Nghiên cứu một số vấn đề lập lịch trên môi trường tính toán đám mây (TT)

Mô hình ứng dụng trong TTĐM cũng đadạng hơn rất nhiều so với các mô hình tính toán truyền thống, do đó phải nghiêncứu những thuật toán cụ thể để đáp ứng nhu cầu cho những dạng ứng dụng c

NGUYỄN HOÀNG HÀ

NGHIÊN CỨU MỘT SỐ VẤN ĐỀ LẬP LỊCH TRÊN MÔI TRƯỜNG TÍNH TOÁN ĐÁM MÂY

CHUYÊN NGÀNH: KHOA HỌC MÁY TÍNH

MÃ SỐ: 62.48.01.01

LUẬN ÁN TIẾN SĨ KHOA HỌC MÁY TÍNH

Người hướng dẫn khoa học:

1 PGS.TS Lê Văn Sơn

2 PGS.TS Nguyễn Mậu Hân

HUẾ, NĂM 2016

Người hướng dẫn khoa học:

1 PGS.TS Lê Văn Sơn

2 PGS.TS Nguyễn Mậu Hân

Phản biện 1:

Phản biện 2:

Phản biện 3:

Luận án sẽ được bảo vệ tại Hội đồng chấm luận án cấp Đại học Huế họp tại:

Vào hồi giờ ngày tháng năm

Có thể tìm hiểu luận án tại thư viện:

MỞ ĐẦU

1 Lý do chọn đề tài

Tính toán đám mây (TTĐM) ra đời xuất phát từ nhu cầu tính toán và yêu cầudịch vụ với chi phí thấp của người sử dụng Thực tế, để giải quyết công việc các

tổ chức cần tìm ra năng lực tính toán mạnh mẽ và chi phí thấp hơn Hiện nay có

2 cách cơ bản để giải quyết vấn đề này Thứ nhất: nâng cấp cơ sở hạ tầng để tínhtoán, cách này sẽ tốn chi phí và nhân lực lớn; Thứ hai: tận dụng nguồn tài nguyênnhàn rỗi trong các tổ chức hoặc thuê các nguồn tài nguyên từ bên ngoài Cách giảiquyết thứ hai này chính là mục tiêu của TTĐM

TTĐM là sự phát triển của tính toán phân tán, vì vậy nó gặp phải nhiều tháchthức lớn cần phải giải quyết Hiện nay, ngày càng nhiều nhà cung cấp dịch vụ trênTTĐM, mỗi nhà cung cấp có chính sách quản lý tài nguyên khác nhau Các tàinguyên này rất đa dạng, không đồng nhất và khác nhau về mặt kiến trúc, giao diện,khả năng xử lý, v.v Sử dụng hiệu quả các nguồn tài nguyên này hoàn toàn không

dễ dàng Tại mỗi thời điểm có thể có rất nhiều người dùng yêu cầu dịch vụ trênTTĐM, mỗi người dùng có các yêu cầu về ràng buộc khác nhau Vì vậy, làm sao

để đưa ra một lịch trình tối ưu cho người dùng và đem lại lợi ích lớn nhất cho nhàcung cấp là một thách thức lớn cần phải giải quyết

Bài toán lập lịch trên TTĐM phức tạp hơn nhiều so với bài toán lập lịch truyềnthống vì việc lập lịch trên TTĐM phải xét trong môi trường phân tán, động, các tàinguyên từ nhiều nhà cung cấp khác nhau, các yêu cầu của người dùng có các ràngbuộc chất lượng dịch vụ khác nhau, v.v Mô hình ứng dụng trong TTĐM cũng đadạng hơn rất nhiều so với các mô hình tính toán truyền thống, do đó phải nghiêncứu những thuật toán cụ thể để đáp ứng nhu cầu cho những dạng ứng dụng cụ thể.Chính vì vậy, bài toán kiểm soát đầu vào và lập lịch cho yêu cầu người dùng trênTTĐM là một bài toán khó, chúng ta phải tìm ra các thuật toán tối ưu để giảiquyết các bài toán này

Các nghiên cứu trước đây chủ yếu nghiên cứu lập lịch công việc theo hướng hiệunăng về hệ thống, nhằm mục đích tận dụng tối đa hiệu năng của hệ thống TrênTTĐM, các nhà nghiên cứu tập trung nghiên cứu lập lịch công việc theo hướng hiệunăng về kinh tế nhằm đem lại lợi nhuận cho nhà cung cấp, thời gian thực hiện nhỏnhất cho người dùng đồng thời phải thỏa mãn các ràng buộc đặt ra của nhà cungcấp và người dùng Các thuật toán lập lịch trên TTĐM thường là các thuật toánlập lịch động Vì vậy, làm sao tối ưu thời gian đưa ra lịch trình là vấn đề mà cácnhà khoa học hiện nay đang quan tâm và nghiên cứu

Xuất phát từ việc tìm hiểu, nghiên cứu các đặc điểm và các thách thức về cácvấn đề lập lịch trên TTĐM, chúng tôi chọn đề tài “Nghiên cứu một số thuật

toán lập lịch trên môi trường tính toán đám mây”

2 Đối tượng và phạm vi nghiên cứu

Đối tượng nghiên cứu: các tác nhân và hệ thống lập lịch trong TTĐM.Phạm vi nghiên cứu: luận án tập trung nghiên cứu mô hình của tác nhânPaaS và xây dựng các thuật toán kiểm soát đầu vào và lập lịch ở mức nền tảng

3 Phương pháp nghiên cứu

Luận án sử dụng 3 phương pháp: phương pháp tổng hợp và mô hình hóa, phươngpháp hệ thống hóa, phương pháp thực nghiệm khoa học

4 Ý nghĩa khoa học và thực tiễn

Ý nghĩa khoa học

• Đề xuất các thuật toán lập lịch công việc thời gian thực áp dụng cho lớp cácbài toán song song trên TTĐM Luận án đưa thêm tham số chi phí, kết hợpviệc phân nhóm tài nguyên và xử lý song song để đưa ra lịch trình tối ưu vềchi phí và thời gian cho các yêu cầu người dùng

• Xây dựng mô hình toán học cho nhà cung cấp PaaS và đề xuất các thuật toánkiểm soát đầu vào và lập lịch theo hướng tối ưu đa mục tiêu trên TTĐM Ápdụng 2 heuristic ACO và PSO, luận án xây dựng công thức để tính thông tinheuristic và xác xuất của mỗi con kiến; xây dựng hàm thích nghi, vị trí tối ưucục bộ của mỗi cá thể và vị trí tối ưu toàn cục của cả bầy đàn Từ đó, xâydựng bài toán và đề xuất các thuật toán kiểm soát đầu vào và lập lịch theohướng tối ưu đa mục tiêu về chi phí và thời gian

Ý nghĩa thực tiễn: kết quả nghiên cứu nếu được áp dụng trên thực tế sẽ đem lạilợi nhuận cho nhà cung cấp SaaS, tổng thời gian thực hiện thấp và thỏa mãn cácràng buộc QoS của người dùng Luận án có thể được sử dụng làm tài liệu thamkhảo cho sinh viên và học viên cao học ngành Công nghệ Thông tin thực hiện đềtài về lập lịch công việc trong hệ phân tán và nghiên cứu các heuristic về bầy đàn

5 Bố cục của luận án

Luận án được trình bày trong 107 trang, ngoài phần mở đầu (4 trang), kết luận(2 trang), danh mục các công trình khoa học của tác giả liên quan đến luận án (1trang) và tài liệu tham khảo (8 trang), luận án được chia thành 3 chương Chương

1 (25 trang) trình bày tổng quan về các vấn đề lập lịch trên tính toán đám mây.Chương 2 (28 trang) xây dựng bài toán và các thuật toán lập lịch công việc thờigian thực trên tính toán đám mây áp dụng cho lớp bài toán song song Chương 3(39 trang) xây dựng mô hình, bài toán và thuật toán lập lịch công việc theo hướngtối ưu đa mục tiêu trong tính toán đám mây

Chương 1.

TỔNG QUAN VỀ CÁC VẤN ĐỀ LẬP LỊCH TRÊN

TÍNH TOÁN ĐÁM MÂY 1.1 Tổng quan về tính toán đám mây

1.1.1 Giới thiệu

TTĐM là sự phát triển của tính toán phân tán, tính toán song song và tính toán lưới

R Buyya và I Foster đều định nghĩa TTĐM là một hệ phân tán, cung cấp các dạng tàinguyên ảo dưới dạng các dịch vụ theo nhu cầu của người dùng trên môi trường Internet

1.1.2 Đặc điểm của tính toán đám mây

Các dịch vụ trên TTĐM có những đặc điểm chung như sau: giá rẻ, khả năng co giãnlớn, độ tin cậy cao, dùng chung tài nguyên và độc lập vị trí, khả năng ảo hóa, truy cậpdiện rộng, dùng bao nhiêu trả bấy nhiêu, độc lập thiết bị và nhiều người thuê

1.1.3 Kiến trúc của tính toán đám mây

Kiến trúc TTĐM được Ian Foster chia thành 4 tầng bao gồm: tầng tác chế, tầng tàinguyên hợp nhất, tầng nền tảng và tầng ứng dụng

1.1.4 Các mô hình trên tính toán đám mây

Theo NIST, TTĐM bao gồm 3 mô hình dịch vụ: SaaS, PaaS và SaaS và 4 mô hìnhtriển khai: đám mây công cộng, đám mây riêng, đám mây cộng đồng và đám mây lai

1.1.5 Các thách thức trên tính toán đám mây

Bên cạnh những lợi ích to lớn, TTĐM hiện nay gặp một số thách thức về bảo mật, lậplịch công việc và tắt nghẽn mạng khi lượng khách hàng lớn

1.2 Công cụ mô phỏng trên tính toán đám mây

1.2.1 Giới thệu

Các nhà nghiên cứu thường sử dụng công cụ mô phỏng để giảm chi phí cũng như tùybiến trong quá trình nghiên cứu

1.2.2 Một số công cụ mô phỏng trên tính toán đám mây

Hiện nay, các nhà nghiên cứu đã xây dựng 4 công cụ mô phỏng trên TTĐM nhưsau: DCSim, CloudSim, GroudSim và TeachCloud Theo đánh giá của Rahul Malhotra

và Parveen Kumar thì CloudSim là công cụ tổng quát nhất, giúp cho người dùng tự xâydựng một đám mây hoàn chỉnh

1.2.3 Công cụ mô phỏng CloudSim

CloudSim là bộ công cụ mô phỏng có khả năng mở rộng rất cao CloudSim cung cấpcác công cụ để tạo ra cơ sở hạ tầng, các dịch vụ, các sự kiện điều khiển, v.v Người lậptrình có thể hoàn toàn tạo ra đám mây theo mục đích của mình

1.3 Bài toán lập lịch trên tính toán đám mây

1.3.1 Giới thiệu

Theo P Brukner lớp các bài toán lập lịch là một bộ ba < R, T, γ >, trong đó: R, T , γ

là tập tài nguyên, yêu cầu và tiêu chí tối ưu của bài toán Một lịch trình được xác địnhbởi hàm f : T → R, trong đó mỗi yêu cầu ti ∈ T được ánh xạ vào tài nguyên rj ∈ R

1.3.2 Mô hình tổng quát để lập lịch trên các trung tâm dữ liệu

Mô hình tổng quát để lập lịch trên TTĐM bao gồm các tác nhân và hệ thống lập lịch.Các tác nhân bao gồm người dùng, nhà cung cấp dịch vụ SaaS, PaaS và IaaS Hệ thốnglập lịch bao gồm các chức năng ở mức ứng dụng và ở mức nền tảng

1.3.3 Các phương pháp lập lịch

Bài toán lập lịch được giải quyết bằng bốn phương pháp: phương pháp liệt kê, phươngpháp heuristic, phương pháp nới giảm tham số và phương pháp xấp xỉ

1.3.4 Mô hình kinh tế cho bài toán lập lịch

Trong mô hình kinh tế, chủ yếu tập trung lập lịch trên hai chiến lược: dựa trên thịtrường (market-based) và lập lịch dựa trên đấu giá (auction-based)

1.4 Các nghiên cứu liên quan đến lập lịch trên tính toán đám mây

Lập lịch trong các hệ phân tán như tính toán lưới và TTĐM có hai cách tiếp cận chính:hướng hiệu năng về hệ thống và hướng đến hiệu năng về kinh tế Y Chawla đã chia lậplịch công việc trên TTĐM thành các 5 loại: lập lịch tĩnh, lập lịch động, lập lịch heuristic,lập lịch luồng công việc và lập lịch công việc thời gian thực

1.4.1 Lập lịch tĩnh và động

Năm 2010, S Pandey đã đề xuất thuật toán lập lịch cho các bài toán có khối lượngcông việc lớn Tuy nhiên, các thuật toán này bỏ qua chi phí tính toán chỉ quan tâm đếnchi phí truyền thông Năm 2013, S.Nagadevi đã liệt kê các kỹ thuật lập lịch tĩnh, các kỹthuật này chỉ áp dụng cho các yêu cầu độc lập, các máy ảo chỉ thực hiện tuần tự và thờigian sẵn sàng của mỗi máy ảo được cập nhật sau khi yêu cầu được hoàn thành

Năm 2012, Z Lee và M Choudhary đã đề xuất các thuật toán lập lịch ưu tiên động,các thuật toán xem xét trên cả nhà cung cấp dịch vụ, nhà cung cấp tài nguyên và kháchhàng để đưa ra thuật toán nhằm đem lại thời gian và chi phí nhỏ nhất nhưng không xemxét trên các ràng buộc thời hạn và ngân sách của các yêu cầu Từ năm 2010 đến 2013, J.Deng, Lee và HanZhao đã đưa ra mô hình lập lịch cho các yêu cầu trên TTĐM với mục

tiêu đem lại lợi nhuận cho nhà cung cấp dịch vụ nhưng chỉ xem xét đến chi phí tính toán,chưa xem xét đến chi phí truyền thông và thời gian gối đầu giữa các yêu cầu.

1.4.2 Lập lịch heuristic

Từ năm 2010 đến 2012, R Buyya và các đồng sự đã đề xuất các thuật toán lập lịchcác công việc trên TTĐM theo hướng hiệu năng về hệ thống Nhóm tác giả đã kết hợpvới xử lý song song, heuristics động và P SO để xử lý các công việc với khối lượng lớn.Tuy nhiên các thuật toán chỉ áp dụng cho các lớp bài toán có khối lượng lớn, thời giantruyền dữ liệu lớn hơn nhiều so với thời gian tính toán K Li (2011) và S Zhan (2012)

sử dụng các heuristic về bầy đàn để đưa ra lịch trình tối ưu về thời gian thực hiện, khôngquan tâm đến ràng buộc QoS của người dùng Để tối ưu về thời gian thực hiện, K Liu(2009), X Song(2011), Z Bo(2011), V D Bossche (2012) sử dụng các heuristic ACO,

GA nhằm đưa ra lịch trình với mục tiêu đem lại thời gian hoàn thành nhỏ nhất cho hệthống nhưng vẫn thỏa mãn ràng buộc QoS của người dùng Các nghiên cứu này chỉ tậptrung vào ràng buộc về thời gian, không quan tâm đến chi phí của hệ thống

1.4.3 Lập lịch luồng công việc

Năm 2008, Z Yu đề xuất thuật toán lập lịch trên đa luồng Thuật toán này lập lịchcho các yêu cầu dựa trên độ ưu tiên của mỗi yêu cầu nhưng không xem xét đến ràng buộcQoS của người dùng Năm 2012, S K Jayadivya tập trung lập lịch trên đa luồng, dựavào ràng buộc QoS của người dùng Các thuật toán này đưa ra lịch trình có thời gianthực hiện và chi phí thấp nhưng không quan tâm đến ngân sách của các yêu cầu

1.4.4 Lập lịch công việc thời gian thực

Từ năm 2010 đến 2011, S Liu, Y.Gu và Zhu tập trung lập lịch trên các công việc thờigian thực thỏa mãn các ràng buộc QoS của người dùng Tuy nhiên, các thuật toán nàychưa áp dụng kỹ thuật xử lý song song để tận dụng hết khả năng của máy ảo, chưa tậndụng được khoảng thời gian gối đầu giữa các yêu cầu để tiết kiệm chi phí Năm 2013, N.Ramkumar nghiên cứu lập lịch trên các yêu cầu thời gian thực đã sử dụng hàng đợi ưutiên để ánh xạ yêu cầu vào tài nguyên nhưng chỉ tập trung lập lịch để giải quyết côngviệc một cách nhanh nhất thỏa mãn thời hạn của yêu cầu mà không quan tâm đến chiphí và ngân sách của nó

1.5 Mục tiêu của đề tài

Mục tiêu nghiên cứu chính của luận án: xây dựng mô hình và bài toán để lập lịch côngviệc thời gian thực áp dụng cho lớp bài toán song song; xây dựng mô hình và bài toánlập lịch công việc trên nhà cung cấp PaaS theo hướng tối ưu đa mục tiêu về chi phí vàthời gian; đề xuất các thuật toán lập lịch công việc thời gian thực áp dụng cho lớp bàitoán song song và các thuật toán kiểm soát đầu vào và lập lịch công việc theo hướng tối

ưu đa mục tiêu

Chương 2.

LẬP LỊCH CÔNG VIỆC THỜI GIAN THỰC

TRONG TÍNH TOÁN ĐÁM MÂY 2.1 Mô hình lập lịch truyền thống

Các nghiên cứu trước đây, bài toán lập lịch giả thuyết rằng số lượng các công việc và

số lượng các máy tham gia tính toán là cố định M L Pinedo đã đưa ra mô hình của bàitoán lập lịch bao gồm 3 thành phần: mô hình các máy tham gia lập lịch, mô hình côngviệc và mục tiêu của bài toán

2.2 Mô hình lập lịch công việc thời gian thực

Mục tiêu chính của lập lịch công việc thời gian thực là tăng công suất, tận dụng tối đahiệu năng của hệ thống sao cho thỏa mãn thời hạn cho các công việc Luận án xây dựngbài toán lập lịch với các ràng buộc của người dùng trong các ứng dụng song song và xemxét việc lựa chọn tài nguyên theo hai mục tiêu: thời gian hoàn thành các công việc là nhỏnhất nhưng vẫn thỏa mãn thời hạn và ngân sách của các yêu cầu; chi phí thực hiện lànhỏ nhất nhưng thỏa mãn ràng buộc QoS cho các yêu cầu

2.2.1 Mô tả bài toán

Ứng dụng bao gồm tập các yêu cầu T , mỗi yêu cầu ti ∈ T có thời điểm đến là ai, thờihạn là di (chỉ rõ bằng phút) và ngân sách (budget) là bi (chỉ rõ bằng $) và khối lượngcông việc là wi Khối lượng công việc của mỗi yêu cầu được song song hóa vào các đơn

vị nhỏ hơn (yêu cầu con), kích cỡ nhỏ nhất của yêu cầu con là p R là tập tài nguyên cósẵn và có thể thực hiện song song Mỗi tài nguyên rj ∈ R có tốc độ tính toán sj và tươngứng chi phí cj để thuê máy ảo Tốc độ sj là số chu kỳ của tài nguyên có thể hoàn thànhtrên phút Người dùng trả chi phí cj để thuê tài nguyên rj trong khoảng D phút liên tục,

D là đơn vị nhỏ nhất để thuê

Bài toán thứ nhất có thể mô tả như sau: “Tìm một ánh xạ từ tập yêu cầu T vào mộttập con của tập tài nguyên R để tối thiểu tổng thời gian thực hiện trong khi vẫn thỏa mãnthời hạn và ngân sách của các yêu cầu trong T ” Bài toán thứ 2: “Tìm một ánh xạ từ tậpyêu cầu T vào một tập con của tập tài nguyên R để nhỏ nhất toàn bộ chi phí trong khivẫn thỏa mãn thời hạn và ngân sách của các yêu cầu trong T ”

2.2.2 Mô hình toán học cho bài toán

Luận án mở rộng mô hình của K.H Kim và K Kumar, ngoài thời hạn chúng ta phảixem xét ngân sách của các yêu cầu, đảm bảo các yêu cầu được thực hiện trước thời hạn vàkhông vượt quá ngân sách của nó Gọi R = {r1, r2, , rM} là tập M tài nguyên tính toán,

các tài nguyên này có thể thực hiện song song Mỗi tài nguyên rj ∈ R là bộ <sj,cj>,trong đó sj là tốc độ tính toán tính trên phút, cj là chi phí để thuê tài nguyên trongkhoảng thời gian D phút Các tài nguyên này là nguồn tính toán cho N yêu cầu độc lập,được biểu diễn bởi tập T = {t1, t2, , tN}, mỗi yêu cầu ti ∈ T là một bộ 4 <ai,di,bi,wi>.Gọi amin, dmax là thời điểm đến nhỏ nhất và thời hạn lớn nhất của tất cả các yêu cầu.

Ký hiệu α(j, k, x) để thể hiện việc chọn tài nguyên:

α(j, k, x) =







1 nếu tại phút x, tài nguyên rj được sử dụng từ 1 đến k lần

0 nếu tại phút x, tài nguyên rj không được sử dụng

2.2.3 Mục tiêu tối ưu về chi phí

Để đạt được mục tiêu nhỏ nhất về chi phí thì phải tìm cực tiểu tổng chi phí:

2.2.4 Mục tiêu tối ưu về thời gian

Để đạt được mục tiêu tối ưu về thời gian thực hiện cho các yêu cầu thì phải tìm cựcđại tổng số chu kỳ:

2.3 Tối ưu về kinh tế

Mỗi máy ảo của nhà cung cấp IaaS được thuê trong D-phút và nhà cung cấp SaaSphải trả một chi phí cố định trong D-phút được thuê, nếu họ không sử dụng hết D-phútthì họ cũng phải trả chi phí cho toàn bộ D-phút Luận án tận dụng khoảng thời gian cònhiệu lực trong vòng D-phút được thuê của yêu cầu này để thực hiện cho yêu cầu khácnhằm đem lại lợi nhuận cao nhất cho nhà cung cấp SaaS

Gọi Ti là tập các yêu cầu trong cùng một nhà cung cấp với yêu cầu ti và gối đầu lênyêu cầu ti, các yêu cầu này có thể chia sẻ cùng 1 máy ảo Ti được xác định như sau:

Ti =tl|dl ≥ di và al < di (2.10)Gọi tiljx là thời gian còn hiệu lực để tính toán cho yêu cầu tl sau khi đã thực hiện xongyêu cầu ti trên máy ảo vmjx tiljx được xây dựng như sau:

2.4 Thuật toán lập lịch trên các hệ thống thời gian thực

2.4.1 Thuật toán lập lịch tối ưu về thời gian

Các thuật toán này được sử dụng để giải quyết bài toán thứ nhất

2.4.1.1 Thuật toán CT O

Các bước của Thuật toán CT O được mô tả ở Thuật toán 2.1

Nhận xét: mặc dù thuật toán CT O tối ưu về thời gian, đảm bảo các yêu cầu hoànthành trước thời hạn của nó, nhưng thuật toán này còn một số hạn chế: thuật toán CT Ochỉ xem xét số tài nguyên (máy ảo) trên một nhà cung cấp, nếu xét trên nhiều nhà cungcấp thì độ phức tạp của thuật toán sẽ lớn; các yêu cầu luôn hoàn thành trước thời hạnnhưng có thể không thỏa mãn ngân sách của nó; thời gian thuê tài nguyên là D phútnhưng có thể có nhiều yêu cầu không sử dụng hết D phút

2.4.1.2 Thuật toán M IN C

Để khắc phục các hạn chế của thuật toán CT O, chúng tôi xây dựng thuật toán M IN Cnhằm tận dụng khoảng thời gian còn hiệu lực giữa các yêu cầu với mục tiêu tối ưu về chi

Thuật toán 2.1: CTO

1 Chọn ngưỡng ρ ∈ N : 1 ≤ ρ ≤ p, p được xác định như công thức (2.4);

2 Sắp xếp các tài nguyên theo thứ tự giảm dần của tốc độ;

3 Dựa vào ngưỡng ρ để nhóm các tài nguyên theo tốc độ;

4 G :=số nhóm tài nguyên nhóm được;

5 RG := {g1, g2, , gG}, gl ∈ G chứa các tài nguyên của nhóm;

6 Trên mỗi nhóm, sắp xếp các tài nguyên theo thứ tự tăng dần của chi phí;

wi(di− ai) × s1

9 Tính số lượng các tài nguyên còn lại của nhóm gj cho ti ;

10 Result[j, i] := Số lượng và tên tài nguyên trong gj được thực hiện cho ti;

phí Thuật toán M IN C bao gồm các bước được mô tả ở Thuật toán 2.2

2.4.1.3 Phân tích thuật toán CT O và M IN C

• Đầu vào của thuật toán CT O và M IN C: tập R được xác định vì tại thời điểm lậplịch dựa vào thông tin của hệ thống ta có thể xác định được số lượng tài nguyêntrên trung tâm dữ liệu Sự hình thành của tập T và U ST trong thuật toán CT O

và M IN C được giới hạn vì các yêu cầu được lập lịch theo lô và theo một chu kỳ

• Đối với thuật toán CT O: sau khi thực hiện từ câu lệnh 1 đến câu lệnh 6, ta có Gnhóm tài nguyên độc lập, các tài nguyên đầu tiên của mỗi nhóm sẽ có chi phí thấp

Thuật toán 2.2: MINC

Đầu vào:

• Mảng Result ; /* Mảng kết quả là đầu ra của thuật toán CT O */Đầu ra : ST là lịch trình để ánh xạ các yêu cầu vào các tài nguyên;

Phương pháp:

1 ST := ∅;

2 if tìm thấy ti ∈ U ST thỏa mãn thời hạn và ngân sách trong Result then

3 k:= vị trí của dòng trên Result tìm thấy ti;

9 Dựa trên tilj tính được trong Ti để cập nhật lại khối lượng cho các yêu cầu

trong Ti và tìm ra yêu cầu tl ∈ Ti có khoảng thời gian gối đầu lớn nhất vừathỏa mãn thời hạn và ngân sách;

16 Thông báo các yêu cầu ti ∈ U ST bị từ chối;

nhất so với các tài nguyên còn lại của nhóm và các tài nguyên của nhóm đầu tiên

sẽ có tốc độ lớn nhất Vì G nhóm tài nguyên này độc lập nên ta có thể áp dụng môhình lập trình chia xẻ bộ nhớ để tạo ra G luồng chạy đồng thời, mỗi luồng sẽ tínhtoán tài nguyên trên mỗi nhóm tương ứng Trên mỗi luồng sẽ ưu tiên ánh xạ yêucầu vào tài nguyên đầu tiên của mỗi nhóm, điều này sẽ làm giảm chi phí cho cả hệthống Vì thuật toán sử dụng G luồng chạy đồng thời nên sẽ tối ưu thời gian đưa

ra các lịch trình của thuật toán

• Thời gian thuê tài nguyên là D-phút, do đó có thể một yêu cầu nào đó hoàn thành

công việc của mình với thời gian ít hơn D-phút nhưng phải trả chi phí trong vòngD-phút Thuật toán M IN C tận dụng khoảng thời gian còn hiệu lực này để thựchiện cho yêu cầu tiếp theo, điều này dẫn đến chi phí thực hiện cho cả hệ thống giảmxuống và đem lại lợi ích cho nhà cung cấp SaaS.

• Độ phức tạp của thuật toán CT O là O(max(M × logM

2 , G, N × M )) Nếu N > logM

2

thì độ phức tạp của CT O là O(N × M ), ngược lại thì độ phức tạp của CT O làO(M × logM2 ) Độ phức tạp của thuật toán M IN C là O(max(N2, N × G)), trườnghợp xảy ra nhiều nhất là N > G thì độ phức tạp của M IN C là O(N2), ngược lạithì độ phức tạp của M IN C là O(N × G)

2.4.1.4 Mô phỏng và đánh giá thuật toán

Các thuật toán được cài đặt mô phỏng bằng công cụ CloudSim 2.0, sử dụng 1 aCenter, 2 host, 50 máy ảo, số yêu cầu thay đổi từ 100 đến 250 Lịch trình đưa ra củathuật toán CT O và M IN C được so sánh với thuật toán tham lam EDF

Dat-(a) So sánh tổng thời gian của 3 thuật toán khi thay

đổi số yêu cầu

(b) So sánh tổng chi phí của 3 thuật toán khi thay đổi số yêu cầu

(c) So sánh tổng thời gian thực hiện của 3 thuật toán

khi thay đổi ρ

(d) So sánh tổng chi phí của 3 thuật toán khi thay đổi ρ

Hình 2.1: So sánh tổng chi phí và thời gian khi thay đổi số yêu cầu và ngưỡng

Phân tích tổng thời gian và chi phí thực hiện khi thay đổi số yêu cầu

Hình 2.1(a) và (b) trình bày tổng thời gian thực hiện và tổng chi phí của các thuậttoán khi ρ = 5, D = 60, sử dụng 50 máy ảo và các yêu cầu thay đổi từ 100 đến 250.Phân tích tổng thời gian và tổng chi phí khi thay đổi số ngưỡng ρ

Chúng tôi thay đổi ngưỡng ρ từ 1 đến 5, D = 60, sử dụng 250 yêu cầu và 50 máy ảo, kếtquả của các thuật toán được thể hiện ở Hình 2.1(c) và Hình 2.1(d)

2.4.2 Thuật toán lập lịch tối ưu về chi phí

2.4.2.1 Thuật toán T CO

Các bước của Thuật toán T CO được mô tả trong thuật toán 2.3

Thuật toán 2.3: TCO

2 Sắp xếp các tài nguyên theo thứ tự tăng dần của chi phí;

3 Dựa vào ngưỡng ρ để nhóm các tài nguyên theo chi phí;

4 G := số nhóm tài nguyên nhóm được;

5 RG := {g1, g2, , gG}, gl ∈ G chứa các tài nguyên của nhóm;

6 Trên mỗi nhóm, sắp sếp các tài nguyên theo thứ tự giảm dần của tốc độ;

7 Result:= CalculateParallel(RG, T );

2.4.2.2 Mô phỏng và đánh giá thuật toán

Giống như thuật toán CT O, thuật toán T CO được cài đặt mô phỏng bằng công cụCloudSim 2.0, sử dụng 1 DataCenter, 2 host, 50 máy ảo, số yêu cầu thay đổi từ 100 đến

250 Lịch trình đưa ra của thuật toán T CO và M IN C được so sánh với thuật toán thamlam EDF

Phân tích tổng chi phí và thời gian thực hiện khi thay đổi số yêu cầuHình 2.2 (a) và (b) trình bày tổng chi phí và tổng thời gian thực hiện của 3 thuật toán

T CO, M IN C và EDF khi ρ=0.5, D=60, sử dụng 50 máy ảo và các yêu cầu thay đổi từ

100 đến 250

Phân tích tổng chi phí và tổng thời gian khi thay đổi ngưỡng ρ

Hình 2.2 (c) và (d) trình bày kết quả của các thuật toán khi thay đổi ngưỡng ρ từ 0.1đến 0.5, D = 60, sử dụng 200 yêu cầu và 50 máy ảo

(a) So sánh tổng chi phí của 3 thuật toán khi thay

đổi số yêu cầu

(b) So sánh tổng thời gian của 3 thuật toán khi thay đổi số yêu cầu

(c) So sánh tổng chi phí của 3 thuật toán khi thay

ra 3 thuật toán CT O, M IN C và T CO để giải quyết 2 bài toán:

• Bài toán lập lịch trên các hệ thống thời gian thực theo hướng tối ưu về thời gian

• Bài toán lập lịch trên các hệ thống thời gian thực theo hướng tối ưu về chi phí

Chương 3.

LẬP LỊCH CÔNG VIỆC THEO HƯỚNG TỐI ƯU

ĐA MỤC TIÊU TRONG TÍNH TOÁN ĐÁM MÂY 3.1 Mô hình lập lịch theo hướng tối ưu đa mục tiêu

Trong TTĐM, mỗi tác nhân đều có yêu cầu dịch vụ hoặc cung cấp dịch vụ với cácmục tiêu khác nhau như nhà cung cấp SaaS cần đem lại lợi ích lớn nhất cho mình; nhàcung cấp PaaS cần tận dụng tài nguyên một cách hiệu quả, v.v

3.1.1 Mô hình người dùng

Luận án mở rộng mô hình người dùng của R Buyya bằng cách phát triển thêm cácthuộc tính như thời hạn, ngân sách, v.v Xét trên N yêu cầu dịch vụ T = {t1, t2, , tN},mỗi yêu cầu ti ∈ T là một bộ 7 < ai, di, bi, αi, wi, ini, outi >, trong đó: ai: thời điểm đếncủa yêu cầu; thời hạn di ; ngân sách bi; tỉ lệ lãi suất phạt αi; khối lượng công việc wi;kích cỡ file đầu vào và đầu ra của yêu cầu: ini và outi

3.1.2 Mô hình nhà cung cấp IaaS

Xem xét trên Y nhà cung cấp IaaS: X = {1, 2, , Y } Mỗi nhà cung cấp x ∈ Xcung cấp Mx máy ảo cho các nhà cung cấp SaaS, được biểu diễn bởi tập V Mx ={vm1x, vm2x, , vmMxx} Theo mô hình IaaS của R Buyya, mỗi máy ảo vmjx ∈ V Mx

là một bộ 5 < tjx, pjx, sjx, dtpjx, dtsjx >, trong đó: thời gian khởi tạo tjx; giá pjx; tốc độ

xử lý sjx; giá tính theo dung lượng truyền dtpjx; tốc độ truyền dtsjx

3.1.3 Mô hình nhà cung cấp PaaS

Luận án đề xuất mô hình nhà cung cấp PaaS là bộ ba: < R, npmtn, Cmin > và

< R, npmtn, Tmin > Trong đó, R là tập các nhà cung cấp IaaS độc lập và tài nguyêntrong các nhà cung cấp có thể thực hiện song song, npmtn là tập N yêu cầu độc lậpkhông theo thứ tự ưu tiên (non-preemptive) Mục đích của chúng tôi là lập lịch cho cácyêu cầu người dùng trên tập tài nguyên của các nhà cung cấp IaaS theo hướng tối ưu vềchi phí và tối ưu về thời gian nghĩa là phải tìm ra Cmin và Tmin

Gọi Cijx là chi phí để xử lý yêu cầu ti ∈ T trên máy ảo vmjx ∈ V Mx Theo môhình của người dùng và mô hình của nhà cung cấp IaaS, chi phí Cijx được tính như sau:

Cijx = CPijx+ CT Dijx+ CIijx+ CRijx, trong đó:

CRijx = αi× βijx (3.4)Gọi Tijx là thời gian để xử lý yêu cầu ti ∈ T trên máy ảo vmjx∈ V Mx:

Tijx = CTijx+ DTijx+ T Iijx+ βijx (3.5)Trong đó:

CTijx = wi

DTijx = ini+ outi

T Iijx: thời gian khởi tạo máy ảo đã có βijx: thời gian vượt thời hạn

Hàm mục tiêu về chi phí cho yêu cầu ti ∈ T được biểu diễn như sau:

và thỏa mãn 2 ràng buộc ở công thức (3.10) và (3.11)

3.2 Xây dựng bài toán theo hướng tối ưu đa mục tiêu

Trong phần này chúng tôi nghiên cứu các phương pháp heuristic ACO và P SO để xâydựng bài toán nhằm đạt được mục tiêu cho người dùng và nhà cung cấp SaaS

3.2.1 Tối ưu hóa đàn kiến ( ACO )

Thuật toán ACO dựa trên hành vi của đàn kiến trong tự nhiên được Marco Dorigogiới thiệu, để áp dụng thuật toán ACO vào bài toán cụ thể, luận án xây dựng các thôngtin: hàm cực tiểu F , thông tin heuristic η, cập nhật lại mùi và xác suất P như sau:Với mục tiêu tối ưu về chi phí, hàm cực tiểu F và thông tin heuristic để yêu cầu ti ∈ Ttìm ra máy ảo vmx ∈ V Mx được xác định như sau:

F (ti) = min

x=1 Y, j=1 M x

Cập nhật lại mùi để lại khi kiến đi qua:

τijx = (1 − ρ)τijx+ ∆τijx (3.18)Xác suất để yêu cầu ti ∈ T chọn máy ảo vmjx ∈ V Mx:

Pijx = τijxηijx

PY x=1

PM x

j=1

(1 − ρ)τijx+ F (t1−ρ

PM x

j=1

(1 − ρ)τijx+F (t1−ρ

3.2.2 Tối ưu hóa bầy đàn ( P SO )

Thuật toán P SO dựa trên kinh nghiệm của bầy đàn được đề xuất bởi Eberhart vàKennedy Để áp dụng thuật toán P SO vào bài toán cụ thể, luận án xây dựng các thôngtin: vị trí, vận tốc, hàm thích nghi, vị trí tối ưu cục bộ của từng cá thể và vị trí tối ưutoàn cục của cả bầy đàn như sau:

M.Clerc đã đưa ra công thức để cập nhật lại vị trí và vận tốc sau mỗi thế hệ như sau:

vxj+1 = K ωvjx+ c1z1(P bestx− posj

x) + c2z2(Gbest − posjx)
(3.22)posj+1x = posjx+ vj+1x (3.23)Trong đó: K là hệ số hội tụ, posjx: vị trí hiện tại của cá thể thứ x tại chiều j; posj+1x : vịtrí của cá thể x tại chiều j + 1; c1,c2: hệ số gia tốc; z1,z2: là số ngẫu nhiên giữa 0 và 1;

3.3 Thuật toán lập lịch tối ưu đa mục tiêu dựa trên ACO

3.3.1 Phát biểu bài toán

Ứng dụng bao gồm N yêu cầu dịch vụ, được biểu diễn bởi tập T = {t1, t2, , tN},mỗi yêu cầu ti ∈ T là một bộ 7 < ai, di, bi, αi, wi, ini, outi > được gửi lên nhà cung cấpSaaS bao gồm các thuộc tính và các ràng buộc QoS như thể hiện ở phần 3.1.1 Nhà cungcấp SaaS thuê các tài nguyên từ Y nhà cung cấp IaaS Mỗi nhà cung cấp x (x = 1 Y )cung cấp Mx máy ảo, mỗi máy ảo vmjx ∈ V Mx là một bộ 5 < tjx, pjx, sjx, dtpjx, dtsjx >như thể hiện ở phần 3.1.2 Khi nhận được tập các yêu cầu của người dùng, nhà cung cấpPaaS tiến hành tính toán chi phí và thời gian thực hiện như mô hình ở phần 3.1.3 Từ

đó, ra quyết định từ chối hay chấp nhận yêu cầu người dùng Nếu yêu cầu nào được chấpnhận thì bộ lập lịch sẽ ánh xạ vào tài nguyên hợp lý

3.3.2 Thuật toán lập lịch tối ưu đa mục tiêu về chi phí

3.3.2.1 Thuật toán ACACO

Mục tiêu của thuật toán ACACO nhằm đem lại lợi ích lớn nhất cho nhà cung cấpSaaS Các bước của thuật toán được mô tả trong Thuật toán 3.1

3.3.2.2 Thuật toán lập lịch M P rof it

Thuật toán M P rof it tận dụng khoảng thời gian còn hiệu lực trong vòng D-phút đượcthuê của các yêu cầu nằm trong cùng một nhà cung cấp để đem lại lợi nhuận cao nhấtcho nhà cung cấp SaaS Các bước của thuật toán M prof it được mô tả ở thuật toán 3.2

3.3.2.3 Phân tích thuật toán ACACO và M prof it

• Thomas Stutzle, Marco Dorigo đã chứng minh tính hội tụ của thuật toán ACO điềunày đảm bảo tính hội tụ của thuật toán ACACO đề xuất

• Giống như thuật toán CT O, tại thời điểm lập lịch tập dữ liệu đầu vào X, V Mx và

T hoàn toàn được xác định

• Thuật toán ACACO ánh xạ yêu cầu ti ∈ T vào máy ảo vmjx ∈ V Mx dựa vào xácsuất Pijx như công thức (3.20) Vì vậy, khi chi phí của máy ảo vmjx càng bé thì

Thuật toán 3.1: ACACO

ijx +CT D ijx +CI ijx +CR ijx;

5 Tìm ra giá trị của mùi hiện tại: τijx;

6 Tính thời gian thực hiện của ti trên các máy ảo vmjx như công thức (3.5):

Cập nhật lại mùi: như công thức (3.18): τijx := (1 − ρ)τijx+F (t1−ρ

i );

7 Tính xác suất để ti ánh xạ vào vmjx như công thức (3.20);

8 Dựa vào xác suất tính được để tìm ra máy ảo vmjx có xác suất lớn nhất và

thỏa mãn các ràng buộc như công thức (3.10) và (3.11);

Thuật toán 3.2: Mprofit

11 Tính tiljx của các yêu cầu trong Ti như công thức (2.11);

12 Dựa vào max(tiljx) để tìm ra tl;

13 if tl thỏa mãn thời hạn như ràng buộc (3.11) then

14 Tính lại wl và cập nhật lại các trạng thái cho tl;

21 Dựa vào ST để đưa ra lịch trình ánh xạ các yêu cầu vào các tài nguyên;

thông tin heuristic càng lớn, điều này dẫn đến mùi để lại và xác suất chọn máy ảo

vmjx càng lớn Do đó, khi ánh xạ yêu cầu vào máy ảo có chi phí thấp sẽ làm chotổng chi phí của toàn bộ hệ thống giảm xuống

• Đối với thuật toán M prof it: sau khi sắp xếp các yêu cầu theo nhà cung cấp sẽ tạo

ra G nhóm, mỗi nhóm sẽ chứa các yêu cầu được chấp nhận trên từng nhà cung cấp

Vì vậy, ta có thể áp dụng mô hình lập trình chia xẻ bộ nhớ để tạo ra G luồng chạyđồng thời, điều này sẽ tối ưu thời gian đưa ra lịch trình cho thuật toán

Thuật toán ACACO chấp nhận hoặc từ chối các yêu cầu của khách hàng Trongcác yêu cầu đã chấp nhận thì có thể có nhiều yêu cầu thực hiện không hết thời gianthuê, do đó thuật toán M prof it xét trên từng nhà cung cấp IaaS để tận dụng

khoảng thời gian còn hiệu lực này nhằm thực hiện cho yêu cầu tiếp theo Điều này

sẽ đem lại lợi ích cho nhà cung cấp SaaS

• Độ phức tạp của thuật toán ACACO là: O(N × Y × Mx)

• Độ phức tạp của thuật toán M P rof it là O(N2)

3.3.2.4 Mô phỏng và đánh giá thuật toán

Các thuật toán được cài đặt mô phỏng bằng ngôn ngữ Java, gói công cụ CloudSim vớicác thông số sau: sử dụng 4 Datacenter, 10 host vật lý, số máy ảo thay đổi từ 100 đến

500 và số yêu cầu thay đổi từ 1000 đến 5000 Thuật toán ACACO và M prof it được sosánh với thuật toán tham lam EDF và tuần tự

Hình 3.1 (a) và (b) trình bày kết quả về tổng chi phí và tổng số yêu cầu bị phạt của

ba thuật toán khi thay đổi số lượng yêu cầu từ 1000 yêu cầu đến 5000 và cố định số máy

ảo là 100 Hình 3.1 (c) và (d) trình bày kết quả về tổng chi phí và tổng số thời gian của

ba thuật toán khi cố định số yêu cầu là 1000 và thay đổi số máy ảo từ 100 đến 500

(a) Tổng chi phí khi thay đổi yêu cầu (b) Số yêu cầu bị phạt khi thay đổi yêu cầu

(c) Tổng chi phí khi thay đổi số máy ảo (d) Tổng thời gian khi thay đổi đổi số máy ảo

Hình 3.1: Tổng chi phí và tổng số yêu cầu bị phạt khi thay đổi số yêu cầu và máy ảo

3.3.3 Thuật toán lập lịch tối ưu đa mục tiêu về thời gian

Mục tiêu của thuật toán nhằm đem lại thời gian thực hiện nhỏ nhất cho người dùng

3.3.3.1 Thuật toán kiểm soát đầu vào và lập lịch ACT ACO

Ý tưởng của thuật toán này giống như thuật toán ACACO nhưng thay đổi mục tiêu

và sử dụng các công thức (3.16), (3.17), (3.18) và (3.21) để xác định thông tin hàm cựctiểu F , thông tin heuristic ηijx, cập nhật lại mùi và xác suất P

3.3.3.2 Mô phỏng và đánh giá thuật toán

Hình 3.2 (a) và (b) trình bày kết quả về tổng thời gian và tổng chi phí của các thuậttoán khi sử dụng 1000 yêu cầu và 100 máy ảo Hình 3.2 (c) và (d) trình bày kết quả củacác thuật toán khi sử dụng 100 máy ảo và số yêu cầu thay đổi từ 1000 đến 5000

(a) Tổng thời gian khi cố định số yêu cầu (b) Tổng chi phí khi cố định số yêu cầu

(c) Tổng thời gian khi thay đổi số yêu cầu (d) Tổng chi phí khi thay đổi số yêu cầu

Hình 3.2: Kết quả mô phỏng của các thuật toán

3.4 Thuật toán lập lịch tối ưu đa mục tiêu dựa trên P SO

Trong phần này, luận án áp dụng heuristic P SO để tìm kiếm tài nguyên cho các yêucầu người dùng và đề xuất các thuật toán dựa trên bài toán được xây dựng ở phần 3.2.2

3.4.1 Phát biểu bài toán

Bài toán được mô tả như trong phần 3.3.1

3.4.2 Thuật toán tối ưu ACP SO

3.4.2.1 Thuật toán ACP SO

Thuật toán 3.3: ACPSO

Đầu vào:

• T = {t1, t2, , tN}, ∀ti ∈ T là một bộ 7 < ai, di, bi, αi, wi, ini, outi > ;

• X = {1, 2, , Y } ∀x ∈ X, V Mx = {vm1x, vm2x, , vm(M x)x}, ∀vmjx∈ V Mx làmột bộ 5 < tjx, pjx, sjx, dtpjx, dtsjx > ;

Đầu ra : Một lịch trình S = {ti → vmjx, ti ∈ T, vmjx ∈ V Mx} ;

Phương pháp:

1 Khởi tạo: vị trí, vận tốc của mỗi cá thể, S, P bestx, Gbest, hệ số K và ϕ;

2 Tạo ra Y luồng chạy đồng thời T H := {th1, , thY}, mỗi luồng thx ∈ T H tìm kiếmtài nguyên trên mỗi nhà cung cấp x ∈ X;

3 foreach ti ∈ T do

4 foreach thx∈ T H do

5 Tính hàm thích nghi như công thức (3.24);

6 Tìm vị trí tối ưu cục bộ của cá thể x tại chiều j + 1 như công thức (3.25)

7 Tính P bestj như công thức (3.26); Tính Gbesti như công thức (3.27);

8 Dựa vào Gbesti, tìm ra máy ảo vmjx thỏa mãn các ràng buộc (3.10) và (3.11);

3.4.2.2 Phân tích thuật toán ACP SO

• M Clerc đã chứng minh tính hội tụ của thuật toán P SO Điều này đảm bảo tínhhội tụ của thuật toán ACP SO

• Giống như thuật toán ACACO, đầu vào của thuật toán ACP SO tại thời điểm lậplịch có thể xác định được tập T , X, V Mx

• Đối với thuật toán ACP SO: đầu vào của thuật toán là Y nhà cung cấp độc lập vớinhau, vì vậy ta có thể tạo ra Y luồng chạy đồng thời, mỗi luồng thx ∈ T H là một

cá thể tìm kiếm trên tập máy ảo của nhà cung cấp tương ứng Điều này sẽ giảm độphức tạp và tối ưu thời gian đưa ra lịch trình của thuật toán

Mỗi cá thể (luồng) tập trung ánh xạ yêu cầu ti ∈ T vào máy ảo vmjx ∈ V Mxdựa vào hàm thích nghi như công thức (3.24) Vì vậy, khi chi phí Cijx càng bé thìhàm thích nghi càng cao, nên xác suất để yêu cầu ti chọn máy ảo vmjx càng lớn.

Do đó, khi ánh xạ yêu cầu vào máy ảo có chi phí thấp sẽ làm cho tổng chi phí củatoàn bộ hệ thống giảm xuống

• Độ phức tạp của thuật toán ACP SO là O(N × Mx)

3.4.2.3 Mô phỏng và đánh giá thuật toán

Các tham số trong mô phỏng được xác định trong phần 3.3.2.4 Hình 3.3 (a) và (b)trình bày kết quả so sánh về tổng chi phí và tổng lợi nhuận khi cố định số 1000 yêu cầu

và 150 máy ảo Hình 3.3 (c) và (d) trình bày kết quả khi thay đổi số yêu cầu và sử dụng

150 máy ảo

(c) Tổng chi phí khi thay đổi yêu cầu (d) Tổng lợi nhuận khi thay đổi yêu cầu

Hình 3.3: Kết quả mô phỏng của các thuật toán

3.5 Tiểu kết Chương 3

Chương này tập trung xây dựng 4 thuật toán ACACO, ACT ACO, M prof it và ACP SO

để giải quyết lớp các bài toán đa mục tiêu về chi phí và thời gian cho nhà cung cấp vàngười dùng

KẾT LUẬN

Bám sát mục tiêu đề ra, các nội dung chính của luận án đạt được như sau:

1 Đề xuất mô hình và các thuật toán lập lịch các công việc thời gian thực áp dụngcho các lớp bài toán song song theo hướng tối ưu về thời gian và chi phí Chúng tôi kếthợp giữa xử lý song song, phân nhóm tài nguyên theo chi phí và thời gian, cũng như tậndụng khoảng thời gian gối đầu giữa các yêu cầu để đề xuất ba thuật toán CT O, T CO và

M IN C Các thuật toán này được cài đặt mô phỏng trên CloudSim Thông qua việc môphỏng, phân tích và đánh giá, kết quả của ba thuật toán tối ưu về chi phí và thời gianhơn thuật toán EDF hiện có

2 Xây dựng mô hình cho các thành phần trong môi trường TTĐM Luận án áp dụnglại mô hình toán học của nhà cung cấp IaaS và phát triển thêm các thuộc tính của ngườidùng do R Buyya và các đồng nghiệp đề xuất Từ đó, chúng tôi tập trung xây dựng môhình cho nhà cung cấp PaaS và mô hình tối ưu về chi phí cho nhà cung cấp SaaS

3 Đề xuất các thuật toán lập lịch theo hướng tối ưu đa mục tiêu về chi phí dựa trên

xử lý song song, heurictis ACO và P SO Đối với heurictis ACO, luận án xây dựng hàmcực tiểu, thông tin heuristic và xác suất để lựa chọn tài nguyên có chi phí thấp nhất Đốivới heurictis P SO, luận án đưa ra hàm thích nghi để tối ưu về chi phí và đưa ra côngthức tính vị trí cục bộ mới thỏa mãn ràng buộc QoS của người dùng Từ đó, đề xuất bathuật toán ACACO, ACP SO và M prof it Cả ba thuật toán này đều đem lại lợi ích lớnnhất cho nhà cung cấp SaaS, chi phí thấp cho người dùng nhưng vẫn thỏa mãn ràng buộcQoS cho các yêu cầu Cả ba thuật toán được cài đặt và mô phỏng trên công cụ CloudSim

và được so sánh với thuật toán tuần tự và EDF hiện có Theo phân tích và đánh giá kếtquả mô phỏng cho thấy khi áp dụng thuật toán M prof it cho ACACO luôn cho chi phíthấp Mặc dù kết quả thuật toán ACP SO có chi phí cao hơn ACACO nhưng thuật toánACP SO chạy nhanh hơn và cân bằng tải hơn so thuật toán ACACO

4 Đề xuất các thuật toán lập lịch theo hướng tối ưu đa mục tiêu về thời gian dựatrên heurictis ACO Luận án đề xuất thuật toán ACT ACO và kết hợp với thuật toán

M prof it nhằm tối ưu thời gian thực hiện cho người dùng và đem lại lợi ích cho nhà cungcấp SaaS nhưng vẫn thỏa mãn ràng buộc QoS của các yêu cầu Thông qua việc phân tích,đánh giá các kết quả mô phỏng trên công cụ CloudSim cho thấy khi kết hợp hai thuậttoán M prof it và ACT ACO lại với nhau thì kết quả có sự cải tiến đáng kể về thời gian

và chi phí so với các thuật toán tuần tự và EDF hiện có

Mặc dù vậy, luận án chưa nghiên cứu khả năng lập lịch lại nếu một yêu cầu bị thấtbại khi thực hiện lịch trình Trong mô phỏng, luận án chưa nghiên cứu các thuật toán lậplịch tối ưu để cung cấp máy ảo trên các trung tâm dữ liệu và chưa nghiên cứu các thuậttoán lập lịch trên các ứng dụng để đảm bảo độ tin cậy và tính bảo mật Đây là các thiếusót của luận án và là hướng phát triển của luận án trong thời gian tới

DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC CỦA TÁC GIẢ LIÊN QUAN ĐẾN LUẬN ÁN

1 Nguyễn Hoàng Hà, Lê Văn Sơn, Nguyễn Mậu Hân, Thuật toán lập lịch động trong môitrường điện toán đám mây dựa trên Heuristic và cây Steiner, kỷ yếu hội thảo quốc gialần thứ 15 "Một số vấn đề chọn lọc của Công nghệ thông tin và truyền thông", trang 436

- 442, 2013

2 Nguyễn Hoàng Hà, Lê Văn Sơn, Nguyễn Mậu Hân, Một thuật toán lập lịch trong môitrường tính toán đám mây dựa trên thuật toán ACO, kỷ yếu hội nghị khoa học công nghệquốc gia lần thứ 6, FAIR "Nghiên cứu cơ bản và ứng dụng Công nghệ Thông tin", trang

331 - 340, 2013

3 Nguyễn Hoàng Hà, Lê Văn Sơn, Nguyễn Mậu Hân, Nguyễn Thanh Bình, Định vị tàinguyên cho các yêu cầu trên tính toán đám mây dựa trên ràng buộc thời hạn và ngânsách, tạp chí Khoa học và Công nghệ, tạp chí Đại học Đà Nẵng, số 7(80), trang 107 - 110,2014

4 Nguyễn Hoàng Hà, Lê Văn Sơn, Nguyễn Mậu Hân, Định vị tài nguyên cho các yêu cầutrong tính toán đám mây dựa trên ràng buộc QoS, chuyên san Công nghệ Thông tin vàtruyền thông, tạp chí Khoa học và Kỹ thuật, học viện Kỹ thuật Quân sự, số 5, trang 58 -

71, 2014

5 Nguyễn Hoàng Hà, Lê Văn Sơn, Nguyễn Mậu Hân, Kiểm soát đầu vào để lập lịch chocác yêu cầu người dùng trên tính toán đám mây dựa vào ràng buộc QoS, các công trìnhnghiên cứu, phát triển và ứng dụng Công nghệ thông tin và Truyền thông", tạp chí Côngnghệ thông tin và truyền thông, số 13 (33), trang 16 - 25, 2015

6 Nguyễn Hoàng Hà, Lê Văn Sơn, Nguyễn Mậu Hân, Thuật toán lập lịch cho các yêu cầungười dùng trên tính toán đám mây dựa trên heuristic PSO, tạp chí Khoa học, Đại họcHuế, số 7(106), trang 83 - 96, 2014

7 Nguyễn Hoàng Hà, Nguyễn Thanh Bình, Scheduling algorithm for user requirements oncloud computing base on deadline and budget constraints, Journal of Computer Scienceand Cybernetics, no 3 (31), pages 231-243, 2015

8 Ha Nguyen Hoang, Son Le Van, Han Nguyen Mau, Cuong Phan Nhat Bien, AdmissionControl and Scheduling Algorithms Based on ACO and PSO Heuristic for OptimizingCost in Cloud Computing, 8th Asian Conference on Intelligent Information and DatabaseSystems (ACIIDS) 2016, volume 642 of Studies in Computational Intelligence, pages 15 -

28, Springer, 2016