3 Đảm bảo an ninh và tính sẵn sàng của dịch vụ đáp ứng QoS
2.21 Giám sát QoS online và offline
Giám sát online thực hiện xác định giá trị tham số QoS định kỳ và/hoặc liên tục để phát hiện tức thời những biến động của QoS. Tại những thời điểm đó, cơ chế sử dụng dữ liệu QoS đo được tức thời và dữ liệu QoS đã lưu trữ để so sánh, phân tích kết quả. Dựa trên số liệu lưu trữ, yêu cầu QoS của các luồng, khối phân tích offline thực hiện phân tích dữ liệu, đánh giá các tham số QoS (như băng thông, trễ, tỷ lệ mất gói tin). Việc so sánh giá trị tham số QoS đo được và giá trị tham số SLA cho biết tại thời điểm đó, mức độ đáp ứng cam kết về QoS của mạng có đạt yêu cầu hay không để đánh giá mức độ đáp ứng SLA trong khoảng thời gian giám sát như Hình 2.21(b). Giám sát offline giảm thiểu yêu cầu tính toán của hệ thống vì dữ liệu QoS được lưu trữ chỉ cần phân tích một lần khi kết thúc thời gian giám sát. Do cần ít năng lực tính toán của hệ thống, số luồng có thể giám sát đồng thời tăng. Tuy nhiên, giám sát offline không phát hiện tức thời sự suy giảm QoS, do đó không phù hợp cho nhà cung cấp dịch vụ. Giám sát offline phù hợp cho người sử dụng dịch vụ để đánh giá QoS trung bình trong thời gian dài.
Trong [60], Khan đề xuất mô hình, kiến trúc và thuật toán Heuristic để tìm phương án tối ưu với một số lượng lớn biến để giải bài toán đáp ứng chất lượng của phân hệ IMS trong nhiều phiên (Quality Adaptation in a Multisession Multimedia System). Một cách tiếp cận khác nhau để xây dựng các bài toán tối ưu là sử dụng công cụ đặc tả môi trường sử dụng giống như một phần của tiêu chuẩn MPEG DIA nhằm tối ưu đáp ứng QoS đã được giới thiệu bởi Mukherjee và cộng sự [24]. Trong [56, 57], L.S Kapov và cộng sự đã mô hình bài toán so khớp và tối ưu hóa QoS (Q-MOF:QoS Matching and Optimization Function) đặc tả các tín hiệu E2E trong lớp điều khiển dịch vụ của kiến trúc NGN. Bài toán so khớp và tối ưu hóa QoS (Q-MOF) là bài toán NP-khó có thể được giải trong thời gian gần đa thức bằng quy hoạch động hay thuật toán gần đúng kiểu tham lam (greedy approximation algorithm) khi số lượng luồng nhỏ [60].
Trong phần này, luận án không đi sâu nghiên cứu về các đặc tính kỹ thuật của IMS mà chỉ xem xét cơ chế cấp phát tài nguyên cho các luồng đa phương tiện
theo mô hình Q-MOF được L.S. Kapov và cộng sự đề xuất trong [56]. Mục đích của điều khiển luồng là tối ưu hóa thông lượng sử dụng của mạng, giảm trễ gói tin, đảm bảo tính công bằng cho việc trao đổi thông tin và tránh tắc nghẽn trong mạng. Sự công bằng là khả năng đảm bảo cho các người dùng, các ứng dụng khác nhau được sử dụng tài nguyên mạng với cơ hội như nhau thể hiện ở khả năng chia sẻ băng thông và tài nguyên cho tất cả người dùng hoặc kết nối. Trong mạng NGN, các tài nguyên mạng có hạn trong khi nhu cầu truyền thông tin ngày càng tăng vì vậy hiện tượng tắc nghẽn mạng là khó tránh khỏi. Đặc biệt là đối với các dịch vụ đa phương tiện cần yêu cầu tài nguyên lớn với chất lượng cao.
2.3.3 Đề xuất thuật toán MMAS tối ưu QoS luồng đa phương tiện
Đã có nhiều nghiên cứu áp dụng thuật toán ACO để giải các bài toán xếp balô chuẩn (Knapsack Problem-KP), bài toán xếp balô nhiều lựa chọn (Multi-choice KP-MKP) và bài toán xếp balô nhiều chiều, nhiều lựa chọn (Multi-dimension KP-MMKP). Sự khác biệt cơ bản của các tiếp cận đó nằm ở qui tắc cập nhật vết mùi cho các đối tượng. Giải pháp đầu tiên là cập nhật vết mùi cho đàn kiến theo phương án hiện thời đang xét áp dụng giải bài toán tập con (Subset problems)-một trường hợp đơn giản của bài toán KP. Phương pháp cập nhật vết mùi trên mỗi cặp đối tượng (oi,oj) nhằm tăng cường sự ảnh hưởng giữa các đối tượng khi cân nhắc lựa chọnoj mà bước trước đó đã lựa chọn oi và cập nhật vết mùi trên tất cả các cặp của những đối tượng khác nhau trong tập phương án [6] để giải bài toán MKP. Mô hình khuếch tán vết mùi (Pheromone Diffusion Model) đối với những đối tượng thường xuyên có xu hướng xuất hiện trong các phương án trước đó để giải quyết bài toán MMKP [46, 52]. Trong mục này, tác giả đề xuất thuật toán MMAS tối ưu đáp ứng QoS các luồng đa phương tiện.
2.3.3.1 Xây dựng đồ thị cấu trúc
Để mô hình hóa chuyển bài toán về dạng đồ thị, chúng tôi đi xây dựng đồ thị cấu trúc biểu diễn bài toán. Về hình thức, đồ thị cấu trúc có dạng hình cây phụ thuộc vào số lượng luồng N và số lượng tham số chất lượng dịch vụ pi được yêu cầu trên mỗi luồng fi được minh họa trong Hình2.22(a). Khi số lượng luồng tăng thì số trạng thái của đồ thị sẽ tăng rất nhanh theo ràng buộc các tham số đồng nghĩa sự phức tạp trong tính toán tăng lên rất nhiều. Khi đó, các thuật toán quy hoạch động hay gần đúng theo kiểu tham tham không còn thực sự hiệu quả.
2.3.3.2 Thủ tục xây dựng lời giải
Gọi τmax và τmin lần lượt là giới hạn trên và dưới của vết mùi thỏa mãn
nhiên một nhóm gọi là gi. Với mỗi nhóm ứng viên oj ta gán vết mùi τSk(gj) của ứng viên là τ(oi,oj). Tại mỗi thời điểm, một nhóm mới gl được thêm vào phương án Sk từ nhóm ứng viên gj thì vết mùi τSk(gj) sẽ được tăng thêm một lượng là
τ(ol,oj). Khi đó, vết mùi lớn nhất được xác định như sau:
τSk (gi) = X
gj∈Sk
τ(oi,oj) (2.45)
Khi bắt đầu quá trình tìm kiếm, kiến có thể tìm trong các nhóm có phạm vi nhỏ nên số khả năng lựa chọn là không nhiều. Sau đó các con kiến sẽ liên kết lại với nhau để sinh ra các lựa chọn mới. Khi đó, phương án của bài toán sẽ là một tập các đối tượng S = oij |xoij = 1 sao cho xoij = 1 có nghĩa là đối tượng oij được lựa chọn và tương ứng với việc biến quyết định xij = 1. Hình 2.22(b) thể hiện ví dụ về phương án S và sự tương tác giữa các đối tượng.