Điều chỉnh tự động tài nguyên ứng dụng đa tầng trên điện toán đám mây dựa vào giải thuật tối ưu đàn kiến

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

Thêm vào BST

Báo xấu

4
lượt xem 1
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Trong nghiên cứu này, tác giả tập trung vào vấn đề mô hình hóa bài toán điều chỉnh tự động tài nguyên của các ứng dụng đa tầng trên điện toán đám mây. Chiến lược điều chỉnh tự động tài nguyên được tìm dựa vào điểm cân bằng Nash và dữ liệu đầu vào của thuật toán là thông số về QoS và chi phí thuê máy ảo. Trong môi trường điện toán đám mây đòi hỏi có khả năng mở rộng, khả năng đáp ứng yêu cầu người dùng cao do vậy chúng tôi đề xuất dùng giải thuật Tối ưu đàn kiến để giải quyết bài toán.

Chủ đề:

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

Lưu

Nội dung Text: Điều chỉnh tự động tài nguyên ứng dụng đa tầng trên điện toán đám mây dựa vào giải thuật tối ưu đàn kiến

ĐIỀU CHỈNH TỰ ĐỘNG TÀI NGUYÊN ỨNG DỤNG ĐA TẦNG TRÊN ĐIỆN TOÁN ĐÁM MÂY DỰA VÀO GIẢI THUẬT TỐI ƯU ĐÀN KIẾN Nguyễn Vĩnh Quang1, Hoàng Phan Thuỷ Dương2, Bùi Thanh Khiết3* 1. Đơn vị 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 Điện toán đám mây cho phép khách hàng mở rộng quy mô ứng dụng tùy vào nhu cầu sử dụng. Tuy nhiên, vấn đề xác định lượng tài nguyên cần thuê mà vẫn đảm bảo được chất lượng dịch vụ và chi phí thấp là một thách thức lớn. Trong nghiên cứu này, chúng tôi tập trung vào vấn đề mô hình hóa bài toán điều chỉnh tự động tài nguyên của các ứng dụng đa tầng trên điện toán đám mây. Chiến lược điều chỉnh tự động tài nguyên được tìm dựa vào điểm cân bằng Nash và dữ liệu đầu vào của thuật toán là thông số về QoS và chi phí thuê máy ảo. Trong môi trường điện toán đám mây đòi hỏi có khả năng mở rộng, khả năng đáp ứng yêu cầu người dùng cao do vậy chúng tôi đề xuất dùng giải thuật Tối ưu đàn kiến để giải quyết bài toán. Từ khoá: Điều chỉnh tài nguyên, Điện toán đám mây, Giải thuật Tối ưu đàn kiến. 1. ĐẶT VẤN ĐỀ Điện toán đám mây (ĐTĐM) là một nhóm các tài nguyên điện toán được ảo hóa, kết nối, phân tán và phân bổ động cho các ứng dụng của người dùng. Theo IEEE: “Điện toán đám mây là hình mẫu trong đó thông tin được lưu trữ thường trực tại các máy chủ trên Internet và chỉ được lưu trữ tạm thời ở các máy khách, bao gồm máy tính cá nhân, trung tâm giải trí, máy tính trong doanh nghiệp, các phương tiện máy tính cầm tay,…” (Lin, et al., 2009). Theo định nghĩa trên thì ĐTĐM không chỉ là việc lưu trữ các ứng dụng, phần mềm và website trên các máy chủ ảo (Virtual machine, viết tắt VM) trên Internet mà còn là sự chuyển đổi từ môi trường máy chủ vật lý (Physical machine, viết tắt PM) sang môi trường ảo hóa, nơi mà tài nguyên và ứng dụng được triển khai, quản lý trên nền tảng Internet. Một trong những điểm nổi bật của điện toán đám mây là tính linh hoạt và co giãn. Hơn nữa, ĐTĐM cung cấp cho người dùng khả năng truy cập vào tài nguyên từ mọi nơi và mọi thiết bị kết nối Internet. Điều này mang lại sự tiện lợi và linh hoạt trong công việc và học tập, khi người dùng có thể truy cập và làm việc trên các ứng dụng và dữ liệu của họ mọi lúc, mọi nơi. Các ứng dụng triển khai trên ĐTĐM đa phần có cấu trúc đa tầng bao gồm các tầng kết nối tuần tự. Tại mỗi tầng, yêu cầu hoặc được hoàn thành xử lý ở tầng trước hoặc nó chuyển đến tầng sau để xử lý tiếp và cuối cùng trả kết quả cho người dùng. Kiến trúc của ứng dụng đa tầng bao gồm: một tầng giao diện, một tầng xử lý nghiệp vụ ứng dụng và một tầng cơ sở dữ liệu được quản lý bởi một khách hàng và được triển khai trên cơ sở hạ tầng ĐTĐM. Từ đó, thay vì phải đầu tư vào các PM cố định, người dùng có thể linh hoạt mở rộng hoặc thu hẹp tài nguyên theo nhu cầu thực tế của họ. Điều này giúp đơn vị/doanh nghiệp không phải lo lắng về việc dự đoán lưu lượng truy cập mà chỉ tập trung vào phát triển và mở rộng trang web, ứng dụng của mình. 736
Tự động điều chỉnh tài nguyên cho phép hệ thống tự động thích ứng với các thay đổi mà không cần sự can thiệp thủ công từ người quản trị (Khiet, , et al., 2018) (Guo, Y., et al., 2018). Thông qua việc sử dụng các công cụ và kỹ thuật tự động hóa, hệ thống có thể tự động mở rộng hoặc thu hẹp tài nguyên dựa trên các ngưỡng hoặc quy tắc được định sẵn. Theo đó, việc điều chỉnh tự động tài nguyên của ứng dụng đa tầng trên ĐTĐM cần có cơ chế định lượng và dự đoán phù hợp với nhu cầu tài nguyên tại từng thời điểm khác nhau. Việc này có thể dựa trên các yếu tố như lưu lượng truy cập, khối lượng dữ liệu, yêu cầu xử lý, v.v. Đồng thời, cần phải có cơ chế để tự động mở rộng hoặc co giãn hạ tầng của ứng dụng đa tầng dựa trên nhu cầu thực tế gồm việc tự động triển khai thêm VM. Quan trọng nhất trong các vấn đề trên là các quyết định của bộ điều chỉnh tự động (autoscaler) phải đảm bảo mong muốn giữa các bên liên quan. Đối với khách hàng, họ mong muốn chi phí thuê dịch thấp trong khi đó nhà cung cấp dịch vụ mong muốn mang lại tối đa lợi nhuận từ việc cho thuê dịch vụ. Giải pháp cho vấn đề này thường dựa trên đặc tính cụ thể của từng bài toán từ đó áp dụng các giải thuật như vét cạn (exhaustive algorithm), xác định (deterministic algorithm) hoặc metaheuristic (Tsai, C.-W., et al., 2014). Tuy nhiên, các giải thuật xác định lại không hiệu quả trong môi trường dữ liệu phân tán của điện toán đám mây và đòi hỏi có khả năng mở rộng, khả năng đáp ứng yêu cầu người dùng cao do vậy có thể tiếp cận vấn đề điều chỉnh tự động máy ảo trên điện toán đám mây 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 điều chỉnh tự động tài nguyên đảm bảo mục tiêu chất lượng dịch và chi phí thuê tài nguyên dựa trên lý thuyết trò chơi và dùng giải thuật Tối ưu đàn kiến (Ant Colony Optimization, viết tắt ACO) (Dorigo, M., et al., 2006). Để đối sánh hiệu quả của thuật toán điều chỉnh tự động của thuật toán ACO với các giải thuật thuộc lớp meta-heuristic gồm giải thuật Luyện kim (Simulated Annealing, viết tắt SA) (Aarts, E., et al., 2014) và giải thuật Tối ưu bầy đàn (Particle Swarm Optimization, viết tắt PSO) (Kennedy, J., et al., 2011). 2. MÔ HÌNH ĐIỀU CHỈNH TÀI NGUYÊN Giả sử trong cơ sở hạ tầng ĐTĐM có 𝑃 = {𝑃1 , 𝑃2 , … , 𝑃𝑝 } máy chủ vật lý (PM) với 𝑖 (1 ≤ 𝑝 ≤ 𝑚) là số lượng PM. Hệ thống ĐTĐM cung cấp VM cho các ứng dụng đa tầng 𝑨 = {𝐴1 , 𝐴2 , … , 𝐴 𝑛 }. Vectơ phân bổ tài nguyên 𝓚 = (𝒦1 , 𝒦2 , … , 𝒦 𝑛 ) xác định số lượng bản sao VM được đám mây phân bổ cho từng ứng dụng ở tất cả các PM. Không làm mất tính tổng quát, chúng ta giả sử rằng mỗi bản sao VM ở cùng một tầng có cấu hình như nhau. Chiến lược cấp (𝑡×𝑚) phát VM cho ứng dụng 𝐴 𝑖 (1 ≤ 𝑖 ≤ 𝑛) được biểu diễn bằng ma trận 𝒦 𝑖 không âm như sau: (𝑖) (𝑖) (𝑖) 𝛼11 𝛼12 ⋯ 𝛼1𝑚 (𝑖) 𝑖 (𝑖) 𝒦𝑖 = 𝛼21 𝛼22 ⋯ 𝛼2𝑚 (13) ⋮ ⋮ ⋱ ⋮ (𝑖) (𝑖) (𝑖) ( 𝛼 𝑡1 𝛼 𝑡2 ⋯ 𝛼 𝑡𝑚 ) (𝑖) trong đó α 𝑘𝑚 ∈ ℤ+ là số lượng VM cấp phát cho ứng dụng thứ 𝑖 ở cho tầng thứ 𝑡 trên PM thứ 𝑚. Theo đó, 𝒦 𝑖𝑗 (𝑝) cho biết số lượng bản sao VM tại tầng 𝑗 của ứng dụng 𝐴 𝑖 được phân bổ tại PM thứ 𝑝. Cấp phát toàn cục 𝓚 khả thi nếu nó thỏa mãn các điều kiện sau: (i) 𝒦 𝑖𝑗 (𝑝) > 0, ∀ 𝑖, 𝑗, 𝑝; (ii) tổng tài nguyên chiếm dụng ℛ 𝑝 tại PM thứ 𝑝 không thể vượt quá khả năng của 𝑡 nó 𝑐 𝑝 , nghĩa là ℛ 𝑝 = ∑ 𝑖𝑛 ∑ 𝑗 𝑖 𝒦 𝑖𝑗 (𝑝) ≤ 𝑐 𝑝 trong đó 𝑡 𝑖 là số tầng của ứng dụng 𝐴 𝑖 . 737
2.1. Chi phí thuê tài nguyên Trong nghiên cứu này chúng tôi tính chi phí thuê tài nguyên dựa trên số lượng CPU cấp phát cho ứng dụng. Giả sử 𝑐 𝑖 đại diện cho tổng lượng tài nguyên CPU khả dụng tại PM thứ 𝑖. Để mô hình hóa sự giao thoa giữa nhiều PM chia sẻ tài nguyên vật lý, chúng tôi sử dụng hàm định giá tài nguyên 𝜑 𝑖 (𝑥) (0 ≤ 𝑥 ≤ 𝑐 𝑖 ), 𝑥 là lượng tài nguyên đã chiếm dụng trong 𝑃𝑖 . Theo đó, 𝜑 𝑖 (𝑥) biểu diễn đơn giá của tài nguyên đã sử dụng 𝑥 đơn vị tài nguyên. Hàm định giá p là chi phí trừu tượng mà khách hàng phải trả để hoàn thành cùng một lượng công việc trên các máy có mức sử dụng tài nguyên khác nhau. Mức sử dụng tài nguyên càng cao, khách hàng càng cần nhiều thời gian để hoàn thành công việc, thì khách hàng càng phải trả nhiều tiền hơn. Nói cách khác, chức năng định giá tỷ lệ thuận với việc sử dụng tài nguyên và thời gian hoàn thành công việc. Vì vậy, chi phí thuê 𝑥 của được biểu diễn như sau: 𝜑 𝑖 (𝑥) = 𝑎𝑥 + 𝑏 (0 < 𝑥 < 𝑐 𝑖 ) (14) trong đó, 𝑎, 𝑏 là hằng số, 𝑐 𝑖 là tổng số lượng CPU của máy vật lý thứ 𝑖. 2.2. Thời gian đáp ứng của ứng dụng đa tầng trên ĐTĐM Mỗi ứng dụng đa tầng 𝐴 𝑖 thực thi ℒ 𝑖 = {ℓ 𝑖1 , ℓ 𝑖2 , … , ℓ 𝑖𝑘 𝑖 } giao dịch với 𝑘 𝑖 là số lượng giao dịch của ứng dụng 𝐴 𝑖 . Đối với những người sử dụng ứng dụng 𝐴 𝑖 , họ chỉ quan tâm đến việc các yêu cầu QoS có được đáp ứng hay không. Do vậy, chúng tôi xem thời gian phản hồi là thước đo hiệu suất có liên quan của từng tác vụ. Mỗi giao dịch ℓ 𝑖𝑗 được liên kết với thời gian 𝑇 phản hồi trung bình thực tế 𝑟𝑖𝑗 và thời gian phản hồi mục tiêu 𝑟𝑖𝑗 biểu thị các yêu cầu QoS. Chúng tôi xác định lợi ích hiệu suất của ứng dụng 𝐴 𝑖 là mức độ hài lòng của người dùng được tính toán như sau. 𝑡𝑖 1 ℘ 𝑖 (𝒦 𝑖 ) = ∑ 1 − 𝑇 (15) 𝑗=1 1 + 𝑒 𝑟 𝑖𝑗− 𝑟 𝑖𝑗 Để ước tính thời gian phản hồi của ứng dụng đa tầng, chúng tôi áp dụng mô hình mạng hàng đợi theo lớp để tính hiệu suất một cách chính xác trên nhiều khối lượng công việc và phân bổ tài nguyên. Trong mô hình LQN, mỗi tài nguyên phần cứng và máy chủ phần mềm của ứng dụng nhiều tầng được mô hình hóa như một tác vụ, có một hoặc nhiều mục dịch vụ đại diện cho các hoạt động khác nhau mà nó có thể thực thi. Mỗi tác vụ được mô hình hóa bằng cách sử dụng hàng đợi 𝑀/𝑀/𝑛 trong đó 𝑛 đại diện cho sự đồng thời của các thành phần phần cứng hoặc phần mềm. Mỗi tác vụ có thể đưa ra các yêu cầu và tất cả các yêu cầu đều cần xếp hàng tại đầu vào của các tác vụ khác. Khi một yêu cầu được chấp nhận, nó sẽ thực thi một dịch vụ ở đó và đôi khi có thể gọi bất kỳ số lượng dịch vụ lồng nhau nào ở các tác vụ khác. Do đó, chúng ta có thể nắm bắt tính năng đa tầng một cách hiệu quả bằng cách sử dụng mô hình LQN mà bản chất của nó là nắm bắt sự lồng ghép của các yêu cầu. Và mô hình này cũng có khả năng mở rộng tốt với nhiều loại tài nguyên và cho phép một yêu cầu sử dụng nhiều tài nguyên cùng một lúc. Giả sử rằng thời gian phục vụ trung bình và khối lượng công việc của giao dịch ℓ 𝑖𝑗 ở tầng 𝜃 𝜃 𝜃 lần lượt là 𝑠 𝑖𝑗 và 𝑤 𝑖𝑗 , chúng ta có thể giải mô hình mạng xếp hàng theo lớp thông qua các thuật toán phân tích giá trị trung bình để có được thời gian phản hồi từ đầu đến cuối như đã cho: 𝑡𝑖 𝜃 𝑠 𝑖𝑗 𝑟𝑖𝑗 = ∑ 𝜃 (16) 𝑘𝑖 𝑤 𝑖𝜆 𝜃 𝜃=1 1 − ∑ 𝜆=1 𝑠 𝒦 𝑖 𝜃 𝑖𝜆 738
𝜃 trong đó 𝑠 𝑖𝜆 là thời gian phục vụ trung bình của ứng dụng 𝑖 cho giao dịch thứ 𝜆 tại tầng thứ 𝜃; 𝜃 𝑤 𝑖𝜆 là tải của giao dịch 𝜆 tại tầng 𝜃 của ứng dụng 𝑖; 𝒦 𝑖 𝜃 là số lượng VM của ứng dụng thứ 𝑖 tại tầng thứ 𝜃. 2.3. Mô hình điều chỉnh tài nguyên Giả sử rằng mỗi khách hàng – người thuê tài nguyên đám mây để triển khai ứng dụng có cùng quan điểm về giá trị đối với hiệu suất và chi phí, chúng tôi xác định hàm lợi ích của từng ứng dụng là tổng của chi phí tài nguyên và lợi ích hiệu suất. Luôn tồn tại một sự đánh đổi giữa lợi ích hiệu suất và chi phí tài nguyên cho mỗi ứng dụng. Do đó, mỗi nhà cung cấp ứng dụng mong muốn tối đa hóa lợi ích như sau. 𝑚 𝑡𝑖 𝐹𝑖 (𝒦) = ℘ 𝑖 (𝒦 𝑖 ) − ∑ ∑ 𝒦 𝑖𝑗 (𝑝)𝑥 𝑖𝑗 𝜑 𝑝 (ℛ 𝑝 ) (17) 𝑝=1 𝑗=1 Xem việc điều chỉnh tự động tài nguyên như một trò chơi và khách hàng như những người chơi. Mỗi người chơi cố gắng tăng tối đa việc khai thác tài nguyên bằng cách điều chỉnh chiến lược 𝒦 𝑖 . Trong trò chơi này, hàm lợi ích của trò chơi có ảnh hưởng quan trọng đến một quyết định chiến lược của người chơi và kết quả của trò chơi. Mỗi người chơi sẽ chọn chiến lược nhằm tối đa hóa lợi ích như sau 𝑀𝑎𝑥 𝐹𝑖 (𝓚) 𝑡 sao cho ∑ 𝑖𝑛 ∑ 𝑗 𝑖 𝒦 𝑖𝑗 (𝑝) ≤ 𝑐 𝑝 (18) 𝒦 𝑖𝑗 (𝑝) > 0, ∀ 𝑖, 𝑗, 𝑝 Các người chơi biết được các thông tin chiến lược và điểm quyết định của nhau nên ta có thể thiết lập thành trò chơi hợp tác và có thông tin hoàn hảo. Từ đó ta tiếp cận đến khái niệm cân bằng Nash đạt hiệu quả Pareto của trò chơi là điểm mà không có người chơi nhận được thu hoạch nhiều hơn bằng cách thay đổi chiến lược của mình. Giả sử mỗi người chơi có thể thay đổi chiến lược phân bổ chỉ bằng một trong hai hành động chính sau: 𝛼 𝑖𝑦𝑥 + 1 𝑎𝑖 = { (19) 𝛼 𝑖𝑦𝑥 + 1, 𝑣 𝑧𝑥 − 1 𝑖 trong đó, 𝛼 𝑖𝑦𝑥 + 1 là hành động điều chỉnh thêm một VM cho ứng dụng thứ 𝑖 tại tầng thứ 𝑦 trên PM 𝑥; 𝛼 𝑖𝑦𝑥 − 1 là hành động điều chỉnh bớt một VM. Điểm cân bằng Nash của trò chơi là chiến lược mà ở đó không một người chơi nào có thể tăng lợi nhuận khi những người chơi khác đã cố định chiến lược. Khi đó, nếu chiến lược của người chơi thứ 𝑖 là chiến lược tối ưu được kí hiệu 𝓗∗ , chiến lược tối ưu của những người chơi 𝑖 khác được ký hiệu là 𝓗∗ thì cân bằng Nash của chiến lược 𝓗∗ sẽ tuân thủ theo điều kiện −𝑖 𝑖 (Osborne, M.J., et al., 1994), như sau: 𝐹𝑖 (𝓗∗ , 𝓗∗ ) ≥ 𝐹𝑖 (𝓗∗ , 𝓗 𝑖 ) −𝑖 𝑖 −𝑖 (20) 739
3. GIẢI THUẬT ĐIỀU CHỈNH TÀI NGUYÊN Giải thuật tối ưu đàn kiến cho phép lưu trữ kinh nghiệm tìm kiếm của các cá thể từ lúc khởi tạo đến vòng lặp hiện tại thông qua bảng vệt mùi 𝜏. Các bước chuyển trạng thái (T), đánh giá (E), xác định (D) được thực thi thông qua bảng vệt mùi. Điều đó giúp các cá thể trong đàn chia sẻ với nhau về thông tin. Mỗi giải pháp được xây dựng từng bước bởi các cá thể kiến trong đàn gồm ba bước thực thì (T→ E→D). Giải pháp được xây dựng thông qua xác suất sau: 𝛼 ([𝜏 𝑖𝑗 ] .[𝜂 𝑖𝑗 ] ) 𝛽 (21) 𝑘 𝛼 𝛽 𝑛ế𝑢 𝑗 𝜖 𝑵 𝑖𝑘 𝑝 𝑖𝑗 = {∑ 𝑗 ∈ 𝑵 𝑖𝑘 ) ([𝜏 𝑖𝑗 ] .[𝜂 𝑖𝑗 ] ) 0 𝑛𝑔ượ𝑐 𝑙ạ𝑖 𝑘 trong đó, 𝑝 𝑗𝑖 xác suất con kiến thứ 𝑘 lựa chọn giải pháp con thứ 𝑗 đang đứng tại giải pháp con thứ 𝑖, 𝑁 𝑖 𝑘 là tập các giải pháp con ứng viên (candidate subsolution) với điều kiện các giải pháp con này chưa được viếng thăm của bởi con kiến thứ 𝑘 tại giải pháp con thứ 𝑖, tham số 𝛼, 𝛽 dùng để xác định sự ảnh hưởng của giá trị mùi 𝜏 𝑖𝑗 và thông tin heuristic 𝜂 𝑖𝑗 . Quá trình học tăng cường có tác dụng nâng cao hiệu quả của giải thuật trong quá trình các con kiến tìm lời giải. Một trong những điều quan trọng đầu tiên trong việc áp dụng các giải thuật ACO là công việc xác định thông tin học tăng cường qua các vệt mùi, nói cách khác là xác định thông tin mà vệt mùi biểu diễn. Ở đây vệt mùi là khả năng một PM được lựa chọn để điều phối VM theo yêu cầu, khả năng này phụ thuộc vào cấu hình hiện tại và thông tin heuristic của PM. Thông tin heuristic sẽ được tính lại sau mỗi lần điều phối bởi thông tin cấu hình của PM sẽ thay đổi sau mỗi lần điều phối thành công VM. Sau mỗi vòng lặp của giải thuật, giá trị mùi được cập nhật bởi tất cả các con kiến đã xây dựng giải pháp trong vòng lặp của nó. Giá trị mùi 𝜏 𝑖𝑗 trên cạnh 𝑖𝑗 được tính như sau: 𝑚 (22) 𝑘 𝜏 𝑖𝑗 ← (1 − 𝜌). 𝜏 𝑖𝑗 + ∑ ∆𝜏 𝑖𝑗 𝑘=1 trong đó 0 < 𝜌 ≤ 1 là tỉ lệ bay hơi của vệt mùi. Tham số bay hơi nhằm tránh trường hợp tích lũy vệt mùi quá nhiều và giúp loại bỏ các các máy chủ không hiệu quả đã được lựa chọn trước 𝑘 đó. ∆𝜏 𝑖𝑗 là chất lượng mùi của con kiến thứ 𝑘 trên cạnh (𝑖, 𝑗) trên đồ thị được tính như sau: 𝑄 𝑘 𝑛ế𝑢 𝑐𝑜𝑛 𝑘𝑖ế𝑛 𝑘 𝑠ử 𝑑ụ𝑛𝑔 𝑐ạ𝑛ℎ (𝑖, 𝑗) ∆𝜏 𝑖𝑗 ={𝐿𝑘 (23) 0 𝑛𝑔ượ𝑐 𝑙ạ𝑖 Đối với mỗi yêu cầu VM, chương trình sẽ tính toán để lấy ra các máy chủ hợp lệ (có đủ điều kiện để cấp phát VM đó) và tính xác suất được chọn của từng máy chủ. Xác suất mỗi máy chủ hợp lệ được chọn để cấp phát VM được tính thông tin heuristic được tính theo công thức 𝜂 𝑖 = ℎ 𝑖 là hiệu suất sử dụng tài nguyên của PM thứ 𝑖. Giải thuật – AVACO (Auto-scaling VM Ant colony optimization) 1: setupAnts() 2: clearTrails() 3: WHILE (¬StopCondition(𝜀)) DO 4: FOR ( 𝑖 = 1 To 𝐴𝑛𝑡𝑠 𝑠𝑖𝑧𝑒 ) 740
5: FOR ( 𝑘 = 1 To 𝑛 ) 6: MoveAnt(𝛷 𝑘 ,trails,probabilities,action) 7: END 8: END 9: updateTrails() 10: updateBest() 11: END 4. KẾT QUẢ THỰC NGHIỆM Trên mô hình đã đề xuất ở mục III, chúng tôi đã tiến hành cài đặt giải thuật ACO trên CloudSim (Bouhouch, L., et al., 2024) và đánh giá hiệu năng của thuật toán này so với thuật toán PSO, SA. Thực nghiệm được thực hiện trên một mô phỏng của hai trung tâm dữ liệu có hai bộ dữ liệu khác nhau bao gồm: Số lượng Số lượng máy ảo hóa cần cung Ký hiệu máy chủ triển khai cấp Bộ dữ liệu 1 Dataset 1 30 máy 90 máy Bộ dữ liệu 2 Dataset 2 150 máy 450 máy Bảng 1 - Bảng số liệu về bộ dữ liệu thực thi 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 giải thuật 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 sau: MaxCPU MinCPU MaxRAM MinRAM MaxDISK MinDISK Máy chủ PM 512 64 1024 64 16384 2048 Máy ảo hóa VM 32 2 64 2 1000 40 Bảng 2 - Thông số hoạt động của bộ dữ liệu Cấu hình các tham số cho các giải thuật được chọn để đối sánh theo các nghiên cứu đã công bố NCS. Đối với giải thuật SA chọn 𝑇 = 1000, 𝑐𝑜𝑜𝑙𝑖𝑛𝑔𝑅𝑎𝑡𝑒 = 0.005. Đối với giải thuật PSO sẽ chọn cấu hình tham số gồm 𝑃 = 50, 𝑐1 = 𝑐2 = 1.496185, 𝑊 = 0.729844 . Giải thuật ACO sẽ chọn cấu hình gồm 𝑐 = 1, 𝛼 = 1.0, 𝛽 = 2.0, 𝑄 = 500, 𝑛𝑢𝑚𝑏𝑒𝑟𝐴𝑛𝑡𝑠 = 100, 𝜌 = 0.5. Trong mỗi ứng dụng đa tầng, chúng tôi tiến hành đo lường mức thời gian đợi trung bình của các yêu cầu. Kết quả của các đo lường này cho thấy rằng thời gian đợi trung bình có thể khác nhau đối với từng loại yêu cầu trong ứng dụng 741
Hình 1 - Mức thời gian đợi trung bình của ứng dụng Trong mỗi ứng dụng đa tầng, chúng tôi thực hiện đo lường và phân tích mức chi phí sử dụng hệ thống cho các loại yêu cầu khác nhau. Kết quả của các đo lường này cho thấy rằng mức chi phí sử dụng hệ thống có thể khác nhau đối với từng loại yêu cầu trong ứng dụng. Hình 2 - Mức chi phí thuê VM ứng dụng đa tầng Cuối cùng là đánh giá hiệu suất - chi phí của giải thuật so với các giải thuật khác và được kết quả Hình 3 - Đánh giá hiệu suất – chi phí của giải thuật so với các giải thuật khác 742
5. KẾT LUẬN Bài báo đã trình bày một giải pháp điều chỉnh tự động tài nguyên ứng dụng đa tầng trên điện toán đám mây dựa vào giải thuật tối ưu đàn kiến. Thông qua phân tích và kết quả thực nghiệm chúng tôi nhận thấy giải thuật đang dần dần tối ưu hóa hệ thống dịch vụ hạ tầng về chi phí sử dụng giúp hạn chế độ lãng phí tài nguyên của hệ thống và sử dụng tài nguyên hệ thống hiệu quả hơn. Hướng phát triển tiếp theo để nâng cao tối ưu hóa giải thuật là sử dụng phương pháp lai giữa các giải thuật với nhau như Ant Colony Optimization (ACO), Particle Swarm Optimization (PSO) và Simulated Annealing (SA). Bằng cách kết hợp các phương pháp này, chúng ta có thể tạo ra một giải thuật tối ưu hóa mạnh mẽ hơn, có khả năng tìm ra các giải pháp tối ưu trong thời gian ngắn hơn và với hiệu suất cao hơn. TÀI LIỆU THAM KHẢO 1. Aarts, E., et al. (2014). Simulated annealing. Search methodologies, pp. 265-285. 2. Bouhouch, L., et al. (2024). DFMCloudsim: an extension of cloudsim for modeling and simulation of data fragments migration over distributed data centers. pp 1-20. 3. Dorigo, M., et al. (2006). Ant colony optimization. pp 28-39. 4. Guo, Y., et al. (2018). Online VM auto-scaling algorithms for application hosting in a cloud. pp 889-898. 5. Kennedy, J., et al. (2011). Particle swarm optimization. Encyclopedia of machine learning, pp. 760- 766. 6. Khiet, , et al. (2018). An auto-scaling VM game approach for multi-tier application with Particle swarm optimization algorithm in Cloud computing. In: 2018 International Conference on Advanced Technologies for Communications (ATC), pp. 326-331. 7. Lin, et al. (2009). Cloud computing. IT as a service, pp 10-13. 8. Osborne, M.J., et al. (1994). A course in game theory. MIT press. 9. Tsai, C.-W., et al. (2014). A survey. IEEE Systems Journal 8, pp 279-291. 743