3 Đảm bảo an ninh và tính sẵn sàng của dịch vụ đáp ứng QoS
2.22thị cấu trúc mô tả luồng đa phương tiện fi
Ta xây dựng phương án S = {oi1j1, ...,oinjn} với các vết mùi được lưu trên từng đối tượng. Vết mùi τij sẽ đặc trưng cho mối quan hệ với đối tượng oij. Điểm quan trọng nhất để xây dựng lời giải và việc kết hợp và khám phá tri thức dựa trên thông tin heuristic để bổ sung các thành phần mới vào cấu trúc lời giải. Gọi Sk là tập các đối tượng được chọn tại vòng lặp thứ k. Thông tin heuristic định hướng quá trình tìm kiếm và khám phá được xác định như sau:
sk(Oij) = wmiui(rij) P i=1 rijl dSk(l) (2.46) với dSk(l) =Rl− P oij∈Sk
rijl, l là chỉ số tài nguyên R được cung cấp cho các luồng
đa phương tiện, Sk là tập các đối tượng được thay đổi theo từng vòng lặp.
Các nhóm sẽ được chọn tương tự như các cá thể kiến. Chúng tôi sử dụng cách cập nhật vết mùi theo nhóm và lưu lại thứ tự các nhóm theo vết mùi để hướng
đến việc lựa chọn các nhóm có mật độ vết mùi lớn để xây dựng phương án tương tự như thủ tục cập nhật vết mùi của MMAS. Sau khi kiến xây dựng lời giải, vết mùi được cập nhật lại trên tất cả các cạnh của phương án tốt nhất đang xét. Đầu tiên, các vết mùi sẽ giảm do bị bay hơi nếu kiến không di chuyển trên cạnh đó với xác suất là (1−P) (trong đó, P là xác suất kiến đi qua, 0 6 P 6 1). Lượng vết mùi chỉ được tăng lên cho tất cả các cạnh thuộc phương án tốt nhất tại vòng lặp đang xét. Khi xây dựng phương án, kiến sẽ lựa chọn một nhóm ngẫu nhiên theo mật độ vết mùi của nhóm đó. Sau khi được chọn, sẽ loại bỏ tất cả các ứng viên không đáp ứng được các ràng buộc nếu tài nguyên không đủ để cấp phát cho các yêu cầu về chất lượng dịch vụ được đặc tả trong các tham số của dịch vụ đó. Xác suất để kiến lựa chọn các luồng ứng viên trong nhóm đang xét là:
PSk(Oij) = [τSk (Oij)]α[ηSk(Oij)]β
P
Oij∈C
[τSk(Oij)]α[ηSk(Oij)]β (2.47)
trong đó,C (Candidates) là tập tất cả các luồng trong nhóm đang chọn không vi phạm các ràng buộc về tài nguyên,τSk là thông số heuristic động của vết mùi của các đối tượng trong Sk được tính theo công thức (2.45),ηSk là thông tin heuristic giúp đánh giá việc lựa chọnSk, α và β là các hệ số điều chỉnh ảnh hưởng.
Gọi SIbest và SGbest lần lượt là lời giải tối ưu cục bộ tại vòng lặp hiện tại và lời giải tối ưu toàn cục đến thời điểm đang xét. Sau khi đàn kiến xây dựng lời giải, vết mùi được cập nhật bằng công thức sau:
τij =τij+∆τijbest (2.48)
Thuật toán dùng đồng thời cảGbest vàIbest để cập nhật mùi ảnh hưởng đến hướng tìm kiếm, ∆τbest
ij = G(S1
Ibest) khi dùng Ibest và ∆τbest
ij = G(S1
Gbest) khi dùng Gbest. Nếu dùng Gbest thì việc tìm kiếm sẽ sớm định hướng quanh Gbest, ngược lại nếu dùng Ibest thì số lượng cạnh được cập nhật mùi nhiều do đó việc tìm kiếm giảm tính định hướng hơn. Gọi SIbest là lời giải tối ưu cục bộ tại vòng lặp hiện thời, lượng vết mùi được tăng lên khi dùng Ibest trên từng cạnh được tính bởi:
G(SIbest) = n 1 P k=1 PSk(Oij) × X oij∈SIbest wiui(rij) (2.49)
Sau đó vết mùi sẽ bị giới hạn trong đoạn[τmin, τmax] như sau:
τij =
τmax Nếuτij > τmax τmax Nếuτij ∈[τmin, τmax]
τmin Nếuτij < τmin
Khi giới hạn vết mùiτij ∈[τmin, τmax] trên các cạnh để tránh tình trạng tắc nghẽn sẽ kéo theo giới hạn xác suất PSk(Oij) ∈[Pmin,Pmax]để lựa chọn đỉnh j, khi con kiến đang ở đỉnh i, với 0< Pmin ≤PSk(Oij) ≤ Pmax ≤1. Chỉ khi số ứng viên C = 1 thì Pmin =Pmax = 1. Khi đó, trong một khoảng thời gian dài cận trên của vết mùi sẽ là ρS1∗ trong đó S∗ là độ dài hành trình tối ưu. Dựa trên kết quả đó, MMAS cập nhật lại cận trên τmax = ρf(G1
best) và cận dưới τmin = τmax
w (w là một hằng số) mỗi khi tìm được lời giải tốt hơn. Như vậy, sau mỗi vòng lặp với tự thay đổi giá trị của vết mùi thì các nhóm dịch vụ sẽ tăng khoảng cách hay giảm khoảng cách khi các luồng đó có khả năng hay không có khả năng đáp ứng được theo yêu cầu. Cấu trúc của tậpC sẽ luôn duy trì một danh sách các luồng ứng viên có thể xem xét. Chúng ta chỉ lựa chọn k phương án tốt nhất trong toàn bộ không gian đang xét để đảm bảo khả năng thực thi nhanh của thuật toán thay vì xét hết toàn bộ các giải pháp. Hàm mục tiêu đánh giá mỗi phương án được tính bởi (2.38).
2.3.3.3 Mô tả thuật toán
Thuật toán MMAS tối ưu giám sát QoS cho các luồng đa phương tiện (MMAS- Q.MOF) được mô tả như sau:
Thuật toán 2.10 MMAS-Q.MOF (adsbygoogle = window.adsbygoogle || []).push({});
Các tham số: α, β, ρ,k. Số lượng kiến:K. Số vòng lặp tối đaNMax.
Giới hạn vết mùi:τmin, τmax. Khởi tạo vết mùi cho tất cả các đối tượng và nhóm là τmax;
Topksolution ⇐{Lưu lạik phương án tốt nhất};i= 1; Repeat SGbest ⇐∅; Forkiếnk= 1...K do SIbest ⇐∅; C ⇐Tất cả các nhóm luồng dịch vụ; WhileC 6=∅do
Cg⇐Chọn nhóm có vết mùi cao nhất trong tậpC;
Candidates⇐ {oij ∈Cg thỏa mãn các ràng buộc (2.39-2.42)} Cập nhật giá trị heuristic cục bộ theo (2.46);
Chọn đối tượngoij ∈C với xác suất được tính bởi (2.47);
Sk ⇐Sk∪oij; Loại bỏCg khỏi tập C; Endwhile
If f(Sk)>f(SIbest)thenSIbest⇐Sk; Endfor
If f(SGbest)<f(SIbest)thenSGbest ⇐SIbest;
Cập nhật cơ sở dữ liệu vết mùi và giá trị cận biênτmin vàτmax theo (2.50);i=i+1; Until(i>NMax) or (giải pháp tối ưu được tìm thấy);
2.3.4 Kết hợp qui tắc cập nhật vết mùi MLAS, SMMAS và 3LAS
Để nâng cao hiệu quả của thuật toán MMAS ở trên, luận án đã thử nghiệm cách tiếp cận tương tự nhưng sử dụng các phương pháp cập nhật vết mùi mới là MLAS, SMMAS và 3LAS được đề xuất trong [2].
Phương pháp cập nhật mùi đa mức (Multi-level Ant System-MLAS) tiếp cận theo hướng thay cho việc bay hơi vết mùi ở các thành phần không thuộc các lời giải của mỗi con kiến trong mỗi lần cập nhật mùi ở mỗi bước lặp, ta cho τ1 và
τmax tăng dần. Độ lệch giữaτ1 vàτmax cho phép ta điều khiển tính hội tụ và khám phá. Nếu thấy lời giải tốt ít thay đổi thì cho τ1 gần τmax để tăng tính khám phá và ngược lại, choτ1 dịch xa τmax để cho lời giải tập trung tìm kiếm quanh lời giải tốt nhất tìm được. Quy tắc này đã được tác giả thử nghiệm trên bài toán người du lich và lập lịch cho kết quả khả quan so với MMAS [2]. Tuy nhiên, việc điều khiển độ lệch giữa τ1 và τmax rất khó áp dụng cho các bài toán cụ thể.
Chúng ta dễ thấy không nên giảm vết mùi ở các cạnh không thuộc lời giải tốt quá nhanh như trong quy tắc MMAS, mà nên phương pháp cập nhật mùi Max-Min trơn (Smoothed Max Min Ant System-SMMAS) được cải tiến như:
τij = (1−ρ)τij+∆τijbest (2.51) với
τij =
ρτmin Nếu cạnh (i,j) thuộc lời giải
ρτmax Nếu cạnh (i,j) không thuộc lời giải (2.52)
Khi cài đặt, chúng ta choτ0 =τmax.
Đối với các bài toán sử dụng thông tin heuristic, ảnh hưởng nhiều tới chất lượng tìm kiếm lời giải, chẳng hạn như bài toán TSP, phương pháp 3-LAS (Three- level Ant System) tương tự thuật toán ACS, nhưng dễ dùng hơn và hiệu quả tốt hơn. Phương pháp này sử dụng thêm tham số τmid ∈(τmin, τmax)và cập nhật mùi tương tự SMMAS cho các cạnh có kiến sử dụng hoặc thuộc lời giải. Cụ thể sau khi tính toán vết mùi theo công thức (2.51) thì τij được cập nhật lại như sau:
τij =
ρτmax Nếu cạnh(i,j) thuộc lời giải
ρτmid Nếu∀ cạnh (i,j)thuộc lời giải và có kiến đi qua
ρτmin Cho các cạnh còn lại
(2.53)
2.3.5 Kết quả thực nghiệm và đánh giá (adsbygoogle = window.adsbygoogle || []).push({});
Mô hình thực nghiệm tối ưu QoS các luồng dịch vụ đa phương tiện giữa hai nút mạng ứng với 2 người dùng đầu cuối được thể hiện trong Hình 2.23.