4. Đối tượng, phạm vi và phương pháp nghiên cứu a. Đối tượng và phạm vi nghiên cứu
1.4. Đề xuất nghiên cứu và phương pháp tiếp cận
Qua khảo sát các nghiên cứu liên quan ở trên, luận án đề xuất hai vấn đề
nghiên cứu. Đầu tiên luận án nghiên cứu giải pháp điều khiển lưu lượng nâng cao hiệu năng của hệ thống mạng triển khai NFV. Sau đó, luận án nghiên cứu
nâng cao chất lượng dịch vụ khi ứng dụng NFV trong môi trường IoT với các
chức năng mạng ảo thường được triển khai tại tầng biên. Cụ thể hai vấn đề
34
nghiên cứu được phát biểu như sau:
ằ Vấn dộ nghiờn cứu 1 - Điều khiến lưu lượng ứng dung định tuyến
da đường trong NFV: Mot hệ thong NFV cung cấp các chức năng mạng ảo phục vụ các yêu cầu dịch vụ từ người dùng. Mỗi yêu cầu dịch vụ yêu cầu xử lý một lưu lượng dữ liệu tĩnh từ người dùng về một dịch vụ nào đó có
thể gồm một số các VNF được cung cấp rải rác trong mạng. Cần tìm giải pháp định tuyến lưu lượng dữ liệu hiệu quả về tổng chi phí định tuyến và tổng lưu lượng được phục vụ trong mạng dựa trên việc xem xét đến đến sự
đa dạng về yêu cầu lưu lượng dữ liệu theo thời gian, sự đa dạng về loại yêu cầu dịch vụ và ứng dụng kỹ thuật định tuyến đa đường.
se Vấn đề nghiên cứu 2 - Dam bảo độ tin cậu cho chuỗi chức năng mang do trong điện toán bién: Hệ thông NFV có các chức năng mạng ảo được cung cấp tại các máy chủ ở tầng biên phục vụ các yêu cầu dịch vụ.
Mỗi yêu cầu dịch vụ yêu cầu cung cấp một tập các VNF với độ tin cậy nhất
định. Cần tìm giải pháp phân bổ tài nguyên triển khai VNFs và triển khai
dự phòng cho các VNFs hiệu quả về chi phí, dam bảo độ tin cậy của các dịch vụ theo yêu cầu trong khi vẫn thỏa mãn các ràng buộc về tài nguyên.
Mục tiêu hướng tới của luận án là đề xuất giải pháp chính xác và giải pháp xấp xỉ cho hai bài toán trên. Vì vậy, phương pháp tiếp cận được sử dụng gồm có mô hình hóa nhằm tìm lời giải tối ưu cho bài toán theo phương pháp quy hoạch
toán học và đề xuất giải thuật xấp xỉ để tìm lời giải xấp xỉ cho bài toán có kích thước lớn. Dây cũng là phương pháp tiếp cận thường được áp dụng để giải các
bài toán tối ưu hóa trong nhiều công trình khoa học [50, 26, 52, 91, 84, 31].
Đầu tiên, luận án sử dụng phương pháp quy hoạch toán học MP (Mathe-
matical programming) để tìm lời giải chính xác. Quy hoạch toán học là một kỹ
thuật mô hình hóa được sử dụng như một công cụ mạnh mẽ trong việc xác định
lời giải cho các bài toán ra quyết định hoặc tối ưu bằng cách xây dựng mô hình toán học với các biến quyết định, các ràng buộc và hàm mục tiêu. Với cả hai bài toán đề xuất, dạng quy hoạch toán học được sử dụng trong luận án là MILP
(quy hoạch tuyến tính nguyên hỗn hợp) với đặc điểm các biến quyết định gồm
đồ
cả biến số nguyên và biến số thực. Kỹ thuật mô hình hóa bài toán dưới dạng
quy hoạch toán học với các mô hình toán học thường được ấp dung cho các bài
toán tối ưu, sau đó sử dụng các công cụ giải (ví dụ CPLEX, Gurobi...) để tìm
lời giải tối ưu cho bài toán.
Với lời giải xấp xỉ, phương pháp xấp xỉ được sử dụng là phương pháp meta heuristic sử dụng các chiến lược khai phá các không gian tìm kiếm. Có nhiều phương pháp xấp xỉ khác nhau được sử dụng trong quá trình tìm kiếm lời giải gần tối ưu như: giải thuật bầy đàn, giải thuật đàn kiến, giải thuật gen di truyền,
giải thuật mô phỏng luyện kim... Trong đó, giải thuật mô phỏng luyện kim là
phương pháp tiếp cận được sử dụng để tìm lời giải xấp xỉ cho hai bài toán nghiên
Khởi tạo lời giải ban đầu
Nhiệt độ ban dau Qo
cứu trong luận án.
1=0 Giảm nhiệt độ QỲ
Chọn lời giải lân cận ngẫu nhiên
Vv
Cập nhật lời giải mới nếu đó là lời giải
tôt hơn hoặc với một xác xuât nhất định
để vượt qua tối ưu cục bộ
Ỷ
I=l+1
Hình 1.5: Sơ đồ giải thuật mô phỏng luyện kim.
Giải thuật xấp xỉ mô phỏng luyện kim (Simulated Annealing - SA) được đề xuất bởi Scott Kirkpatrick và cộng sự năm 1982 sau đó được công bố vào năm
36
1983. SA có tên gọi và ý tưởng được bắt nguồn từ kỹ thuật luyện kim trong ngành luyện kim, sử dụng một cách khéo léo việc nung nóng rồi làm nguội vật liệu kim loại từ từ nhằm làm tăng kớch thước và giảm những khuyết, lừm của chúng. Nhiệt độ làm cho các nguyên tử trong vật liệu trở lên mất liên kết và
rời khỏi vị trí ban đầu của chúng, di chuyển ngẫu nhiên vào những nơi có năng
lượng cao hơn; việc làm nguội từ từ sẽ làm tăng khả năng nhận được một trạng
thái có nội năng thấp hon so với ban đầu [41].
Tương tự như quá trình luyện kim vật lý, SA sử dụng một biến điều khiển
toàn cục là biến nhiệt độ (temperature) Q. Ban đầu Q ở giá trị rất cao Qo và sau đó được giảm dần xuống. Trong quá trình tìm kiếm, SA thay lời giải hiện thời bằng lời giải lân cận nếu lời giải đó tốt hơn hoặc với một xác suất phụ thuộc và
sự chênh lệch giữa giá trị hàm mục tiêu và tham số điều khiển Q. Ứng với mỗi
mức nhiệt độ Q, quá trình tối ưu hóa được tiếp tục cho tới khi tổng số bước dịch chuyển I vượt quá số bước dịch chuyển tối đa L đã được định trước, sau
đó nhiệt độ Q sẽ được giảm xuống. Hệ thống đông lạnh và giải thuật dừng lại khi Q tiến tới nhiệt độ Q„ được đưa ra. Các bước chính của giải thuật SA được minh họa như trong lưu đồ Hình 1.5.
Giải thuật SA thường được sử dụng hiệu quả trong giải quyết các bài toán tối ưu hóa như tối ưu hóa đường đi, tối ưu hóa hàm số và tối ưu hóa bộ tham số bằng cách tìm kiếm một giải pháp tối ưu thông qua các bước lặp lại [50, 84].
Bên cạnh nhược điểm là thời gian thực hiện khá chậm vì yêu cầu nhiều lần lặp lại trong quá trình tìm kiếm để đạt được giải pháp tối ưu, SA có nhiều ưu điểm phù hợp với bài toán đề xuất với đặc điểm tối ưu bộ tham số trong không gian tìm kiếm lớn. Một trong số những ưu điểm của SA là phương pháp thực hiện
đơn giản và có độ phức tạp thấp hơn so với các phương pháp xấp xỉ khác như các giải thuật bầy đàn, đàn kiến va gen di truyền. Khi thực hiện SA chỉ cần định
nghĩa cấu trúc lời giải và phương pháp di chuyển sang lời giải lân cận mà không
cần lưu trữ thông tin của tất cả các giải pháp được tạo ra trong quá trình tìm
kiếm như các phương pháp xấp xỉ khác. Hơn nữa, SA có ưu điểm đặc trưng là
có khả năng tìm kiếm trong không gian tìm kiếm lớn hơn và tối đu hơn so với
các phương pháp xấp xỉ khác do có khả năng vượt qua các điểm tối uu cục bộ
37
bằng cách chấp nhận các giá trị kém hơn giá trị hiện tại để duy trì khả năng
khám phá các vùng không giam tìm kiếm mới.