giảm thời gian đáp ứng điện toán đám mây dựa vào thuật toán dự báo ARIMA [15] để dự báo thời gian đáp ứng, giúp phân bổ hiệu yêu cầu Mô hình nghiên cứu SỐ (CS.01) 2018 Yêu cầu Bộ cân