Đồ án HUST PHÁT TRIỂN THUẬT TOÁN CÂN BẰNG TẢI HYBRID KẾT HỢP PSO VÀ BBSO CHO HỆ THỐNG ĐIỆN TOÁN ĐÁM MÂY

Điện toán đám mây, ước mơ từ lâu về điện toán như một tiện ích, có khả năngchuyển đổi một phần lớn ngành CNTT, làm cho phần mềm trở nên hấp dẫn hơnnhư một dịch vụ và định hình cách thiết kế và mua phần cứng CNTT. Các nhà pháttriển có ý tưởng sáng tạo cho các dịch vụ Internet mới không còn yêu cầu chi phívốn lớn cho phần cứng để triển khai dịch vụ của họ hoặc chi phí nhân lực để vậnhành dịch vụ đó. Họ không cần lo lắng về việc cung cấp quá mức cho một dịch vụmà mức độ phổ biến của nó không đáp ứng được dự đoán của họ, do đó gây lãngphí tài nguyên tốn kém hoặc cung cấp dưới mức cho một dịch vụ trở nên cực kỳphổ biến, do đó bỏ lỡ khách hàng tiềm năng và doanh thu. Hơn nữa, các công tycó nhiệm vụ định hướng hàng loạt lớn có thể nhận được kết quả nhanh chóng khichương trình của họ có thể mở rộng quy mô, vì sử dụng 1000 máy chủ trong mộtgiờ không tốn nhiều chi phí hơn sử dụng một máy chủ trong 1000 giờ. Tính linhhoạt của các nguồn lực này, mà không phải trả phí bảo hiểm cho quy mô lớn, làđiều chưa từng có trong lịch sử CNTT. Điện toán đám mây đề cập đến cả các ứngdụng được cung cấp dưới dạng dịch vụ qua Internet và phần cứng và phần mềm hệthống trong các trung tâm dữ liệu cung cấp các dịch vụ đó. Bản thân các dịch vụtừ lâu đã được gọi là Phần mềm dưới dạng Dịch vụ (SaaS) 1. Phần cứng và phầnmềm của trung tâm dữ liệu là những gì chúng ta sẽ gọi là Đám mây. Khi một Đámmây được cung cấp theo phương thức trả tiền khi sử dụng cho công chúng, ta gọiđó là Đám mây Công cộng; dịch vụ đang được bán là Điện toán Tiện ích. Ta sửdụng thuật ngữ Đám mây riêng để chỉ các trung tâm dữ liệu nội bộ của một doanhnghiệp hoặc tổ chức khác, không được cung cấp cho công chúng. Do đó, Điện toánđám mây là tổng của SaaS và Điện toán tiện ích, nhưng không bao gồm Đám mâyriêng. Mọi người có thể là người dùng hoặc nhà cung cấp SaaS hoặc người dùnghoặc nhà cung cấp Điện toán tiện ích. NVDA tập trung vào Nhà cung cấp SaaS(Người dùng đám mây) và Nhà cung cấp đám mây, vốn ít được chú ý hơn Ngườidùng SaaS. Từ quan điểm phần cứng, có ba khía cạnh mới trong Điện toán đámmây.

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

TRƯỜNG ĐIỆN – ĐIỆN TỬ

Sinh viên thực hiện: TRẦN NGỌC THÀNH

Lớp ĐTVT04 – K63 Giảng viên hướng dẫn: THS DƯƠNG TẤN NGHĨA PGS.TS NGUYỄN HỮU PHÁT

Hà Nội, 3-2023

ĐÁNH GIÁ ĐỒ ÁN TỐT NGHIỆP

(DÀNH CHO CÁN BỘ HƯỚNG DẪN)

Tên đề tài: PHÁT TRIỂN THUẬT TOÁN CÂN BẰNG TẢI HYBRID KẾT HỢP PSO

VÀ BBSO CHO HỆ THỐNG ĐIỆN TOÁN ĐÁM MÂY

lề, dấu cách sau dấu chấm, dấu phẩy, có mở đầu chương và kết luận chương, có liệt kê tài liệu tham khảo và có trích dẫn, v.v

Kỹ năng diễn đạt, phân tích, giải thích, lập luận: Cấu trúc câu

rõ ràng, văn phong khoa học, lập luận logic và có cơ sở, thuật ngữ chuyên ngành phù hợp, v.v

Thực hiện đầy đủ quy trình nghiên cứu: Đặt vấn đề, mục tiêu

đề ra, phương pháp nghiên cứu/ giải quyết vấn đề, kết quả đạt được, đánh giá và kết luận

Nội dung và kết quả được trình bày một cách logic và hợp lý, được phân tích và đánh giá thỏa đáng Biện luận phân tích kết quả mô phỏng/ phần mềm/ thực nghiệm, so sánh kết quả đạt được với kết quả trước đó có liên quan

Chỉ rõ phù hợp giữa kết quả đạt được và mục tiêu ban đầu đề

ra đồng thời cung cấp lập luận để đề xuất hướng giải quyết có thể thực hiện trong tương lai Hàm lượng khoa học/ độ phức tạp cao, có tính mới/tính sáng tạo trong nội dung và kết quả

minh sáng chế (1 điểm)

Được báo cáo tại hội đồng cấp Trường trong hội nghị SV NCKH nhưng không đạt giải từ giải 3 trở lên/ Đạt giải khuyến khích trong cuộc thi khoa học trong nước, quốc tế/ Kết quả

đồ án là sản phẩm ứng dụng có tính hoàn thiện cao, yêu cầu

khối lượng thực hiện lớn (0,5 điểm)

ĐÁNH GIÁ ĐỒ ÁN TỐT NGHIỆP

(DÀNH CHO CÁN BỘ PHẢN BIỆN)

Tên đề tài: PHÁT TRIỂN THUẬT TOÁN CÂN BẰNG TẢI HYBRID KẾT HỢP PSO

VÀ BBSO CHO HỆ THỐNG ĐIỆN TOÁN ĐÁM MÂY

Đồ án trình bày đúng mẫu quy định, bố cục các chương logic

và hợp lý: Bảng biểu, hình ảnh rõ ràng, có tiêu đề, được đánh

số thứ tự và được giải thích hay đề cập đến trong đồ án, có căn lề, dấu cách sau dấu chấm, dấu phẩy, có mở đầu chương

và kết luận chương, có liệt kê tài liệu tham khảo và có trích dẫn, v.v

Kỹ năng diễn đạt, phân tích, giải thích, lập luận: cấu trúc câu

rõ ràng, văn phong khoa học, lập luận logic và có cơ sở, thuật ngữ chuyên ngành phù hợp, v.v

Nội dung và kết quả được trình bày một cách logic và hợp lý, được phân tích và đánh giá thỏa đáng Biện luận phân tích kết quả mô phỏng/ phần mềm/ thực nghiệm, so sánh kết quả đạt được với kết quả trước đó có liên quan

Chỉ rõ phù hợp giữa kết quả đạt được và mục tiêu ban đầu đề

ra đồng thời cung cấp lập luận để đề xuất hướng giải quyết

có thể thực hiện trong tương lai Hàm lượng khoa học/ độ phức tạp cao, có tính mới/ tính sáng tạo trong nội dung và kết quả đồ án

minh sáng chế (1 điểm)

Được báo cáo tại hội đồng cấp Trường trong hội nghị SV NCKH nhưng không đạt giải từ giải 3 trở lên/ Đạt giải khuyến khích trong cuộc thi khoa học trong nước, quốc tế/

Kết quả đồ án là sản phẩm ứng dụng có tính hoàn thiện cao,

yêu cầu khối lượng thực hiện lớn (0,5 điểm)

Thực hiện đầy đủ quy trình nghiên cứu: Đặt vấn đề, mục tiêu

đề ra, phương pháp nghiên cứu/ giải quyết vấn đề, kết quả đạt được, đánh giá và kết luận

Nội dung và kết quả được trình bày một cách logic và hợp lý, được phân tích và đánh giá thỏa đáng Biện luận phân tích kết quả mô phỏng/ phần mềm/ thực nghiệm, so sánh kết quả đạt được với kết quả trước đó có liên quan

Chỉ rõ phù hợp giữa kết quả đạt được và mục tiêu ban đầu đề

ra đồng thời cung cấp lập luận để đề xuất hướng giải quyết có thể thực hiện trong tương lai Hàm lượng khoa học/ độ phức tạp cao, có tính mới/ tính sáng tạo trong nội dung và kết quả

minh sáng chế (1 điểm)

Được báo cáo tại hội đồng cấp Trường trong hội nghị SV NCKH nhưng không đạt giải từ giải 3 trở lên/ Đạt giải khuyến khích trong cuộc thi khoa học trong nước, quốc tế/ Kết quả đồ

án là sản phẩm ứng dụng có tính hoàn thiện cao, yêu cầu khối

lượng thực hiện lớn (0,5 điểm)

Điểm bảo vệ:

Cán bộ thành viên HĐ

(Ký và ghi rõ họ tên)

LỜI NÓI ĐẦU

Cân bằng tải là vấn đề quan trọng trong hệ thống phân tán có thể ảnh hưởng đến hiệu suất, khả năng mở rộng và độ tin cậy của hệ thống Thuật toán tối ưu hóa, chẳng hạn như Particle Swarm Optimization (PSO) và Binary Bird Swarm Optimization (BBSO), đã được đề xuất là các giải pháp hiệu quả cho vấn đề cân bằng tải Tuy nhiên, mỗi thuật toán có điểm mạnh và điểm yếu riêng của nó, và việc chọn thuật toán tốt nhất cho một cấu hình hệ thống cụ thể và công việc có thể gặp nhiều khó khăn

Đồ án tốt nghiệp này trình bày phương pháp kết hợp PSO và BBSO cho cân bằng tải trong hệ thống phân tán

Việc triển khai phương pháp kết hợp PSO và BBSO cho cân bằng tải trong hệ thống phân tán cung cấp một giải pháp linh hoạt và mạnh mẽ có thể cải thiện hiệu suất, khả năng mở rộng và độ tin cậy của hệ thống Phương pháp được đề xuất có tiềm năng được áp dụng trong các kịch bản thực tế và có thể mang lại lợi ích cho nhiều ngành công nghiệp sử dụng hệ thống phân tán

Lời cảm ơn

Trong suốt 4 năm học tại trường đại học Bách Khoa Hà Nội vừa qua, em đã thu nhận được rất nhiều kiến thức bổ ích từ trong sách vở, và quý báu hơn là từ kinh nghiệm, tâm huyết của chính các thầy cô đã truyền lại Em xin gửi lời cảm ơn chân thành tới các thầy cô đã tận tình chỉ bảo và giúp đỡ em trong thời gian vừa qua

Đặc biệt, em xin gửi lời cảm ơn sâu sắc nhất tới PGS TS Nguyễn Hữu Phát

và ThS Dương Tấn Nghĩa đã trực tiếp hướng dẫn và giúp đỡ em hoàn thành đồ án tốt nghiệp này

Em cũng xin gửi lời cảm ơn chân thành tới anh Nguyễn Hạc Tú, các anh tại tổng công ty công nghiệp công nghệ cao Viettel và các bạn đã nhiệt tình chia sẻ các kinh nghiệm cũng như cung cấp các tài liệu, công cụ giúp em hoàn thành đồ

án tốt nghiệp này

Em xin chân thành cảm ơn!

LỜI CAM ĐOAN

Tôi là Trần Ngọc Thành, mã số sinh viên 20182791, sinh viên lớp ĐTVT-04, khóa 63 Người hướng dẫn là ThS Dương Tấn Nghĩa và PGS TS Nguyễn Hữu Phát Tôi xin cam đoan toàn bộ nội dung được trình bày trong đồ án tốt nghiệp

“Phát triển thuật toán cân bằng tải hybrid kết hợp PSO và BBSO cho hệ thống

điện toán đám mây” là kết quả quá trình tìm hiểu và nghiên cứu của tôi Các dữ

liệu được nêu trong báo cáo là hoàn toàn trung thực, phản ánh đúng kết quả đo đạc thực tế Mọi thông tin trích dẫn đều tuân thủ các quy định về sở hữu trí tuệ; các tài liệu tham khảo được liệt kê rõ ràng Tôi xin chịu hoàn toàn trách nhiệm với những nội dung được viết trong báo cáo này

Hà Nội, ngày tháng năm 2023

Người cam đoan

Trần Ngọc Thành

DANH MỤC KÝ HIỆU VÀ CHỮ VIẾT TẮT

TỪ VIẾT

TẮT

DIỄN GIẢI

MIPS Million Instruction Per

Second

Triệu lệnh trong một giây

PSO Particle Swarm Optimization Tối ưu hoá bầy đàn hạt

BSO Bird Swarm Optimization Tối ưu hoá đàn chim

BBSO Binary Bird Swarm

Optimization

Tối ưu hoá đàn chim nhị phân

RU Resource Utilization Hiệu suất sử dụng tài nguyên

MỤC LỤC

DANH MỤC KÝ HIỆU VÀ CHỮ VIẾT TẮT 8

DANH MỤC HÌNH VẼ 11

DANH MỤC BẢNG BIỂU 12

TÓM TẮT ĐỒ ÁN 13

CHƯƠNG 1 TỔNG QUAN VỀ ĐỀ TÀI 18

1.1 Điện toán đám mây 18

1.2 Cấu trúc hệ thống điện toán đám mây 19

1.3 Cân bằng tải in Điện toán đám mây 21

Tính cần thiết của cân bằng tải 21

Lập lịch trên đám mây 21

Cân bằng tải in Cloud 22

Phân loại các thuật toán cân bằng tải 27

Thuật toán cổ điển: 28

1.4 Particle Swarm Optimization 32

1.5 Lợi ích và hạn chế của PSO trong cân bằng tải 34

1.6 Binary Bird Swarm Optimization 36

1.7 Lợi ích và hạn chế của BBSO trong cân bằng tải: 38

1.8 Động lực để thực hiện phát triển thuật toán hybrib kết hợp PSO và BBSO giải quyết bài toán cân bằng tải trong hệ thống điện toán đám mây: 39

1.9 Kết luận chương: 40

CHƯƠNG 2 TỔNG QUAN VỀ CÁC NGHIÊN CỨU THỰC HIỆN 41

2.2 Tổng quan về PSO và các ứng dụng trong điện toán đám mây: 42

Giới thiệu về thuật toán PSO: 42

Mô tả thuật toán PSO: 42

2.3 Tổng quan về BBSO và các ứng dụng trong điện toán đám mây 44

Thuật toán BSO tiêu chuẩn: 44

Thuật toán BBSO: 48

2.4 Phân tích các thuật toán cân bằng tải hiện có 50

Cài đặt không gian mô phỏng: 51

Kết quả mô phỏng 52

2.5 Kết luận chương 54

CHƯƠNG 3 PHƯƠNG PHÁP NGHIÊN CỨU 55

3.1 Công cụ mô phỏng CloudSim 55

CloudSim: 55

Các thuật ngữ và công cụ mô phỏng trên CloudSim 3.0.3: 55

Luồng làm việc trên CloudSim: 57

3.2 Mô hình thuật toán cân bằng tải H-PBSO đề xuất 57

3.3 Phát triển phần PSO 58

Xác định hàm mục tiêu: 59

Khởi tạo nhóm 60

Đánh giá mức độ phù hợp: 61

Cập nhật vận tốc hạt: 62

Cập nhật vị trí hạt: 62

Kết thúc mô phỏng: 62

3.4 Phát triển phần BBSO 63

Khởi tạo đàn: 64

Đánh giá độ hiệu quả: 64

Cập nhật trạng thái: 64

Xác định hành vi: 65

Kết thúc mô phỏng: 65

3.5 Kết hợp PSO và BBSO cho cân bằng tải 67

3.6 Kết luận chương 68

CHƯƠNG 4 KẾT QUẢ VÀ ĐÁNH GIÁ 69

4.1 Phương pháp đánh giá 69

4.2 Mô phỏng quy trình tối ưu: 70

4.3 Kết quả và ý nghĩa: 71

4.4 Kết luận chương 76

KẾT LUẬN 77

Kết luận chung 77

Hướng phát triển 78

TÀI LIỆU THAM KHẢO 80

DANH MỤC HÌNH VẼ

Hình 1.1 Kiến trúc máy chủ đơn lẻ trong đám mây 19

Hình 1.2 Mô hình lập lịch trong trung tâm dữ liệu đám mây 20

Hình 1.3 Phân loại các thuật toán cân bằng tải 27

Hình 1.4 Các loại thuật toán cân bằng tải 28

Hình 1.5 Phân loại các thuật toán meta-heuristic 30

Hình 1.6 Phân loại các thuật toán hybrid 32

Hình 1.7 Luồng làm việc PSO 36

Hình 2.1 Sơ đồ thuật toán BBSO 47

Hình 2.2 So sánh makespan của các thuật toán hiện tại 53

Hình 2.3 So sánh hiệu suất sử dụng tài nguyên của các thuật toán hiện tại 53

Hình 2.4 So sánh DOI của các thuật toán hiện tại 54

Hình 3.1 Mô hình thuật toán H-PBSO 58

Hình 3.2 Khối PSO 63

Hình 3.3 Khối BBSO 66

Hình 4.1 Makespan trước vào sau khi áp dụng H-PBSO 72

Hình 4.2 So sánh makespan giữa H-PBSO và các thuật toán khác 73

Hình 4.3 So sánh hiệu suất sử dụng tài nguyên của H-PBSO và các thuật toán khác 73

Hình 4.4 So sánh makespan và hiệu suất sử dụng tài nguyên 74

Hình 4.5 DOI trước và sau khi áp dụng H-PBSO 75

Hình 4.6 So sánh DOI giữa H-PBSO và các thuật toán khác 75

DANH MỤC BẢNG BIỂU

Bảng 2.1 Thông số của thuật toán 51

Bảng 2.2 Thông số của Host 51

Bảng 2.3 Thông số của máy ảo VM 51

Bảng 3.1 Thông số của PSO 61

Bảng 3.2 Thông số của BBSO 64

Bảng 4.1 Thời gian hoàn thành mỗi công việc (Cloudlet) 70

Bảng 4.2 Kết quả của lần lập lịch đầu tiên 71

Bảng 4.3 Kết quả của lần lập lịch thứ hai 71

Bảng 4.4 Kết quả của lần lập lịch thứ ba 71

TÓM TẮT ĐỒ ÁN

Mục tiêu của đồ án này là nghiên cứu, phát triển, phân tích và so sánh thuật toán kết hợp (hybrid) giữa Particle Swarm Optimization (PSO) và Binary Bird Swarm Optimization (BBSO) Cân bằng tải là một bài toán quan trọng cho bất kỳ hệ thống máy tính quy mô lớn nào, nhiệm vụ của nó là đảm bảo rằng các nguồn cung được

sử dụng hợp lý và hiệu quả Từ trước tới nay đã có rất nhiều nghiên cứu về lĩnh vực này và hiện nay đã có rất nhiều các thuật toán được đưa ra nhằm giải quyết từng bài toán với từng yêu cầu khác nhau, đồ án này đưa ra một thuật toán dạng kết hợp từ PSO và BBSO dựa vào mô phỏng bầy đàn để lập lịch và sắp xếp các nguồn cung một cách linh động cũng như cân bằng tải trong thời gian thực Thuật toán đề ra đã được đánh giá thông qua công cụ mô phỏng người viết đồ án sử dụng

là CloudSim 3.0.3 qua đó phân tích và so sánh với các thuật toán cân bằng tải đã được nghiên cứu trước đó Kết quả cho thấy rằng thuật toán kết hợp đã đề xuất có hiệu suất cao hơn so với các thuật toán khác thông qua sự ổn định, tốc độ hội tụ và

độ hiệu quả tổng hợp Đồ án cung cấp một phương pháp tiếp cận với cân bằng tải mới và đóng góp có giá trị cho ngành điện toán đám mây nói riêng và ngành khoa học máy tính nói chung

ĐẶT VẤN ĐỀ

1 Nền tảng nghiên cứu:

Điện toán đám mây đã cách mạng hóa cách các tổ chức và cá nhân truy cập các tài nguyên và dịch vụ điện toán Khả năng truy cập các tài nguyên và dịch vụ máy tính qua internet đã dẫn đến nhu cầu ngày càng tăng đối với các dịch vụ điện toán đám mây Điện toán đám mây cho phép các tổ chức và cá nhân tận dụng lợi thế kinh tế theo quy mô của các trung tâm dữ liệu lớn mà không phải đầu tư vào cơ sở

hạ tầng cần thiết để hỗ trợ họ

Cân bằng tải là một vấn đề quan trọng trong môi trường điện toán đám mây và các thuật toán cân bằng tải hiệu quả là điều cần thiết để tối ưu hóa việc sử dụng tài nguyên, cải thiện hiệu suất hệ thống và đảm bảo tính khả dụng của dịch vụ Các thuật toán cân bằng tải phân phối khối lượng công việc đồng đều trên nhiều máy chủ, giúp đảm bảo rằng các dịch vụ luôn sẵn sàng và hiệu suất của hệ thống được tối ưu hóa Các thuật toán cân bằng tải thường được phân loại thành hai loại: tĩnh

và động Các thuật toán cân bằng tải tĩnh phân phối khối lượng công việc dựa trên các quy tắc được xác định trước, trong khi các thuật toán cân bằng tải động phân phối khối lượng công việc dựa trên trạng thái hiện tại của hệ thống

Có một số thuật toán cân bằng tải đã được sử dụng trong môi trường điện toán đám mây, bao gồm Round Robin, Least Connection và IP Hash Round-robin là một thuật toán cân bằng tải đơn giản giúp phân bổ khối lượng công việc đồng đều trên nhiều máy chủ bằng cách chỉ định từng yêu cầu cho máy chủ tiếp theo theo trình

tự Least Connection là một thuật toán cân bằng tải phân phối khối lượng công việc cho máy chủ với số lượng kết nối hoạt động ít nhất IP Hash là thuật toán cân bằng tải phân phối khối lượng công việc dựa trên địa chỉ IP nguồn của yêu cầu

Mặc dù việc sử dụng rộng rãi các thuật toán cân bằng tải trong môi trường điện toán đám mây, vẫn có một số hạn chế liên quan đến các thuật toán này Những hạn chế này bao gồm hiệu quả thấp, khả năng mở rộng kém và hiệu suất dưới mức tối

ưu Do đó, nhu cầu về các thuật toán mới có thể cân bằng tải hiệu quả trong môi trường điện toán đám mây ngày càng tăng

Các thuật toán cân bằng tải hiện có được sử dụng trong môi trường điện toán đám mây có một số hạn chế, bao gồm hiệu quả thấp, khả năng mở rộng kém và hiệu suất dưới mức tối ưu Do đó, nhu cầu về các thuật toán mới có thể cân bằng tải hiệu quả trong môi trường điện toán đám mây ngày càng tăng Thuật toán Bird Swarm Optimization (BSO) là một kỹ thuật tối ưu hóa lấy cảm hứng từ tự nhiên

đã được sử dụng rộng rãi trong nhiều lĩnh vực khác nhau, bao gồm cân bằng tải trong điện toán đám mây BSO là một thuật toán tương đối mới đã cho thấy kết quả đầy hứa hẹn trong việc giải quyết các vấn đề tối ưu hóa phức tạp Thuật toán dựa trên hành vi của đàn chim, trong đó mỗi con chim làm việc cùng nhau để tìm

ra giải pháp tốt nhất cho một vấn đề BBSO là thuật toán kế thừa từ nghiên cứu trước đó về thuật toán BSO BBSO sử dụng thuật toán SPV (Smallest Position Value) để đưa từ kết quả dạng liên tục của thuật toán BSO thành kết quả dạng rời rạc có thể đưa về nhị phân để áp dụng cho bài toán cân bằng tải

Mục đích của nghiên cứu này là phát triển một thuật toán hybrid đưa tính hiệu quả của thuật toán BBSO và PSO vào trong việc cân bằng tải trên môi trường điện toán đám mây Từ đây hybrid PSO kết hợp BBSO sẽ được gọi tắt là H-PBSO Nghiên cứu sẽ đánh giá hiệu suất của thuật toán H-PBSO đề ra so với các thuật toán cân bằng tải thường được sử dụng khác Kết quả của nghiên cứu sẽ cung cấp những hiểu biết có giá trị về sự phù hợp của thuật toán hybrid để cân bằng tải trong điện toán đám mây

Những hạn chế của nghiên cứu này bao gồm việc sử dụng các công cụ mô phỏng

để đánh giá hiệu suất của thuật toán H-PBSO Kết quả nghiên cứu có thể không phản ánh chính xác hiệu suất của thuật toán H-PBSO trong môi trường điện toán đám mây trong thế giới thực Nghiên cứu cũng sẽ chỉ xem xét một số thuật toán

cân bằng tải thường được sử dụng hạn chế và có thể có các thuật toán khác có hiệu suất tốt hơn các thuật toán được xem xét trong nghiên cứu này

Một hạn chế khác của nghiên cứu là không thể đánh giá tất cả các kết hợp có thể

có của các tham số và cấu hình của thuật toán H-PBSO Nghiên cứu sẽ sử dụng một tập hợp các cấu hình và thông số được xác định trước và kết quả có thể không tổng quát được cho các cấu hình và thông số khác

Ngoài ra, nghiên cứu sẽ xem xét hiệu suất của thuật toán H-PBSO trong môi trường điện toán đám mây với số lượng nút hạn chế Kết quả nghiên cứu có thể không phản ánh chính xác hiệu suất của thuật toán H-PBSO trong môi trường điện toán đám mây lớn hơn

5 Tính cấp thiết của đề tài

Nghiên cứu này có ý nghĩa quan trọng vì nhiều lý do Thứ nhất, nó sẽ cung cấp những hiểu biết có giá trị về tính hiệu quả của thuật toán H-PBSO trong việc cân bằng tải trong môi trường điện toán đám mây Kết quả của nghiên cứu sẽ giúp xác định sự phù hợp của thuật toán H-PBSO để cân bằng tải trong điện toán đám mây

và tiềm năng sử dụng của nó trong các ứng dụng trong thế giới thực

Thứ hai, nghiên cứu sẽ cung cấp một so sánh toàn diện về thuật toán H-PBSO với các thuật toán cân bằng tải thường được sử dụng khác Kết quả so sánh sẽ giúp xác định điểm mạnh và điểm yếu của thuật toán H-PBSO và cung cấp thông tin chi tiết

về tiềm năng sử dụng của nó trong các ứng dụng trong thế giới thực

Thứ ba, nghiên cứu sẽ đóng góp cho lĩnh vực điện toán đám mây bằng cách cung cấp thông tin có giá trị về hiệu suất của các thuật toán cân bằng tải trong môi trường điện toán đám mây Kết quả nghiên cứu sẽ hữu ích cho các nhà nghiên cứu và các nhà thực hành quan tâm đến vấn đề cân bằng tải trong điện toán đám mây

Cuối cùng, nghiên cứu sẽ cung cấp các khuyến nghị cho nghiên cứu trong tương lai trong lĩnh vực cân bằng tải trong điện toán đám mây Kết quả của nghiên cứu

sẽ cung cấp nền tảng cho các nghiên cứu tiếp theo trong lĩnh vực này và giúp định hướng các nghiên cứu trong tương lai theo hướng phát triển các thuật toán cân bằng tải hiệu quả hơn cho môi trường điện toán đám mây

6 Kết cấu đồ án:

Trong khuôn khổ đồ án này, NVDA xin trình bày phương pháp triển khai, kết quả tìm hiểu và phân tích thuật toán hybrid kết hợp BBSO và PSO Do nguồn lực và thời gian có hạn, nên NVDA chưa thực sự xây dựng được một cái nhìn tổng quan nhất và thực tế về thuật toán đã đề xuất Để giúp tiếp cận vấn đề một cách nhanh nhất, báo cáo này được trình bày với nhiều hình ảnh sinh động

Nội dung của báo cáo đồ án chia làm 4 chương như sau:

Chương 1: Tổng quan về đề tài

Chương 2: Tổng quan về các nghiên cứu thực hiện

Chương 3: Phương pháp nghiên cứu

Chương 4: Kết quả và đánh giá

CHƯƠNG 1 TỔNG QUAN VỀ ĐỀ TÀI 1.1 Điện toán đám mây

Điện toán đám mây, ước mơ từ lâu về điện toán như một tiện ích, có khả năng chuyển đổi một phần lớn ngành CNTT, làm cho phần mềm trở nên hấp dẫn hơn như một dịch vụ và định hình cách thiết kế và mua phần cứng CNTT Các nhà phát triển có ý tưởng sáng tạo cho các dịch vụ Internet mới không còn yêu cầu chi phí vốn lớn cho phần cứng để triển khai dịch vụ của họ hoặc chi phí nhân lực để vận hành dịch vụ đó Họ không cần lo lắng về việc cung cấp quá mức cho một dịch vụ

mà mức độ phổ biến của nó không đáp ứng được dự đoán của họ, do đó gây lãng phí tài nguyên tốn kém hoặc cung cấp dưới mức cho một dịch vụ trở nên cực kỳ phổ biến, do đó bỏ lỡ khách hàng tiềm năng và doanh thu Hơn nữa, các công ty

có nhiệm vụ định hướng hàng loạt lớn có thể nhận được kết quả nhanh chóng khi chương trình của họ có thể mở rộng quy mô, vì sử dụng 1000 máy chủ trong một giờ không tốn nhiều chi phí hơn sử dụng một máy chủ trong 1000 giờ Tính linh hoạt của các nguồn lực này, mà không phải trả phí bảo hiểm cho quy mô lớn, là điều chưa từng có trong lịch sử CNTT Điện toán đám mây đề cập đến cả các ứng dụng được cung cấp dưới dạng dịch vụ qua Internet và phần cứng và phần mềm hệ thống trong các trung tâm dữ liệu cung cấp các dịch vụ đó Bản thân các dịch vụ

từ lâu đã được gọi là Phần mềm dưới dạng Dịch vụ (SaaS) [1] Phần cứng và phần mềm của trung tâm dữ liệu là những gì chúng ta sẽ gọi là Đám mây Khi một Đám mây được cung cấp theo phương thức trả tiền khi sử dụng cho công chúng, ta gọi

đó là Đám mây Công cộng; dịch vụ đang được bán là Điện toán Tiện ích Ta sử dụng thuật ngữ Đám mây riêng để chỉ các trung tâm dữ liệu nội bộ của một doanh nghiệp hoặc tổ chức khác, không được cung cấp cho công chúng Do đó, Điện toán đám mây là tổng của SaaS và Điện toán tiện ích, nhưng không bao gồm Đám mây riêng Mọi người có thể là người dùng hoặc nhà cung cấp SaaS hoặc người dùng hoặc nhà cung cấp Điện toán tiện ích NVDA tập trung vào Nhà cung cấp SaaS (Người dùng đám mây) và Nhà cung cấp đám mây, vốn ít được chú ý hơn Người dùng SaaS Từ quan điểm phần cứng, có ba khía cạnh mới trong Điện toán đám mây

1 Tưởng tượng về tài nguyên máy tính vô hạn có sẵn theo yêu cầu, do đó người dùng điện toán đám mây không cần phải lên kế hoạch trước cho việc cung cấp

2 Việc loại bỏ cam kết trả trước của người dùng Đám mây, do đó cho phép các công ty bắt đầu với quy mô nhỏ và chỉ tăng tài nguyên phần cứng khi nhu cầu của

họ tăng lên

3 Khả năng thanh toán cho việc sử dụng tài nguyên máy tính trên cơ sở ngắn hạn khi cần thiết (ví dụ: bộ xử lý theo giờ và lưu trữ theo ngày) và giải phóng chúng khi cần, do đó bảo tồn bằng cách cho phép máy móc và lưu trữ ngừng hoạt động khi chúng không còn hữu dụng nữa

1.2 Cấu trúc hệ thống điện toán đám mây

Đặc biệt, để thiết kế mô hình hệ thống, chúng ta phải xem xét một số yếu tố như chi phí, độ phức tạp, tốc độ, tính di động của hệ thống, bảo mật, v.v Kiến trúc điện toán đám mây khác với kiến trúc hệ thống phân tán truyền thống ở chỗ: 1) nó có khả năng mở rộng cao

2) nó là một thực thể trừu tượng và giải quyết các cấp độ dịch vụ riêng biệt cho người tiêu dùng trên đám mây

3) tính kinh tế theo quy mô kiểm soát nó

4) nó cung cấp các dịch vụ theo nhu cầu động thông qua ảo hóa

Một trong những kiến trúc hệ thống của một máy chủ duy nhất trong môi trường đám mây được nhiều nhà nghiên cứu theo dõi được thể hiện trong Hình 1.1 Kiến trúc máy chủ đơn lẻ trong đám mây

Hình 1.1 Kiến trúc máy chủ đơn lẻ trong đám mây

Lớp phần cứng bao gồm các tài nguyên phần cứng (bộ xử lý, bộ nhớ chính, bộ lưu trữ thứ cấp và băng thông mạng) được ảo hóa Virtual Machine Monitor (VMM) hoặc trình ảo hóa (như Xen, VMWare, UML, Denali, v.v.) sẽ hoạt động như một giao diện giữa hệ điều hành khách và máy ảo [1] VMM này hỗ trợ nhiều hệ điều hành để chạy đồng thời các ứng dụng trên một nền tảng phần cứng duy nhất Một

số lượng khác nhau của các ứng dụng không đồng nhất đang chạy trên mỗi hệ điều hành khách hoặc VM, là đơn vị cơ bản để thực thi một ứng dụng hoặc một yêu cầu

dịch vụ {VM1, VM2, , VMn } là tập hợp các máy ảo được triển khai trong hệ thống đám mây như trong Hình 1.1

Một trung tâm dữ liệu đám mây cấu thành từ một số lượng hữu hạn các máy chủ vật lý không đồng nhất Mỗi máy chủ được xác định bằng số nhận dạng máy chủ, danh sách phần tử xử lý, tốc độ xử lý tính theo Triệu lệnh mỗi giây (MIPS), kích thước bộ nhớ, băng thông, v.v Mỗi máy chủ có một số máy ảo Máy ảo cũng có các thuộc tính giống như máy chủ lưu trữ Các tác vụ đến từ những người dùng khác nhau đến bộ cân bằng tải trung tâm hoặc bộ lập lịch nối tiếp để ánh xạ tài nguyên đám mây Mỗi nút điện toán (VM) thực hiện thực thi một tác vụ tại một thời điểm Khi có yêu cầu, nó sẽ được bộ cân bằng tải gán cho một trong các máy

ảo, nếu có đủ tài nguyên để hoàn thành trong thời hạn Nếu không, tác vụ sẽ đợi nếu SLA cho phép Sau khi hoàn thành thực thi tác vụ, các tài nguyên được sử dụng bởi tác vụ trên VM cụ thể sẽ được giải phóng và có thể được sử dụng để tạo

VM mới có thể được sử dụng để phục vụ yêu cầu khác

Mô hình lập lịch trình trong trung tâm dữ liệu đám mây được hiển thị trong Hình 1.2 Cân bằng tải là cần thiết do số lượng lớn các tác vụ đầu vào không đồng nhất với yêu cầu tài nguyên không đồng nhất Số n tác vụ đầu vào (T1, T2, , Tn) được gửi đến hàng đợi tác vụ của hệ thống đám mây Sau đó, trình quản lý VM nhận các tác vụ đầu vào từ hàng đợi tác vụ và nó có thông tin đầy đủ về VM đang hoạt động, tính khả dụng của tài nguyên trong các máy chủ khác nhau và độ dài hàng đợi tác

vụ cục bộ của tất cả các máy chủ Trình quản lý VM đã xác minh tính khả dụng của tài nguyên của hệ thống đối với một tập hợp các tác vụ đầu vào nhất định Nếu tập hợp các nhiệm vụ có thể chạy với các máy ảo đang hoạt động có sẵn, thì trình quản lý VM đã gửi các tác vụ đó tới bộ lập lịch tác vụ Nếu không, trình quản lý máy ảo sẽ tạo các máy ảo được yêu cầu trong máy chủ nơi đáp ứng tính khả dụng của tài nguyên Bộ lập lịch tác vụ hoạt động như một bộ cân bằng tải trong đó việc ánh xạ sẽ được thực hiện giữa các tác vụ và máy ảo dựa trên yêu cầu tài nguyên của các tác vụ Mỗi máy chủ trong đám mây có một số lượng máy ảo hoạt động hữu hạn

Hình 1.2 Mô hình lập lịch trong trung tâm dữ liệu đám mây

1.3 Cân bằng tải in Điện toán đám mây

Tính cần thiết của cân bằng tải

Mức độ phổ biến của ứng dụng đám mây cao khi số lượng người tiêu dùng tăng lên; do đó, nhu cầu tải về số lượng lõi, lưu trữ, phần cứng, phần mềm, băng thông, v.v tăng lên rất nhiều Điều này thúc đẩy khuếch đại hiệu quả liên quan đến việc

sử dụng tài nguyên bằng cách giảm dần khoảng thời gian tạm ứng trên đám mây Việc bỏ đói tài nguyên nên được hạn chế để duy trì một dịch vụ hấp dẫn, vì điều này có thể dẫn đến các chi phí chung có thể tưởng tượng được Theo cách này, điều cơ bản là giảm bớt đống trên máy chủ để tất cả các máy khách đều được thực thi như nhau Tài nguyên phải đủ linh hoạt và có thể mở rộng để đồng hóa tải giữa các máy ảo trong môi trường đám mây Điều này có thể được khắc phục bằng cách tạo các phiên bản của máy vật lý (PM) thông qua ảo hóa để cung cấp các dịch vụ không bị gián đoạn Nó nhằm cung cấp một môi trường trừu tượng để chạy bất kỳ ứng dụng nào bằng cách kích hoạt các máy vật lý Phân bổ nhiệm vụ cho các máy

ảo và lập lịch trình cho chúng trong quá trình cân bằng tải là một vấn đề NP-hard

và NP-complete Nhiệm vụ được phân bổ cho máy ảo đối với một số chính sách

và thuật toán lập lịch trình Trong bối cảnh này, các thuật toán cân bằng tải ngày càng khả thi và hiệu quả nên được tạo ra để giải quyết các vấn đề này

Lập lịch trên đám mây

Thuật ngữ “Lập kế hoạch” được Pinedo [2] định nghĩa như sau: “Lập kế hoạch là một quy trình ra quyết định được sử dụng thường xuyên trong nhiều ngành sản xuất và dịch vụ Nó liên quan đến việc phân bổ nguồn lực cho các nhiệm vụ trong khoảng thời gian nhất định và mục tiêu của nó là tối ưu hóa một hoặc nhiều mục tiêu.”

Vai trò của bộ lập lịch là tìm cách phân bổ tải giữa các nút một cách đồng đều để tối ưu hóa các mục tiêu cân bằng tải bằng cách sử dụng tài nguyên một cách hợp

lý Trong những ngày đầu, chúng ta có điện toán cụm cố gắng kết hợp một hoặc nhiều hệ thống độc lập với nhau thành một cụm để hoạt động như một hệ thống duy nhất Nó chỉ sử dụng các tài nguyên cục bộ vốn là nhược điểm của hệ thống cụm Cạm bẫy này đã dẫn đến sự phát triển của Lưới tích hợp các hệ thống

không đồng nhất trên các hệ thống phân tán theo địa lý Ngày nay, NVDA đã chuyển mô hình điện toán từ Lưới sang Đám mây để tận dụng thế mạnh của cả Cụm và Lưới

Không có thuật toán nào như vậy tồn tại để tối ưu hóa hoàn toàn tài nguyên máy tính vì hầu hết các thuật toán lập lịch là NP-Complete hoặc NP-Hard mặc dù tài nguyên máy tính dường như không giới hạn trong môi trường điện toán đám mây

Bài toán lập lịch có thể được định nghĩa như sau: một tập hợp nhất định các tác

vụ TL= {T1, T2, T3…Tn} được gán cho một tập hợp các máy ảo VML= {VM1, VM2… VMm} với một số tham số được xác định trước Chẳng hạn, một trong những tham số được đo lường rộng rãi là Makespan (MSmax) được định nghĩa là

thời gian hoàn thành tối đa trong số các tác vụ và được định nghĩa bằng toán học như sau:

Ưu điểm chính của thuật toán lập lịch là đạt được hiệu suất cao về thông lượng hệ thống bằng cách sử dụng hiệu quả các tài nguyên sẵn có Quá trình lập lịch công việc trong đám mây có thể được phân chia thành ba giai đoạn; chúng là Khám phá

và lọc tài nguyên, Lựa chọn tài nguyên và Gửi tác vụ Trong Khám phá và lọc tài nguyên, nhà môi giới trung tâm dữ liệu phát hiện ra các tài nguyên có trong hệ thống và thu thập thông tin trạng thái từ Dịch vụ thông tin đám mây (CIS) liên quan đến chúng Trong quá trình Lựa chọn nguồn lực, nguồn lực mục tiêu được chọn để gửi tác vụ dựa trên các tham số nhất định của tác vụ và nguồn lực Sau đó, trong quá trình Gửi tác vụ, tác vụ được gửi tới tài nguyên đã chọn

Cân bằng tải in Cloud

1.3.3.1 Tính cấp thiết

Trong môi trường điện toán đám mây, phần của các nhiệm vụ khác nhau đối với

VM được gọi là tải Tải trọng trong hệ thống đám mây có thể được phân loại là thiếu tải hoặc quá tải hoặc cân bằng Các thuật toán cân bằng tải cố gắng cân bằng tổng tải của hệ thống bằng cách chuyển khối lượng công việc từ các nút tải nặng sang các nút tải nhẹ một cách minh bạch thông qua quá trình di chuyển trên đám mây nhằm mục đích tối đa hóa tổng thông lượng của hệ thống Cân bằng tải của các tác vụ có thể phụ thuộc hoặc độc lập vào các máy ảo (VM) là một phần quan trọng trong việc lập kế hoạch phân công cho các đám mây

Cân bằng tải hiệu quả là một khía cạnh quan trọng của điện toán đám mây, đóng vai trò quan trọng trong việc đảm bảo cung cấp dịch vụ đáng tin cậy, có thể mở rộng và tiết kiệm chi phí cho người dùng cuối Cân bằng tải liên quan đến việc phân phối khối lượng công việc trên nhiều máy chủ hoặc tài nguyên để tối ưu hóa việc sử dụng tài nguyên, giảm thiểu thời gian phản hồi và ngăn tình trạng quá tải của từng tài nguyên

Dưới đây là một số lý do tại sao cân bằng tải hiệu quả lại cần thiết trong điện toán đám mây:

Độ sẵn sàng và độ tin cậy cao: Cân bằng tải hiệu quả giúp đảm bảo độ sẵn sàng và

độ tin cậy cao của các dịch vụ đám mây bằng cách phân bổ khối lượng công việc trên nhiều tài nguyên Trong trường hợp tài nguyên bị lỗi hoặc ngừng hoạt động,

bộ cân bằng tải có thể chuyển hướng lưu lượng truy cập đến các tài nguyên khả

dụng khác, đảm bảo rằng người dùng cuối có thể truy cập dịch vụ mà không bị gián đoạn

Khả năng mở rộng: Cân bằng tải giúp đảm bảo rằng các tài nguyên được sử dụng tối ưu, cho phép cơ sở hạ tầng đám mây tăng hoặc giảm quy mô dựa trên nhu cầu

về tài nguyên Bằng cách cân bằng khối lượng công việc một cách hiệu quả, hệ thống có thể xử lý lưu lượng truy cập ngày càng tăng mà không làm quá tải các tài nguyên riêng lẻ, ngăn ngừa tắc nghẽn và suy giảm hiệu suất

Tiết kiệm chi phí: Cân bằng tải hiệu quả giúp giảm tổng chi phí của các dịch vụ đám mây bằng cách tối ưu hóa việc sử dụng tài nguyên Bằng cách cân bằng khối lượng công việc trên nhiều tài nguyên, hệ thống có thể tránh cung cấp quá nhiều hoặc cung cấp dưới mức tài nguyên, điều này có thể dẫn đến lãng phí tài nguyên

và tăng chi phí

Cải thiện hiệu suất: Cân bằng tải hiệu quả có thể cải thiện đáng kể hiệu suất của các dịch vụ đám mây bằng cách giảm thiểu thời gian phản hồi và giảm độ trễ Bằng cách hướng các yêu cầu đến tài nguyên có sẵn gần nhất, bộ cân bằng tải có thể giảm khoảng cách giữa máy khách và máy chủ, dẫn đến thời gian phản hồi nhanh hơn

Sử dụng tài nguyên tốt hơn: Cân bằng tải hiệu quả giúp đảm bảo sử dụng tài nguyên tốt hơn bằng cách cân bằng khối lượng công việc trên nhiều tài nguyên Bằng cách phân phối đồng đều khối lượng công việc, hệ thống có thể tránh được các tình huống trong đó một số tài nguyên được sử dụng dưới mức trong khi những tài nguyên khác bị quá tải, dẫn đến việc sử dụng tài nguyên tối ưu

Tóm lại, cân bằng tải hiệu quả là điều cần thiết để đảm bảo tính sẵn sàng cao, khả năng mở rộng và hiệu quả chi phí của các dịch vụ đám mây Bằng cách tối ưu hóa việc sử dụng tài nguyên, cân bằng tải có thể cải thiện đáng kể hiệu suất và độ tin cậy của các dịch vụ đám mây, giúp chúng phản hồi nhanh hơn và dễ tiếp cận hơn đối với người dùng cuối

1.3.3.2 QoS Metrics

Độ ổn định của hệ thống được cải thiện bằng cách cân bằng tải trên các tài nguyên

ảo hóa có sẵn Để có cách tiếp cận cân bằng tải tốt hơn, hệ thống yêu cầu một bộ lập lịch tốt hơn Có n tác vụ đầu vào và N số máy ảo Việc ánh xạ n tác vụ này tới

N máy ảo ảnh hưởng đến các tham số hiệu suất hệ thống khác nhau Tập hợp hữu hạn các yêu cầu hoặc nhiệm vụ của người dùng là {T1 , T2 , , Tn} NVDA đã sử dụng ma trận Thời gian tính toán dự kiến (ETC) làm mô hình nhiệm vụ trên môi trường tài nguyên không đồng nhất Giá trị cho 𝐸𝑇𝐶𝑖𝑗 là Li/Pj, trong đó Li là độ dài của tác vụ thứ i tính theo triệu lệnh (MI) và Pj là tốc độ xử lý của máy ảo thứ j tính theo MIPS

Mỗi VM có hai trạng thái, tức là trạng thái hoạt động và trạng thái không hoạt động Trạng thái nhàn rỗi của VM tiêu thụ 60% mức tiêu thụ năng lượng của trạng thái hoạt động của VM đó Có hai thông số hiệu suất quan trọng trong hệ thống đám mây: (1) makepan (MS) và (2) mức tiêu thụ năng lượng (EC) Thời gian thực hiện của các máy ảo khác nhau trong hệ thống đám mây là khác nhau Thời gian

tối đa mà bất kỳ VM nào thực hiện để thực thi tất cả các tác vụ đầu vào của hệ thống được gọi là khoảng thời gian tạm thời của hệ thống Makepan tối thiểu dẫn đến cân bằng tải tốt hơn Thời gian thực hiện của máy ảo thứ j (ETj) dựa trên biến quyết định 𝑋𝑖𝑗, trong đó

Cần có một số chỉ số cân bằng tải cần thiết để đo lường hiệu suất của các thuật toán cân bằng tải khác nhau Các chỉ số hiệu suất QoS (Chất lượng dịch vụ) khác trong môi trường điện toán đám mây có ảnh hưởng đến cân bằng tải được mô tả bên dưới:

• Thông lượng: Khả năng của hệ thống hoặc một dịch vụ đám mây để xử lý một lượng lớn các yêu cầu (requests) từ người dùng trong một khoảng thời gian nhất định Nó đo lường số lượng dữ liệu hoặc giao dịch có thể được xử lý bởi hệ thống trong một đơn vị thời gian cụ thể

Thông lượng thường được đo bằng đơn vị đo lường là "requests per second" (RPS) hoặc "transactions per second" (TPS), nghĩa là số lượng yêu cầu hoặc giao dịch được xử lý bởi hệ thống trong một giây Tăng thông lượng có thể cải thiện khả năng phục vụ của hệ thống và giảm thời gian đáp ứng cho người dùng, đồng thời giảm độ trễ (latency) trong việc xử lý các yêu cầu và giúp tối ưu hóa hiệu suất của

hệ thống đám mây

• Thời gian phản hồi: Đó là khoảng thời gian giữa lần gửi và phản hồi đầu tiên của bất kỳ tác vụ nào được đưa ra để thực thi trong bất kỳ máy ảo nào Vì vậy, để đạt được hiệu suất cao hơn, thời gian này phải ít hơn

• Makespan: Makespan là một thuật ngữ được sử dụng trong lĩnh vực lập kế hoạch

và quản lý dự án để chỉ thời gian cần thiết để hoàn thành một tập các nhiệm vụ hoặc một dự án từ đầu đến cuối Nó đại diện cho khoảng thời gian giữa thời điểm bắt đầu của nhiệm vụ đầu tiên và hoàn thành của nhiệm vụ cuối cùng trong lịch trình đã cho Nói cách khác, makespan là tổng thời gian cần thiết để hoàn thành một công việc hoặc một tập các công việc trên một tập các tài nguyên được cung cấp trong khi tối ưu hóa một mục tiêu nào đó (ví dụ: tối thiểu hóa thời gian, tối đa hóa sử dụng tài nguyên, tối thiểu hóa chi phí, v.v.).Tham số này phải là ít nhất, bởi

vì thuật toán sẽ mất ít thời gian hơn để đạt đến đỉnh cao, hiệu suất sẽ tốt

• Khả năng chịu lỗi: Khả năng chịu lỗi của đám mây (cloud) là khả năng của hệ thống đám mây để tiếp tục hoạt động một cách bình thường mà không bị gián đoạn hoặc tạm dừng dịch vụ trong trường hợp có sự cố xảy ra Điều này bao gồm khả năng đối phó với các sự cố hệ thống, phục hồi dịch vụ, và đảm bảo rằng dữ liệu của người dùng được bảo vệ và không bị mất mát

• Thời gian di chuyển: Thời gian mà một yêu cầu (request) hoặc gói dữ liệu mất để

đi từ nguồn tới đích Nó bao gồm thời gian trễ do đường truyền mạng (network latency), thời gian xử lý trên máy chủ (server processing time), và thời gian đáp ứng trở lại (response time)

Thời gian di chuyển có ảnh hưởng đến hiệu suất và trải nghiệm người dùng của các ứng dụng đám mây Ví dụ, khi sử dụng các dịch vụ đám mây như lưu trữ đám mây (cloud storage) hoặc tính toán đám mây (điện toán đám mây), thời gian di chuyển có thể ảnh hưởng đến tốc độ tải và xử lý dữ liệu Đối với các ứng dụng thời gian thực (real-time applications) như trò chơi trực tuyến hoặc cuộc gọi video, thời gian di chuyển quan trọng để đảm bảo chất lượng và độ trễ thấp trong quá trình truyền tải

• Mức độ mất cân bằng: Đo lường sự mất cân bằng giữa các máy ảo Mất cân bằng trong đám mây là tình trạng mà tài nguyên hoặc công việc không được phân bổ đồng đều hoặc hiệu quả giữa các máy chủ trong hệ thống đám mây Điều này có thể dẫn đến một số máy chủ quá tải trong khi các máy chủ khác lại chưa được sử dụng đủ khả năng

Để giảm thiểu mất cân bằng trong đám mây, các nhà cung cấp đám mây thường sử dụng các giải pháp như:

1 Cân bằng tải tự động: Các hệ thống cân bằng tải tự động sẽ tự động phân phối tải công việc đều cho các máy chủ khác nhau để tránh quá tải trên một

số máy chủ

2 Khả năng mở rộng tự động: Các hệ thống đám mây có khả năng mở rộng

tự động sẽ tự động tăng hoặc giảm số lượng máy chủ và tài nguyên tương ứng để đáp ứng nhu cầu của người dùng

3 Giám sát và quản lý tài nguyên: Các hệ thống giám sát và quản lý tài nguyên

sẽ theo dõi việc sử dụng tài nguyên trong hệ thống đám mây và đưa ra các cảnh báo hoặc đề xuất để cải thiện hiệu quả sử dụng tài nguyên

• Mức tiêu thụ năng lượng: Mức tiêu thụ năng lượng trong đám mây (cloud) là lượng năng lượng mà hệ thống đám mây sử dụng để vận hành các máy chủ, các thiết bị lưu trữ và các thiết bị mạng Điều này bao gồm cả năng lượng tiêu thụ cho việc làm mát hệ thống, đáp ứng nhu cầu sử dụng điện năng và các hoạt động khác Mức tiêu thụ năng lượng của các hệ thống đám mây rất lớn và có thể gây ra tác động lớn đến môi trường Các hệ thống đám mây lớn có thể tiêu thụ lượng điện năng tương đương với hàng trăm nghìn hộ gia đình và đóng góp đáng kể vào khí thải carbon

Do đó, các nhà cung cấp đám mây đang tìm cách giảm thiểu mức tiêu thụ năng lượng bằng cách sử dụng các công nghệ tiết kiệm năng lượng và tái sử dụng năng lượng tái tạo Một số giải pháp bao gồm sử dụng các thiết bị tiết kiệm năng lượng,

sử dụng điều khiển nhiệt độ thông minh để giảm lượng năng lượng tiêu thụ cho việc làm mát và sử dụng các nguồn năng lượng tái tạo như điện mặt trời hoặc gió

để cung cấp điện cho các hệ thống đám mây

• Phát thải carbon: Đó là cường độ carbon được tạo ra bởi các nhà cung cấp điện của một dịch vụ Khí thải carbon của một dịch vụ cần phải được giảm thiểu hoặc kiểm soát mặc dù nó ảnh hưởng xấu đến môi trường của chúng ta

• Sử dụng tài nguyên: Mức độ sử dụng các tài nguyên như bộ nhớ, bộ xử lý, băng thông mạng, ổ cứng và các tài nguyên khác trong hệ thống cloud để thực hiện các nhiệm vụ và cung cấp dịch vụ Khi người dùng sử dụng các dịch vụ trên đám mây,

họ sẽ cần sử dụng các tài nguyên này để thực hiện các tác vụ và truy cập vào các ứng dụng và dữ liệu được lưu trữ trên đám mây

Quản lý sử dụng tài nguyên là một phần quan trọng trong việc vận hành đám mây hiệu quả và giảm thiểu chi phí cho các nhà cung cấp dịch vụ và khách hàng Các nhà cung cấp dịch vụ cần theo dõi sử dụng tài nguyên để đảm bảo rằng họ có đủ tài nguyên để cung cấp dịch vụ cho khách hàng của mình và đồng thời tránh tình trạng phí vô lý khi sử dụng tài nguyên không cần thiết Khách hàng cũng cần quản

lý sử dụng tài nguyên của mình để đảm bảo rằng họ chỉ sử dụng các tài nguyên cần thiết và tránh phí cao hơn với việc sử dụng quá nhiều tài nguyên

• Độ tin cậy: Khả năng của hệ thống đám mây để hoạt động một cách ổn định và liên tục trong suốt khoảng thời gian dài mà không gặp phải sự cố nào gây gián đoạn hoạt động của hệ thống Độ tin cậy là một yếu tố quan trọng để đảm bảo rằng các dịch vụ được cung cấp trên đám mây hoạt động một cách liên tục, đáp ứng được nhu cầu sử dụng của khách hàng và không làm giảm uy tín của nhà cung cấp dịch vụ

Để đảm bảo độ tin cậy của hệ thống đám mây, các nhà cung cấp dịch vụ cần triển khai các giải pháp và công nghệ để phát hiện và khắc phục sự cố nhanh chóng, giảm thiểu thời gian gián đoạn hoạt động của hệ thống Các giải pháp này có thể

bao gồm sao lưu dữ liệu, phân tán tài nguyên, dự phòng hệ thống, kiểm tra và xử

lý sự cố tự động

Độ tin cậy trong cloud là một yếu tố quan trọng để xây dựng lòng tin và đáp ứng nhu cầu của khách hàng Một hệ thống đám mây đáng tin cậy sẽ giúp cho khách hàng cảm thấy an tâm hơn khi sử dụng dịch vụ của nhà cung cấp và tăng cường mối quan hệ giữa nhà cung cấp và khách hàng

• Độ rộng băng tần (BW): Nó xác định việc điều chỉnh lưu lượng truy cập đi từ mạng cục bộ và lưu lượng truy cập đến được gửi bởi một nhà cung cấp dịch vụ internet Sự chênh lệch lưu lượng qua mạng này cần phải được quản lý Đây là những số liệu chính để đo cân bằng tải nhưng ngoài những số liệu này, nhiều nhà nghiên cứu đã xem xét nhiều tham số khác theo yêu cầu của họ như BW, Chi phí chung, Độ chính xác, Khả năng dự đoán, Độ tin cậy, Chi phí liên quan

Phân loại các thuật toán cân bằng tải

Hình 1.3 Phân loại các thuật toán cân bằng tải

Trong nghiên cứu, các thuật toán cân bằng tải là được phân loại theo một trong các cách sau [3]:

1 Tĩnh và Động

2 Dựa trên trạng thái hệ thống và Dựa trên người khởi tạo

quá trình

3 Lấy cảm hứng từ thiên nhiên và dựa trên số liệu thống kê

Trong đề tài này, NVDA đã phân loại cân bằng tải các thuật toán thành bốn loại lớn tùy thuộc vào bản chất của các thuật toán được sử dụng cho mục đích này bắt đầu từ cách tiếp cận truyền thống đối với heuristic kết hợp và được chia nhỏ hơn

nữa thành các loại Mỗi loại các thuật toán này được thảo luận ngắn gọn trong phần sau tiểu mục NVDA đã trình bày một đánh giá khác nhau các thuật toán được sử dụng và thực hiện bởi các nhà nghiên cứu của mỗi loại dựa trên một số tiêu chí

Hình 1.4 Các loại thuật toán cân bằng tải

Thuật toán cổ điển:

Các thuật toán lập lịch CPU nổi tiếng cho phép thực hiện một quy trình trong khi các quy trình khác chờ trong hàng đợi, tối đa hóa việc sử dụng CPU Hệ điều hành chọn một tiến trình từ hàng đợi sẵn sàng và phân bổ nó cho CPU Trong các

hệ thống máy tính phân tán, có nhiều loại kỹ thuật lập lịch cân bằng tải, bao gồm các thuật toán ưu tiên và không ưu tiên Các thuật toán ưu tiên làm gián đoạn các thực thi đang diễn ra để ưu tiên các nhiệm vụ có mức độ ưu tiên cao hơn, trong khi các thuật toán không ưu tiên phân bổ tài nguyên dựa trên thứ tự đến của nhiệm vụ

Ví dụ về các thuật toán lập lịch bao gồm Round Robin và lập lịch dựa trên mức độ

ưu tiên cho ưu tiên và FCFS và SJF cho không ưu tiên Tất cả các tác vụ đều chờ trong hàng đợi sẵn sàng và CPU duy trì hàng đợi dưới dạng danh sách được liên kết

1.3.5.3 Thuật toán Heuristic:

Các thuật toán heuristic là các kỹ thuật tối ưu hóa được sử dụng để giải quyết các vấn đề một cách nhanh chóng khi các phương pháp truyền thống quá chậm hoặc không thể tìm ra giải pháp chính xác Chúng còn được gọi là các thuật toán xấp xỉ vì mục tiêu của chúng là tạo ra một giải pháp hợp lý trong một khoảng thời gian hợp lý, mặc dù nó có thể không phải là giải pháp tối ưu Các thuật toán heuristic sử dụng các phỏng đoán chiến lược để tìm ra các giải pháp khả thi, tự chúng hoặc kết hợp với các phương pháp tối ưu hóa Các kỹ thuật này có thể là tĩnh, được áp dụng khi thời gian hoàn thành nhiệm vụ được biết trước hoặc động, được sử dụng khi nhiệm vụ đến không thể đoán trước Phần này tập trung vào các thuật toán heuristic, chẳng hạn như Min-min, Max-min, RASA và Max-min cải tiến, bao gồm trọng tâm nghiên cứu, công cụ được sử dụng và triển vọng trong tương lai Mặc dù đã có nhiều đóng góp trong việc phát triển các thuật toán cân bằng tải nhưng vẫn còn chỗ cần cải thiện

1.3.5.4 Thuật toán Meta-Heuristic:

Nguồn gốc của metaheuristic có thể bắt nguồn từ các lĩnh vực Trí tuệ nhân tạo và Nghiên cứu hoạt động Các kỹ thuật heuristic chỉ có thể tạo ra một số giải pháp

điểm lớn nhất của heuristic là xu hướng mắc kẹt trong các tối ưu cục bộ kém chất lượng Để giải quyết hạn chế này, một kỹ thuật cải tiến lặp được gọi là Metaheuristics đã được phát triển Metaheuristics kết hợp các phương pháp gần đúng mức cao hơn để hướng dẫn các thủ tục cải tiến cục bộ và khám phá không gian tìm kiếm hiệu quả hơn Theo Voss [4], “metaheuristic là một quy trình tổng thể lặp đi lặp lại, sửa đổi các heuristic cấp dưới để tạo ra các giải pháp chất lượng cao Các heuristic cấp dưới có thể là các thủ tục cấp cao hoặc cấp thấp, phương pháp tìm kiếm cục bộ hoặc phương pháp xây dựng.” Các thuật toán chính xác không phù hợp với các vấn đề có độ phức tạp tính toán cao, làm metaheuristic trở thành một giải pháp thay thế hấp dẫn Với sức mạnh ngày càng tăng của máy tính

và các nền tảng song song, metaheuristic đã được áp dụng thành công cho các vấn

đề thời gian thực với các yêu cầu nghiêm ngặt về thời gian phản hồi Ý tưởng chính của kỹ thuật này là sử dụng ba toán tử - chuyển đổi, đánh giá và xác định - để tìm kiếm các giải pháp khả thi Hai phương pháp chuyển tiếp phổ biến được sử dụng cho các bài toán tổ hợp là Perturbative và Constructive

Phân loại các thuật toán Meta-heuristic:

Tìm kiếm cục bộ (Local Search) được sử dụng để cải tiến một giải pháp theo cách lặp đi lặp lại bằng cách thực hiện các sửa đổi nhỏ để di chuyển đến một giải pháp lân cận có chất lượng tốt hơn Ý tưởng cơ bản của tìm kiếm cục bộ là khám phá vùng lân cận của giải pháp hiện tại và di chuyển đến giải pháp lân cận tốt nhất cho đến khi đạt được điểm cực tiểu cục bộ

Thuật toán tìm kiếm cục bộ có thể được sử dụng như một phương pháp độc lập, nhưng thường được kết hợp với các kỹ thuật metaheuristic khác như simulated annealing, tabu search hoặc genetic algorithms Các thuật toán này sử dụng tìm kiếm cục bộ như một cách để khám phá không gian tìm kiếm một cách hiệu quả hơn Ví dụ, trong simulated annealing, tìm kiếm cục bộ được sử dụng để thoát khỏi điểm cực tiểu cục bộ và khám phá các khu vực khác của không gian tìm kiếm Trong tabu search, tìm kiếm cục bộ được sử dụng để ngăn chặn quay lại các giải pháp đã được truy cập trước đó

Việc lựa chọn cấu trúc vùng lân cận là một khía cạnh quan trọng của thuật toán tìm kiếm cục bộ trong metaheuristic Các loại vùng lân cận khác nhau có thể được

sử dụng tùy thuộc vào vấn đề cần giải quyết Ví dụ, trong các vấn đề tối ưu tổ hợp, vùng lân cận của một giải pháp có thể được xác định bằng cách hoán đổi hai phần

tử, đảo ngược một chuỗi hoặc chèn hoặc xóa một phần tử Trong các vấn đề tối ưu

liên tục, vùng lân cận có thể được xác định bằng cách thay đổi giá trị của một hoặc nhiều biến số một cách nhỏ

Hình 1.5 Phân loại các thuật toán meta-heuristic

Trong các thuật toán metaheuristic, giải pháp đơn đề cập đến một giải pháp đang được sửa đổi và cải tiến lặp đi lặp lại trong suốt quá trình thực thi thuật toán Thuật toán bắt đầu với một giải pháp ban đầu, sau đó khám phá không gian tìm kiếm bằng cách áp dụng các kỹ thuật khác nhau như tìm kiếm cục bộ, đột biến và chéo Những kỹ thuật này tạo ra các giải pháp mới bằng cách sửa đổi giải pháp hiện tại theo một cách nào đó [3]

Mục tiêu của thuật toán metaheuristic là tìm ra giải pháp tốt nhất có thể trong số tất cả các giải pháp ứng cử viên đã được tạo trong quá trình thực hiện Chất lượng của một giải pháp được đo bằng một hàm mục tiêu, thường cụ thể cho vấn đề đang được giải quyết Hàm mục tiêu gán một giá trị số cho mỗi giải pháp dựa trên mức

độ đáp ứng các ràng buộc và mục tiêu của vấn đề

Việc tìm kiếm giải pháp tốt nhất thường được hướng dẫn bởi một tập hợp các quy tắc và tham số heuristic kiểm soát hành vi của thuật toán Các quy tắc và tham số này có thể được điều chỉnh để cân bằng việc khám phá và khai thác không gian tìm kiếm, đồng thời tránh bị mắc kẹt trong tối ưu cục bộ

Trong một số trường hợp, các thuật toán metaheuristic có thể được thiết kế để hoạt động với một tập hợp các giải pháp, thay vì một giải pháp duy nhất Cách tiếp cận này được gọi là thuật toán bầy đàn và nó có thể được sử dụng để khám phá phần lớn hơn của không gian tìm kiếm và để tránh bị mắc kẹt trong các tối ưu cục bộ Thuật toán xã hội là một tập hợp con của các thuật toán metaheuristic sử dụng một tập hợp các giải pháp ứng cử viên để tìm kiếm giải pháp tối ưu Các thuật toán này thường sử dụng một tập hợp các giải pháp để khám phá không gian tìm kiếm và tìm ra giải pháp tốt nhất

Ví dụ về các thuật toán metaheuristic dựa trên thuật toán xã hội bao gồm:

Thuật toán di truyền (GA): GA là thuật toán tối ưu hóa dựa trên quần thể lấy cảm hứng từ quá trình chọn lọc tự nhiên Trong thuật toán này, quần thể các giải pháp

ứng cử viên phát triển qua nhiều thế hệ bằng cách sử dụng các toán tử di truyền như chọn lọc, lai ghép và đột biến

Tối ưu hóa bầy đàn hạt (PSO): PSO là một thuật toán tối ưu hóa dựa trên dân số được lấy cảm hứng từ hành vi của đàn chim hoặc đàn cá Trong thuật toán này, một quần thể các hạt tìm kiếm giải pháp tối ưu bằng cách điều chỉnh vị trí và vận tốc của chúng dựa trên kinh nghiệm của chính chúng và của các hạt tốt nhất trong quần thể

Tối ưu hóa đàn kiến (ACO): ACO là một thuật toán tối ưu hóa dựa trên quần thể được lấy cảm hứng từ hành vi của loài kiến khi tìm kiếm thức ăn Trong thuật toán này, một quần thể kiến nhân tạo di chuyển trong không gian tìm kiếm, gửi pheromone để giao tiếp với nhau và tìm ra giải pháp tối ưu.Các thuật toán dựa trên dân số là một loại thuật toán metaheuristic khác, sử dụng đồng thời nhiều giải pháp

để tìm ra giải pháp tốt nhất Thuật toán tiến hóa và thuật toán di truyền là hai loại thuật toán dựa trên quần thể, được lấy cảm hứng từ quá trình chọn lọc tự nhiên Các thuật toán này tạo ra một quần thể các giải pháp và áp dụng các hoạt động lựa chọn, tái tổ hợp và đột biến để phát triển các quần thể mới Quá trình này được lặp

đi lặp lại cho đến khi tìm được giải pháp thỏa đáng

Thuật toán memetic là một loại thuật toán metaheuristic kết hợp các yếu tố của thuật toán tiến hóa và phương pháp tìm kiếm cục bộ Cái tên "memetic" xuất phát

từ từ "meme", dùng để chỉ một đơn vị thông tin văn hóa có thể được truyền từ cá nhân này sang cá nhân khác [5]

Trong một thuật toán memetic, một tập hợp các giải pháp ứng cử viên được phát triển qua nhiều thế hệ thông qua quá trình lựa chọn, đột biến và lai ghép Tuy nhiên, không giống như các thuật toán di truyền truyền thống, các cá thể trong quần thể không được coi là giải pháp hộp đen Thay vào đó, chúng phải tuân theo các quy trình tìm kiếm cục bộ được thiết kế để cải thiện chất lượng của chúng

Các thủ tục tìm kiếm cục bộ trong thuật toán memetic có thể có nhiều dạng, chẳng hạn như ủ mô phỏng (simulated annealing) hoặc tìm kiếm tabu Chúng được áp dụng cho từng cá nhân trong tập hợp để tinh chỉnh các giải pháp và có khả năng tìm ra các tối ưu cục bộ mới

Sự kết hợp giữa tìm kiếm tiến hóa và tìm kiếm cục bộ cho phép các thuật toán memetic cân bằng giữa việc khám phá và khai thác không gian tìm kiếm, đồng thời nhanh chóng hội tụ các giải pháp chất lượng cao Chúng đã được áp dụng thành công cho nhiều vấn đề tối ưu hóa, bao gồm lập lịch, định tuyến và học máy

1.3.5.5 Thuật toán kết hợp (hybrid):

Các phương pháp kết hợp được sử dụng rộng rãi trong tối ưu hóa và đã trở nên phổ biến do tính hiệu quả của chúng trong việc tích hợp các cơ chế khác nhau Cách tiếp cận này cho phép tạo ra các thuật toán mới và cải tiến có thể khám phá nhiều không gian giải pháp hơn [2]

Hình 1.6 Phân loại các thuật toán hybrid

Để phân loại các cơ chế kết hợp dựa trên không gian tìm kiếm của chúng, NVDA

đã phân loại chúng thành ba phần, như trong Hình 1.6

Tầm quan trọng của việc kết hợp các phương pháp dựa trên dân số trong các kỹ thuật hybrid nằm ở khả năng khám phá phạm vi không gian lời giải rộng hơn của chúng Bằng cách kết hợp các cơ chế tìm kiếm khác nhau, các kết hợp có thể hưởng lợi từ sức mạnh tổng hợp, điều này có thể dẫn đến hiệu suất tốt hơn và tối ưu hóa hiệu quả hơn

1.4 Particle Swarm Optimization

Particle Swarm Optimization (PSO) là một thuật toán tối ưu hóa dựa trên quần thể lấy cảm hứng từ hành vi xã hội của đàn chim hoặc đàn cá Nó được Kennedy và Eberhart đề xuất lần đầu tiên vào năm 1995 và đã được sử dụng rộng rãi trong nhiều ứng dụng khác nhau, bao gồm thiết kế kỹ thuật, người máy, xử lý hình ảnh

và học máy

Trong PSO, một nhóm các hạt hoặc tác nhân di chuyển qua không gian tìm kiếm

đa chiều để tìm ra giải pháp tối ưu Mỗi hạt có một vị trí và vận tốc thay đổi theo thời gian dựa trên vị trí tốt nhất của chính nó (pbest) và vị trí tốt nhất của các hạt lân cận (gbest) trong không gian tìm kiếm Vị trí và vận tốc của mỗi hạt được cập nhật bằng cách sử dụng một tập hợp các phương trình toán học kết hợp vị trí và vận tốc hiện tại, bộ nhớ của hạt về vị trí tốt nhất của nó và vị trí tốt nhất của các hạt lân cận

Các tham số trong PSO:

- Số lượng hạt: Số lượng hạt trong PSO có thể ảnh hưởng đáng kể đến hiệu suất của nó Có nhiều hạt hơn có thể dẫn đến việc khám phá không gian tìm kiếm tốt hơn và hội tụ tốt hơn đến mức tối ưu toàn cục Tuy nhiên, có quá nhiều phần tử có thể làm tăng chi phí tính toán của thuật toán và có thể dẫn đến sự hội tụ chậm Mặt khác, có quá ít hạt có thể dẫn đến việc khám phá không gian tìm kiếm không đầy đủ và hội tụ kém

Trong thực tế, số lượng phần tử được sử dụng trong PSO thường được xác định thông qua thử và sai, có tính đến quy mô vấn đề và tài nguyên tính toán sẵn có Một hướng dẫn chung là sử dụng một số phần tử tỷ lệ với chiều của vấn đề, nhưng điều này không phải lúc nào cũng đúng Số lượng phần

tử được khuyến nghị cho hầu hết các bài toán nằm trong khoảng từ 20 đến

50, nhưng con số này có thể khác nhau tùy thuộc vào đặc điểm của bài toán

và nguồn lực sẵn có

- Trọng số quán tính: kiểm soát mức độ quán tính hoặc khả năng chống lại

sự thay đổi được thể hiện bởi mỗi hạt trong không gian tìm kiếm Trọng lượng quán tính xác định sự cân bằng giữa thăm dò và khai thác trong thuật toán PSO Giá trị trọng lượng quán tính được nhân với vận tốc hiện tại của hạt và được thêm vào vị trí hiện tại của nó để tính toán vị trí mới trong mỗi lần lặp Trọng lượng quán tính giảm dần theo thời gian để giảm tác động của vận tốc trước đó của hạt lên vị trí hiện tại của nó và khuyến khích sự khám phá trong không gian tìm kiếm Việc chọn một giá trị thích hợp cho trọng số quán tính là rất quan trọng đối với tốc độ hội tụ và độ chính xác của thuật toán PSO Giá trị tối ưu của trọng lượng quán tính phụ thuộc vào vấn đề đang được giải quyết và nó thường được xác định thông qua thử nghiệm và điều chỉnh

- Hệ số nhận thức: thường được ký hiệu là C1, là một trong hai hệ số trong thuật toán Tối ưu hóa bầy đàn hạt (PSO) xác định cường độ chuyển động của hạt theo hướng tốt nhất cho cá nhân nó Đó là một giá trị không đổi được sử dụng để cân bằng việc khám phá và khai thác không gian tìm kiếm

Nó thể hiện xu hướng di chuyển của hạt tới vị trí được biết đến nhiều nhất của nó trong không gian tìm kiếm Giá trị của C1 thường được đặt trong khoảng từ 0 đến 2

- Hệ số xã hội: thể hiện tác động của giải pháp tốt nhất toàn cầu đối với vận tốc của hạt Nó xác định mức độ mà một hạt bị ảnh hưởng bởi giải pháp tốt nhất được tìm thấy bởi tất cả các hạt trong bầy Hệ số xã hội là một trọng

số không đổi được áp dụng cho vị trí tốt nhất toàn cầu được tìm thấy cho đến nay bởi bầy đàn Nó giúp cân bằng việc khám phá và khai thác không gian tìm kiếm bằng cách hướng dẫn các hạt hướng tới các khu vực đầy hứa hẹn trong không gian tìm kiếm Hệ số xã hội là một trong hai tham số chính trong PSO, tham số còn lại là hệ số nhận thức

Quá trình tối ưu hóa trong PSO là lặp đi lặp lại và mục tiêu là tìm giải pháp tối ưu toàn cục bằng cách giảm thiểu hoặc tối đa hóa hàm mục tiêu Hàm mục tiêu đại diện cho vấn đề đang được giải quyết và được đánh giá cho từng hạt tại mỗi lần lặp Hiệu suất của thuật toán được đo lường dựa trên giá trị phù hợp của hàm mục tiêu Thuật toán bao gồm các bước sau:

1 Khởi tạo: Khởi tạo một nhóm các hạt có vị trí và vận tốc ngẫu nhiên Mỗi hạt đại diện cho một giải pháp tiềm năng cho vấn đề tối ưu hóa

2 Đánh giá: Đánh giá mức độ phù hợp của từng hạt bằng cách tính giá trị hàm mục tiêu của nó

3 Cập nhật vị trí tốt nhất của hạt: Đối với mỗi hạt, cập nhật vị trí tốt nhất của

nó dựa trên vị trí hiện tại và vị trí tốt nhất mà nó đã tìm thấy cho đến nay

4 Cập nhật vị trí tốt nhất toàn cầu: Xác định vị trí tốt nhất được tìm thấy bởi bất kỳ hạt nào trong bầy

5 Cập nhật vận tốc và vị trí của hạt: Đối với mỗi hạt, cập nhật vận tốc và vị trí của nó dựa trên vị trí hiện tại, vị trí tốt nhất và vị trí tốt nhất toàn cục

6 Lặp lại các bước 2-5 cho đến khi đáp ứng tiêu chí kết thúc, chẳng hạn như đạt đến số lần lặp lại tối đa hoặc đạt được mức độ phù hợp thỏa đáng Cập nhật vận tốc và vị trí trong bước 5 là cốt lõi của thuật toán PSO Các bản cập nhật thường được định nghĩa như sau:

Cập nhật vận tốc:

𝑣𝑖(𝑡 + 1) = 𝑤 ∗ 𝑣𝑖(𝑡) + 𝑐1𝑟1∗ (𝑝𝑏𝑒𝑠𝑡𝑖 − 𝑥𝑖(𝑡))

+ 𝑐2𝑟2(𝑔𝑏𝑒𝑠𝑡 − 𝑥𝑖(𝑡))

(1.6)

trong đó 𝑣𝑖(𝑡) là vận tốc của hạt 𝑖 tại thời điểm 𝑡, 𝑤 là trọng lượng quán tính, 𝑐1

và 𝑐2 là hệ số gia tốc, 𝑟1 và 𝑟2 là các giá trị ngẫu nhiên trong khoảng từ 0 đến 1,

𝑝𝑏𝑒𝑠𝑡𝑖⁡là vị trí tốt nhất mà hạt i tìm thấy, 𝑥𝑖(𝑡) là vị trí hiện tại của hại 𝑖 tại thời điểm 𝑡, và 𝑔𝑏𝑒𝑠𝑡 là vị trí tốt nhất được tìm thấy bởi bất kỳ hạt nào trong bầy Cập nhật vị trí:

tổ hợp và rời rạc

1.5 Lợi ích và hạn chế của PSO trong cân bằng tải

Ưu điểm của thuật toán PSO để cân bằng tải trong điện toán đám mây:

1 Khả năng mở rộng: PSO phù hợp để cân bằng tải trong các hệ thống

điện toán đám mây quy mô lớn nhờ khả năng xử lý không gian tìm kiếm nhiều chiều và quần thể hạt lớn

2 Hội tụ nhanh: PSO có thể nhanh chóng hội tụ thành một giải pháp tốt,

điều này rất quan trọng đối với cân bằng tải động trong điện toán đám mây, nơi khối lượng công việc có thể thay đổi nhanh chóng

3 Cân bằng tốt hơn giữa thăm dò và khai thác: PSO có thể tìm thấy sự cân

bằng giữa khám phá các giải pháp mới và khai thác các khu vực đầy triển vọng, điều này rất quan trọng để cân bằng tải trong điện toán đám mây

4 Tính linh hoạt: PSO có thể được điều chỉnh để xử lý các loại ràng buộc

và mục tiêu khác nhau trong cân bằng tải, chẳng hạn như giảm thiểu thời gian phản hồi hoặc tối đa hóa việc sử dụng tài nguyên

5 Mạnh mẽ: PSO có thể xử lý dữ liệu ồn ào hoặc không đầy đủ, làm cho

nó phù hợp với môi trường điện toán đám mây trong thế giới thực Hạn chế của thuật toán PSO cho cân bằng tải trong điện toán đám mây:

1 Độ nhạy với các tham số: Hiệu suất của PSO phụ thuộc nhiều vào việc

cài đặt các tham số của nó, chẳng hạn như trọng lượng quán tính và hệ

số gia tốc, có thể cần được điều chỉnh cho các môi trường điện toán đám mây khác nhau

2 Thiếu tính đa dạng: PSO có thể bị thiếu tính đa dạng trong bầy, dẫn đến

khả năng khám phá không gian tìm kiếm kém trong một số tình huống cân bằng tải

3 Hội tụ sớm: PSO có thể sớm hội tụ thành một giải pháp dưới mức tối

ưu, đặc biệt là trong các tình huống cân bằng tải động, nơi khối lượng công việc có thể thay đổi nhanh chóng

4 Độ chính xác hạn chế: PSO có thể không cung cấp các giải pháp có độ

chính xác cao cho một số tình huống cân bằng tải, trong đó cần phải đáp ứng các yêu cầu nghiêm ngặt về thời gian phản hồi hoặc sử dụng tài nguyên

5 Khả năng áp dụng hạn chế: PSO có thể không phù hợp với các tình

huống cân bằng tải liên quan đến các ràng buộc phức tạp hoặc nhiều mục tiêu

Nhìn chung, PSO đã được chứng minh là một thuật toán tối ưu hóa hữu ích và hiệu quả để cân bằng tải trong điện toán đám mây, nhưng hiệu suất của nó có thể nhạy cảm với việc lựa chọn tham số và có thể không phù hợp với mọi tình huống cân bằng tải

Hình 1.7 Luồng làm việc PSO

1.6 Binary Bird Swarm Optimization

Particle Swarm Optimization (PSO) là một thuật toán tối ưu hóa dựa trên quần thể lấy cảm hứng từ hành vi xã hội của đàn chim hoặc đàn cá Nó được Kennedy và Eberhart đề xuất lần đầu tiên vào năm 1995 và đã được sử dụng rộng rãi trong nhiều ứng dụng khác nhau, bao gồm thiết kế kỹ thuật, người máy, xử lý hình ảnh

và học máy

Trong PSO, một nhóm các hạt hoặc tác nhân di chuyển qua không gian tìm kiếm

đa chiều để tìm ra giải pháp tối ưu Mỗi hạt có một vị trí và vận tốc thay đổi theo thời gian dựa trên vị trí tốt nhất của chính nó (𝑃𝑏𝑒𝑠𝑡) và vị trí tốt nhất của các hạt lân cận (𝐺𝑏𝑒𝑠𝑡) trong không gian tìm kiếm Vị trí và vận tốc của mỗi hạt được cập nhật bằng cách sử dụng một tập hợp các phương trình toán học kết hợp vị trí và vận tốc hiện tại, bộ nhớ của hạt về vị trí tốt nhất của nó và vị trí tốt nhất của các hạt lân cận

Binary Bird Swarm Optimization (BBSO) là một thuật toán tối ưu hóa rời rạc được lấy cảm hứng từ hành vi xã hội tự nhiên của đàn chim và các tương tác xã hội của chúng khi tìm kiếm thức ăn

BSO là thuật toán tối ưu hóa dựa trên quẩn thể cũng giống như trên các nghiên cứu trước đó về thuật toán tối ưu PSO nhưng BSO lại có những đặc điểm tương đối khác biệt so với thuật toán PSO Nó được giới thiệu lần đầu vào năm 2015 bởi Meng và các cộng sự BSO tập trung cố gắng để có được tối ưu toàn cục (global optima) trong khi cố gắng giải quyết vấn đề tối ưu cục bộ (local optima problem)

Nó được phát triển dựa trên việc mô phỏng lại 3 hành vi của đàn chim: tìm thức

ăn, cảnh giác và di chuyển Có 5 luật để cấu thành nên BSO sẽ được chỉ ra chi tiết

ở phần sau

Thuật toán BSO bao gồm các bước sau đây:

1 Khởi tạo: Thuật toán bắt đầu bằng cách khởi tạo quần thể chim một cách

ngẫu nhiên

2 Tính toán fitness function: Fitness value của mỗi con chim được tính

toán dựa trên fitness function được xác định trước Fitness function xác định chất lượng của giải pháp được đại diện bởi mỗi con chim

3 Cập nhật vị trí: Vị trí của mỗi con chim được cập nhật dựa trên thông

tin nhận được từ những con chim khác và thể lực của mỗi con chim

4 Lựa chọn: Lựa chọn những con chim được bay tiếp và những con chim

phải giữ cảnh giác

5 Lựa chọn: Lựa chọn những con chim được làm producer và những con

chim làm scrounger

6 Lặp lại: Các bước 2-5 được lặp lại cho đến khi đáp ứng tiêu chí dừng,

chẳng hạn như số lần lặp lại tối đa hoặc đạt được giá trị thể lực thỏa đáng

Thuật toán BSO có một số lợi thế so với các thuật toán tối ưu hóa khác, bao gồm khả năng xử lý các vấn đề tối ưu hóa phức tạp, khả năng tìm tối ưu toàn cầu một cách hiệu quả và khả năng cân bằng hiệu quả giữa thăm dò và khai thác [6] Ngoài

ra, thuật toán BSO rất dễ triển khai và có thể dễ dàng song song hóa, khiến thuật toán này phù hợp để giải quyết các vấn đề tối ưu hóa lớn trong môi trường điện toán đám mây

Thuật toán BBSO sử dụng các giá trị nhị phân (0 hoặc 1) để thể hiện các giải pháp cho một vấn đề tối ưu hóa Dưới đây là các bước liên quan đến thuật toán BBSO:

1 Khởi tạo: Thuật toán bắt đầu bằng cách tạo ngẫu nhiên một tập hợp các giải pháp nhị phân ban đầu Mỗi giải pháp đại diện cho một giải pháp tiềm năng cho vấn đề tối ưu hóa

2 Đánh giá: Mức độ phù hợp của mỗi giải pháp trong tổng thể được đánh giá bằng cách tính giá trị hàm mục tiêu của giải pháp đó

3 Cập nhật vị trí: Vị trí của mỗi con chim được cập nhật dựa trên thông tin nhận được từ những con chim khác và fitness value của mỗi con chim

4 Lựa chọn: Lựa chọn những con chim được bay tiếp và những con chim phải giữ cảnh giác

5 Lựa chọn: Lựa chọn những con chim được làm producer và những con chim làm scrounger

6 Lặp lại: Đưa đầu ra về dạng nhị phân, nếu tiêu chí dừng không được đáp ứng, thuật toán sẽ quay lại bước 2 và tiếp tục quá trình tối ưu hóa

7 Kết thúc: Thuật toán trả về giải pháp tốt nhất được tìm thấy trong quá trình tối ưu hóa

Trong lĩnh vực cân bằng tải trong điện toán đám mây, thuật toán BBSO đã được

sử dụng để tối ưu hóa việc phân bổ tài nguyên cho các máy ảo Thuật toán có khả năng cân bằng tải động trong môi trường điện toán đám mây, giúp cải thiện hiệu suất sử dụng tài nguyên và hệ thống Ngoài ra, thuật toán BBSO có thể được sử dụng để cải thiện tính khả dụng của dịch vụ trong môi trường điện toán đám mây,

vì thuật toán này có thể phản ứng nhanh chóng và hiệu quả với những thay đổi trong khối lượng công việc

Tóm lại, thuật toán BBSO là một thuật toán mới đầy hứa hẹn để cân bằng tải trong môi trường điện toán đám mây Thuật toán này có một số ưu điểm so với các thuật toán cân bằng tải khác và đã được chứng minh là có hiệu quả trong việc cải thiện việc sử dụng tài nguyên, hiệu năng hệ thống và tính khả dụng của dịch vụ trong môi trường điện toán đám mây

1.7 Lợi ích và hạn chế của BBSO trong cân bằng tải:

Ưu điểm của thuật toán BBSO cho cân bằng tải trong điện toán đám mây:

1 Dễ triển khai: BBSO rất dễ triển khai vì nó chỉ cần thiết lập một vài tham

4 Tìm kiếm toàn cầu: BBSO là một thuật toán tìm kiếm toàn cầu có thể khám phá nhiều giải pháp cho vấn đề cân bằng tải

Nhược điểm của thuật toán BBSO cho cân bằng tải trong điện toán đám mây:

1 Điều chỉnh tham số: Giống như các thuật toán tối ưu hóa khác, BBSO yêu cầu điều chỉnh cẩn thận các tham số của nó để đạt được hiệu suất tốt

2 Hội tụ sớm: BBSO có thể gặp phải tình trạng hội tụ sớm, điều đó có nghĩa là BBSO có thể gặp khó khăn trong một giải pháp dưới mức tối

ưu quá sớm trong quá trình tối ưu hóa

3 Không gian tìm kiếm hạn chế: Vì BBSO sử dụng các giá trị nhị phân để biểu thị các giải pháp nên không gian tìm kiếm bị hạn chế so với các thuật toán tối ưu hóa khác sử dụng các giá trị liên tục

4 Nhạy cảm với việc khởi tạo: BBSO nhạy cảm với tập hợp các giải pháp ban đầu, điều đó có nghĩa là thuật toán có thể hội tụ các giải pháp khác nhau tùy thuộc vào tập hợp ban đầu

Nhìn chung, thuật toán BBSO có một số lợi thế để cân bằng tải trong môi trường điện toán đám mây, bao gồm khả năng tìm hiệu quả tối ưu toàn cầu, khả

năng cân bằng tải động và khả năng cải thiện tính khả dụng của dịch vụ Tuy nhiên, thuật toán cũng có một số hạn chế, bao gồm độ nhạy của nó với các điều kiện ban đầu, chi phí tính toán và tốc độ hội tụ của nó Cần nghiên cứu thêm

để giải quyết những hạn chế này và cải thiện hiệu quả của thuật toán BSO để cân bằng tải trong môi trường điện toán đám mây

1.8 Động lực để thực hiện phát triển thuật toán hybrib kết hợp PSO và BBSO giải quyết bài toán cân bằng tải trong hệ thống điện toán đám mây:

Cân bằng tải là một nhiệm vụ quan trọng trong môi trường điện toán đám mây để đảm bảo sử dụng tài nguyên hiệu quả, giảm thời gian phản hồi và cải thiện hiệu suất tổng thể của hệ thống Tính linh động và không thể đoán trước của khối lượng công việc trên đám mây khiến việc thiết kế các thuật toán cân bằng tải có thể thích ứng nhanh chóng và chính xác với các điều kiện thay đổi trở nên khó khăn Mặc

dù một số thuật toán tối ưu hóa đã được đề xuất để cân bằng tải, nhưng chúng đều

có những hạn chế, chẳng hạn như hội tụ sớm hoặc thiếu tính đa dạng trong bầy

Do đó, cần có một thuật toán mạnh mẽ và hiệu quả hơn để có thể khắc phục những hạn chế này và cung cấp các giải pháp cân bằng tải chính xác và đáng tin cậy hơn Một giải pháp tiềm năng là kết hợp hai thuật toán tối ưu hóa để tạo ra một thuật toán kết hợp có thể tận dụng điểm mạnh của cả hai Thuật toán Particle Swarm Optimization (PSO) và Binary Bird Swarm Optimization (BBSO) là hai thuật toán tối ưu hóa phổ biến đã được áp dụng để cân bằng tải trong điện toán đám mây PSO là một thuật toán tối ưu hóa dựa trên dân số có thể tìm ra giải pháp tối ưu toàn cầu bằng cách cân bằng giữa khám phá và khai thác không gian tìm kiếm Mặt khác, BBSO là một thuật toán tối ưu hóa nhị phân có thể xử lý các vấn đề tối ưu hóa tổ hợp và rời rạc bằng cách biểu diễn các giải pháp dưới dạng chuỗi nhị phân Bằng cách kết hợp hai thuật toán này, chúng ta có thể tạo ra một thuật toán hybrid

có thể tận dụng điểm mạnh của cả hai và khắc phục những hạn chế của chúng Động lực để triển khai giải pháp hybrid kết hợp PSO và BBSO để cân bằng tải trong điện toán đám mây là tạo ra một thuật toán có thể cung cấp các giải pháp cân bằng tải chính xác, hiệu quả và đáng tin cậy hơn Bằng cách tận dụng điểm mạnh của cả PSO và BBSO, chúng ta có thể tạo ra một thuật toán có thể nhanh chóng thích ứng với các điều kiện thay đổi cũng như xử lý các ràng buộc và mục tiêu phức tạp Ví dụ: thuật toán kết hợp có thể tận dụng khả năng tìm kiếm toàn cầu của PSO để tìm vùng tốt nhất của không gian tìm kiếm và sử dụng biểu diễn nhị phân của BBSO để tinh chỉnh giải pháp bằng cách xử lý các vấn đề tối ưu hóa tổ hợp và rời rạc Điều này có thể giúp thuật toán tránh hội tụ sớm, tăng tính đa dạng trong bầy đàn và cung cấp các giải pháp chính xác hơn đáp ứng các yêu cầu nghiêm ngặt về thời gian phản hồi hoặc sử dụng tài nguyên

Ngoài ra, một thuật toán kết hợp có thể cung cấp tính linh hoạt và khả năng tùy chỉnh cao hơn trong các giải pháp cân bằng tải Thuật toán kết hợp có thể được điều chỉnh để xử lý các loại ràng buộc và mục tiêu khác nhau, chẳng hạn như giảm thiểu thời gian phản hồi, tối đa hóa việc sử dụng tài nguyên hoặc cân bằng giữa chi phí và hiệu suất Điều này có thể giúp thuật toán cung cấp các giải pháp cân bằng

tải phù hợp với môi trường điện toán đám mây cụ thể, từ đó có thể cải thiện hiệu quả và hiệu suất của hệ thống

Tóm lại, động lực để triển khai giải pháp hybrid kết hợp PSO và BBSO để cân bằng tải trong điện toán đám mây là tạo ra một thuật toán có thể tận dụng điểm mạnh của cả hai thuật toán và cung cấp các giải pháp cân bằng tải chính xác, hiệu quả và đáng tin cậy hơn Thuật toán kết hợp có thể khắc phục những hạn chế của từng thuật toán, đồng thời cung cấp tính linh hoạt và khả năng tùy chỉnh cao hơn trong các giải pháp cân bằng tải Thuật toán hybrid được đề xuất có khả năng cải thiện hiệu quả và hiệu suất của môi trường điện toán đám mây, có thể mang lại lợi ích cho nhiều ứng dụng, chẳng hạn như thương mại điện tử, mạng xã hội và điện toán khoa học

1.9 Kết luận chương:

Chương 1 đã trình bày tổng quan về đề tài của đồ án này Trong đó có trình bày khái quát về động lực, lịch sử hình thành lĩnh vực điện toán đám mây, các loại đám mây, các khía cạnh mới cũng như đã trình bày cấu trúc hệ thống điện toán đám mây Chương cũng chỉ ra tính cần thiết của cân bằng tải, lập lịch cũng như các thông số để kiểm định (QoS Metrics) Sau đó phân loại các thuật toán một cách chi tiết Chương có đề cập tổng quát về hai thuật toán sử dụng là PSO và BBSO