Cấp phát tài nguyên điện toán đám mây dựa vào giải thuật tối ưu bày đàn

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:8

Thêm vào BST

Báo xấu

2
lượt xem 1
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết đề xuất áp dụng lớp giải thuật Tối ưu bầy đàn để cung cấp tài nguyên công bằng và hiệu quả. Hiệu quả của giải thuật Tối ưu bầy đàn được đối sánh với giải thuật Luyện kim mô phỏng và giải thuật Tối ưu đàn kiến.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Cấp phát tài nguyên điện toán đám mây dựa vào giải thuật tối ưu bày đàn

CẤP PHÁT TÀI NGUYÊN ĐIỆN TOÁN ĐÁM MÂY DỰA VÀO GIẢI THUẬT TỐI ƯU BÀY ĐÀN Lâm Thị Kim Tuyết1, Đặng Trọng Đại2, Bùi Thanh Khiết3* 1. Viện Sau đại học, Trường Đại học Thủ Dầu Một 2. Viện Kỹ thuật Công nghệ, Trường Đại học Thủ Dầu Một 3. Ban Đề án Chuyển đổi số, Trường Đại học Thủ Dầu Một * Liên hệ email: khietbt@tdmu.edu.vn TÓM TẮT Quản lý tài nguyên theo yêu cầu là một yếu tố quan trọng của điện toán đám mây. Nhà cung cấp dịch vụ không chỉ phải đảm bảo việc phân bổ tài nguyên giữa các người dùng một cách công bằng mà còn phải khai thác tài nguyên hiệu quả. Bên cạnh đó, sự không đồng bộ giữa yêu cầu từ người dùng và tài nguyên vật lý dẫn đến phân mảnh tài nguyên. Để mô tả sự tranh chấp này, chúng tôi sử dụng lý thuyết trò chơi để mô hình hóa bài toán. Tuy nhiên, hầu hết các bài toán phân bổ tài nguyên trong điện toán đám mây thuộc loại Hard hoặc NP-Hard. Hơn nữa, các yêu cầu này cần được xử lý nhanh chóng để đảm bảo chất lượng dịch vụ. Để giải quyết vấn đề này, chúng tôi đề xuất áp dụng lớp giải thuật Tối ưu bầy đàn để cung cấp tài nguyên công bằng và hiệu quả. Hiệu quả của giải thuật Tối ưu bầy đàn được đối sánh với giải thuật Luyện kim mô phỏng và giải thuật Tối ưu đàn kiến. Từ khoá: Cấp phát tài nguyên, Giải thuật tối ưu bày đàn, Ứng dụng điện toán đám mây. I. ĐẶT VẤN ĐỀ Trong những năm gần đây, sự phát triển của ứng dụng đa tầng đã trở thành một xu hướng không thể phủ nhận trong lĩnh vực công nghệ thông tin. Ứng dụng đa tầng cung cấp một cách tiếp cận linh hoạt và hiệu quả cho việc triển khai và quản lý các ứng dụng phức tạp, từ các ứng dụng doanh nghiệp đến các dịch vụ trực tuyến và ứng dụng di động. Tuy nhiên, việc cấp phát tài nguyên cho các ứng dụng đa tầng trên Điện toán đám mây (ĐTĐM) vẫn đang đối diện với nhiều thách thức như: ▪ Quản lý hiệu suất và tài nguyên: Điều này bao gồm việc đảm bảo rằng các nguồn tài nguyên được sử dụng một cách hiệu quả nhất có thể để tránh lãng phí và đảm bảo hiệu suất hệ thống. ▪ Quản lý chi phí: Sử dụng tài nguyên trên điện toán đám mây có thể dẫn đến chi phí không kiểm soát nếu không được quản lý cẩn thận. Việc theo dõi, dự báo và tối ưu hóa chi phí là cần thiết. ▪ Quản lý dữ liệu: Quản lý dữ liệu trên điện toán đám mây đòi hỏi sự chú ý đặc biệt đối với việc sao lưu, phục hồi và bảo vệ dữ liệu. Việc tuân thủ các quy định về bảo mật và quyền riêng tư cũng là một thách thức. ▪ Quản lý tài nguyên tự động: Trong môi trường đám mây, việc tự động hóa quá trình cấp phát và quản lý tài nguyên là một mục tiêu quan trọng. Tuy nhiên, điều này đòi hỏi sự thiết kế và triển khai các hệ thống quản lý tự động phức tạp và tin cậy. Một trong những thách thức lớn nhất là làm thế nào để phân chia và quản lý tài nguyên một cách hiệu quả, đặc biệt là khi đối mặt với sự biến đổi về tải và nhu cầu của ứng dụng. Điều này bao gồm việc đảm bảo rằng dịch vụ có sẵn và hiệu quả trên toàn cầu, đồng thời tối ưu hóa hiệu suất và chi phí. 744
Giải pháp cho vấn đề cấp phát tài nguyên thường dựa trên đặc tính cụ thể của từng bài toán từ đó áp dụng các giải thuật như vét cạn (exhaustive algorithm), giải thuật tất định (deterministic algorithm) hoặc giải thuật metaheuristic [1]. Trong thực nghiệm, hầu như các giải thuật tất định tốt hơn các giải thuật vét cạn. Tuy nhiên các giải thuật tất định lại không hiệu quả trong môi trường dữ liệu phân tán từ đó dẫn đến không thích hợp cho các vấn đề cấp phát tài nguyên trong môi trường tính mở rộng [2]. Trong khi đó, ĐTĐM là môi trường có dữ liệu phân tán, đòi hỏi có khả năng mở rộng, khả năng đáp ứng yêu cầu người dùng cao do vậy có thể tiếp cận vấn đề cấp phát tài nguyên máy ảo (Virtual Machine, viết tắt VM) trên ĐTĐM theo hướng metaheuristic là khả thi mặc dù các giải thuật metaheuristic có thể cho kết quả gần tối ưu trong thời gian chấp nhận được. Trong nghiên cứu này, chúng tôi đưa ra giải pháp cấp phát tài nguyên đảm bảo sự công bằng trong cấp phát tài nguyên cũng như sử dụng hiệu quả tài nguyên dựa trên lý thuyết trò chơi. Chúng tôi đề xuất sử dụng giải thuật metaheuristic cụ thể là giải thuật Tối ưu bày đàn (Particle Swarm Optimization, viết tắt PSO) [3] để tìm ra được giải pháp cấp phát tài nguyên tối ưu hoặc gần tối ưu dựa trên cân bằng Nash. Thêm vào đó, chúng tôi đối sánh mức độ hiệu quả của thuật toán PSO với giải thuật Tối ưu đàn kiến (Ant Colony Optimization, viết tắt ACO)[4] và giải thuật Luyện kim (Simulated Annealing, viết tắt SA) [5]. Phần còn lại trình bày mô hình cấp phát tài nguyên trong phần II. Phần III trình bày giải thuật Tối ưu bày đàn cho bài toán cấp phát tài nguyên. Phần IV trình bày kết quả thực nghiệm của mô hình. Phần V trình bày kết luận. 2. MÔ HÌNH CẤP PHÁT TÀI NGUYÊN CÔNG BẰNG 2.1. Bài toán điều phối tài nguyên Giả sử hệ thống đám mây có 𝑝 PM khả dụng và mỗi PM được ký hiệu là 𝑖, trong đó 1 ≤ 𝑖 ≤ 𝑝. Trong nghiên cứu này, có 𝑘 các loại tài nguyên của PM được xem xét và tài nguyên sẵn (𝑖) (𝑖) (𝑖) sàng phục vụ của một PM thứ 𝑖 được ký hiệu là một vector ⃑⃑ (𝑖) = (N1 , N2 , … , N 𝑘 ). Mỗi N loại tài nguyên của PM được ký ký hiệu là 𝑗, trong đó 1 ≤ 𝑗 ≤ 𝑘. Công việc do người dùng 𝑛 gửi được ký hiệu là ℒ 𝑛 , trong đó 𝑛 ∈ {1, 2, . . . , 𝑢 }. Mỗi công việc áp dụng cho một cụm máy ảo cùng loại sẽ được thực hiện đầy đủ. Hiệu suất sẽ được cải thiện khi số lượng VM được gán cho công việc này tăng lên. Tuy nhiên, chi phí của nhà cung cấp đám mây cũng sẽ tăng lên để tạo ra nhiều VM hơn. Nhiều loại VM được xác định trước bởi nhà cung cấp đám mây và một loại VM được biểu diễn là một vector 𝑣 𝑖 = (𝑣 𝑖1 , 𝑣 𝑖1 , … , 𝑣 𝑖𝑘 ). Các yêu cầu tài nguyên của người dùng được định nghĩa thành một ma trận 𝓡 𝑢×𝑘 , trong đó hàng ngang của ma trận mô tả số lượng các loại tài nguyên của VM cho từng người dùng, hàng dọc mô tả số lượng yêu cầu khác nhau của mỗi loại tài nguyên của các người dùng. 𝑣1 𝑣11 𝑣12 ⋯ 𝑣1𝑘 𝑣21 𝑣22 ⋯ 𝑣2𝑘 𝓡 = ( 𝑣2 ) = ( ⋮ ⋮ ⋱ ⋮ ) (24) ⋮ 𝑣𝑢 𝑣 𝑢1 𝑣 𝑢2 ⋯ 𝑣 𝑢𝑘 Mục tiêu của bài toán phân bổ tài nguyên, dựa trên ma trận yêu cầu tài nguyên VM và năng lực của PM, là xác định ánh xạ hợp lý từ tài nguyên đến người dùng đám mây. Nói cách khác, các loại tài nguyên khác nhau mà mỗi PM có phải được phân phối công bằng và hiệu quả cho tất cả người dùng để tạo VM cần thiết. Mỗi quyết định cấp phát tài nguyên của trung tâm điều khiển được biểu diễn như một ma trận A như sau. 745
(𝑖) (𝑖) (𝑖) (𝑖) 𝜌11 𝜌12 ⋯ 𝜌1𝑘 𝜌1 (𝑖) (𝑖) (𝑖) (𝑖) 𝜌21 𝜌22 ⋯ 𝜌2𝑘 𝓐 (𝑖) = 𝜌2 = (25) ⋮ ⋮ ⋮ ⋱ ⋮ (𝑖) ( 𝜌𝑢 ) (𝑖) ( 𝜌 𝑢1 (𝑖) 𝜌 𝑢2 ⋯ (𝑖) 𝜌 𝑢𝑘 ) (𝑖) trong đó 𝜌 𝑢𝑘 là số lượng tài nguyên loại 𝑘 trên máy PM thứ 𝑖 được cấp phát cho người dùng thứ 𝑢. Tập hợp tất cả quyết định cấp phát tài nguyên dựa trên ma trận yêu cầu tài nguyên (1) được biểu diễn thành vector 𝓐 = {𝓐(1) , 𝓐(2) , ⋯ , 𝓐(𝑝) }. Ví dụ trên PM1 có số lượng tài nguyên lần lượt theo thứ tự (CPU, Memory, Storage) là ⃑⃑ (1) = (8, 16, 80) và yêu cầu tài N nguyên của người dùng gồm 𝑣1 = (4, 8, 40), 𝑣2 = (2, 2, 20), 𝑣3 = (4, 4, 20). Nên ta có ma 4 8 40 trận yêu cầu tài nguyên là 𝓡 = (2 2 20). Dựa vào vào yêu cầu tài nguyên và lượng tài 4 4 20 nguyên khả dụng trên máy PM1, quyết định cấp phát tài nguyên trên PM1 có thể là 𝓐(1) = 4 8 40 (2 2 20). Như vậy, yêu cầu tài nguyên của người dùng thứ 3 𝑣3 = (4, 4, 20) sẽ không được 0 0 0 đáp ứng vì lúc này PM1 không còn đủ tài nguyên CPU để cấp cho yêu cầu tài nguyên 𝑣3 . Mỗi người dùng trong đám mây yêu cầu một loại VM để thực thi công việc của mình. Việc thực hiện một công việc liên quan đến các loại tài nguyên khác nhau cũng như việc yêu cầu tài nguyên khác nhau giữa các công việc khác nhau. Ví dụ công việc khai thác dữ liệu cần dung lượng ổ đĩa cao để lưu trữ một lượng lớn dữ liệu trong khi công việc tính toán có thể cần nhiều CPU hơn ổ đĩa để có kết quả. Trong bài nghiên cứu này, vấn đề phân bổ hợp lý được xem xét cho nhiều loại tài nguyên. Để hỗ trợ mức độ sử dụng tài nguyên hiệu quả và linh hoạt, nghiên cứu này xem xét vấn đề đánh đổi tối ưu giữa công bằng và hiệu quả. 2.2. Mức độ cấp phát tài nguyên công bằng Đối với một loại tài nguyên duy nhất, phân bổ hợp lý có nghĩa là mỗi người dùng có phần tài nguyên bằng nhau. Tuy nhiên, trong môi trường đa tài nguyên, do người dùng có các yêu cầu không đồng nhất đối với các loại tài nguyên khác nhau, tài nguyên nên được chỉ định cho người dùng theo tỷ lệ yêu cầu của họ. Mỗi người dùng có một tỷ lệ chia sẻ tối đa trong tổng dung lượng giữa các tài nguyên khác nhau được gọi là chia sẻ chi phối. Mục tiêu chính của phân bổ công bằng được xem xét là cân bằng tỷ lệ chi phối của mỗi người dùng. Để phân bổ tài nguyên công bằng cần xem xét các yếu tố sau: ▪ Chia sẻ tài nguyên: Lượng tài nguyên mà mỗi người dùng sẽ nhận được ít nhất bằng với việc chia đều tổng số tài nguyên ▪ Không ganh tị: Không người dùng nào “ganh tị” với việc phân bổ tài nguyên của người dùng khác. ▪ Hiệu quả Pareto: Không thể tăng lượng tài nguyên của người dùng mà không giảm phân bổ của người dùng khác. Tính công bằng của việc chia sẻ nhiều tài nguyên được đo lường bằng cách mở rộng cơ chế công bằng tài nguyên chiếm ưu thế (Dominant Resource Fairness, viết tắt DRF)[6]. Nói cách khác, để đánh giá về mặt toán học tính công bằng của cơ chế phân bổ nguồn lực, DRF được đặt làm tiêu chuẩn cho sự phân bổ công bằng. Mỗi quyết định phân bổ có thể có độ lệch tương phản với sự phân bổ công bằng, được gọi là phương sai công bằng. 746
Đầu tiên, ma trận yêu cầu tài nguyên được chuẩn hóa như sau: 𝑣11 𝑣12 𝑣1k ⋯ ℒ1 ℒ2 ℒk 𝒽11 𝒽12 ⋯ 𝒽1𝑘 𝑣21 𝑣22 𝑣1k 𝒽 𝒽22 ⋯ 𝒽2k ⋯ 𝓗 = ( 21 ) = ℒ1 ℒ2 ℒk ⋮ ⋮ ⋱ ⋮ (26) ⋮ ⋮ ⋱ ⋮ 𝒽 𝑢1 𝒽 𝑢2 ⋯ 𝒽 𝑢k 𝑣 𝑢1 𝑣 𝑢2 𝑣 𝑢k ⋯ ( ℒ1 ℒ2 ℒk ) 𝑝 (𝑖) trong đó, ℒ 𝑘 = ∑ 𝑖=1 N 𝑘 là tổng lượng tài nguyên loại 𝑘 của tất cả các PM. Thứ hai, phần chiếm ưu thế của người dùng là phần lớn nhất trong số các loại tài nguyên được phân bổ cho người dùng đó. Chỉ số chia sẻ ưu thế là tỉ lệ lớn nhất của một loại tài nguyên được cấp phát cho một người dùng, được tính như sau: 1 𝒹= 𝑢 (27) max ∑ 𝑖=1 ℊ 𝑖𝑗 𝑗 𝒽 𝑖𝑗 trong đó ℊ 𝑖𝑗 = là chuẩn hóa yêu cầu của người dùng. 𝑚𝑎𝑥 𝒽 𝑖𝑗 𝑗 Thứ ba, phương sai công bằng được xác định để đo lường sự công bằng của phân bổ tài nguyên. Mỗi quyết định cấp phát tài nguyên có một độ lệch so với sự cấp phát tài nguyên hợp lý được gọi là phương sai công bằng ω(𝓐), được tính toán theo công thức như sau:. 1 𝑢 𝑘 α 𝓍 𝑖𝑗 α−1 ω(𝓐) = (∑ ∑ (| − 𝒹 ∗ ℊ 𝑖𝑗 | ) ) (28) ℒ𝑘 𝑖=1 𝑗=1 trong đó 𝓍 𝑖𝑗 biểu diễn lượng tài nguyên loại j được phân bổ cho người dùng thứ 𝑖 và α∈R. 2.3. Mức độ sử dụng hiệu quả tài nguyên Trong thời gian thực thi, tài nguyên của máy chủ vật lý (Physical machine, viết tắt PM) có thể không được sử dụng hết. Với tập hợp các VM cùng với cấu hình tài nguyên của chúng, cách hiệu quả nhất để đóng gói các máy ảo này trên PM để giảm thiểu lãng phí tài nguyên về không gian sẽ được xem xét trong phần này. Trong môi trường đa tài nguyên, để cải thiện việc sử dụng tài nguyên, việc tiêu thụ tài nguyên trên mỗi chiều tài nguyên cần được quan tâm. Điều quan trọng là phải xem xét mức tiêu thụ tài nguyên của nút cổ chai giữa nhiều loại tài nguyên. Độ lệch được giới thiệu để định lượng sự không đồng đều trong việc sử dụng các nguồn lực khác nhau. Việc giảm độ lệch có thể tích cực để kết hợp nhiều loại tài nguyên tốt hơn và cải thiện việc sử dụng. Độ lãng phí tài nguyên φ được tính toán theo công thức sau: k (𝑝) 2 𝓊𝑗 φ(𝑝) = √∑ ( − 1) (29) ̅̅̅̅̅̅ 𝓊 (𝑝) 𝑗=1 (𝑝) trong đó 𝓊 (𝑝) là trung bình các tài nguyên đã sử dụng của PM thứ 𝑝 và 𝓊 𝑗 là mức độ sử dụng tài nguyên loại 𝑗 tại PM thứ 𝑝. 747
2.4. Hàm mục tiêu cấp phát tài nguyên Để đạt được mức sử dụng cao tài nguyên máy tính, nhà cung cấp đám mây cố gắng thay thế các máy ảo trên các máy có sẵn sao cho các yêu cầu tài nguyên trên một máy chủ bổ sung cho nhau. Trong phần này, một cách tiếp cận lý thuyết trò chơi để phân bổ tài nguyên được trình bày, nhằm mục đích duy trì sự phân bổ công bằng cũng như giảm lượng tài nguyên bị phân mảnh [7]. Vấn đề phân bổ tài nguyên được mô hình hóa như một trò chơi mở rộng hữu hạn với thông tin hoàn hảo. Các máy chủ vật lý có tài nguyên nhàn rỗi được mô hình hóa như những người chơi ích kỷ và mỗi người chơi có một số ma trận phân bổ có thể có giới hạn. Theo đó, các PM có tài nguyên nhàn rỗi được xem là những người chơi trong trò chơi. Một trò chơi phân phối tài nguyên được quy ước là một véc tơ 𝓖 = (𝓟, 𝓡, 𝓐, 𝓕) trong đó: ▪ 𝓟: là người chơi ▪ 𝓡: là ma trận yêu cầu tài nguyên của người dùng. ▪ 𝓐: là tập hợp các chiến lược của người chơi. ▪ 𝓕: là hàm lợi ích của người chơi. Mục tiêu toàn cục của trò chơi phân bổ này là chia sẻ tài nguyên một cách công bằng. Hơn nữa, dựa trên nguyên tắc hiệu quả, mỗi người chơi cố gắng giảm thiểu lãng phí tài nguyên của họ, nghĩa là họ ưu tiên chọn những kết hợp có hiệu suất sử dụng cao. Để khai thác chia sẻ tài nguyên công bằng và cũng tính đến việc tối đa hóa tỷ lệ sử dụng tài nguyên, hàm tiện ích cân bằng sử dụng công bằng được thiết kế như sau: ℱ (𝑝) (𝒜) = sgn (1 − α) ∙ ω(𝒜) − φ(𝑝) (30) trong đó α là hệ số ảnh hưởng đến trọng số của công bằng và sử dụng, ω(𝒜) là phương sai công bằng, và φ(𝑝) là độ lệch phản ánh sự không đồng đều trong việc sử dụng các nguồn lực khác nhau. Quyết định phân bổ 𝒜 nhận được càng ít phương sai công bằng thì người chơi càng nhận được nhiều tiện ích. Tương tự như vậy, mỗi PM thích chọn sự kết hợp ít sai lệch hơn để tối ưu hóa tiện ích của chính nó. 3. GIẢI THUẬT CẤP PHÁT TÀI NGUYÊN CÔNG BẰNG Các cách tiếp cận khác nhau đã được sử dụng trong việc cung cấp tài nguyên, cách duy nhất phương pháp cung cấp tài nguyên hiện có trong điện toán đám mây sử dụng kỹ thuật meta- heuristic dựa trên ứng dụng một tầng. Trong thuật toán đề xuất của chúng tôi, sử dụng giải thuật PSO để cung cấp tài nguyên trong ứng dụng đa tầng của điện toán đám mây. Giải thuật PSO là một kỹ thuật tối ưu hóa ngẫu nhiên dựa trên một quần thể được phát triển bởi Eberhart và Kennedy mô phỏng theo hành vi của bầy chim hay đàn cá [3]. Ban đầu một nhóm cá thể được sinh ngẫu nhiên, với mỗi cá thể mang một giải pháp khả thi và được đặc trưng bởi hai tham số là vị trí hiện tại của phần tử present và vận tốc v. Đồng thời mỗi cá thể có một giá trị thích nghi fitness_value, được đánh giá bằng hàm đo độ thích nghi fitness_function. Tại thời điểm xuất phát, vị trí của mỗi cá thể được khởi tạo một cách ngẫu nhiên (hoặc theo một cách thức nào đó dựa vào tri thức biết trước về bài toán). Trong quá trình chuyển động, mỗi cá thể chịu ảnh hưởng bởi hai thông tin pBest là vị trí tốt nhất mà cá thể đó đã đạt được trong quá khứ, gBest là vị trí tốt nhất mà cả đàn đã đạt được trong quá khứ. Trong nguyên bản do Eberhart và Kennedy đưa ra, các phần tử trong PSO sẽ duyệt không gian bài toán bằng cách theo sau các phần tử có điều kiện tốt nhất hiện thời – độ thích nghi lớn nhất. 748
Giải thuật tối ưu bày đàn 1: InitialParticles () 2: WHILE (¬StopCondition()) 3: VelocityUpdate(s) 4: PositionUpdate(s) 5: LocalBestUpdate(v) 6: GlobalBestUpdate(v) 7: END Sau mỗi khoảng thời gian rời rạc, vận tốc và vị trí của mỗi phần tử được cập nhật theo các công thức sau: vil+1 = vil + a1 . φ1 ∗ (pBest l − pl ) + a2 . φ1 ∗ (gBest l − pl ) i i i (31) trong đó 𝑖 là số thứ tự của cá thể, 𝑙 là số vòng lặp, 𝑝𝐵𝑒𝑠𝑡 𝑖𝑙 là vị trí tốt nhất của cá thể thứ 𝑖 tại vòng lặp thứ 𝑙, 𝑔𝐵𝑒𝑠𝑡 là vị trí tốt nhất của đàn tại vòng lặp thứ 𝑙, 𝜑1 và 𝜑2 là một số ngẫu nhiên trong khoảng (0,1) xác định mức độ ảnh hưởng của 𝑝𝐵𝑒𝑠𝑡 𝑖 và 𝑔𝐵𝑒𝑠𝑡, 𝑎1 và 𝑎2 là hằng số thể hiện hệ số học của cá thể và toàn cá thể trong đàn. Cập nhật vị trí hiện tại được tính theo công thức như sau: pl+1 = pl + vil+1 i i (32) 4. ĐÁNH GIÁ 4.1. Thiết lập thực nghiệm Thực nghiệm được thực hiện trên một mô phỏng của hai bộ dữ liệu Dataset 1 có 10 PM và 50 VM, Datset2 có 120 PM và 450 VM và triển khai trên (PM)CloudSim [8]. Toàn bộ máy PM có cấu hình không đồng nhất với nhau, đang triển khai các ứng dụng đa tầng trong khoảng thời gian t. Các PM có cấu hình khác nhau, được sinh ngẫu nhiên theo số lượng cấu hình tối đa/tối thiểu (CPU, RAM, DISK). Tại từng thời điểm t rời rạc, các thông số đo tình trạng của toàn hệ thống gồm tình trạng của PM và các ứng dụng. Để đánh giá hiệu quả của các giải thuật điều phối tài nguyên, giả sử tại từng thời điểm t rời rạc, Bộ phân tích sẽ đánh giá tình trạng của hệ thống từ đó sẽ được ra các hành động điều phối tài nguyên cụ thể. Việc tăng thêm VM khi máy chủ hiện đang có tải thấp ngược lại điều phối VM sang máy chủ khác khi máy chủ hiện đang quá tải. Các yêu cầu điều phối VM sẽ được chuyển qua cho bộ phận điều phối VM. Các thông số hoạt động của toàn bộ dịch vụ hạ tầng được sinh ngẫu nhiên, theo đó các giá trị của cấu hình (CPU, RAM, DISK) của PM và VM được trình bày trong Bảng 1. Cấu hình giải thuật PSO sẽ chọn cấu hình tham số gồm 𝑃 = 50, 𝑐1 = 𝑐2 = 1.496185, 𝑊 = 0.729844 . Bảng 7. Bảng số liệu về bộ dữ liệu thực thi Max Min Max Min Max Min CPU CPU RAM RAM DISK DISK PM 512 64 1024 64 16384 2048 VM 32 2 64 2 1000 40 749
4.1. Kết quả thực nghiệm Độ cấp phát tài nguyên công bằng của hệ thống được đo dựa trên mốc thời gian, ở các mốc thời gian khác nhau, chúng tôi đo được độ công bằng của hệ thống có những giá trị khác nhau. Cho thấy được độ hiệu quả của giải thuật, dần dần duy trì sự công bằng của hệ thống điều phối tài nguyên. Hình 47. Độ công bằng hệ thống của giải thuật PSO Mức độ sử dụng tài nguyên của hệ thống được đo dựa trên mốc thời gian, ở các mốc thời gian khác nhau, chúng tôi đo được mức độ sử dụng tài nguyên của hệ thống có những giá trị khác nhau. Giá trị lãng phí tài nguyên có xu hướng giảm dần dựa trên mốc thời gian. Điều này cho thấy giải thuật đang dần dần tối ưu hóa hệ thống dịch vụ hạ tầng giúp hạn chế độ lãng phí tài nguyên của hệ thống, sử dụng tài nguyên hệ thống hiệu quả hơn và đưa độ lãng phí tài nguyên đến mức thấp nhất có thể. Hình 48. Mức độ lãng phí tài nguyên của giải thuật PSO 750
Hình 49. Đối sánh giá trị hàm mục tiêu giữa các giải thuật PSO, ACO, SA 5. KẾT LUẬN Trong bài báo này, chúng tôi đã nghiên cứu giải pháp cấp phát tài nguyên để đảm bảo sự hiệu quả trong cấp phát tài nguyên cũng như sử dụng hiệu quả tài nguyên dựa trên những lý thuyết, dùng các giải thuật liên quan để tìm ra được giải pháp cấp phát tài nguyên máy ảo một cách hiệu quả cũng như tối ưu hoặc gần tối ưu. Đánh giá được mức độ công bằng và mức sử dụng tài nguyên của hệ thống được đo dựa trên các mốc thời gian khác nhau mà đo được độ công bằng và độ sử dụng tài nguyên của hệ thống có những giá trị khác nhau. Cho thấy được độ hiệu quả của giải thuật duy trì sự công bằng của hệ thống điều phối tài nguyên. Và giá trị lãng phí tài nguyên có xu hướng giảm dần dựa trên mốc thời gian. Điều này cho thấy giải thuật đang dần dần tối ưu hóa hệ thống dịch vụ hạ tầng giúp hạn chế độ lãng phí tài nguyên của hệ thống và sử dụng tài nguyên hệ thống hiệu quả hơn. Hướng phát triển tiềm năng để tăng cường tối ưu hóa giải thuật là sử dụng phương pháp lai giữa các giải thuật với nhau. TÀI LIỆU THAM KHẢO 1. Aarts, E. K. (2014). Simulated annealing. Search methodologies. 265-285. 2. Bouhouch, L. Z. (2024). Applications: DFMCloudsim: an extension of cloudsim for modeling and simulation of data fragments migration over distributed data centers. 46, 1-20. 3. Bui, K. P. (2016). A load balancing game approach for VM provision cloud computing based on ant colony optimization. In: Context-Aware Systems and Applications. 5th International Conference, ICCASA 2016, Thu Dau Mot, Vietnam, November 24-25, 2016, Proceedings 5, 52-63. Springer, (Year). 4. Dorigo, M. B. (2006). Ant colony optimization. 28-39. 5. Ghodsi, A. Z. (2011). Dominant resource fairness: Fair allocation of multiple resource types. In: 8th USENIX symposium on networked systems design and implementation (NSDI 11). 6. Kennedy, J. (2011). Particle swarm optimization. Encyclopedia of machine learning. 760-766. 7. Tsai, C.-W. R. (2014). Metaheuristic scheduling for cloud. A survey. IEEE Systems Journal 8, 279- 291. 8. Xu, X. Y. (2014). A game theory approach to fair and efficient resource allocation in cloud computing. 2014. 751