Đang tải... (xem toàn văn)
Tóm tắt luận án: Cung cấp tài nguyên cho dịch vụ ảo hóa dựa trên nền tảng máy chủ chia sẻ trong tính toán đám mây có nội dung gồm các chương. Chương 1: tổng quan và đề xuất bài toán cung cấp tài nguyên cho dịch vụ ảo hóa. Chương 2: cung cấp tài nguyên cho dịch vụ ảo hóa từ nền tảng máy chủ chia sẻ đồng nhất. Chương 3: cung cấp tài nguyên cho dịch vụ ảo hóa từ nền tảng máy chủ chia sẻ không đồng nhất. Chương 4: cung cấp tài nguyên đa mục tiêu cho dịch vụ ảo hóa từ nền tảng máy chủ chia sẻ không đồng nhất. Để tìm hiểu rõ hơn, mời các bạn cùng xem và tham khảo.
BỘ GIÁO DỤC VÀ ĐÀO TẠO ĐẠI HỌC ĐÀ NẴNG *** PHẠM NGUYỄN MINH NHỰT CUNG CẤP TÀI NGUYÊN CHO DỊCH VỤ ẢO HÓA DỰA TRÊN NỀN TẢNG MÁY CHỦ CHIA SẺ TRONG TÍNH TỐN ĐÁM MÂY CHUN NGÀNH: KHOA HỌC MÁY TÍNH MÃ SỐ: 62.48.01.01 TĨM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐÀ NẴNG, 2018 BỘ GIÁO DỤC VÀ ĐÀO TẠO ĐẠI HỌC ĐÀ NẴNG *** Người hướng dẫn khoa học: PGS TS Lê Văn Sơn PGS TS Đoàn Văn Ban Phản biện 1: GS TS Nguyễn Thúc Hải Phản biện 2: GS TS Nguyễn Thanh Thủy Phản biện 3: PGS TS Võ Thanh Tú Luận án bảo vệ trước Hội đồng chấm luận án cấp Cơ sở họp tại: Đại học Đà Nẵng Vào hồi: 08 30 ngày 12 tháng năm 2018 Có thể tìm hiểu luận án tại: - Thư viện Quốc gia Việt Nam - Trung tâm Thông tin - Học liệu, Đại học Đà Nẵng DANH MỤC CÁC CƠNG TRÌNH KHOA HỌC CỦA TÁC GIẢ LIÊN QUAN ĐẾN LUẬN ÁN Phạm Nguyễn Minh Nhựt, Đoàn Văn Ban, Lê Văn Sơn Mơ hình tảng máy chủ chia sẻ toán Vector Packing cung cấp tài ngun cho dịch vụ ảo hóa, Tạp chí Tin học Điều khiển học, 30(1):63-72, 2014 Phạm Nguyễn Minh Nhựt, Lê Văn Sơn, Đồn Văn Ban Thuật tốn Max-Min Ant System cung cấp tài nguyên cho dịch vụ ảo hóa từ tảng máy chủ chia sẻ Hội thảo quốc gia lần thứ XVII: Một số vấn đề chọn lọc Công nghệ thông tin Truyền thông, trang 331-336, 2014 Nguyen Minh Nhut Pham, Thu Huong Nguyen, Van Son Le Resource Allocation for Virtual Service Based on Heterogeneous Shared Hosting Platforms In the 8th Asian Conference Intelligent Information and Database Systems, 9622:51-60 Springer, 2016 Phạm Nguyễn Minh Nhựt, Lê Văn Sơn, Hoàng Bảo Hùng Thuật toán PSO cải tiến cung cấp tài nguyên cho dịch vụ ảo hóa dựa tảng máy chủ chia sẻ không đồng Chuyên san Các công trình nghiên cứu, phát triển ứng dụng Cơng nghệ thông tin Truyền thông, 2(36):80-95, 2016 Nguyen Minh Nhut Pham, Van Son Le Applying Ant Colony System Algorithm in Multi-Objective Resource Allocation for Virtual Services Journal of Information and Telecommunication, 1(4):319-333 Taylor & Francis, 2017 Nguyen Minh Nhut Pham, Van Son Le, Ha Huy Cuong Nguyen Energy-Efficient Resource Allocation for Virtual Service in Cloud Computing Environment In the 4th International conference on information system design and intelligent applications, Advances in Intelligent Systems and Computing, vol 672: 126-136 Springer, 2018 Nguyen Minh Nhut Pham, Van Son Le, Ha Huy Cuong Nguyen Energy Efficient Resource Allocation for Virtual Service Based on Heterogeneous Shared Hosting Platforms in Cloud Computing Cybernetics and Information Technologies, 17(3): 47-58 BAS, 2017 MỞ ĐẦU Lý chọn đề tài Mơ hình tính toán đám mây (Cloud Computing) phát triển dựa kết việc thích ứng Internet phát triển cơng nghệ lĩnh vực: tính tốn lưới (Grid Computing), tính tốn cụm (Cluster Computing), tính tốn tiện ích (Utility Computing) tính toán tự động (Automatic Computing) Mục đích hệ thống tạo tảng tính tốn hiệu quả, sử dụng chung tài ngun máy tính tích hợp thơng qua thiết bị phần cứng, mạng phần mềm nhằm nâng cao hiệu suất, khả chịu lỗi, đảm bảo tính sẵn sàng tài nguyên từ máy tính đơn lẻ Những đặc điểm hệ thống tính tốn đám mây đem lại nhiều lợi ích cho người dùng thuận lợi cho nhà cung cấp dịch vụ đám mây Tuy nhiên, thách thức việc tối ưu hệ thống cần quan tâm nghiên cứu, như: tiết kiệm tài nguyên lượng tiêu thụ cung cấp tài ngun, tối ưu mơ hình chi phí, khả cân tải, chủ đề nghiên cứu quan trọng Đặc biệt, nhu cầu sử dụng máy vật lý (Physical Machine) để cung cấp tài nguyên cho dịch vụ ảo hóa (Virtual Service) trung tâm liệu (Data Center) ngày tăng Điều này, dẫn đến việc sử dụng tài nguyên máy vật lý trung tâm liệu tăng, làm tăng lượng tiêu thụ lượng khí thải CO2 , trở thành mối đe dọa mơi trường sống Vì thế, tối ưu cung cấp tài nguyên máy vật lý cho dịch vụ ảo hóa từ tảng máy chủ chia sẻ trung tâm liệu, đáp ứng nhu cầu chất lượng dịch vụ, khả cân tải giảm thiểu tối đa sử dụng tài nguyên vật lý, lượng tiêu thụ cần thiết Đó mục đích đề tài: "Cung cấp tài nguyên cho dịch vụ ảo hóa dựa tảng máy chủ chia sẻ tính tốn đám mây " Đối tượng phạm vi nghiên cứu Cung cấp tài ngun hệ thống tính tốn đám mây phân thành 03 lớp toán: cung cấp ứng dụng, cung cấp máy ảo cung cấp tài nguyên vật lý (máy vật lý) cho dịch vụ ảo hóa để tạo máy ảo cung cấp cho đám mây Các lớp toán liên quan đến đối tượng sử dụng dịch vụ đám mây như: người dùng, nhà cung cấp dịch vụ SaaS, nhà cung cấp dịch vụ PaaS nhà cung cấp cấp dịch vụ IaaS Trong phạm vi đối tượng nghiên cứu, luận án tập trung nghiên cứu mơ hình cung cấp tài nguyên máy vật lý cho dịch vụ ảo hóa để tạo máy ảo, đáp ứng nhu cầu nhà cung cấp dịch vụ IaaS Nghiên cứu thuật toán Meta Heuristic, như: thuật toán Tối ưu bầy đàn, thuật toán Tối ưu đàn kiến thuật tốn Mơ luyện kim nhằm đề xuất thuật toán để giải toán cung cấp tài nguyên cho dịch vụ ảo hóa Phương pháp nghiên cứu 3.1 Phương pháp nghiên cứu tài liệu - Tìm kiếm, thu thập cơng trình nghiên cứu cơng bố tạp chí, kỷ yếu hội thảo, báo cáo khoa học, sách xuất lĩnh vực cung cấp tài ngun hệ thống tính tốn đám mây; - Trên sở tài liệu sưu tâp, thực phân tích, tổng hợp đề xuất toán nghiên cứu Đồng thời, dựa tài liệu thuật toán Tối ưu bầy đàn, Tối ưu đàn kiến Mô luyện kim đề xuất thuật toán cung cấp tài nguyên cho dịch vụ ảo hóa từ tảng máy chủ chia sẻ tính toán đám mây 3.2 Phương pháp thực nghiệm khoa học - Tạo lựa chọn liệu thực nghiệm; - Cài đặt đánh giá thuật toán đề xuất tập liệu thực nghiệm Sử dụng công cụ mơ hệ thống tính tốn đám mây CloudSim để triển khai thử nghiệm, phân tích đánh giá hiệu suất thuật toán đề xuất Ý nghĩa thực tiễn - Xây dựng mơ hình cung cấp tài nguyên vật lý cho dịch vụ ảo hóa từ tảng máy chủ chia sẻ để tạo máy ảo đề xuất thuật tốn để giải, góp phần nâng cao hiệu suất cung cấp tài nguyên lớp dịch vụ IaaS hệ thống tính tốn đám mây - Luận án sử dụng làm tài liệu tham khảo cho sinh viên, người đọc quan tâm vấn đề cung cấp tài nguyên cho dịch vụ ảo hóa nghiên cứu phương pháp Meta heuristic, phương pháp xấp xỉ để giải toán tối ưu Đóng góp luận án (1) Đề xuất mơ hình tốn học vấn đề cung cấp tài nguyên đa chiều cho dịch vụ ảo hóa từ tảng máy chủ chia sẻ đồng với mục tiêu tối thiểu số lượng máy vật lý dùng Áp dụng thuật toán Hệ kiến Max-Min, đề xuất thuật toán MDRAVS-MMAS để ước lượng so sánh với thuật tốn Firt Fit, Best Fit thơng qua 02 thước đo: số lượng máy vật lý cần dùng thời gian thực thuật toán Kết thực nghiệm nhận thấy rằng: thuật toán đề xuất MDRAVS-MMAS cho giá trị hàm mục tiêu tốt (tức là, số lượng máy vật lý cần dùng hơn) thuật tốn First Fit, Best Fit Độ phức tạp thuật toán đề xuất thực thời gian đa thức (2) Đề xuất mơ hình tốn học cho vấn đề cung cấp tài nguyên đa chiều cho dịch vụ ảo hóa từ tảng máy chủ chia sẻ không đồng với mục tiêu tối thiểu lượng tiêu thụ hệ thống Áp dụng thuật toán Tối ưu bầy đàn, cải tiến đề xuất thuật toán ECRAVS-PSO Áp dụng thuật tốn Mơ luyện kim, đề xuất thuật tốn ECRAVS-SA để ước lượng so sánh với thuật toán với thuật tốn Firt Fit Decreasing (FFD) thơng qua 02 thước đo: lượng tiêu thụ thời gian thực thuật toán Kết thực nghiệm nhận thấy rằng: 02 thuật toán đề xuất ECRAVS-PSO ECRAVS-SA cho giá trị hàm mục tiêu tốt (tức là, lượng tiêu thụ hơn) thuật tốn FFD Độ phức tạp thuật toán thực thời gian đa thức (3) Xây dựng mơ hình tốn học cho việc cung cấp tài nguyên đa mục tiêu, gồm: mục tiêu cân tải máy vật lý mục tiêu tối thiểu lượng tiêu thụ Áp dụng thuật toán Hệ đàn kiến, đề xuất thuật toán MORA-ACS để ước lượng so sánh với thuật tốn Round Robin thơng qua 03 thước đo: lượng tiêu thụ, độ lệch chuẩn thời gian thực thuật toán Kết thực nghiệm nhận thấy rằng: thuật toán đề xuất MORA-ACS cho giá trị hàm mục tiêu tốt (tức là, lượng tiêu thụ khả cân tải tốt hơn) thuật toán Round Robin Độ phức tạp thuật toán thực thời gian đa thức Bố cục luận án Ngoài phần mở đầu kết luận, nội dung luận án tổ chức gồm có 04 chương với cấu trúc sau: - Chương 1: Tổng quan đề xuất toán cung cấp tài nguyên cho dịch vụ ảo hóa - Chương 2: Cung cấp tài nguyên cho dịch vụ ảo hóa từ tảng máy chủ chia sẻ đồng - Chương 3: Cung cấp tài nguyên cho dịch vụ ảo hóa từ tảng máy chủ chia sẻ khơng đồng - Chương 4: Cung cấp tài nguyên đa mục tiêu cho dịch vụ ảo hóa từ tảng máy chủ chia sẻ không đồng Các kết luận án cơng bố 07 cơng trình khoa học Trong đó, có 01 đăng kỷ yếu hội thảo quốc gia, 02 đăng tạp chí chuyên ngành nước, 02 đăng tạp chí quốc tế 02 đăng hội thảo quốc tế chuyên ngành Chương TỔNG QUAN VÀ ĐỀ XUẤT BÀI TOÁN CUNG CẤP TÀI NGUYÊN CHO DỊCH VỤ ẢO HĨA 1.1.Hệ thống tính tốn đám mây Peter Mell Tim Grance định nghĩa mơ hình hệ thống tính tốn đám mây sau: "Một mơ hình cho phép việc truy cập mạng cách rộng rãi, tiện lợi theo nhu cầu nhằm chia sẻ tài ngun tính tốn (ví dụ: mạng, máy chủ, thiết bị lưu trữ, ứng dụng dịch vụ) cấp phát nhanh với khả tối thiểu nỗ lực quản lý, cung cấp dịch vụ Mơ hình đám mây gồm có đặc điểm chính, mơ hình dịch vụ mơ hình triển khai." - 05 đặc điểm đám mây, gồm: truy cập mạng diện rộng, dịch vụ cung cấp tự động theo nhu cầu, tổng hợp tài nguyên, tính co dãn nhanh dịch vụ đo lường - 03 mơ hình dịch vụ, là: sở hạ tầng dịch vụ, tảng dịch vụ phần mềm dịch vụ Ngoài ra, phần cứng dịch vụ xem mơ hình dịch vụ hệ thống tính tốn đám mây - Phân loại dựa vào tiêu chí triển khai, có 04 loại đám mây: đám mây riêng, đám mây công cộng, đám mây cộng đồng đám mây lai 1.2.Yêu cầu thách thức hệ thống tính tốn đám mây - u cầu: mục đích hệ thống, dịch vụ, ảo hoá, đàm phán QoS động, giao diện truy cập người dùng, dịch vụ giá trị gia tăng - Thách thức: bảo mật, mô hình chi phí, mơ hình tính phí, tiết kiệm tài nguyên, thỏa thuận mức dịch vụ, di trú máy ảo 1.3.Máy ảo Theo Goldberg, máy ảo định nghĩa "một cô lập hệ thống máy tính thực, tập vi xử lý ảo thực vi xử lý máy chủ thực cách tự nhiên" 1.4.Cơng nghệ ảo hóa Cơng nghệ ảo hóa bao gồm việc kết hợp phân chia tài ngun tính tốn để biểu diễn nhiều môi trường hoạt động Trong kiến trúc phân tầng cơng nghệ ảo hóa, tầng ảo hóa phân vùng tài nguyên hành nhiều máy chủ vật lý bên thành nhiều máy ảo, tương ứng Hiện nay, công nghệ ảo hóa có 02 loại: ảo hóa phân chia gọi ảo hóa máy chủ ảo hóa tích hợp 1.5.Cơng cụ mơ hệ thống tính tốn đám mây Triển khai đám mây thực tế sử dụng đám mây thương mại để thử nghiệm tốn Vì thế, sử dụng cơng cụ mơ có chức tương tự đám mây thực tế để triển khai nghiên cứu thử nghiệm cách thức thơng dụng Dựa đặc tính chi phí, chức yêu cầu thử nghiệm đề tài, luận án chọn công cụ CloudSim để triển khai thực nghiệm, đánh giá thuật toán giải toán đề xuất 1.6.Cung cấp tài ngun hệ thống tính tốn đám mây Mơ hình cung cấp tài ngun tính tốn đám mây trình bày Hình 1.1 Trong đó, V số ứng dụng ứng dụng có T tác vụ Mỗi ứng dụng nhận yêu cầu từ người dùng Các ứng dụng chạy N máy ảo máy ảo cung cấp tài ngun từ M máy vật lý Theo mơ hình này, có 03 đối tượng tham gia hoạt động hệ thống Hình 1.1: Mơ hình cung cấp tài ngun hệ thống tính tốn đám mây tính tốn đám mây, bao gồm: nhà cung cấp đám mây (cloud provider), nhà cung cấp ứng dụng (application provider) người dùng đầu cuối (User) Trong đó, nhà cung cấp đám mây cung cấp tài nguyên phần cứng tài nguyên ảo hóa chạy tài nguyên phần cứng Người dùng đầu cuối truy cập trực tiếp vào tài nguyên ảo hóa Nhà cung cấp ứng dụng chọn lựa máy ảo cài đặt môi trường hoạt động máy ảo như: hệ điều hành khách, phần mềm triển khai ứng dụng thông qua giao diện ứng dụng cung cấp từ nhà cung cấp đám mây Ngoài ra, nhà cung cấp ứng dụng phát triển triển khai ứng dụng hệ thống máy ảo đến người dùng đầu cuối Như vậy, cung cấp tài nguyên đám mây có 03 loại: cung cấp ứng dụng, cung cấp máy ảo cung cấp tài nguyên vật lý cho dịch vụ ảo hóa 1.7.Các nghiên cứu liên quan đến cung cấp tài ngun cho dịch vụ ảo hóa 1.7.1.Mơ hình hệ thống cung cấp tài nguyên cho dịch vụ ảo hóa Mục tiêu luận án nghiên cứu tốn cung cấp tài ngun tĩnh, mơ hình hệ thống cung cấp tài nguyên tĩnh cho dịch vụ ảo hóa dựa tảng máy chủ chia sẻ Mark Stillwell cộng đề xuất, trình bày Hình 1.2 Hình 1.2: Mơ hình cung cấp tài nguyên cho dịch vụ ảo hóa từ tảng máy chủ chia sẻ - Nền tảng máy chủ chia sẻ (Shared Hosting Platform): gồm cụm máy vật lý (Physical Machine) kết nối qua thiết bị mạng để chia sẻ tài nguyên nhằm cung cấp cho dịch vụ ảo hóa (Virtual Service) Nếu máy vật lý có cấu hình tài ngun giống gọi tảng máy chủ chia sẻ đồng (Homogeneous Shared Hosting Platform) Ngược lại, máy vật lý có cấu hình tài ngun khơng giống gọi tảng máy chủ chia sẻ không đồng (Heterogeneous Shared Hosting Platform) - Dịch vụ ảo hóa (Virtual Service): dịch vụ ảo hóa ánh xạ tài nguyên f : S → R Sao cho, với sk ∈ S rk ∈ R f (sk ) = rk rk biểu diễn tài nguyên thực tương ứng tài nguyên ảo sk tài nguyên loại k Trong đó, S = {sk |k = D} tập tài nguyên ảo máy ảo, R = {rk |k = 1, , D} tập tài nguyên thực máy vật lý D số loại tài nguyên - Bộ giám sát máy ảo (Virtual Machine Manager): giám sát, quản lý máy ảo thực thi máy vật lý - Hệ thống quản lý máy ảo (Virtual Machine Manager System): điều khiển các Bộ giám sát máy ảo nhằm xác định tỷ lệ tài nguyên tiêu thụ máy ảo, di trú máy ảo từ máy vật lý sang máy vật lý khác hệ thống - Bộ cung cấp tài nguyên (Resource Allocator): cung cấp tài nguyên cho dịch vụ ảo hóa để đáp ứng nhu cầu tạo máy ảo Theo mơ hình này, hệ thống nhận yêu cầu cung cấp cụm máy ảo (yêu cầu tĩnh) để thực thi ứng dụng đám mây, hệ thống đáp ứng cách thiết lập nhiều máy ảo để thực thi yêu cầu Các máy ảo chạy máy vật lý quản lý Bộ giám sát máy ảo tiêu thụ tài nguyên theo tỷ lệ khác Hệ thống quản lý máy ảo có nhiệm vụ kiểm sốt Bộ giám sát máy ảo để xác định tỷ lệ tiêu thụ tài nguyên máy ảo Cuối cùng, Bộ cung cấp tài nguyên dựa nhu cầu tài nguyên máy ảo tài nguyên có máy vật lý để định từ chối đáp ứng yêu cầu, phân chia tỷ lệ tài nguyên đến dịch vụ ảo hóa để đáp ứng tài ngun cho máy ảo 1.7.2.Mơ hình cung cấp tài nguyên cho dịch vụ ảo hóa với mục tiêu tối thiểu số lượng máy vật lý dùng Nghiên cứu cải tiến mơ hình cung cấp tài ngun cho dịch vụ ảo hóa với mục tiêu tối thiểu số lượng máy vật lý cần dùng phải xét nhiều loại tài nguyên (còn gọi tài nguyên đa chiều - Multi Dimensional Resource) Đề xuất thuật toán để giải so sánh với thuật toán FFD cần thiết 1.7.3.Mơ hình cung cấp tài ngun cho dịch vụ ảo hóa với mục tiêu tối thiểu lượng tiêu thụ Nghiên cứu cải tiến mơ hình cung cấp tài nguyên cho dịch vụ ảo hóa với mục tiêu tối thiểu lượng tiêu thụ cần tính đến việc tiêu thụ lượng tất tài nguyên xét tảng máy chủ chia sẻ không đồng cần thiết 1.7.4.Mơ hình cung cấp tài ngun cho dịch vụ ảo hóa với mục tiêu cân tải Nghiên cứu cải tiến mơ hình cung cấp tài nguyên cho dịch vụ ảo hóa từ tảng máy chủ chia sẻ không đồng cần xét đến mô hình đa mục tiêu: mục tiêu tối thiểu lượng tiêu thụ mục tiêu cân tải máy vật lý Thiết kế thuật toán để giải so sánh với thuật toán Round Robin cần thiết 1.8.Mục tiêu nội dung luận án 1.8.1.Mục tiêu nghiên cứu luận án Mục tiêu luận án là: đề xuất giải pháp tối ưu cho toán cung cấp tài nguyên vật lý đa chiều (nhiều loại tài nguyên, như: CPU, RAM, Disk, ) từ tảng máy chủ chia sẻ cho dịch vụ ảo hóa trung tâm liệu hệ thống tính tốn đám mây, đảm bảo tối thiểu tài nguyên máy vật lý sử dụng, tối thiểu lượng tiêu thụ hệ thống đảm bảo cân tải máy vật lý 1.8.2.Nội dung nghiên cứu luận án Nội dung nghiên cứu triển khai thông qua 03 toán cụ thể sau: - Bài toán 1: Cung cấp tài nguyên đa chiều cho dịch vụ ảo hóa từ tảng máy chủ chia sẻ đồng nhất, với mục tiêu tối thiểu số lượng máy vật lý cần dùng (Multi-Dimensional Resource Allocation for Virtual Services – MDRAVS) - Bài toán 2: Cung cấp tài nguyên đa chiều cho dịch vụ ảo hóa từ tảng máy chủ chia sẻ không đồng nhất, với mục tiêu tối thiểu lượng tiêu thụ (Energy Consumption Resource Allocation for Virtual Services 2.3.Đề xuất giải pháp cho toán MDRAVS 2.3.1.Giải pháp áp dụng thuật toán First Fit Best Fit Áp dụng thuật toán First Fit, Best Fit để giải tốn MDRAVS trình bày Thuật tốn Nội dung cơng bố cơng trình số Thuật tốn 1: thuật tốn First Fit, Best Fit Đầu vào: • Tập dịch vụ ảo hóa VS = {i | i = 1, , N }, dịch vụ ảo hóa có nhu cầu tài nguyên rik tương ứng với loại nhu cầu aik , tập loại tài nguyên D = {k | k = 1, , D} • Tập máy vật lý PM = {j | j = 1, , M } với suất dịch vụ bij Đầu : Tập máy vật lý dùng (tương ứng xij =1) Dựa nhu cầu tài nguyên tập dịch vụ ảo hóa VS, xây dựng N vector, phần tử vector rik Áp dụng tiêu chuẩn xếp, xếp giảm dần phần tử tập VS Áp dụng thuật toán First Fit, Best Fit để đặt phần tử N vector vào máy vật lý cho thỏa mãn điều kiện: N (((bij × (1 − aik ) + aik ) × rik ) × xij ) ≤ 1, ∀k ∈ D, j ∈ PM i=1 Nếu đáp ứng nhu cầu tài nguyên chưa hoàn tất, quay lại Bước Nếu đáp ứng nhu cầu tài ngun hồn tất đầu tập máy vật lý dùng (đây giá trị hàm mục tiêu toán MDRAVS) Trước áp dụng thuật toán First Fit, Best Fit, phần tử tập VS xếp theo thứ tự giảm dần theo tiêu chuẩn, là: Từ điển, Thành phần cực đại, Tổng cực đại Tổ hợp từ hai thuật toán tham lam First Fit, Best Fit với tiêu chí xếp, có 06 phiên thuật tốn, là: BestFitDesSum, BestFitDesMax, BestFitDesLex, FirstFitDesSum, FirstFitDesMax FirstFitDesLex Cố định số loại tài nguyên D, độ phức tạp Thuật toán O(N × M ) 2.3.2.Đề xuất thuật tốn MDRAVS-MMAS Dựa thuật toán Hệ kiến Max-Min đề xuất thuật tốn MDRAVSMMAS trình bày Thuật tốn Nội dung trình bày cơng trình số - Bài tốn MDRAVS trình bày Mục 2.2.1 toán cung cấp tài nguyên tĩnh Vì thế, thời điểm cung cấp tài nguyên, tập dịch vụ ảo hóa VS với nhu cầu tài nguyên ri∗ , ri∗∗ , tập máy vật lý PM lực tài nguyên máy vật lý hoàn toàn xác định - Gọi P (numLoop) xác suất tìm thấy giải pháp thuật tốn sau numLoop bước lặp, Stutzle Dorigo chứng minh rằng: 10 Thuật toán 2: Thuật toán MDRAVS-MMAS Đầu vào: • Tập dịch vụ ảo hóa VS với vector ri∗ , ri∗∗ Tập máy vật lý PM • Các tham số: α, β, ρ, pbest , τ max , số lần lặp numLoop số kiến numAnt Đầu : Giải pháp tốt nhất, S best−toan−cuc , số máy vật lý dùng Khởi tạo tham số α, β, ρ, pbest , τ max thiết lập giá trị mùi τij = τ max ; for nL := → numLoop for nA := → numAnt j := ; /* Sử dụng máy vật lý j, j số máy vật lý */ nA BIN ARY := [eij := 0], ∀i ∈ {1, , N }, ∀j ∈ {1, , M }; while (VS = ∅) VStemp = M i ∈ VS j=1 10 11 12 13 14 15 xij = ∧ Rj + ri∗ + ri∗∗ ≤ Cj , ∀j ; if (VStemp = ∅) then Chọn ngẫu nhiên dịch vụ ảo hóa i ∈ VStemp theo xác [τij ]α ×[ηij ]β temp ; suất pij := α β , ∀i ∈ VS u∈VStemp [τuj ] ×[ηuj ] ∗ ∗∗ eij := 1; VS := VS − {i}; Rj := Rj + (ri + ri ); else j := j + ; /* Sử dụng thêm máy vật lý j */ So sánh giải pháp thông qua ma trận BIN ARY nA kiến tạo dựa vào giá trị f (S best ) lưu giải pháp tốt vào biến S best−vong−lap ; if (nL = ∨ Best − T oan − Cuc(S best−vong−lap )) then S best−toan−cuc := S best−vong−lap ; /* Đây giải pháp tốt tồn cục Trong đó, hàm Best − T oan − Cuc(S best−vong−lap ) kiểm tra S best−vong−lap có phải giải pháp tốt đến thời điểm hay không */ 16 17 18 19 20 21 22 23 Tính giá trị τ , τ max ; foreach (i, j) ∈ (VS × PM) τij := ρ × τij + ∆τijbest ; if (τij > τ max ) then τij := τ max ; if (τij < τ ) then τij = τ ; return Giải pháp tốt toàn cục S best−toan−cuc ; ∀ε > numLoop đủ lớn lim numLoop→∞ P (numLoop) = Vì thế, thuật tốn MDRAVS-MMAS hội tụ sau numLoop bước lặp - Nếu cố định số loại tài nguyên D, độ phức tạp thuật tốn O(numLoop × numAnt × N × M ) 2.3.3.Thực nghiệm nhận xét 11 2.3.3.1.Phương pháp mô Để đánh giá thuật toán, sử dụng 4500 mẫu liệu đầu vào tạo theo phương pháp ngẫu nhiên 2.3.3.2.Nhận xét kết thực nghiệm thuật toán First Fit, Best Fit Kết thực nghiệm phiên thuật toán First Fit Best Fit trình bày Bảng 2.1 Bảng 2.2 Bảng 2.1: Thời gian thực thuật toán First Fit Best Fit Tên thuật toán FirstFitDesMax FirstFitDesLex FirstFitDesSum BestFitDesMax BestFitDesLex BestFitDesSum N=32 0,00009 0,00010 0,00016 0,00121 0,00123 0,00128 N=64 0,00107 0,00114 0,00113 0,00254 0,00232 0,00234 N=128 0,00303 0,00214 0,00268 0,00833 0,00783 0,00800 N=256 0,01076 0,00827 0,00932 0,03741 0,03500 0,03693 N=512 0,03193 0,02529 0,02791 0,03741 0,12253 0,13380 Bảng 2.2: Số máy vật lý sử dụng thực thuật toán First Fit Best Fit Tên thuật toán FirstFitDesMax FirstFitDesLex FirstFitDesSum BestFitDesMax BestFitDesLex BestFitDesSum N=32 24 24 24 24 24 24 N=64 47 47 47 47 47 47 N=128 90 90 90 90 89 90 N=256 174 174 174 174 170 174 N=512 344 344 344 344 327 344 2.3.3.3.Nhận xét kết thực nghiệm thuật toán MDRAVSMMAS, First Fit Best Fit Giá trị tham số thuật toán MDRAVS-MMAS : α = 1, β = 2, ρ = 0, 9, pbest = 0,05, τ max = 3, numLoop = 5, numAnt = Kết thực nghiệm thuật toán MDRAVS-MMAS, First Fit Best Fit trình bày Bảng 2.3 Bảng 2.4 Bảng 2.3: Số máy vật lý sử dụng thực thuật toán MDRAVSMMAS thuật toán khác Tên thuật toán FirstFit BestFit MDRAVS-MMAS N=32 24 24 24 N=64 47 47 47 12 N=128 90 89,7 88 N=256 174 172,7 172 N=512 344 338,3 323 Bảng 2.4: Thời gian thực thuật toán MDRAVS-MMAS thuật toán khác Tên thuật toán FirstFit BestFit MDRAVS-MMAS N=32 0,000117 0,001240 0,001000 N=64 0,001113 0,002400 0,003000 N=128 0,002617 0,006553 0,020890 N=256 0,009450 0,036447 0,040120 N=512 0,028377 0,129133 0,074100 2.4.Tiểu kết Chương Dựa mơ hình hệ thống cung cấp tài nguyên cho dịch vụ ảo hóa Mark Stillwell cộng đề xuất, luận án đề xuất mơ hình tốn học vấn đề cung cấp tài nguyên đa chiều (xét nhiều loại tài nguyên, như: CPU, RAM, Disk, ) cho dịch vụ ảo hóa từ tảng máy chủ chia sẻ đồng nhất, với mục tiêu tối thiểu số lượng máy vật lý cần dùng Đây toán cung cấp tài nguyên hạn chế thuộc lớp toán NP-đầy đủ Để ước lượng toán, luận án thực thuật toán để giải, cụ thể: - Dựa thuật toán chuẩn giải toán Vector Packing, áp dụng thuật toán First Fit Best Fit để đưa 06 phiên khác thuật toán Các thuật toán cơng bố cơng trình số 1; - Đề xuất thuật toán MDRAVS-MMAS sở thuật áp dụng thuật toán tối ưu Hệ kiến Max-Min Thuật toán MDRAVS-MMAS cơng bố cơng trình số Các thuật tốn đánh giá thơng qua loạt kịch mô 4500 mẫu liệu, liệu thực nghiệm tạo theo phương pháp xác suất ngẫu nhiên, kết so sánh thuật toán dựa 02 thước đo: số lượng máy vật lý cần dùng (hàm mục tiêu toán) thời gian thực thuật tốn Chương trình mơ thuật tốn thực ngơn ngữ C++ thời gian thực thuật toán đo máy tính đơn có vi xử lý Intel Core Duo 1.86 GHz, RAM 2Gb Các kết thực nghiệm cho thấy: - Độ phức tạp thuật toán thực thời gian đa thức; - Khi số lượng (miền toán) dịch vụ ảo hóa nhỏ thước đo thuật tốn không khác nhiều Trường hợp, số dịch vụ lớn thuật tốn MDRAVS-MMAS cho số lượng máy vật lý cần dùng (tức là, tiết kiệm tài nguyên hơn) 02 thuật toán First Fit Best Fit Hơn nữa, thời gian thực thuật toán nhỏ, nên phù hợp triển khai hệ thống tính tốn đám mây thực tế 13 Chương CUNG CẤP TÀI NGUYÊN CHO DỊCH VỤ ẢO HÓA TỪ NỀN TẢNG MÁY CHỦ CHIA SẺ KHƠNG ĐỒNG NHẤT 3.1.Mơ hình tài nguyên nhu cầu tài nguyên Khác với Chương xét môi trường đồng nhất, nội dung chương khảo sát tảng máy chủ chia sẻ không đồng (Heterogeneous Shared Hosting Platform), gồm cụm máy vật lý có cấu hình tài ngun khơng giống nhau, kết nối qua thiết bị mạng để chia sẻ tài nguyên nhằm cung cấp cho dịch vụ ảo hóa (trường hợp tĩnh) Vì thế, mơ hình tài ngun nhu cầu tài nguyên mở rộng sau: Xét tảng máy chủ chia sẻ không đồng nhất, gồm tập PM máy vật lý có cấu hình tài nguyên không giống nhau, PM = {j | j = 1, , M } M số lượng máy vật lý Các máy vật lý kết nối qua thiết bị mạng tốc độ cao để chia sẻ tài nguyên nhằm cung cấp cho tập VS dịch vụ ảo hóa, VS = {i | i = 1, , N } N số lượng dịch vụ ảo hóa với dịch vụ ảo hóa máy ảo Mỗi máy vật lý cung cấp tập D loại tài nguyên, với D = {k | k = 1, , D} D số loại tài nguyên Đối với loại tài nguyên máy vật lý có nhiều thành phần tài nguyên riêng biệt (ví dụ, nhiều CPU, nhiều RAM, ) tài nguyên tổng hợp Vì thế, tài nguyên máy vật lý biểu diễn cặp vector (C e , C a ) Trong đó, C e = {cejk | j = 1, , M ; k = 1, , D} vector tài nguyên thành phần mà phần tử cejk ∈ Q+ biểu diễn phần tử đơn lẻ loại tài nguyên k máy vật lý j C a = {cajk | j = 1, , M ; k = 1, , D} vector tài nguyên tổng hợp mà phần tử cajk ∈ Q+ biểu diễn tổng phần tử đơn lẻ loại tài nguyên k máy vật lý j Tương tự, nhu cầu tài nguyên dịch vụ ảo hóa biểu diễn cặp vector, bao gồm: vector nhu cầu tài nguyên thành phần vector nhu cầu tài nguyên tổng hợp Hơn nữa, nhu cầu tài nguyên dịch vụ ảo hóa có hai loại: nhu cầu tất yếu nhu cầu tùy biến Trong đó: - Nhu cầu tất yếu tài nguyên loại k dịch vụ ảo hóa i biểu diễn cặp vector (Re , Ra ) để biểu thị nhu cầu tài nguyên cần thiết để cung cấp tài nguyên cho dịch vụ ảo hóa mức tối thiểu chấp nhận Nếu nhu cầu tài nguyên tất yếu không đáp ứng việc cung cấp e tài nguyên thất bại Trong đó, Re = {rik | i = 1, , N ; k = 1, , D} a a R = {rik | i = 1, , N ; k = 1, , D} vector biểu thị nhu cầu tài nguyên tất yếu thành phần nhu cầu tài nguyên tất yếu tổng hợp, tương e ứng rik ∈ Q+ phần tử nhu cầu tất yếu thành phần loại tài nguyên k a dịch vụ ảo hóa i rik ∈ Q+ phần tử nhu cầu tất yếu tổng hợp loại tài 14 nguyên k dịch vụ ảo hóa i - Nhu cầu tùy biến tài nguyên loại k dịch vụ ảo hóa i biểu diễn cặp vector (F e , F a ) Trong đó, vector thứ F e = {fike | i = 1, , N ; k = 1, , D} chứa phần tử fike ∈ Q+ để biểu diễn nhu cầu tùy biến thành phần loại tài nguyên k dịch vụ ảo hóa i Vector thứ hai F a = {fika | i = 1, , N ; k = 1, , D} chứa phần tử fika ∈ Q+ để biểu diễn nhu cầu tài nguyên tùy biến tổng hợp loại tài nguyên k dịch vụ ảo hóa i Như vậy, cặp vector nhu cầu tùy biến (F e , F a ) biểu thị tài nguyên bổ sung cần thiết để cung cấp tài nguyên cho dịch vụ ảo hóa mức tối đa Nên, nhu cầu tùy biến biểu diễn tích nhu cầu tùy biến với vector hệ số bổ sung Q = {qij | i = 1, , N ; j = 1, , M } gọi nhu cầu tùy biến ràng buộc Trong đó, phần tử qij ∈ Q+ gọi hệ số bổ sung nhu cầu tùy biến dịch vụ ảo hóa i máy vật lý j Vì thế, cặp vector biểu diễn nhu cầu tài nguyên dịch vụ ảo hóa (Re + Q × F e , Ra + Q × F a ) 3.2.Mơ hình lượng tiêu thụ Xét hệ thống cung cấp tài nguyên cho dịch vụ ảo hóa trình bày Mục 1.7.1 (Hình 1.2) mơ hình tài ngun nhu cầu tài nguyên cho dịch vụ ảo hóa Mục 3.1 Để ước lượng lượng tiêu thụ máy vật lý, luận án đề xuất tính nguồn điện tiêu thụ máy vật lý j hàm tuyến tính Pj (uj ) Cơng thức (3.1) Pj (uj ) = Pjmax − Pjidle × uj + Pjidle , ∀j ∈ PM (3.1) Trong đó, Pjmax ∈ Q+ Pjidle ∈ Q+ công suất máy vật lý j tương ứng trạng thái sử dụng tiện ích tài nguyên tối đa trạng thái không hoạt động Luận án mở rộng cơng suất tính cho tất loại tài nguyên, tức uj tổng tiện ích sử dụng tất loại tài nguyên máy vật lý j, uj ∈ [0, 1] tính theo Cơng thức (3.2) N D uj = k=1 ujk = cajk D i=1 k=1 a (rik + qij × fika ) × xij , cajk ∀j ∈ PM (3.2) Do vậy, lượng tiêu thụ M máy vật lý cung cấp tài nguyên cho N dịch vụ ảo hóa khoảng thời gian ∆t tính Cơng thức (3.3) M E (t) = ∆t × P (uj ) j=1 15 (3.3) 3.3.Phát biểu toán ECRAVS Với phát biểu Mục 3.1 với Công thức (3.1), (3.2) (3.3) Mục 3.2, toán cung cấp tài nguyên cho dịch vụ ảo hóa từ tảng máy chủ chia sẻ không đồng nhất, với mục tiêu tối thiểu lượng tiêu thụ (Energy Consumption Resource Allocation for Virtual Services ECRAVS) trình bày sau: e a xij ∈ {0, 1}; qij , rik , rik , fike , fika , ceik , caik ∈ Q+ , ∀i ∈ VS, j ∈ PM, k ∈ D (3.4) M xij = 1, ∀i ∈ VS (3.5) ∀i ∈ VS, j ∈ PM, k ∈ D (3.6) j=1 e (rik + qij × fike ) × xij ≤ cejk , N a ((rik + qij × fika ) × xij ) ≤ cajk , ∀j ∈ PM, k ∈ D (3.7) i=1 M j=1 D k=1 max Pj − Pjidle × N i=1 a (rik + qij × fika ) × xij cajk + Pjidle → (3.8) 3.4.Đề xuất giải pháp cho toán ECRAVS 3.4.1.Giải pháp dựa thuật toán Tối ưu bầy đàn: Đề xuất thuật toán ECRAVS-PSO Dựa thuật toán Tối ưu bầy đàn, đề xuất thuật tốn ECRAVS-PSO để giải tốn ECRAVS trình bày Thuật tốn cơng bố cơng trình số - Bài tốn ECRAVS trình bày Mục 3.3 toán cung cấp tài nguyên tĩnh Vì thế, thời điểm cung cấp tài nguyên, tập dịch vụ ảo e a hóa VS với nhu cầu tài nguyên rik ,rik ,fike ,fika , tập máy vật lý PM lực tài nguyên máy vật lý cejk , cajk hoàn toàn xác định - Van den Bergh chứng minh độ hội tụ thuật toán Tối ưu bầy đàn sau: gọi x∗ giá trị tối thiểu tồn cục hàm mục tiêu khơng gian giải pháp S, gọi xnumLoop chuỗi giải pháp tạo thuật toán Tối ưu bầy đàn sau numLoop lần lặp xác suất 16 Thuật tốn 3: Thuật tốn ECRAVS-PSO Đầu vào: • Tập dịch vụ ảo hóa VS = {i | i = 1, , N }, tập loại tài nguyên D = {k | k = e ,r a ,f e ,f a hệ số q 1, , D}, nhu cầu tài nguyên: rik ij ik ik ik • Tập máy vật lý PM = {j | j = 1, , M }, tài nguyên máy vật lý: cejk , cajk • Số lượng particle numP article số lần lặp numLoop Đầu : Danh sách dịch vụ ảo hóa cung cấp tài nguyên máy vật lý (tốt nhất), gBest int numP: = numP article; new gBest [M ] ; /* new pBest [numP ] [M ]; new particleLocal [numP ] [M ]; boolean new particleV elocity [numP ] [M ]; while (nL ≤ numLoop) for (nP := → numP ) Toán tử new dùng để khai báo mảng */ particalLocal [nP ] := initSolution (nP, PM, VS) foreach (j ∈ PM) if (particleLocal [nP ] [j] size = 0) then particleV elocity [numP ] [M ] := 0; 10 particleV elocity [numP ] [M ] := 1; 11 for (nP := → numP ) for (nQ := → parLoca[nP ].length) 12 13 pBest [nP ] [nQ] := particalLocal [nP ] [nQ]; 14 20 gBest := globalBestP article(particalLocal, PM) for (nP := → numP ) particleV elocity [nP ] := speedU pdate(); particleLocal [nP ] := positionU pdate(); pBest[nP ] := P BestU pdate(pBest[nP ]); gBest := GBestU pdate(gBest); 21 numLoop + +; 15 16 17 18 19 return gBest; 22 P( lim numLoop→∞ xnumLoop = x∗ ) > Vì thế, thuật toán ECRAVS-PSO hội tụ đến giá trị tối thiểu toàn cục sau numLoop lần lặp - Gọi N số dịch vụ ảo hóa, M số máy vật lý, numP artical số lượng particle, D số loại tài nguyên numLoop số lần lặp Cố định số loại tài nguyên, độ phức tạp thuật tốn ECRAVS-PSO là: O(numLoop × numP artical × N × M ) 17 3.4.2.Giải pháp dựa thuật tốn Mơ luyện kim: Đề xuất thuật toán ECRAVS-SA Dựa thuật tốn Mơ luyện kim, đề xuất thuật tốn ECRAVSSA để giải tốn ECRAVS trình bày Thuật tốn Nội dung trình bày cơng trình số số Thuật tốn 4: Thuật tốn ECRAVS-SA Đầu vào: • Tập dịch vụ ảo hóa VS = {i | i = 1, , N }, tập loại tài nguyên D = {k | k = e ,r a ,f e ,f a hệ số q 1, , D}, nhu cầu tài nguyên: rik ij ik ik ik • Tập máy vật lý PM = {j | j = 1, , M }, tài nguyên máy vật lý: cejk , cajk • Các giá trị nhiệt độ T T , số lần lặp numLoop hệ số làm lạnh CR Đầu : Danh sách dịch vụ ảo hóa cung cấp tài nguyên máy vật lý (tốt nhất), S best double T := T ; S best := initializeSolution(PM, VS) ; /* Thực thi Thuật toán FFD best Tính E theo Cơng thức (3.3); while (T > T ) for (nL := → numLoop) S current := S best ; Tính E current theo Công thức (3.3); S neighbor := currentN eighborSolution(M, N ); Tính E neighbor theo Cơng thức (3.3); if (E neighbor < E current ) then S current := S neighbor ; Tính E current theo Cơng thức (3.3); 10 11 12 14 E neighbor −E current T current S := S neighbor ; 15 Tính E current theo Cơng thức (3.3); 16 if (E current < E best ) then S best := S current ; Tính E current theo Cơng thức (3.3); 13 17 18 19 20 if (exp */ > random (0, 1)) then T := T × (1 − CR) ; /* CR hệ số làm lạnh */ return S best ; - Bài tốn ECRAVS trình bày Mục 3.3 toán cung cấp tài ngun tĩnh Vì thế, tương tự thuật tốn ECRAVS-PSO, thời điểm cung cấp tài nguyên, liệu đầu vào thuật toán ECRAVS-SA, e a gồm: tập dịch vụ ảo hóa VS với nhu cầu tài nguyên rik ,rik ,fike ,fika , tập máy vật lý PM với lực tài nguyên máy vật lý cejk , cajk hoàn toàn xác định 18 - Mitra cộng chứng minh thuật tốn Mơ luyện kim hội tụ đến giải pháp tối ưu tồn cục với xác suất Vì thuật toán ECRAVS-SA hội tụ sau bước lặp hữu hạn (tức là, T = T ) - Gọi N số dịch vụ ảo hóa, M số máy vật lý, D số loại tài nguyên Cố định số loại tài nguyên, độ phức tạp thuật tốn ECRAVS-SA O(T × numLoop × N × M ) 3.4.3.Thực nghiệm nhận xét 3.4.3.1.Phương pháp mô Để đánh giá thuật toán, luận án so sánh thuật toán đề xuất với thuật toán FFD môi trường CloudSim - Giá trị tham số thuật toán ECRAVS-PSO: thực nghiệm thấy rằng, số lượng particle 20, số lần lặp numLoop 10 cho kết hàm mục tiêu tốt - Giá trị tham số thuật toán ECRAVS-SA: lấy từ thực nghiệm, cụ thể: T =1000, T =0, CR=5 numLoop= 100 cho kết hàm mục tiêu tốt 3.4.3.2.Kết nhận xét Để đánh giá thuật toán sử dụng thước đo: - Năng lượng tiêu thụ khoảng thời gian t = 24 - Thời gian thực thuật toán - Đơn vị tính lượng tiêu thụ kWh thời gian thực thi giây(s) Bảng 3.1: Kết thực nghiệm thuật toán ECRAVS-PSO, ECRAVS-SA FFD Số nhu cầu máy ảo 100 200 300 400 500 Tên thuật toán FFD ECRAVS-SA ECRAVS-PSO FFD ECRAVS-SA ECRAVS-PSO FFD ECRAVS-SA ECRAVS-PSO FFD ECRAVS-SA ECRAVS-PSO FFD ECRAVS-SA ECRAVS-PSO Thời gian thực (s) 0,031 0,038 0,037 0,078 0,088 0,084 0,116 0,125 0,121 0,144 0,160 0,150 0,200 0,218 0,216 19 Năng lượng tiêu thụ (kWh) 201,284 193,000 190,726 396,706 392,490 390,292 597,989 584,564 574,440 793,411 772,185 770,908 994,694 972,439 960,156 Lợi ích lượng (%) 4,292 5,536 1,074 1,643 2,297 4,099 2,749 2,919 2,289 3,597 3.5.Tiểu kết Chương Trên sở mô hình hệ thống trình bày Mục 1.7.1 (Hình 1.2), nội dung chương mở rộng đặc tính tài nguyên máy vật lý nhu cầu tài nguyên dịch vụ ảo hóa cho tảng máy chủ chia sẻ khơng đồng Cải tiến mơ hình lượng tiêu thụ Zhibo Cao cách tính lượng tiêu thụ tất loại tài nguyên (mơ hình lượng tiêu thụ Zhibo Cao xét lượng tiêu thụ CPU) Trên sở đó, luận án đề xuất mơ hình cung cấp tài nguyên đa chiều (nhiều loại tài nguyên, như: CPU, RAM, Disk, ) từ tảng máy chủ chia sẻ không đồng cho dịch vụ ảo hóa với mục tiêu tối thiểu lượng tiêu thụ dạng toán quy hoạch tuyến tính với biến hữu tỷ nguyên Đây toán cung cấp tài nguyên hạn chế thuộc lớp toán NP-đầy đủ Để ước lượng toán, luận án đề xuất 02 thuật toán để giải so sánh cụ thể: - Áp dụng thuật tốn Mơ luyện kim, đề xuất thuật tốn ECRAVSSA; - Cải tiến thuật toán Tối ưu bầy đàn, đề xuất thuật toán ECRAVS-PSO Dữ liệu thực nghiệm tham khảo từ mẫu liệu thực tế so sánh kết thực nghiệm 02 thuật toán đề xuất với thuật tốn FFD Sử dụng cơng cụ mơ đám mây CloudSim để triển khai thực nghiệm, thời gian thực thuật tốn đo máy tính đơn có vi xử lý Intel(R) Core(TM) i5-3235M 2.60 GHz, RAM 4Gb Kết thực nghiệm nhận thấy rằng: lượng tiêu thụ đạt từ 02 thuật toán đề xuất ECRAVS-SA ECRAVS-PSO sử dụng thuật toán FFD (tức là, giá trị hàm mục tiêu tốt hơn) Trong đó, thuật tốn ECRAVS-PSO cho kết tốt Mặc dù, thời gian thực thi 02 thuật tốn đề xuất có lớn cách thức hoạt động chúng tối ưu toàn cục, đảm bảo thời gian đa thức áp dụng hệ thống tính tốn đám mây thực tế Các kết trình bày cơng trình số 3, số 4, số số 20 Chương CUNG CẤP TÀI NGUYÊN ĐA MỤC TIÊU CHO DỊCH VỤ ẢO HÓA TỪ NỀN TẢNG MÁY CHỦ CHIA SẺ KHƠNG ĐỒNG NHẤT 4.1.Mơ hình cân tải Theo tác giả Zongqin cộng sự, cung cấp tài nguyên đảm bảo mục tiêu cân tải tính thơng qua độ lệch chuẩn phần tài nguyên lại máy vật lý M × M σ= Rj − R (4.1) j=1 4.2.Phát biểu toán MORA Bài toán cung cấp tài nguyên đa mục tiêu cho dịch vụ ảo hóa từ tảng máy chủ chia sẻ không đồng (Multi-Objective Resource Allocation MORA) trình bày sau: e a xij ∈ {0, 1}; qij , rik , rik , fike , fika , ceik , caik ∈ Q+ , ∀i ∈ VS, j ∈ PM, k ∈ D (4.2) M xij = 1, ∀i ∈ VS (4.3) j=1 e (rik + qij × fike ) × xij ≤ cejk , ∀i ∈ VS, j ∈ PM, k ∈ D (4.4) N a ((rik + qij × fika ) × xij ) ≤ cajk , i=1 D k=1 a (rik + qij × fika ) × xij , − i=1 R= × M × M M j=1 D k=1 (4.5) N cajk Rj = ∀j ∈ PM, k ∈ D max Pj − Pjidle × ∀j ∈ PM (4.6) M Rj (4.7) j=1 M Rj − R j=1 N i=1 → (4.8) a (rik + qij × fika ) × xij cajk + Pjidle → (4.9) 4.3.Giải pháp cho toán MORA 4.3.1.Phương pháp tối ưu Pareto Tập giải pháp khả thi không bị vượt trội không gian giải pháp gọi tập tối ưu Pareto 21 4.3.2.Đề xuất thuật tốn MORA-ACS Thuật tốn MORA-ACS trình bày Thuật tốn cơng bố cơng trình số Thuật tốn 5: Thuật tốn MORA-ACS Đầu vào: • Tập dịch vụ ảo hóa VS = {i | i = 1, , N }, tập loại tài nguyên D = {k | k = e ,r a ,f e ,f a hệ số q 1, , D}, nhu cầu tài nguyên: rik ij ik ik ik • Tập máy vật lý PM = {j | j = 1, , M }, tài nguyên máy vật lý: cejk , cajk Đầu : Tập giải pháp tối ưu Patero, P Thiết lập tham số: ρlocal ,ρglobal , α, β, q , numAnt, numLoop ; /* numAnt số lượng kiến, numLoop số lần lặp */ 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 Khởi tạo tập Pareto P rỗng; Thực thi giải pháp khởi tạo thuật tốn FFD tính τij0 ; while (nL ≤ numLoop) for (nA := → numAnt) j := 1; /* Sử dụng máy vật lý j, j số máy vật lý while (VS = ∅) Xây dựng tập VStemp ; Tính giá trị ηij ; Tính giá trị pij ; if (VStemp = ∅) then Sinh số ngẫu nhiên q ∈ [0, 1]; if (q ≤ q ) then Thực trình khai thác; a + q × f a ); VS := VS − {i}; Loadj := Loadj + (rik ij ik else Thực trình khám phá; a + q × f a ); VS := VS − {i}; Loadj := Loadj + (rik ij ik else j := j + 1; /* Sử dụng thêm máy vật lý j */ */ Cập nhật mùi cục bộ; Tính hàm E(s) Cơng thức (3.3) σ(s) Công thức (4.1); Cập nhật giải pháp không bị vượt trội vào tập Pareto P Thuật tốn trình bày Mục 4.3.1; foreach s ∈ P Cập nhật mùi toàn cục; return Tập Pareto P; - Bài tốn MORA trình bày Mục 4.2 toán cung cấp tài nguyên tĩnh Vì thế, thời điểm cung cấp tài nguyên, liệu đầu vào thuật toán MORA-ACS, gồm: tập dịch vụ ảo hóa VS với nhu cầu tài e a nguyên rik ,rik ,fike ,fika , tập máy vật lý PM với lực tài nguyên máy vật lý cejk , cajk hoàn toàn xác định - Gọi P (numLoop) xác suất tìm thấy giải pháp thuật toán Hệ đàn 22 kiến sau numLoop bước lặp, sử dụng mơ hình Markov khơng đồng nhất, Stutzle Dorigo chứng minh rằng: ∀ε > numLoop đủ lớn P (numLoop) > − ε Do đó, lim P (numLoop) = Điều chứng numLoop→∞ tỏ thuật toán MORA-ACS hội tụ sau numLoop bước lặp - Độ phức tạp thuật toán: gọi N số dịch vụ ảo hóa, M số máy vật lý, D loại tài nguyên, numLoop số lần lặp numAnt số lượng kiến Cố định số loại tài nguyên D, độ phức tạp thuật tốn MORA-ACS : O(numLoop × numAnt × N × M ) 4.3.3.Thực nghiệm nhận xét 4.3.3.1.Phương pháp mơ Để đánh giá hiệu thuật tốn MORA-ACS, luận án so sánh thuật toán với thuật toán Round Robin môi trường CloudSim Giá trị ρlocal = ρglobal = 0, 45, α = β = 0, q = 0, cho kết hàm mục tiêu tốt Với thuật toán sử dụng 03 thước đo: độ lệch chuẩn, lượng tiêu thụ khoảng thời gian ∆t = 24 thời gian thực thuật toán 4.3.3.2.Kết thực nghiệm nhận xét Kết thực nghiệm trình bày Bảng 4.1 Bảng 4.1: Năng lượng tiêu thụ độ lệch chuẩn thuật toán MORAACS Round Robin Số nhu cầu máy ảo 100 200 300 400 500 Tên thuật toán Round Robin MORA-ACS Round Robin MORA-ACS Round Robin MORA-ACS Round Robin MORA-ACS Round Robin MORA-ACS Thời gian thực hiện(s) 0,031 0,037 0,078 0,084 0,116 0,121 0,144 0,150 0,200 0,216 Năng lượng tiêu thụ(kWh) 201,284 190,726 396,706 390,292 597,989 574,440 793,411 770,908 994,694 960,156 Lợi ích lượng(%) 5,536 1,643 4,099 2,919 3,597 Độ lệch chuẩn 53,24 40,75 49,95 43,04 52,35 41,33 54,63 42,31 53,03 40,52 4.4.Tiểu kết Chương Nội dung chương trình bày tốn cung cấp tài nguyên đa chiều từ tảng máy chủ chia sẻ không đồng cho dịch vụ ảo hóa, với 02 mục tiêu: tối thiểu lượng tiêu thụ đảm bảo cân tải Kết thực nghiệm cho thấy rằng: lượng tiêu thụ cân tải cho thuật toán MORA-ACS tốt thuật tốn Round Robin Kết cơng bố cơng trình số 23 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Kết luận Trong nội dung đề tài, luận án đạt số kết cụ thể sau: Dựa mơ hình hệ thống cung cấp tài nguyên cho dịch vụ ảo hóa Mark Stillwell cộng Đề xuất mơ hình tốn học vấn đề cung cấp tài nguyên cho dịch vụ ảo hóa từ tảng máy chủ chia sẻ đồng nhất, với mục tiêu tối thiểu số lượng máy vật lý cần dùng (thể Bài toán MDRAVS) Đề xuất thuật toán MDRAVS-MMAS để ước lượng so sánh với thuật tốn First Fit, Best Fit thơng qua 02 thước đo: số lượng máy vật lý cần dùng thời gian thực thuật toán Kết thực nghiệm nhận thấy rằng: thuật toán đề xuất MDRAVS-MMAS cho giá trị số lượng máy vật lý cần dùng thuật toán First Fit, Best Fit (tức là, tiết kiệm tài nguyên hơn) Độ phức tạp thuật toán thực thời gian đa thức Cải tiến mơ hình lượng tiêu thụ Eugen Feller đề xuất mơ hình tốn học cho vấn đề cung cấp tài nguyên từ tảng máy chủ chia sẻ không đồng với mục tiêu tối thiểu lượng tiêu thụ hệ thống (thể Bài toán ECRAVS) Đề xuất thuật toán ECRAVSPSO ECRAVS-SA để ước lượng so sánh với thuật toán First Fit Decreasing (FFD) thông qua 02 thước đo: lượng tiêu thụ thời gian thực thuật tốn Sử dụng cơng cụ mô đám mây CloudSim để triển khai thực nghiệm Kết thực nghiệm nhận thấy rằng: giá trị lượng tiêu thụ tìm từ 02 thuật tốn đề xuất ECRAVS-PSO ECRAVS-SA thuật tốn FFD (tức là, tiết kiệm lượng tiêu thụ hơn) Độ phức tạp thuật toán thực thời gian đa thức Xây dựng mơ hình tốn học cho việc cung cấp tài nguyên đa mục tiêu, gồm: mục tiêu cân tải máy vật lý mục tiêu tối thiểu lượng tiêu thụ (thể Bài toán MORA) Đề xuất thuật toán MORA-ACS để ước lượng so sánh với thuật toán Round Robin thông qua 03 thước đo: lượng tiêu thụ, độ lệch chuẩn thời gian thực thuật toán Sử dụng công cụ mô đám mây CloudSim để triển khai thực nghiệm Kết thực nghiệm nhận thấy rằng: lượng tiêu thụ khả cân tải thuật toán đề xuất MORA-ACS tốt thuật toán Round Robin Độ phức tạp thuật toán thực thời gian đa thức Những vấn đề cần tiếp tục nghiên cứu Hướng mở rộng nghiên cứu toán cung cấp tài nguyên động hệ thống tính tốn đám mây Nghiên cứu thuật tốn để rút ngắn thời gian thực vấn đề quan tâm thời gian đến 24 ... tốn cung cấp tài ngun cho dịch vụ ảo hóa - Chương 2: Cung cấp tài nguyên cho dịch vụ ảo hóa từ tảng máy chủ chia sẻ đồng - Chương 3: Cung cấp tài nguyên cho dịch vụ ảo hóa từ tảng máy chủ chia sẻ. .. vấn đề cung cấp tài nguyên đám mây toán liên quan đến Cung cấp tài ngun hệ thống tính tốn đám mây phân thành 03 lớp toán: toán cung cấp ứng dụng, toán cung cấp máy ảo toán cung cấp tài nguyên. .. cung cấp máy ảo cung cấp tài nguyên vật lý cho dịch vụ ảo hóa 1.7.Các nghiên cứu liên quan đến cung cấp tài nguyên cho dịch vụ ảo hóa 1.7.1.Mơ hình hệ thống cung cấp tài ngun cho dịch vụ ảo hóa