3 Đảm bảo an ninh và tính sẵn sàng của dịch vụ đáp ứng QoS
2.5 So sánh thời gian thi trung bình của GA-MRDL và ACO-MRDL
Thời gian thực thi của thuật toán ACO-MRDL nhanh hơn so với GA-MRDL. Sự khác biệt này càng rõ khi số lượng các giải pháp lựa chọn tăng lên ứng với số lượng các trạm tiềm năng lớn trong các bài toán lớn. Điều đó một lần nữa khẳng định được ưu điểm của cấu trúc đồ thị biểu diễn không gian trạng thái so với việc sử dụng các phép toán lai ghép và đột biết trên quần thể.
Để hiểu rõ hơn, chúng ta xét bài toán #30 với hạ tầng gồm 30 trạm MS, 6 trạm BTS và 4 trạm BSC được phân bố trên phạm vi lưới [150×150]. Trong đó, 4 trạm BSC được chia thành 3 loại với 2 trạm (BSC2,BSC4) đã tồn tại và 2 trạm (BSC1,BSC3) là tiềm năng. Thông tin chi tiết về tọa độ và dung lượng tối đa của các BSC được cho trong Bảng 2.8. Các BTS được chia thành loại 1 gồm (BTS1,BTS6), loại 2 gồm (BTS2,BTS3) và loại 3 gồm (BTS4,BTS5). Các trạm BTS đã có là (BTS3,BTS4,BTS6), các trạm BTS tiềm năng gồm
(BTS1,BTS2,BTS5). Thông tin chi tiết về tọa độ và dung lượng và phạm vi phủ sóng được cho trong Bảng 2.9.
Bảng 2.8: Thông tin về tọa độ, dung lượng và loại BSC
Trạm BSC Tọa độ Loại Đã có Tiền năng MaxBSC Capk cost installk BSC1 (56.4, 57.4) 1 x 200 10
BSC2 (128.5, 74) 1 x 200
BSC3 (100.5, 111.6) 2 x 250 15
BSC4 (83, 72.7) 3 x 350
Bảng 2.9: Thông tin về tọa độ, dung lượng và loại BTS
Trạm BTC Tọa độ Loại Đã có Tiền năng MaxBTS Covj cost upgradej cost setupjt
BTS1 (63.8, 76.3) 1 x 50 6 BTS2 (118.3, 106.2) 2 x 75 7 BTS3 (67.8, 93.2) 2 x 75 4 BTS4 (111.4, 82.8) 3 x 100 5 BTS5 (101.2, 67) 3 x 100 8 BTS6 (86.4, 49.2) 1 x 50 3
Tọa độ và dung lượng yêu cầu của 40 trạm MS được cho trong Bảng 2.10. Sau khi sử dụng các biến chỉ định, ta có phương án khởi tạo với dung lượng kết nối trong mạng là f = 89.29 được minh họa trong Hình 2.6(a). Trong đó các kết nối được khởi tạo ban đầu với các trạm BTS và BSC sẵn có gồm:
- BTS3,BTS6 kết nối đến BSC4, BTS4 kết nối đến BSC2
- MS1,MS5,MS10,MS15,MS17,MS19,MS20,MS30 kết nối đến BTS3. - MS3,MS4,MS9,MS11,MS14,MS18,MS26,MS27,MS28 kết nối đến BTS4 - MS2,MS7,MS8,MS12,MS13,MS21,MS23,MS24,MS25 kết nối đến BTS6
- Còn 4 trạm {MS6,MS16,MS22,MS29} chưa được kết nối.
Bảng 2.10: Thông tin về tọa độ, dung lượng các trạm MS
MS Tọa độ Yêu cầu BTS Tọa độ Yêu cầu BSC Tọa độ Yêu cầu
MS1 (61.2, 106.5) 2 MS11 (122.4, 96.2) 3 MS21 (98, 40.2) 2 MS2 (68.4, 56.2) 7 MS12 (89.8, 34.5) 2 MS22 (134.2, 107) 3 MS3 (13.76, 94.6) 5 MS13 (71.8, 43) 10 MS23 (92.8, 62.4) 9 MS4 (111.9, 99.8) 6 MS14 (102.2, 104.8) 8 MS24 (101.4, 61.2) 10 MS5 (89.2, 93.8) 1 MS15 (65, 82.9) 9 MS25 (71.4, 48.4) 1 MS6 (68.6, 65.5) 5 MS16 (113.4, 115.3) 4 MS26 (98.3, 82.7) 4 MS7 (80, 60) 8 MS17 (55.3, 81.2) 7 MS27 (105.7, 74.2) 7 MS8 (83.4, 37) 6 MS18 (120.6, 65.3) 6 MS28 (111.4, 64) 6 MS9 (95.2, 72.6) 9 MS19 (84.3, 87.2) 4 MS29 (109.9, 50.2) 8 MS10 (56.6, 96.6) 3 MS20 (73.2, 112.6) 5 MS30 (70.2, 74.6) 5
Phương án tối ưu của GA-MRDL có hàm mục tiêu fGAMRDL = 121.14, các kết nối thay thế được minh họa trong Hình 2.6(b). Trong đó: BSC2 được thay thế bởiBSC3, BTS4 được thay thế bởi BTS2 và BTS5;BTS1 được thêm mới; Các kết nối được giữ nguyên gồm BTS3và BTS6 kết nối đếnBSC4,MS1, MS5, MS10, MS15, MS17, MS19, MS20 kết nối đến BTS3; MS2, MS7, MS8, MS12, MS13, MS21, MS23,MS25 kết nối đến BTS6; Các kết nối mới được sinh ra làBTS1 và BTS5 kết nối đến BSC4, BTS2 kết nối đến BSC3; MS3, MS4, MS11, MS14, MS16, MS22 kết nối đếnBTS2; MS9,MS18, MS24, MS26, MS27,MS28, MS29 kết nối đến BTS5.
Phương án tối ưu mở rộng dung lượng của thuật toán ACO-MRDL được cho trong Hình 2.6(c) với hàm mục tiêu fACO = 109.74. Chúng ta nhận thấy, cả 2 phương án của GA-MRDL và ACO-MRDL đều lựa chọn tập các BSC và BTS thay thế như nhau nhưng kết quả hàm mục tiêu lại khác nhau. Sự khác biệt nằm do cách thức thiết lập các kết nối giữa MS đến các BTS. Thuật toán ACO-MRDL thiết lậpMS23 kết nối đến BTS5 thay vìBTS6 và{MS15,MS17}kết nối đến BTS1 thay vìBTS3. Sự tối ưu này có được nhờ sử dụng thông tin heuristic khi lựa chọn vị trí trạm kết nối dựa trên đánh giá khoảng cách nối với chi phí trong cập nhật lại các vết mùi trên các cạnh của đồ thị.
Hình 2.6: So sánh phương án tối ưu trong bài toán #2 của thuật toán GA- MRDL và ACO-MRDL
Thực nghiệm 4: Để đánh giá tác động của số kiến đến độ hội tụ và thời gian thực thi của thuật toán. Chúng tôi tiến hành thực nghiệm bằng cách thay đổi lượng kiến từ 20 đến 250 và giữ nguyên số vòng lặp NMax = 500 với bài toán #2. Sự ảnh hưởng của số kiến đến thời gian tìm được lời giải tối ưu của bài toán được thể hiện qua Hình 2.7(a). Dữ liệu trên biểu đồ chứng tỏ rằng nếu ta tăng số lượng kiến lên thì thời gian thực thi sẽ tăng theo, nhưng nếu giảm số lượng kiến quá ít thì lại làm tăng thời gian thực hiện bởi số lượng giải pháp được xem xét quá ít dẫn đến phải thực hiện nhiều lần. Qua thực nghiệm, một lần nữa chúng ta thấy rằng việc lựa chọn số lượng kiến là rất quan trọng tùy theo kích thước bài toán cần xem xét. Như trong ví dụ đang xét, thời gian thực thi tốt nhất thu được khi số lượng kiến là 50. Qua mối quan hệ giữa số lượng kiến và thời gian thực thi của ACO-MRDL ta thấy nếu không sử dụng tìm kiếm cục bộ và thông tin heuristic là ít (hoặc không có) thì trong giai đoạn đầu vết mùi không thể giúp kiến tìm đường đi dẫn tới các lời giải tốt. Nếu sử dụng số lượng kiến ít sẽ không tìm được lời giải tốt ngay từ những vòng lặp đầu. Điều đó khiến việc vết mùi được cập nhật dựa trên các lời giải không tốt dẫn đến định hướng tìm kiếm xung quanh lời giải không tốt khiến thuật toán sẽ không hiệu quả. Có thể khắc phục phần nào nhược điểm này bằng cách tăng số kiến, để tăng khả năng tìm được lời giải tốt ở mỗi vòng lặp. Nếu sử dụng tìm kiếm cục bộ hoặc thông tin heuristic mạnh thì sử dụng nhiều kiến lại trở thành lãng phí và không hiệu quả.
Thực nghiệm 5:Để đánh giá tác động của các tham số vòng lặp tới giá trị của hàm mục tiêu, tôi tiến hành thực nghiệm bằng cách thay đổi số vòng lặpNMax từ 25, 50, đến 500 trong khi giữ nguyên số lượng kiến là 50 với bài toán #2. Kết quả thực nghiệm thể hiện mối quan hệ giữa số vòng lặp đến hàm mục tiêu của thuật toán được cho trong Hình 2.7(b). Thực nghiệm 5 chỉ ra rằng số lượng vòng lặp ảnh hưởng rất lớn đến phương án bởi số lượng vòng lặp càng lớn thì hàm mục tiêu càng hội tụ. Tuy nhiên, việc lựa chọn tham số vòng lặp là bao nhiêu cũng rất quan trọng. Như chúng ta thấy, trong ví dụ đang xét phương án tối ưu được tìm thấy là 192.48 tại lần lặp thứ 286 và kết quả đó không thay đổi cho đến khi thuật toán dừng.
Hình 2.7: Ảnh hưởng của số kiến (a) và số vòng lặp (b) đến thời gian thực thi của ACO-MRDL
2.2 Định vị tài nguyên cho các lớp dịch vụ
Mục tiêu hướng đến của mạng NGN là cung cấp các dịch vụ theo yêu cầu của người dùng. Với sự đa dạng yêu cầu từ người dùng kết hợp với sự phát triển nhanh của các loại dịch vụ đang đòi hỏi các chiến lược quản lý và phân bố tài nguyên mạng (như băng thông, kích thước bộ đệm, công suất CPU,...) hiệu quả nhằm đảm bảo QoS cho các kết nối E2E trong mạng trên diện rộng. Vấn đề phân bố tài nguyên mạng có thể là tập trung, phân tán hay phân bố với tài nguyên lặp lại. Trong mục này, luận án chỉ tập trung nghiên cứu vấn đề định vị tài nguyên theo hướng tập trung cho các lớp dịch vụ. Tiêu chí thường được lựa chọn để định vị tài nguyên tới các người dùng tỷ lệ giữa đơn giá dịch vụ trên thời gian yêu cầu được sử dụng. Tuy nhiên, việc xác định các tham số này trong thực tế hiện là một vấn đề khó và phức tạp. Bởi vì việc cấp phát phải đảm bảo cân bằng giữa đáp ứng các kết nối của người dùng trong ngắn hạn đồng thời phải dành tài nguyên cho những kết nối dự phòng phát sinh trong dài hạn. Hơn nữa, việc cấp phát tài nguyên này đòi hỏi cần phải thực hiện một cách linh hoạt cho phép mở rộng các loại dịch vụ và tương thích với các công nghệ mới được triển khai.
Các nghiên cứu liên quan được biết đến như: mô hình hồi quy chuyển động Brownian (Fractional Brownian motion model-fBm) [86] đặc tả các đặc trưng của kết nối mạng trong thực tế dựa trên mô hình tự tương đồng (Self-similar models). Trong [88], P. Xu và cộng sự đề xuất lược đồ phân bố tài nguyên dựa trên mô hình hồi quy tuyến tính với phép đo là chi phí giá thành bảo đảm độ trễ hàng đợi trung bình. Tuy nhiên, hạn chế của lược đồ này là không mở rộng được cho số lượng lớn các lớp dịch vụ và giả thuyết độ trễ hàng đợi trung bình không phải bao giờ cũng thích hợp với ràng buộc về QoS. Giải pháp xác định hàm tiện ích (utility function) được cung cấp giữa những người sử dụng và tài nguyên được chia sẻ được sử dụng để tìm lời giải tối ưu được đề cập đến trong [55]. Trong [79], các tác giả nghiên cứu vấn đề định vị tài nguyên với chi phí được tự động thay đổi theo thời điểm dựa trên thời gian ưu tiên khác nhau được kiểm soát bởi nhà cung cấp dịch vụ nhằm tối đa hóa doanh thu. Mô hình bài toán định vị tài nguyên theo với thang đo thay đổi theo ngữ cảnh được đề cập đến trong [15, 53].
2.2.1 Mô hình bài toán
Mô hình định vị tài nguyên tập trung dựa trên chi phí bảo đảm trễ hàng đợi trung bình có vai trò tương tự như một switch, router hoặc mô hình dịch vụ trung tâm trong kiến trúc hướng dịch vụ của IBM hay hệ thống định tuyến thông điệp hướng ứng dụng của Cisco. Kiến trúc thành phần dịch vụ mạng bao gồm 2 lớp lưu lượng: lớp trễ giới hạn xác định (Deterministic delay-bound) và lớp trễ giới hạn linh hoạt (Flexible delay-bound) [88]. Hệ thống có nhiệm vụ phân bố tối ưu các tài nguyên cho các dịch vụ trong lớp trễ giới hạn linh hoạt. Các lớp dịch vụ sẽ được đưa vào hệ thống phân bố tối ưu tài nguyên dựa vào độ đo (Measurement Based Optimal Resource Allocation-MBORA) [53] với cấu trúc gồm môđun đo (Measurement), môđun tối ưu (Optimization) và môđun điều phối tài nguyên (Resource Orchestrator) như Hình 2.8. Trong đó, môđun điều phối tài nguyên sử dụng hàng đợi cân bằng trọng số tốc độ cao (DWFQ).
Chức năng của môđun đo là thống kê lưu lượng truy cập đến được xác định một cách xấp xỉ theo mô hình chuyển động ngẫu nhiên Brownian (fBm) [86]. Mô hình hệ thống được mô tả một cách đầy đủ thông qua tham số tốc độ đến trung bình α¯, tham số dao động σ và tham số Hurst H. Khi đó, mô hình lưu lượng đến trong khoảng thời gian t theo fBm được xác định như sau:
A(t) = αt+√
σαZ (t), −∞<t <+∞
trong đó, Z(t) là quá trình chuyển động hồi qui Brown với các tính chất sau: Z(t) đồng biến, liên tục, theo phân phối chuẩn (phân phối Gauss). Z(t) = 0 và E[Z(t)] = 0,∀t. E[Z(t)]2 = |t|2H,∀t. Thời gian t được chia thành các khoảng
(tn,tn+1),n = 0,1,2.... không trùng lặp với khoảng cách ∆. Môđun đo sẽ đếm số lượng gói tin từ mỗi lớp đến trong các khoảng thời gian theo thứ tự và lưu lại cường độ lưu lượng đến cho mỗi lớp i thông qua véctơ {αˆi(1),αˆi(2), ...}. Khi đó, lưu lượng đến của mỗi lớp sẽ được thống kê theo đường trung bình dịch chuyển trọng số theo hàm mũ (Exponentially-Weighted Moving Average-EWMA) [53]. Đây là kỹ thuật giúp loại bỏ những biến động nhiễu Gauss trong các luồng lưu lượng được mô tả như sau:
αi(n+1) =βαˆi(n) + (1−β)αi(n)
trong đó:αi(n+1) là dự đoán củaαˆi(n+1),0< β≤1thể hiện trọng số ước tính gần nhất được xác định. αi(0) là giá trị dự đoán ban đầu được khởi tạo bằng tốc độ lưu lượng đến trung bình αi (là giá trị mục tiêu).
Vì thế, tốc độ đến trung bình αi và bình phương dao động σ2
i của phân bố nhiễu Gauss phải được dự đoán trước. Dựa trên thống kê lưu lượng, chúng ta có thể tính được giới hạn trên và dưới (Lower and upper control limits-LCL/UCL) của lược đồ EWMA cho lớp lưu lượngi như sau:LCL/UCL=αi±cσiq2−ββ trong đó, tham số c > 0 là biến điều chỉnh kết hợp với tham số β mô tả mức độ ảnh hưởng mà các nhà cũng cấp cần phải điều chỉnh. Tuy nhiên, nhược điểm là chi phí tính toán lớn nên nhà cung cấp dịch vụ chỉ sử dụng cho các lưu lượng ngoài vùng kiểm soát tại khe thời gian n khi mà chỉ khi αi(n) > UCL hoặc αi(n) < LCL. Môđun tối ưu sẽ nhận các đặc trưng lưu lượng của mỗi lớp và tính toán cấp phát tối ưu các tài nguyên. Cần lưu ý rằng, bài toán tối ưu chỉ được giải quyết khi có sự thay đổi đáng kể để nhằm đáp ứng các đặc trưng lưu lượng được yêu cầu. Giải pháp tối ưu nhận được sẽ chuyển qua môđun điều phối nguồn tài nguyên để tự động cập nhật định vị tài nguyên cho mỗi lớp lưu lượng và chuyển tiếp các gói tin đi đến đích. Việc tính toán các tham số lưu lượng đến là rất khó và phức tạp nên luận án chỉ xem xét việc cấp phát tài nguyên trong môđun tối ưu với các thông số nhận được từ môđun đo.
Để mô hình bài toán cấp phát tài nguyên tập trung cho các lớp dịch vụ, ta qui ước ý nghĩa của các ký hiệu được sử dụng trong Bảng2.11.
Bảng 2.11: Các ký hiệu trong bài toán định vị tài nguyên cho các lớp dịch vụ
Ký hiệu Ý nghĩa
s= (s1,s2, ...,sn) Tập các dịch vụ được cung cấp tại mỗi nút mạng
ri(si) là doanh thu nhận được từ dịch vụsi∀i= 1..n
ci(si) là chi phí nhà cung cấp (NCC) bỏ ra để đáp ứng dịch vụsi∀i = 1..n pi là mức giá mà người dùng phải chi trả khi dùng dịch vụsi
bi là thiệt hại khi không đáp ứng được SLA trên dịch vụsi
Nếu lớp dịch vụu có độ ưu tiên cao hơn lớpv thìpu>pv vàbu >bv.
Di(si) là yêu cầu hiệu năng thực thi của người dùng đối với dịch vụsi.
di là giới hạn dưới mức độ cam kết dịch vụ của NCC.
βi là tham số điều khiển độ dốc (steepness) của hàm chi phí.
Giả sử mỗi nút mạng có thể cung cấp n loại dịch vụ khác nhau. Tỷ lệ giữa các dịch vụ này sẽ được xác định thông qua véctơ s = (s1,s2, ...,sn). Khi đó, lợi nhuận của nhà cung cấp là chênh lệch giữa doanh thu nhận được r(s) và chi phí phát sinh đáp ứng dịch vụ đó c(s).
Lợi nhuận được xác định thông qua hàm tuyến tính giữa mức giá pi và loại dịch vụsi cho bởi:
ri(si) = pisi, ∀i = 1..N (2.19) Còn chi phí được xác định thông qua hàm phi tuyến biểu diễn quan hệ giữa chi phí bồi thườngbi và độ trễ chênh lệch giữa mức độ yêu cầuDi(si)và khả năng đáp ứng trên mỗi dịch vụ di như sau:
ci(si) =biDi(si)eβi(Di(si)−di), ∀i = 1..N (2.20)
Sự ảnh hưởng của chi phí, băng thông và ngưỡng trễ đến hàm mục tiêu là một hàm phi tuyến được xác định dựa trên các đặc trưng của bài toán. Khi một dịch vụ bị trễ hàng đợi lớn hơn so với SLA cam kết thì hàm chi phí sẽ bị thay đổi rất lớn bởi phụ thuộc dưới dạng hàm mũ. Do đó, nếu Di(si)> di nghĩa là người dùng không nhận được đủ tài nguyên từ nhà cung cấp đồng nghĩa với việc nhà cung cấp phải chịu chi phí trễ đến khi cung ứng đủ yêu cầu.
Mô hình bài toán tối ưu cấp phát tài nguyên tập trung cho các lớp dịch vụ dựa trên chi phí được định nghĩa như sau:
Định nghĩa 2.2 (Cấp phát tài nguyên tập trung cho các lớp dịch vụ [88]).
f (s) = max{r (s)−c(s)}=max n X
i=1
Thỏa mãn các ràng buộc: si >0, ∀i = 1..n n P i=1 si ≤1 (2.22)
Hình2.9 cho thấy chi phí nhà cung cấp phải gánh chịu tăng rất nhanh khi đỗ