CHƯƠNG 6 : THỰC NGHIỆM
6.2 Thí nghiệm cho bài toán tối ưu thiết lập CDN
6.2.2 Kết quả thí nghiệm
Trong phần này, luận văn sử dụng 2 giải thuật Bayesian đa mục tiêu là USeMO và TSEMO. Giải thuật USeMO sử dụng 2 acquisition function là UCB và EI. Đối với hướng tiếp cận giải thuật di truyền, luận văn sử dụng giải thuật NSGA-II. Các giải thuật này được thiết lập thông số như đã mô tả trong phần 5.4.1 và 5.4.2.2.
Hình 21 cho thấy kết quả khi chạy các giải thuật tối ưu hóa Bayesian và
NSGA-II cho bài tốn cấp phát bộ nhớ với tập dữ liệu mô phỏng. Kết quả cho thấy các giải thuật Bayesian tốt hơn so với giải thuật NSGA-II trong trường hợp kích thước mạng nhỏ và trung bình. Trong trường hợp kích thước mạng lớn, giải thuật TSEMO cho kết quả tệ hơn so với NSGA-II. Điều này do giải thuật TSEMO sẽ trở nên khó tối ưu hơn khi số biến đầu vào trở lên lớn. Tuy nhiên, các hướng tiếp cận của giải thuật USeMO đều cho kết quả tốt hơn NSGA-II và TSEMO. Giải thuật USeMO với
acquisition function UCB cho kết quả tốt hơn USeMO với acquisition function EI.
Với các đường có cùng màu, đường nết đứt luôn cho kết quả tốt hơn đường nết liền, điều này nghĩa rằng hướng tiếp cận đề xuất trong luận văn có thể cải thiện hiệu năng giải thuật Bayesian gốc.
(b) Pareto front được lấy ngẫu nhiên từ một trong 10 lần chạy. (F1, F2 lần lượt là giá
trị được chuẫn hóa của và )
Hình 21: Kết quả chạy các giải thuật tối ưu hóa đa mục tiêu cho bài tốn cấp phát bộ nhớ với dữ liệu mô phỏng. (Các đường cùng màu với nét liền và nét đứt lần lượt là
giải thuật gốc và giải thuật đã được áp dụng đề xuất điều chỉnh tham số β.).
b) Thí nghiệm với tập dữ liệu thực
Hình 22 cho thấy Pareto front của giải thuật USeMO-UCB gốc và giải thuật này sau khi áp dụng phương pháp được đề xuất trong luận văn. Do việc chạy tối ưu hóa trên tập dữ liệu thực với hàng trăm GB log file có thể tốn rất nhiều thời gian, thí nghiệm này chỉ chạy giải thuật USeMO-UCB vì đây là giải thuật tốt nhất trong các thí nghiệm ở trên. Thí nghiệm này cũng so sánh giữa các nghiệm tối ưu được đề xuất bởi giải thuật Bayesian với giải pháp hiện tại của hệ thống thực. Hình 23 cho thấy sự đánh đổi giữa chi phí có thể tiết kiệm với chất lượng hệ thống. Các nghiệm này được lấy từ Pareto front của giải thuật USeMO-UCB với phương pháp điều chỉnh tham số β. Kết quả cho thấy với tập nghiệm được đề xuất từ giải thuật tối ưu hóa này, chủ hệ thống CDN có thể tiết kiệm được gần 39% chi phí với cùng chất lượng hệ thống hiện tại.
Hình 22: Pareto front của giải thuật USeMO-UCB gốc và giải thuật USeMO-UCB với giải pháp điều chỉnh tham số β.
Hình 23: Sự đánh đổi giữa chi phí tiết kiệm được và chất lượng hệ thống.
6.2.2.2 Bài tốn phân bố replica servers
Thí nghiệm này khơng sử dụng hệ thống CDN của cơng ty Việt Nam do kích thước của hệ thống này quá nhỏ (chỉ có 5 nodes) dẫn đến khơng gian nghiệm của bài tốn nhỏ (có 25 nghiệm khả dĩ). Dữ liệu được sử dụng trong phần này là tập dữ liệu mơ phỏng. Hình 24 là kết quả chạy thí nghiệm của các giải thuật Bayesian và NSGA- II cho bài toán phân bố replica servers với hệ thống CDN của công ty Pháp và Nhật. Các đường nét liền và nét đứt cùng màu lần lượt là giải thuật Bayesian gốc và giải thuật Bayesian đã áp dụng phương pháp điều chỉnh tham số được đề xuất trong luận văn. Tổng quan kết quả cho thấy các giải thuật Bayesian đều cho kết quả tốt hơn rất nhiều so với giải thuật di truyền NSGA-II. Hơn thế nữa, thấy phương pháp để xuất của luận văn có thể cải thiện rõ rệt giải thuật Bayesian gốc trong tất cả trường hợp. Riêng
trường hợp giải thuật USeMO sử dụng acquisition function EI với mạng kích thước lớn giải thuật đề xuất có hội tụ nhanh hơn giải thuật gốc trong các bước chạy đầu và ở các bước chạy đánh giá sau, 2 giải thuật này hội tụ gần nhau. USeMO với acquisition
function UCB cho kết quả tốt nhất so sánh với các giải thuật Bayesian khác.
(a) Normalized Hypervolume Indicator trung bình 10 lần chạy
(b) Pareto front được lấy ngẫu nhiên từ một trong 10 lần chạy. Hình 24: Kết quả chạy các giải thuật tối ưu hóa đa mục tiêu cho bài