Bảng 3 kết quả thử nghiệm tổng hợp kết quả thử nghiệm 5 thuật toán (Random, Round Rubin, PSO, HPSO, HPSO*) trên 10 bộ dữ liệu. Mỗi dòng dữ liệu trong bảng là sự tổng hợp kết quả trung bình của 30 lần chạy trên mỗi bộ dữ liệu với
- n là số tác v của bộ dữ liệu,
- min: là tổng chi phí nhỏ nhất trong 30 lần chạy,
- avg: là tổng chi phí trung bình trong 30 lần chạy,
S T T
n
Random Round Rubin PSO HPSO HPSO*
Chi phí T ời gian Chi phí T ời gian Chi phí T ời gian Chi phí T ời gian Chi phí T ời gian
min avg min avg min avg min avg min avg
1 5 22.6 34.2 5.8 0.115 35.0 35.0 0.0 0.075 17.6 32.92 7.39 0.080 17.6 18.32 1.124 0.993 17.6 18.32 1.124 1.025 2 8 32.5 72.76 89.76 0.388 50.0 50.0 0.0 0.100 27.6 60.59 38.44 0.398 22.7 27.69 3.532 0.939 17.9 28.10 3.643 0.973 3 53 1,237 3.193 0.934 3444 2.843 2.843 0.0 2885 1.394 3.446 1.263 4386 0.621 0.788 0.117 4212 0.340 0.539 0.108 2872 4 44 0.968 1.914 0.697 2442 2.532 2.532 0,0 2821 1.064 2.007 0.844 3001 0.497 0.619 0.068 3308 0.319 0.515 0.133 2701 5 124 24676 47924 1156 7 537459 57 61510 61510 0.0 609466 43 3481 68872 18344 815007 93 12637 16274 1583 73472 746 10291 12855 885.8 58018 699 6 16 0.311 1.020 0.685 1521 3.012 3.012 0.0 2824 0.17 0.672 0.645 1351 0.018 0.122 0.07 1225 0.28 0.094 0.094 734 7 25 0.453 1.254 0.465 1668 1.414 1.414 0.0 1885 0.528 1.346 0.513 2071 0.231 0.315 0.055 1895 0.102 0.242 0.081 1633 8 77 2.474 3.196 0.765 3552 3.354 3.354 0.0 3307 2.200 4.428 1.208 5258 0.629 0.989 0.152 4531 0.583 0.800 0.196 3443 9 81 2.382 3.604 0.765 3833 3.029 3.029 0.0 3382 1.601 4.884 1.671 5330 0.844 1.148 0.146 5466 0.619 0.915 0.187 4308 10 42 0.750 1.682 0.785 2467 1.330 1.330 0.0 2113 0.841 1.659 0.669 2795 0.421 0.594 0.101 3524 0.288 0.442 0.097 2322
5.4 Đ n gi kết quả thử nghiệm
Từ kết quả thử nghiệm của 5 giải thuật trên 10 bộ dữ liệu (bảng 3) có thể nhận xét:
Với các bộ dữ liệu 1, 2, 6 với số tác v tương ứng là (5, 8, 16 – số tác v khá nhỏ) giải thuật PSO cho kết quả tính toán chi phí tốt hơn 2 giải thuật Random và RoundRubin, tuy nhiên nhìn vào số liệu chi phí nhỏ nhất(min) và chi phí trung bình(avg) trong các kết quả chạy của PSO với bộ dữ liệu này cho thấy sự chênh lệch rất lớn( min-avg: 17.6-32.92 với bộ dữ liệu 1; 0.17- 0.672 với bộ dữ liệu 6). Với các bộ dữ liệu có số tác v lớn hơn, kết quả thử nghiệm giải thuật PSO không cho kết quả tốt hơn hẳn cả 2 giải thuật Random và RoundRubin.
Trên tất cả 10 bộ dữ liệu thử nghiệm, giải thuật HPSO và HPSO* đều cho kết quả tốt hơn hẳn so với các giải thuật PSO, Random và RoundRubin. Tuy nhiên ở một số các trường hợp, các giải thuật HPSO và HPSO* giảm được chi phí nhưng thời gian thực hiện lại lớn hơn so với các giải thuật PSO, Random và RoundRubin: Với bộ dữ liệu 1: thời gian thực hiện của HPSO là 0.993 giây, HPSO* là 1.025 giây lớn hơn rất nhiều so với thời gian tính toán của giải thuật Random(0.115 giây), RoundRubin (0.075 giây), PSO(0.080 giây)
Kết quả thử nghiệm giải thuật PSO trên các bộ dữ liệu có nhiều trường hợp có độ lệch chu n khá lớn (như đối với bộ dữ liệu số 3 chi phí trung bình là 3.446, chi phí nhỏ nhất là 1.394 và với độ lệch chu n lên tới 1.263) cho thấy kết quả thử nghiệm có độ dao động lớn. Trong khi đó cùng với bộ dữ liệu này, độ lệch chu n của giải thuật HPSO chỉ là 0.117 và 0.108 đối với HPSO*. Nhìn chung, độ lệch chu n của các kết quả thử nghiệm với giải thuật HPSO và HPSO* rất nhỏ cho thấy các giải thuật HPSO, HPSO* cho kết quả chạy ổn định hơn so với giải thuật Random, PSO.
Từ bảng tổng hợp kết quả thử nghiệm trên các bộ dữ liệu 3 xây dựng bảng 4 so sánh mức độ tăng giảm chi phí thử nghiệm giữa các giải thuật HPSO so với PSO, HPSO* so với PSO và HPSO* so với HPSO trên các bộ dữ liệu tính theo %. Ví d so sánh tổng chi phí giữa giải thuật HPSO với giải thuật PSO là -44,34 biểu diễn mức độ giảm chi phí khi thực hiện giải thuật HPSO so với giải thuật PSO trên cùng bộ dữ liệu là 44,34%.
Bộ ữ
iệu Số c vụ
HPSO HPSO*
(PSO) (PSO) (HPSO)
1 5 -44.34 -44.34 0 2 8 -54.30 -53.62 +1.46 3 53 -77.13 -84.36 -31.6 4 44 -69.16 -74.34 -16.8 5 124 -76.37 -83.85 -29.54 6 16 -81.85 -86.02 -22.95 7 25 -76.6 -82.02 -23.18 8 77 -77.66 -81.19 -19.11 9 81 -76.49 -81.27 -20.30 10 42 -64.20 -73.36 -25.59
Bảng 4: Bảng so sánh chi phí thử nghiệm giữa các giải thuật HPSO so với PSO, HPSO* so với PSO và HPSO* so với HPSO trên các bộ dữ liệu (đơn vị %)
Nhận thấy giải thuật PSO ứng d ng giải bài toán lập lịch cho kết quả không tốt hơn hai giải thuật khá phố biến là Random và RoundRubin. Giải thuật lập lịch động dựa PSO (HPSO) và biến thể của nó (HPSO*) giúp cải thiện kết quả rất tốt, giảm tổng chi phí xuống từ 2 đến 3 lần như bảng so sánh kết quả giữa 3 giải thuật PSO, HPSO, HPSO* như bảng 4.
Hình 35: So sánh tổng chi phí giữa các giải thuật PSO, HPSO và HPSO* 0.00 1.00 2.00 3.00 4.00 5.00 6.00 7.00 53 44 124 16 25 77 81 42 Tổ n g c h i p h í ( to tal c o st) Số tác vụ Random RoundRubin PSO HPSO HPSO*
KẾT LUẬN
Luận văn tìm hiểu và trình bày một giải thuật lập lịch động dựa trên giải thuật tối ưu bầy đàn (PSO) nhằm m c đích tối thiểu tổng chi phí thực thi của ứng d ng lu ng công việc trong môi trường điện toán đám mây. Đ ng thời luận văn cũng trình bày một biến thể của giải thuật PSO là PSO* với cải tiến sử d ng trao đổi ngẫu nhiên các phần tử trong cá thể gbest với mong muốn tìm được gbest tốt hơn từ đó hội t nhanh hơn. Khi so sánh kết quả thực nghiệm giữa giải thuật PSO, HPSO và HPSO* với hai giải thuật phổ biến Random, RoundRubin luận văn đã chỉ rõ giải thuật lập lịch động dựa PSO đưa ra phương án với chi phí thực thi giảm rất nhiều (trên 50%).
Tuy nhiên luận văn mới chỉ dừng lại ở m c tiêu tối thiểu tổng chi phí thực thi trong khi đó với các bài toán thực thế có rất nhiều m c tiêu khác nhau: tối thiểu tổng thời gian thực thi, tối thiểu tổng chi phí thực thi và thời gian thực thi hay cân bằng tải….
Hướng nghiên cứu tiếp theo của luận văn sẽ tiến hành so sánh giải thuật HPSO, HPSO* với các giải thuật Gen di truyền, giải thuật đàn Ong… để tiến tới đưa ra một giải thuật tốt hơn cho bài toán lập lịch trong môi trường điện toán đám mây.
TÀI LIỆU THAM KHẢO
[1]D. M. S. Daryl C. Plummer, David W. Cearley. Cloud computing confusion leads to opportunity.Technical report, Gartner Research, 2008.
[2]I. Foster, Y. Zhao, I. Raicu, and S. Lu. Cloud computing and grid computing 360-degree com-pared. In Proceedings of Grid Computing Environments Workshop, pages 1–10, 2008. (adsbygoogle = window.adsbygoogle || []).push({});
[3]P. Mell and T. Grance. The NIST Definition of Cloud Computing (Draft).
National Institute of Standards and Technology, 53:7, 2010.
[4]Fei Teng (2012) Grade de docteur “management des données et ordonnancement des tâches sur architectures distribuées” 12.1.2012
[5]M. Cafaro and G. Aloisio. Grids, Clouds and Virtualization. Springer-Verlag New York, Inc., 1st edition, 2010.
[6]Security Guidance for Critical Areas of Focus in Cloud Computing V2.1, Cloud Security Alliance, December 2009.
[7]Dominique A. Heger, Optimized Resource Allocation & Task Scheduling
Challenges in Cloud Computing Environments, DHTechnologies (DHT),
dheger@dhtusa.com
[8]Ravneet Kaur Chawla, “Designing a business application for workflows in Cloud Computing”, Thesis, Master of Engineering in Software Engineering, Thapar University
[9]Suraj Pandey, Kapil Kumar Gupta, Adam Barker and Rajkumar Buyya,
Minimizing Execution Cost when using Globally Distributed Cloud Services, Proceedings of the 24th IEEE International Conference on Advanced Information Networking and Applications (AINA 2010), Perth, Australia, April 20-23, 2010.
[10] Qinghai Bai, “Analysis of particle swarm optimization algorithm”, Computer and Information Science Vol. 3, No.1 February 2010, www.ccsenet.org/cis
[11] Kim, D.W., Kim, K.H., Jang, W., Chen, F.F, “Unrelated parallel machines cheduling with setup times using simulated annealing”, Robotics and Computer Integrated Manufacturing 18, 223-31, 2002.
[12] Gendreau, M., Laporte, G., Guimara, E.M, “A divide and merge heuristic for the multiprocessor scheduling problem with sequence dependent setup times”, European Journal of Operational Research 133, 183–189, 2001.
[13] Ke Liu, B.Sci, M.Eng, “Scheduling Algorithms for Instance-Intensive Cloud Workflows”, CS3-Centre for Complex Software Systems and Services Faculty of Information and Communication Technologies Swinburne University of Technology, June, 2009.
[14] D.T. Pham, A. Ghanbarzadeh, E. Koç, S. Otri , S. Rahim , M. Zaidi , The Bees Algorithm – A Novel Tool for Complex Optimisation Problems
Manufacturing Engineering Centre, Cardiff University, Cardiff CF24 3AA, UK [15] Xin-She Yang, University of Cambridge, United Kingdom, Natrue-Inspired
Metaheuristic Algorithm, 2010
[16] Isam Azawi Mohialdeen, “Comparative study of scheduling algorithms in cloud computing enviroment”, College of Information Technology, University Tenaga Nasional, Selangor, Malaysia, journal of Computer Science, 9(2): 2520263, 2013
[17] Sheng-Jun Xue, Wu Wu “Scheduling Workflow in Cloud Computing Based on Hybrid Partical Swarm Algorithm” Telkomnika, vol.10, no7, november 2012, e-ISSN: 2087-278x
[18] Suraj Pandey, Linlin Wu, Siddeswara Mayura Guru, Rajkumar Buyya, “A Particle Swarm Optimization – based Heuristic for Scheduling Workflow
Applications in Cloud Computing Enviroments”, Cloud Computing and
Distributed Systems Laboratory Department of Computer Science and Software Engineering The University of Melbourne, Autralia.
[19] Rodrigo N. Calherios, Rajiv Ranjan, César A. F. De Rose and Rajkumar Buyya, “Cloudsim: A novel framework for Modeling and Simulation of Cloud
Computing Infrastructures and Services”, The University of Melbourne, Australia.
[20] Shi-ping Chen, Chen Jin và KaiGuo, Hong Sun (2013) Research and Simulation of Task Scheduling Algorithm in cloud Computing” Telkomnika vol.11. No11. November 2013. E-ISSN: 2087-278X.
[21] Shubhangi D.Patil, S.C Mehrotra, (2012) Resource allocation and Scheduling in the Cloud, International Journal of Emererging Trends & Technology in computer Science, ISSN 2278-6856.