Bài viết đưa ra mô hình đánh giá tính hiệu quả của auto scaling dạng này và dựa vào đó để kiểm tra tính hiệu quả của phương pháp. Mô hình đã được cài đặt và đã xác định được tính hiệu quả theo cách chọn các tham số dịch vụ.
Nguyễn Hồng Sơn ĐIỀU CHỈNH TÀI NGUYÊN TỰ ĐỘNG DỰA VÀO THAM SỐ CHẤT LƯỢNG DỊCH VỤ TRONG CLOUD COMPUTING Nguyễn Hồng Sơn Học Viện Cơng Nghệ Bưu Chính Viễn Thơng sở Thành Phố Hồ Chí Minh Tóm tắt: Việc cung cấp tính điều chỉnh tài nguyên tự động (auto scaling) hạ tầng IaaS nhà cung cấp dịch vụ điện toán đám mây giúp th bao tránh tình trạng suy thối dịch vụ tiết kiệm chi phí Cùng với xuất thuật toán auto scaling để tự động hóa việc cung ứng thu hồi tài nguyên cách kịp thời Phương pháp auto scaling dựa vào luật đối sánh giá trị tham số hành với ngưỡng sử dụng phổ biến môi trường công nghiệp Tính hiệu auto scaling dạng tùy thuộc vào cách chọn tham số Trong báo đề xuất sử dụng tham số chất lượng dịch vụ thay cho cách dùng tham số mức độ sử dụng CPU dùng phổ biến Bài báo đưa mơ hình đánh giá tính hiệu auto scaling dạng dựa vào để kiểm tra tính hiệu phương pháp Mơ hình cài đặt xác định tính hiệu theo cách chọn tham số dịch vụ.1 Từ khóa: điện tốn đám mây, điều chỉnh tài ngun tự động, tham số chất lượng dịch vụ, waiting rate I GIỚI THIỆU Cơng nghệ điện tốn đám mây tạo bước phát triển đột phá lĩnh vực công nghệ thơng tin Điện tốn đám mây xem giải pháp đem đến nhiều đặc tính trội on-demand self-service, global network access, distributed resource pooling, scalable, measured service [1] Công nghệ tạo điều kiện cho doanh nghiệp giảm chi phí đầu tư, giảm chi phí vận hành cho phép nhà cung cấp dịch vụ đám mây tiếp cận nhiều khách hàng Thật vậy, thời gian qua điện toán đám mây trở thành nguồn lực cung cấp dịch vụ tính tốn vơ quan trọng cho nhu cầu tính toán từ khắp nơi giới Hạ tầng tính tốn tổ chức doanh nghiệp dần thay dịch vụ hạ tầng điện tốn đám mây IaaS Bên cạnh điện tốn đám mây nguồn cung cấp dịch vụ mức cao vô phong phú tiện lợi PaaS, SaaS, DaaS (Database as a Service), v.v Ngày không tổ chức doanh nghiệp mà cá nhân lấy dịch vụ cần thiết từ điện toán đám mây Tất cung cấp qua mơ hình th bao hệ thống cung cấp điện, nước truyền thống Các nhà cung cấp dịch vụ đám mây tiếng Amazon, Google, RackSpace, Microsoft Azure cung cấp đầy đủ dịch vụ nói Mở rộng nữa, điện toán đám mây thúc đẩy thị trường kinh doanh tiêu thụ dịch vụ công nghệ thông tin đầy tiềm vô phong phú Nhiều nhà cung cấp sơ cấp thứ cấp xuất mơ hình kinh doanh điện tốn đám mây phát triển khơng ngừng Ngay từ ý tưởng ban đầu điện toán đám mây cung cấp cơng suất tính tốn tương tự ngành điện lực cung cấp điện cho khách hàng Tuy nhiên có khác cách tổ chức cung cấp hai hệ thống đặc thù dịch vụ Với hệ thống cung ứng điện năng, khách hàng không cần phải đăng ký trước lượng điện tiêu thụ, dùng trả nhiêu Nhưng với đặc thù dịch vụ tính tốn, thơng thường khách hàng đăng ký lượng tài ngun tính tốn cần dùng trả chi phí cho lượng tài nguyên thuê bao Điều có nghĩa tài khoản người dùng hệ thống dịch vụ điện toán đám mây cấp lượng tài nguyên cố định trả chi phí cho lượng tài nguyên tương ứng Một doanh nghiệp thuê bao tài nguyên hệ thống đám mây để xây dựng cổng thông tin kinh doanh cần phải tính tốn kỹ lưỡng cho vừa đáp ứng tốt hoạt động truy cập từ khách hàng cơng ty vừa tiết kiệm chi phí.Tuy nhiên lượng truy cập yếu tố ngẫu nhiên có khả thay đổi, ví dụ tùy theo mùa hay kiện, hệ thống thương mại điện tử mùa cao điểm, thực tế doanh nghiệp thuê tài nguyên dư để dự phòng cho trường hợp lượng truy cập tăng bất thường lãng phí phần lớn thời gian thuê, thuê vừa đủ bị tải thời điểm tải tăng đột biến Để khắc phục khó khăn này, nhà cung cấp dịch vụ đám mây Amazon, Azure, Google cung cấp cho khách hàng giải pháp, dịch vụ đặc biệt gọi dịch vụ bổ sung tài ngun ngồi gói th bao cách tự động hay dịch vụ auto scaling Dịch vụ thực nhờ vào chế auto scaling bổ sung vào hệ thống đám mây Cơ chế auto scaling tự động bổ sung tài nguyên vào gói thuê bao khách hàng cách tạm thời Tác giả liên hệ: Nguyễn Hồng Sơn Email: ngson@ptithcm.edu.vn Đến tòa soạn: 5/2020, chỉnh sửa: 6/2020, chấp nhận đăng: 7/2020 SỐ 02 (CS.01) 2020 TẠP CHÍ KHOA HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG 79 ĐIỀU CHỈNH TÀI NGUYÊN TỰ ĐỘNG DỰA VÀO THAM SỐ CHẤT LƯỢNG DỊCH VỤ TRONG CLOUD COMPUTING trường hợp hệ thống thuê bao khách hàng bị tải lượng truy cập nhu cầu xử lý tăng đột biến Cơ chế tự động thu hồi lượng tài nguyên bổ sung yếu tố gây tải khơng cịn Cơ chế auto scaling khơng đem lại lợi ích cho th bao mà cịn tạo điều kiện cho nhà cung cấp dịch vụ điện toán đám mây tối đa doanh thu gia tăng số thuê bao tận dụng tài nguyên nhàn rỗi cách linh hoạt Auto scaling không hữu dụng cho hệ thống đám mây dùng máy ảo, hệ thống đám mây dùng container xuất thời gian gần đây, kỹ thuật auto scaling đóng vai trò quan trọng Các ứng dụng đám mây dựa container cần cung ứng đủ lượng tài nguyên để hoạt động ổn định điều kiện tải khác auto scaling sử dụng để điều phối container trường hợp Ví dụ Kubernettes [7], mã nguồn mở dàn dựng container tiếng nay, có chứa thành phần autoscaler để bổ sung thu hồi pod đáp ứng yêu cầu tài nguyên ứng dụng theo tiêu chí định trước Chức auto scaling nhìn thống qua thấy đơn giản đặt u cầu tính hiệu trở thành vấn đề phức tạp Cơ chế yêu cầu mang tính tự động theo khuynh hướng tự động hóa đại Cơ chế cần xác định việc bổ sung tài nguyên tạm thời để hệ thống thuê bao khách hàng không bị giảm chất lượng dịch vụ tải bổ sung vừa đủ để tiết kiệm chi phí Mặt khác auto scaling phải xác định thời điểm thu hồi lượng tài nguyên bổ sung cách kịp thời để giảm chi phí cho khách hàng Xác định xác thời điểm lượng bổ sung hệ thống vận hành theo thời gian thực điều không dễ dàng Các phương pháp auto scaling phải có cách thức để cảm nhận tình trạng hệ thống để đưa định cung ứng thu hồi tài nguyên xác Quyết định auto scaling ảnh hưởng trực tiếp đến tốc độ đáp ứng hệ thống dịch vụ hiệu sử dụng tài nguyên Sự khác biệt phương pháp auto scaling độ xác việc định thi hành môi trường công nghiệp Căn phương pháp auto scaling công bố từ trước đến xếp vào ba dạng chính, dạng thứ auto scaling dựa vào tham số đo lường hệ thống theo thời gian thực, dạng thứ hai auto scaling dựa vào công nghệ dự báo dạng thứ ba auto scaling dựa vào công nghệ tri thức Ứng với dạng thứ nhất, ngưỡng giá trị thiết lập phương pháp đưa định sở đối sánh giá trị hành tham số ngưỡng theo qui tắc cho trước, dạng thường gọi rule–based auto scaling [2] Ở dạng thứ hai đặt tốn auto scaling vào mơ hình lý thuyết hàng đợi hay mơ hình lý thuyết điều khiển (có kết hợp dự báo tài nguyên) mơ hình dự báo chuỗi thời gian Dạng thứ ba auto scaling đưa vào mơ hình ứng dụng máy học, dùng kỹ thuật học khác học giám sát, học không giám sát, học tăng cường Tuy vậy, auto scaling dạng thứ áp dụng phổ biến hệ thống công nghiệp dạng thứ hai thứ ba chưa có nhiều công bố việc áp dụng Một ưu điểm auto scaling dạng thứ đơn giản, dễ dàng cài đặt SỐ 02 (CS.01) 2020 khách hàng chi phí thuật tốn thấp Vấn đề cịn lại tính hiệu phương pháp chưa rõ ràng cần phải xem xét kỹ lưỡng Các phương pháp auto scaling khác dạng có cách chọn tham số đo lường khác để dùng thuật toán auto scaling Tham số đo lường chọn phổ biến mức độ sử dụng CPU, mức độ sử dụng RAM gọi tham số đo lường mức thấp Các tham số đo lường mức cao qua phép thống kê dùng cường độ tải, số lượng yêu cầu, thời gian đáp ứng dịch vụ Trong khuôn khổ báo trước hết đề xuất mơ hình để đánh giá tính hiệu auto scaling dạng thứ nhất, đề xuất sử dụng tham số chất lượng dịch vụ thời gian hoàn thành yêu cầu tỉ lệ yêu cầu không đáp ứng, sau áp dụng mơ hình đánh giá để kiểm tra tính hiệu phương pháp Phần báo gồm có phần: Phần II trình bày giải pháp auto scaling theo cách chọn tham số khác cơng bố phương pháp đánh giá tính hiệu auto scaling công bố khác Nội dung phần III mơ hình đánh giá đề xuất Phần IV thuật toán để cài đặt với tham số chất lượng dịch vụ chọn Thực nghiệm đánh giá qua mơ máy tính trình bày phần V Bài báo kết thúc với các kết luận phần VI II CÁC NGHIÊN CỨU LIÊN QUAN Trong nỗ lực cải tiến auto scaling AWS cloud platform, tác giả [3] đề xuất giải pháp dùng đại lượng đo lường tính tốn sở áp dụng thống kê bậc q-quantile mean thời gian thực thi yêu cầu thay cho cách dùng đo lường mức sử dụng tài nguyên truyền thống Phương pháp thực nghiệm công cụ SmartBear với nhiều tham số giả sử kèm theo, đánh giá cho thấy chi phí giảm so với phương pháp sử dụng đo lường mức CPU Tuy nhiên việc mở rộng tập tải thử nghiệm cần thực để đánh giá có tính khách quan Thay tìm tham số điều khiển thay cho giải pháp auto scaling, cơng trình [4] tác giả đề xuất sử dụng mơ hình đa mức ngưỡng cách áp dụng qui tắc linh động để điều chỉnh mức ngưỡng đáp ứng dạng tải khác hệ thống Kết đánh giá giải pháp dựa phân tích hàm CDF (cumulative distribution function) thời gian đáp ứng có dựa vào mẫu lưu lượng khác Qua chứng tỏ tính hiệu giải pháp chọn ngưỡng linh hoạt Tuy nhiên, tính phức tạp giải pháp chi phí q trình q độ thay đổi ngưỡng chưa đánh giá Bên cạnh giải pháp dựa vào đo lường ngưỡng, đề xuất khác liên quan đến sử dụng cơng nghệ machine learning, ví dụ [5] tác giả tập trung auto scaling cho VNF (virtual network functions) cách xây dựng phân loại học định điều chỉnh bổ sung khứ động thái tải theo mùa để đưa định auto scaling trước thời hạn Giải pháp khai thác thuộc tính cơng nghệ ảo hóa nhằm chi phối chất lượng dịch vụ tiết kiệm chi phí Tuy nhiên hiệu giải pháp phụ thuộc nhiều vào tập liệu ban đầu chi tiết TẠP CHÍ KHOA HỌC CƠNG NGHỆ THƠNG TIN VÀ TRUYỀN THƠNG 80 Nguyễn Hồng Sơn kỹ thuật xử lý mơ hình học giám sát III MƠ HÌNH ĐÁNH GIÁ Để đánh giá hiệu sử dụng lượng tài nguyên thuê bao gồm tài nguyên máy ảo bổ sung tự động thông qua dịch vụ auto scaling, báo định nghĩa đại lượng gọi máy ảo thời gian VMxTime Nếu thời gian tính theo gọi máy ảo (VMxHour), VMxHour có nghĩa máy ảo mở thời gian Chi phí tiêu thụ tài nguyên thuê qui VM hour cách lấy tích số số máy ảo thời gian mở tương ứng tính theo Gọi VM Usage lượng tiêu thụ máy ảo theo đại lượng VMxTime thời gian T, tham số tính theo cơng thức (1) sau: T VM Usage = ∫ NumOfVMs(t)dt (1) NumOfVMs(t) số máy ảo (VM) mở thời điểm t tính cơng thức (2) sau: NumOfVMs(t)=currentNumofVMs(t) + numOfVMsScale(t) (2) Dễ dàng nhận thấy VM Usage lớn tài nguyên nhà cung cấp dịch vụ bị chiếm dụng lớn chi phí phải trả người dùng lớn Các thuê bao bổ sung thu hồi lần N máy ảo cách tự động, ta có: numOfVMScale(t)=N x scaleEvent(t) Waiting rate = (3) numOfVMScale(t) số máy ảo bổ sung hay thu hồi vào thời điểm t, scaleEvent(t) lấy giá trị 1, hay -1 tùy vào hàm định, gọi D() Trong trường hợp thuật toán auto scaling thực theo kiểu giám sát tích cực đại lượng trạng thái autoscaler theo dõi tài nguyên lại thời điểm lấy mẫu, ký hiệu remainResource(t) hàm xác định tài nguyên lại đưa vào tham số hàm định D() với giá trị ngưỡng xác lập trước Như kiện điều chỉnh tự động lấy giá trị từ hàm định D() công thức (4): scaleEvent(t)=D(controlValue(t),Threshold) (4) controlValue(t)= F(QoS pamameter(t)) (5) Với F() phương pháp tính tốn tham số chất lượng dịch vụ Trong báo cụ thể tham số tỉ lệ yêu cầu lần đầu đệ trình vào máy ảo bị từ chối phải đợi, giải thích chi tiết phần IV IV THUẬT TOÁN AUTO SCALING SỬ DỤNG THAM SỐ CHẤT LƯỢNG DỊCH VỤ Tham số chất lượng dịch vụ thứ chọn thời gian hoàn thành yêu cầu hệ thống Đây tham số phản ánh tốc độ đáp ứng dịch vụ hệ thống, xét SỐ 02 (CS.01) 2020 cách định tính thời gian nhỏ lực tài nguyên hệ thống lớn Tuy nhiên tham số không dùng để điều khiển trực tiếp hoạt động auto scaling dùng để kiểm tra hiệu thuật toán auto scaling Tham số thứ hai chọn làm tham số điều khiển trực tiếp liên quan đến tượng thực tế yêu cầu gửi đến vào thời điểm mà lực hệ thống không đáp ứng phải vào trạng thái đợi.Tỉ lệ yêu cầu không đáp ứng lần đầu tham số lựa chọn thứ hai Tham số chọn dựa phát có yêu cầu khơng đáp ứng lần đệ trình hệ thống auto scaling dựa vào mức sử dụng CPU, mà mức độ sử dụng cịn ngưỡng.Thơng thường u cầu khơng đáp ứng không bị hủy mà đưa vào hàng đợi hệ thống để tiếp tục đệ trình khoảng thời gian timeout Hệ thống dịch vụ khơng đáp ứng u cầu khơng lực CPU bị thiếu, mà cịn nhiều tài nguyên khác bị thiếu nhớ thực thi, nhớ lưu trữ, băng thông cổng xuất nhập (I/O) nguyên nhân không từ tài nguyên vật lý mà đến từ tắc nghẽn lỗi logic phần mềm ứng dụng Lợi ích việc chọn tham số bao hàm nhiều yếu tố, phản ảnh đầy đủ tình trạng hệ thống dịch vụ so với trường hợp dùng tham số mức độ sử dụng CPU Thuật toán auto scaling thay sử dụng ngưỡng tỉ lệ sử dụng CPU máy ảo dùng ngưỡng tỉ lệ yêu cầu khơng phục vụ lần đầu đệ trình vào máy ảo phải đợi, gọi vắn tắt tỉ lệ đợi Waiting rate Tham số Waiting rate tính sau: Nw NT × 100% (6) Nw số yêu cầu đệ trình lần đầu bị từ chối phải đợi khoảng thời gian lấy mẫu NT tổng số yêu cầu đệ trình vào máy ảo khoảng thời gian lấy mẫu Thuật toán auto scaling: 1.//Gán ngưỡng a% cho Vth (threshold value); Vth = a%; //Gán giá trị b giây cho T1 thời gian nhàn rỗi máy ảo trước máy ảo bị hủy T1= b; 3.//Gán giá trị c giây cho T2 khoảng thời gian lấy mẫu để thống kê tính tốn giá trị tham số điều khiển T2 = c; 4.//Thực đồng thời máy ảo đăng ký auto scaling Parallel: //Với máy ảo thuê VM thu thập tính tỉ lệ waiting rate khoảng thời gian T2 timeout =T2; Timerstart(timeout); if (timeoutevent) then { Nw=count(waitingList); NT=count(submitRequestList); wRate=Nw/NT*100%; TẠP CHÍ KHOA HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG 81 ĐIỀU CHỈNH TÀI NGUYÊN TỰ ĐỘNG DỰA VÀO THAM SỐ CHẤT LƯỢNG DỊCH VỤ TRONG CLOUD COMPUTING if (waiting rate > Vth) { //tạo máy ảo bổ sung vm vm=createVM(); //đăng ký máy ảo với Loadbalancer LBRegister(vm); } } 5.//Thực song song tất máy ảo Parallel: //với máy ảo vm mở, giám sát thời gian nhàn rỗi idletime=count(finishedtime); if (idletime>T1) { //xóa máy ảo VM khỏi danh sách Loadbalancer; LBDelete(vm); //tắt máy ảo VM; VMDestroy(vm); } _ V MÔ PHỎNG GIẢI PHÁP AUTO SCALING DỰA VÀO TỈ LỆ ĐỆ TRÌNH KHƠNG THÀNH CƠNG Giải pháp auto scaling dựa vào tỉ lệ đệ trình yêu cầu vào máy ảo lần đầu không thành công đề xuất kiểm chứng qua mô máy tính Chương trình mơ xây dựng ngôn ngữ Java sử dụng thư viện Cloudsim [6] chạy máy tính Intel Core Dual CPU 2GHz, nhớ RAM 4GB Mô sử dụng hệ thống điện tốn đám mây có cấu sau: Data center có 50 host, host có 32 core, RAM 16GB, Storage 1TB, banwidth 10Gbps Các host sử dụng time-shared scheduling cho máy ảo Các máy ảo có cấu hình 1core, 1000 MIPS, 4GB RAM, 60GB Storage 1Gbps banwidth Các máy ảo sử dụng time-shared scheduling cho cloudlet (yêu cầu phục vụ) Giả sử khách hành sử dụng gói thuê bao gồm máy ảo VM (virtual machine) đăng ký sử dụng dịch vụ auto scaling Sử dụng cân tải phổ biến AMLB (Active Monitroing Load Balancer) Công việc mô dựa vào mơ hình đánh giá trình bày phần III, so sánh tính hiệu giải pháp auto scaling theo waiting rate đề xuất với auto scaling theo CPU usage dùng phổ biến hệ thống điện toán đám mây Trước tiên, hệ thống điện toán đám mây chạy với thuật toán auto scaling dùng tham số CPU usage Các ngưỡng thay 80%, 85%, 90% 95% Ứng với giá trị ngưỡng chi phí máy ảo trung bình hồn thành u cầu chi phí thời gian trung bình hồn thành u cầu thống kê tính tốn Kết mơ cho trường hợp trình bày tương ứng hình hình SỐ 02 (CS.01) 2020 Chi phí máy ảo trung bình theo ngưỡng CPU Usage 80 85 90 95 Hình Chi phí máy ảo trung bình hồn thành yêu cầu tính theo VM.s tương ứng với mức ngưỡng dùng CPU Trên hình cho thấy sử dụng mức ngưỡng thấp 80%, chi phí máy ảo cao 5,5 VM.s/yêu cầu, mức chi phí giảm dần ngưỡng tăng lên Khi ngưỡng đặt 95% chi phí máy ảo vào khoảng 3,5 VM.s Tuy nhiên, chi phí máy ảo cao ứng với ngưỡng thấp hình cho thấy chi phí thời gian trung bình/u cầu lại nhỏ hơn, khoảng 31s/yêu cầu ngưỡng 80% so với 37s/yêu cầu ngưỡng 90% cao 40s ngưỡng 95% 50 40 Chi phí thời gian trung bình theo ngưỡng CPU usage 30 20 10 80 85 90 95 Hình Chi phí thời gian trung bình hồn thành yêu cầu tương ứng với mức ngưỡng dùng CPU Tiếp theo hệ thống điện toán đám mây chạy với thuật toán auto scaling dùng tham số tỉ lệ yêu cầu không tiếp nhận lần đầu phải đợi waiting rate Kịch lưu lượng ngõ vào hệ thống điện tốn đám mây lần hồn toàn giống lần chạy trường hợp dùng ngưỡng CPU uasge Các ngưỡng tỉ lệ thay đổi theo tỉ lệ 20%, 30%, 40% 50% Ứng với trường hợp ngưỡng khác chi phí máy ảo trung bình hồn thành u cầu chi phí thời gian trung bình hồn thành u cầu thống kê tính tốn Kết chạy mô trường hợp trình bày hình hình Hình mơ tả chi phí máy ảo trung bình VM.s/u cầu theo ngưỡng tỉ lệ waiting rate hình chi phí thời gian trung bình/u cầu theo ngưỡng tỉ lệ waiting rate TẠP CHÍ KHOA HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG 82 Nguyễn Hồng Sơn 3.8 3.7 3.6 Chi phí máy ảo trung bình theo ngưỡng Waiting Rate 3.5 3.4 Chi phi MATB-Chi phí TGTB (CPU Usage) Chi phí MATB-Chi phí TGTB (Waiting Rate) 3.3 20 30 40 50 32.9 Hình Chi phí máy ảo trung bình hồn thành u cầu tính theo VM.s tương ứng với mức ngưỡng dùng waiting rate Hình cho thấy với ngưỡng tỉ lệ thấp 20% làm chi phí máy ảo mức cao 3.75 VM.s chi phí giảm dần ngưỡng tỉ lệ tăng lên, yêu cầu tiêu tốn trung bình 3.45 VM.s ngưỡng tỉ lệ đặt 50% Tuy nhiên, hình chi phí thời gian trung bình/u cầu tăng lên ngưỡng tỉ lệ tăng, mức 34 s ứng với ngưỡng tỉ lệ 20% 40s ngưỡng tỉ lệ 50% 50 40 Chi phí thời gian trung bình theo ngưỡng Waiting Rate 30 20 10 20 30 40 50 Hình Chi phí thời gian trung bình hồn thành u cầu tương ứng với mức ngưỡng dùng waiting rate Sau cùng, hình nhằm so sánh auto scaling dựa vào CPU usage auto scaling dựa vào waiting rate đề xuất Trục tung biểu thị chi phí máy ảo trung bình/u cầu trục hồnh chi phí thời gian trung bình/u cầu Theo đó, với chi phí thời gian trung bình mức thấp trường hợp dùng waiting rate có chi phí máy ảo thấp nhiều, khoảng 3.7 VM.s so với 5.6 VM.s trường hợp dùng CPU usage Chỉ chi phí thời gian trung bình/u cầu lớn 38.6s mức chi phí máy ảo hai phương pháp xấp xỉ ,vào khoảng 3.5 VM.s Điều chứng tỏ giải pháp auto scaling dùng waiting rate giảm đồng thời hai chí phí so với auto scaling dùng CPU usage truyền thống SỐ 02 (CS.01) 2020 35.89 38.61 40.23 Hình Quan hệ chi phí máy ảo trung bình (MATB) chi phí thời gian trung bình (TGTB) yêu cầu giải pháp dùng CPU usage Waiting rate VI KẾT LUẬN Phương pháp auto scaling sử dụng tỉ lệ yêu cầu không đáp ứng lần đầu tồng số yêu cầu đệ trình trình bày Phương pháp xem số phương pháp theo xu hướng custommetric auto scaling Với cách dùng tỉ lệ bao hàm tất yếu tố phản ảnh lực máy ảo hệ thống thuê bao điện toán đám mây vào thời điểm xem xét, nhờ phản hồi tình trạng máy ảo thực tế hơn, giúp đưa định xác cho auto scaling Kết mơ dựa vào mơ hình đánh giá cho thấy phương pháp auto scaling đề xuất giảm đồng thời chi phí máy ảo chi phí thời gian so với auto scaling dựa vào mức độ sử dụng CPU dùng phổ biến hệ thống điện toán đám mây Điều đồng nghĩa với chi phí giảm thiểu chất lượng dịch vụ đảm bảo thực auto scaling dùng tỉ lệ đặc biệt Nếu hệ thống giám sát trung tâm hệ thống điện tốn đám mây có cung cấp tỉ lệ người dùng hồn tồn áp dụng phương pháp cho hệ thống thuê bao cách nhanh chóng hiệu TÀI LIỆU THAM KHẢO [1] Peter Mell, Timothy Grance, The NIST Definition of Cloud Computing, NIST Special Publication 800-145, September 2011 [2] Lorido-Botran, T., Miguel-Alonso, J & Lozano, J.A A Review of Auto-scaling Techniques for Elastic Applications in Cloud Environments J Grid Computing 12, 559–592 (2014) https://doi.org/10.1007/s10723-014-9314-7 [3]Dariusz Rafal Augustyn, Lukasz Warchal, Metrics-Based Auto Scaling Module for Amazon Web Services Cloud Platform, 2017 [4] Salman Taherizadeh and Vlado Stankovski, Dynamic Multilevel Auto-scaling Rules for Containerized Applications, Computer And Communications Networks and Systems The Computer Journal, Vol 62 No 2, 2019 [5] Sabidur Rahman, et al Auto-Scaling Network Resources using Machine Learning to Improve QoS and Reduce Cost, Networking and Internet Architecture, arXiv:1808.02975v2 [cs.NI], 2019 [6] CloudSim 3.0 API, The Cloud Computing and Distributed Systems(CLOUDS) Laboratory, The University of Melbourne,available: http://www.cloudbus.org/cloudsim/doc/api/index.html TẠP CHÍ KHOA HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG 83 ĐIỀU CHỈNH TÀI NGUYÊN TỰ ĐỘNG DỰA VÀO THAM SỐ CHẤT LƯỢNG DỊCH VỤ TRONG CLOUD COMPUTING [7] https://kubernetes.io/ AUTO SCALING BASED ON QUALITY OF SERVICE PARAMETERS IN CLOUD COMPUTING Abstract: The provision of auto scaling service on the infrastructure of cloud service providers has helped subscribers avoid service degradation and save costs Along with that is the emergence of auto scaling algorithms to automate the provision and return resources in a timely manner.The auto scaling method, which is based on the rule of matching current parameter values with thresholds, is commonly used in industrial environments The effectiveness of the auto scaling method depends on how the parameter is selected In this paper I propose to use quality of service parameters instead of a commonly used CPU usage parameter The paper also provides a model to evaluate the effectiveness of this type of auto scaling and based on that to test the effectiveness of the method The model has been installed and effectiveness has been determined according to the choice of quality of service parameters Nguyen Hong Son received his B.Sc in Computer Engineering from Ho Chi Minh City University of Technology, his M.Sc and PhD in Communication Engineering from the Post and Telecommunication Institute of Technology Hanoi His current research interests include communication engineering, machine learning, data science, network security, and cloud computing SỐ 02 (CS.01) 2020 TẠP CHÍ KHOA HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG 84 ...ĐIỀU CHỈNH TÀI NGUYÊN TỰ ĐỘNG DỰA VÀO THAM SỐ CHẤT LƯỢNG DỊCH VỤ TRONG CLOUD COMPUTING trường hợp hệ thống thuê bao khách hàng bị tải lượng truy cập nhu cầu xử lý tăng đột biến Cơ chế tự động. .. THÔNG 83 ĐIỀU CHỈNH TÀI NGUYÊN TỰ ĐỘNG DỰA VÀO THAM SỐ CHẤT LƯỢNG DỊCH VỤ TRONG CLOUD COMPUTING [7] https://kubernetes.io/ AUTO SCALING BASED ON QUALITY OF SERVICE PARAMETERS IN CLOUD COMPUTING. .. wRate=Nw/NT*100%; TẠP CHÍ KHOA HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG 81 ĐIỀU CHỈNH TÀI NGUYÊN TỰ ĐỘNG DỰA VÀO THAM SỐ CHẤT LƯỢNG DỊCH VỤ TRONG CLOUD COMPUTING if (waiting rate > Vth) { //tạo máy ảo bổ sung