Tổng quan về luận án

Sự bùng nổ của hạ tầng điện toán đám mây (Cloud Computing) trong kỷ nguyên dữ liệu lớn đã đặt ra bài toán tối ưu hóa phân phối tài nguyên tính toán vô cùng cấp thiết. Luận án tiến sĩ kỹ thuật chuyên ngành Hệ thống thông tin (Mã số: 9.04) với đề tài "Hướng tiếp cận SWOT cho cân bằng tải trên điện toán đám mây" (The SWOT Approach for Load Balancing in Cloud Computing) do nghiên cứu sinh thực hiện tại Học viện Công nghệ Bưu chính Viễn thông dưới sự hướng dẫn của PGS.TS Trần Công Hùng và TS. Lê Xuân Trường, đã tiên phong thiết lập một khung phân tích toàn diện nhằm giải quyết triệt để bài toán cân bằng tải (Load Balancing - LB).

Điểm nghẽn nghiên cứu (Research Gap) cốt lõi được luận án chỉ rõ xuất phát từ việc các thuật toán cân bằng tải truyền thống như Round Robin, Min-Min, Max-Min hay các biến thể định tuyến ngẫu nhiên chỉ tiếp cận hệ thống một cách thụ động, cục bộ và thiếu vắng mô hình dự báo tải đa chiều dựa trên học máy (Machine Learning - ML). Mặc dù các công trình quốc tế như mô hình Stochastic Hill Climbing của Kansal & Chana (2012) hay thuật toán User-Priority Guided Min-Min của Patel et al. (2020) đã giải quyết từng khía cạnh riêng lẻ, song chưa có một công trình nào tích hợp khung phân tích chiến lược ma trận SWOT (Strengths - Điểm mạnh, Weaknesses - Điểm yếu, Opportunities - Cơ hội, Threats - Nguy cơ) vào kiến trúc cân bằng tải để đồng thời giải quyết cả nhân tố nội tại lẫn ngoại vi.

Luận án thiết lập 4 câu hỏi nghiên cứu (Research Questions - RQ) và 4 giả thuyết tương ứng (Hypotheses - H):

  • RQ1 & H1: Liệu việc phân rã hệ thống cân bằng tải theo hai trục nội suy (Internal) và ngoại suy (External) của ma trận SWOT có thể tạo lập cơ sở lý thuyết chuẩn xác để lựa chọn các giải thuật học máy chuyên biệt không? Giả thuyết H1 khẳng định khung SWOT tối ưu hóa việc phân nhóm bài toán và nâng cao hiệu năng điều phối.
  • RQ2 & H2: Mô hình dự báo chuỗi thời gian (ARIMA) và phân lớp thống kê (Naïve Bayes, k-Means) trên các thông số nội tại có thể giảm thiểu thời gian đáp ứng (Response Time - RT) và thời gian hoàn thành (Makespan - MS) không? Giả thuyết H2 cho rằng các thuật toán dự báo nội tại giúp triệt tiêu độ trễ phân phối.
  • RQ3 & H3: Việc kiểm soát và dự báo xác suất xảy ra bế tắc tài nguyên (Deadlock) từ không gian trạng thái bên ngoài có giúp bộ cân bằng tải duy trì tính ổn định liên tục không? Giả thuyết H3 khẳng định giải thuật hồi quy tuyến tính cho phép phát hiện sớm trạng thái mất an toàn.
  • RQ4 & H4: Mô hình hóa hành vi người dùng bằng thuật toán học có giám sát dựa trên độ ưu tiên tác vụ (User Priority) có thể nâng cao tốc độ gia tốc (Speedup) và giảm thiểu sai số tuyệt đối tương đối (Relative Absolute Error - RAE) không? Giả thuyết H4 chứng minh việc tối ưu hóa mức độ ưu tiên làm tăng thông lượng phục vụ.

Phạm vi nghiên cứu (Scope) của luận án tập trung thực nghiệm trên môi trường đám mây có quy mô từ 5 đến 10 máy ảo (Virtual Machines - VM), mô phỏng dịch vụ web với khối lượng xử lý lên đến 5.000 Request trong khung thời gian 5 phút trên nền tảng CloudSim, không bao gồm ảo hóa mức container và ảo hóa mức pooling. Luận án mang lại đóng góp đột phá khi đề xuất thành công 6 thuật toán mới (4 thuật toán nội tại: MCCVA, APRTA, RCBA, ITA; 2 thuật toán ngoại vi: PDOA, k-CTPA), giảm đáng kể chi phí tổng thể của trung tâm dữ liệu (Total Data Center Cost) và cải thiện vượt bậc tốc độ xử lý tác vụ.

Literature Review và Positioning

Nghiên cứu về cân bằng tải trong điện toán đám mây trải qua ba giai đoạn tiến hóa rõ rệt trong y văn quốc tế. Giai đoạn thứ nhất là các giải thuật tĩnh (Static Algorithms) như Round-Robin của Fang et al. (2010), Central Load Balancing Decision Model (CLBDM) của Ni et al. (2011) và MapReduce của Dean & Ghemawat (2008). Ưu điểm của nhóm này là độ phức tạp tính toán thấp, dễ cài đặt; tuy nhiên, điểm yếu cốt tử là tính bất biến trước sự biến động tức thời của lưu lượng, dẫn đến tình trạng các máy ảo cấu hình cao bị nhàn rỗi trong khi máy ảo cấu hình thấp bị nghẽn cục bộ.

Giai đoạn thứ hai đánh dấu sự xuất hiện của các giải thuật động (Dynamic Algorithms) và thuật toán phỏng sinh học (Meta-heuristics), tiêu biểu như thuật toán Weighted Least Connection (WLC) cải tiến thành ESWLC của Lu (2013), giải thuật bầy ong (Honeybee Foraging Behavior) của Babu & Krishna (2013), và giải thuật đàn kiến (Ant Colony Optimization) của Kumar et al. (2012). Mặc dù các phương pháp này có khả năng phản hồi theo trạng thái tải thời gian thực, chúng vấp phải sự đánh đổi lớn về chi phí truyền thông (Communication Overhead) và thời gian hội tụ chậm khi số lượng nút mạng tăng cao.

Giai đoạn thứ ba phát triển các kỹ thuật lập lịch định hướng chất lượng dịch vụ (QoS) và hành vi người dùng, chẳng hạn như nghiên cứu phân bổ tài nguyên dựa trên Service Level Agreement (SLA) của Wu et al. (2013) và tiếp cận Stochastic Hill Climbing của Kansal & Chana (2012). Tuy nhiên, y văn vẫn tồn tại hai quan điểm mâu thuẫn lớn:

  1. Trường phái Heuristic/Meta-heuristic tức thời: Cho rằng trạng thái đám mây là ngẫu nhiên phi cấu trúc nên cần dựa hoàn toàn vào phản hồi tức thời từ máy ảo để điều phối.
  2. Trường phái Dự báo định lượng (Predictive Analytics): Khẳng định lưu lượng đám mây tuân theo quy luật chuỗi thời gian và hành vi người dùng có thể học được, cho phép phân bổ chủ động trước khi yêu cầu đổ về.

Luận án định vị chính xác vào khoảng trống khoa học của trường phái thứ hai: khai thác năng lực dự báo thống kê và phân lớp của học máy kết hợp với việc phân tách yếu tố hệ thống theo ma trận SWOT. So với hai nghiên cứu quốc tế có cấu trúc tương đồng là công trình tránh Deadlock của Sindhu & Mukherjee (2014) và mô hình User-Priority Min-Min của Patel et al. (2020), luận án của nghiên cứu sinh không chỉ giải quyết bài toán Deadlock và độ ưu tiên một cách độc lập, mà tích hợp chúng vào một hệ quy chiếu hoàn chỉnh gồm 6 giải thuật phối hợp, kiểm chứng tính khả thi qua các chỉ số định lượng chặt chẽ trên không gian đa biến.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng và làm phong phú ba nền tảng lý thuyết cốt lõi trong khoa học máy tính và tối ưu hóa hệ thống thông tin:

  1. Lý thuyết Cực tiểu hóa Rủi ro Cấu trúc (Structural Risk Minimization - SRM) do Vapnik & Chervonenkis (1995) thiết lập: Luận án chứng minh nguyên lý SRM trong thuật toán Support Vector Machine (SVM) có thể áp dụng hoàn hảo để xây dựng siêu phẳng phân cách tối ưu nhằm phân loại các vùng trạng thái tài nguyên CPU, RAM và băng thông của máy ảo, giảm thiểu giới hạn trên của sai số tổng quát hóa trong môi trường phân tán.
  2. Lý thuyết Quyết định Bayes (Bayesian Decision Theory): Kế thừa mô hình xác suất hậu nghiệm $P(c|x) = \frac{P(x|c)P(c)}{P(x)}$, luận án mở rộng phạm vi ứng dụng của Naïve Bayes vào việc phân lớp thời gian đáp ứng của máy ảo theo các đặc trưng độc lập của gói tin Request đầu vào, tối ưu hóa quá trình ra quyết định phân tải mà không gây trễ thuật toán.
  3. Lý thuyết Chuỗi thời gian Box-Jenkins (ARIMA Model Theory - 1970, 1976): Vận dụng mô hình tích hợp tự hồi quy trung bình trượt $\text{ARIMA}(p, d, q)$ với toán tử sai phân bậc $d$ để trích xuất quy luật biến động của các tải tối đa ghi nhận ($AT_i$) và tải tối thiểu ghi nhận ($IT_i$), từ đó dự báo chính xác ngưỡng đáp ứng $T_{new}$ cho các chu kỳ tiếp theo.

Mô hình lý thuyết tổng quát của luận án chuyển dịch mô thức (Paradigm Shift) cân bằng tải từ trạng thái "Phản ứng bị động sau khi có tải (Reactive)" sang trạng thái "Dự báo chủ động đón đầu tải (Proactive & Predictive)".

Khung phân tích độc đáo

Khung phân tích của luận án được xây dựng dựa trên sự liên kết giữa công cụ quản trị chiến lược SWOT với cấu trúc toán học của hệ thống đám mây:

Khung phân tích này tích hợp 5 kỹ thuật học máy và thống kê:

  • Hồi quy tuyến tính đa biến (Multivariate Linear Regression) giải bài toán hàm mất mát $\mathcal{L}(\mathbf{w}) = |\mathbf{y} - \mathbf{X}\mathbf{w}|^2$ với nghiệm chính quy $\mathbf{w} = (\mathbf{X}^T\mathbf{X})^{-1}\mathbf{X}^T\mathbf{y}$.
  • Phân cụm khoảng cách Euclid với $k$-Means.
  • Phân lớp xác suất với Naïve Bayes Classifier.
  • Mô hình chuỗi dừng $\text{ARIMA}(1, 1, 1)$ và $\text{ARIMA}(1, 2, 1)$.
  • Thuật toán lân cận $k$-NN dựa trên chuẩn vector không gian đa chiều.

Điều kiện biên (Boundary Conditions) được xác định rõ ràng: Hệ thống áp dụng cho các hạ tầng IaaS cung cấp dịch vụ web phân tán, các tham số tài nguyên gồm CPU, RAM, Băng thông và Dung lượng lưu trữ được đo lường rời rạc theo chu kỳ.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ thế giới quan thực chứng (Positivism) kết hợp phương pháp luận Khoa học thiết kế (Design Science Research - DSR). Thiết kế nghiên cứu được cấu trúc theo mô hình đa tầng (Multi-level Design):

  • Tầng 1 - Trích xuất đặc trưng hạ tầng (Infrastructure Feature Extraction): Thu thập các véc-tơ thuộc tính $X_i$ của Request và trạng thái $P_i$ của quá trình xử lý trên các nút máy chủ vật lý (Host) và máy ảo (VM).
  • Tầng 2 - Khối phân tích học máy (Machine Learning Analytics Engine): Triển khai các giải thuật phân lớp, hồi quy và chuỗi thời gian để đưa ra các giá trị dự báo định lượng ($PRT_i$, nguy cơ Deadlock, cấp độ ưu tiên).
  • Tầng 3 - Tầng ra quyết định cân bằng tải (Load Balancing Execution Layer): Thực thi việc điều phối tải tới các máy ảo đích dựa trên kết quả tối ưu hóa từ tầng 2.

Cỡ mẫu thực nghiệm và không gian kiểm thử được thiết lập chính xác: Tập dữ liệu mô phỏng bao gồm các cấu hình tải từ nhỏ (25, 30, 50, 60 Request), trung bình (100, 1.000 Request) đến cực lớn (1.800, 2.000, 2.700, 3.000, 3.600, 4.000, 4.500, 5.000 Request), triển khai trên trung tâm dữ liệu ảo hóa từ 3 đến 10 máy ảo đồng thời.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu bao gồm các bước tuần tự chuẩn hóa:

  1. Thiết lập giao thức thu thập dữ liệu: Khởi tạo Datacenter, cấu hình phần cứng Host (MIPS, RAM, Storage, Bandwidth) và chính sách cấp phát VM (Time-shared / Space-shared) trên CloudSim.
  2. Tiền xử lý và chuẩn hóa dữ liệu: Tính toán vector mở rộng $\bar{x} = [1, x_1, x_2, x_3]$, chuẩn hóa khoảng cách Euclidean norm $|\mathbf{z}| = \sqrt{\sum z_i^2}$.
  3. Kỹ thuật tam giác giác hóa (Triangulation): Luận án áp dụng tam giác hóa phương pháp (kết hợp phân tích toán học giải tích, thuật toán học máy và mô phỏng thực nghiệm trên CloudSim) và tam giác hóa dữ liệu (kiểm thử chéo qua nhiều kịch bản Request từ 25 đến 5.000).
  4. Đánh giá độ tin cậy và giá trị: Đánh giá tính hợp lệ cấu trúc (Construct Validity) qua các đại lượng tiêu chuẩn Makespan, Response Time, Throughput; đánh giá độ tin cậy của mô hình dự báo qua chỉ số sai số tuyệt đối tương đối RAE (Relative Absolute Error): $$\text{RAE} = \frac{\sum_{i=1}^N |y_i - \hat{y}i|}{\sum{i=1}^N |y_i - \bar{y}|}$$

Data và phân tích

Phần mềm và công cụ cốt lõi được sử dụng gồm bộ mô phỏng CloudSim Toolkit kết hợp môi trường thực thi thuật toán phân tích dữ liệu trên ngôn ngữ Java/Python.

Bảng thông số kiểm chuẩn phân tích gồm các kịch bản cấu hình trung tâm dữ liệu:

  • Cấu hình Host: Đa bộ vi xử lý với năng lực tính toán từ 1.000 đến 10.000 MIPS, RAM từ 2.048 MB đến 16.384 MB, băng thông 10 Gbps.
  • Cấu hình VM: Phân bổ linh hoạt từ 1 Core (1.000 MIPS, 512 MB RAM) đến 4 Cores (4.000 MIPS, 4.096 MB RAM).
  • Cấu hình Request: Độ dài tác vụ (Length) biến thiên từ $1.000 \text{ MI}$ đến $100.000 \text{ MI}$, dung lượng tập tin đầu vào/đầu ra từ vài KB đến hàng trăm MB.
  • Kiểm tra tính vững (Robustness Checks): Mô hình được kiểm tra sai số hồi quy trên toàn bộ các chiều tài nguyên (CPU, RAM, Storage), đảm bảo sai số RAE luôn nằm trong ngưỡng kiểm soát dưới $5%$.

Phát hiện đột phá và implications

Những phát hiện then chốt

Kết quả thực nghiệm đã đem lại 5 phát hiện mang tính đột phá với dữ liệu minh chứng cụ thể:

  1. Thuật toán MCCVA (Makespan Classification & Clustering VM Algorithm): Phân cụm máy ảo bằng $k$-Means kết hợp phân lớp độ dài Request giúp giảm Makespan vượt trội so với FCFS, Round Robin và Min-Min. Tại kịch bản 50 Request và 1.000 Request, MCCVA rút ngắn thời gian thực hiện tổng thể hơn $18.5%$ so với thuật toán cơ sở.
  2. Thuật toán APRTA (Adaptive Predictive Response Time Algorithm): Ứng dụng mô hình Box-Jenkins $\text{ARIMA}(1, 1, 1)$ để tính toán thời gian đáp ứng dự báo ($PRT_i$) so sánh với ngưỡng thời gian mới $T_{new}$. Thực nghiệm trên cấu hình 3 VM, 4 VM và 5 VM chứng minh APRTA loại bỏ hoàn toàn hiện tượng quá tải đột ngột, giữ đồ thị thời gian đáp ứng luôn dao động ổn định dưới ngưỡng an toàn.
  3. Thuật toán RCBA (Response Time Classification with Naïve Bayes): Tại các mức kiểm thử 25, 50, 100 và 1.000 Request, việc tính toán xác suất hậu nghiệm giúp gán chính xác Request vào máy ảo có thời gian đáp ứng tối ưu nhất, cải thiện Response Time trung bình từ $12%$ đến $24.8%$ so với giải thuật Max-Min truyền thống.
  4. Thuật toán ITA (Improved Throttled Algorithm): Tối ưu hóa cấu hình Datacenter và bảng trạng thái máy ảo qua 4 trường hợp thực nghiệm phức tạp (với cơ sở người dùng từ 2 UB đến 5 UB). ITA giúp tiết kiệm tổng chi phí vận hành Datacenter (Total Data Center Cost) lên tới $15.3%$ đồng thời tối ưu hóa mức tiêu hao năng lượng $P_o$.
  5. Thuật toán PDOA và k-CTPA:
    • PDOA (Prediction Deadlock Occurrence Algorithm): Sử dụng hồi quy dự báo không gian trạng thái an toàn / không an toàn (Safe/Unsafe State). Trong các bài kiểm thử từ 2.000 đến 5.000 Request, PDOA đạt chỉ số gia tốc Speedup ấn tượng, triệt tiêu $100%$ các kịch bản tắc nghẽn tài nguyên vòng tròn (Circular Wait).
    • k-CTPA (kNN Classification Task Priority Algorithm): Phân lớp mức độ ưu tiên của người dùng qua các trường hợp từ 30 đến 4.500 Request. Biểu đồ Boxplot phân tích sai số dự đoán tài nguyên khẳng định k-CTPA đạt độ chuẩn xác vượt bậc, giảm thời gian thực hiện lớn nhất (Max Execution Time) và duy trì hệ số Speedup cao nhất trong mọi kịch bản tải nặng.

Implications đa chiều

  • Đóng góp học thuật: Mở ra hướng nghiên cứu mới kết hợp công cụ ma trận chiến lược SWOT với giải thuật máy học chuyên sâu trong khoa học máy tính phân tán.
  • Đổi mới phương pháp luận: Thiết lập chuẩn thực nghiệm toàn diện trên CloudSim kết hợp kiểm chuẩn sai số RAE đa biến cho các bài toán cân bằng tải thế hệ mới.
  • Ứng dụng thực tiễn doanh nghiệp: Cung cấp kiến trúc thuật toán có thể cài đặt trực tiếp vào các hệ thống cân bằng tải mã nguồn mở như NGINX, HAProxy hoặc bộ điều phối tải của các đám mây công cộng (AWS ALB, Google Cloud Load Balancing, Microsoft Azure Load Balancer).
  • Khuyến nghị chính sách và quản trị: Giúp các trung tâm dữ liệu quốc gia và doanh nghiệp viễn thông tối ưu hóa suất đầu tư phần cứng, cắt giảm năng lượng tiêu thụ tại các Data Center, đóng góp vào mục tiêu phát triển công nghệ thông tin xanh (Green Cloud Computing).
  • Khả năng tổng quát hóa: Mô hình có thể mở rộng áp dụng cho môi trường Điện toán biên (Edge Computing) và Điện toán sương mù (Fog Computing).

Limitations và Future Research

Luận án thẳng thắn chỉ rõ 4 giới hạn nghiên cứu chính:

  1. Quy mô hệ thống mô phỏng: Mới dừng lại ở quy mô đám mây nhỏ đến trung bình (5 đến 10 máy ảo), chưa kiểm thử trên các siêu trung tâm dữ liệu (Hyperscale Datacenters) với hàng nghìn nút tính toán.
  2. Phạm vi kiến trúc ảo hóa: Nghiên cứu giới hạn ở ảo hóa máy ảo truyền thống (VM-level virtualization), chưa đánh giá hiệu năng trên kiến trúc Container hóa (Docker, Kubernetes) hoặc Serverless Computing.
  3. Môi trường tải thực tế: Dữ liệu kiểm thử được sinh trên môi trường giả lập CloudSim, chưa thu thập trực tiếp từ lưu lượng mạng thực tế (Real-world Internet Trace Traffic) có độ biến thiên ngẫu nhiên cao.
  4. Tham số mạng phân tán: Chưa xét đến các yếu tố độ trễ vật lý xuyên lục địa phức tạp và hiện tượng mất gói tin trên đường truyền viễn thông công cộng.

Chương trình nghiên cứu tương lai (Future Research Agenda):

  • Phát triển các giải thuật phân lớp sâu (Deep Learning, Deep Reinforcement Learning) để tự động điều chỉnh siêu tham số cân bằng tải thời gian thực.
  • Mở rộng thuật toán sang mô hình ảo hóa Container và điều phối Kubernetes Cluster.
  • Tích hợp bài toán cân bằng tải nhận biết vị trí địa lý (Geo-aware Load Balancing) trong mạng 5G/6G và mạng vạn vật (IoT).
  • Xây dựng mô hình cân bằng tải tối ưu hóa năng lượng toàn diện (Carbon-aware Green Load Balancing).

Tác động và ảnh hưởng

  • Tác động học thuật: Định hình một khung phân tích mới thu hút trích dẫn trong lĩnh vực tính toán phân tán, hệ thống thông tin và kỹ thuật viễn thông; mở đường cho các nghiên cứu liên ngành giữa quản trị hệ thống và trí tuệ nhân tạo.
  • Chuyển đổi công nghiệp: Ứng dụng trực tiếp cho các nhà cung cấp dịch vụ đám mây (Cloud Service Providers), các tập đoàn viễn thông (VNPT, Viettel, FPT, MobiFone) nhằm nâng cao độ sẵn sàng của hệ thống IaaS/PaaS và đảm bảo chỉ số cam kết chất lượng dịch vụ (SLA) đạt $99.99%$.
  • Tác động chính sách: Cung cấp bằng chứng thực nghiệm phục vụ việc xây dựng các tiêu chuẩn kỹ thuật quốc gia về hiệu suất năng lượng và chất lượng dịch vụ trung tâm dữ liệu điện toán đám mây.
  • Lợi ích kinh tế - xã hội: Giảm thiểu chi phí đầu tư phần cứng dư thừa, cắt giảm lãng phí tài nguyên tính toán và hạn chế lượng phát thải carbon từ các trung tâm dữ liệu.

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Nhà khoa học: Tiếp cận khung lý thuyết SWOT tích hợp Machine Learning, phương pháp thiết kế thực nghiệm mô phỏng trên CloudSim và mã giả chi tiết của 6 giải thuật mới.
  • Giảng viên & Học giả cao cấp: Sử dụng luận án như một tài liệu tham khảo chuyên sâu cho các chương trình đào tạo sau đại học ngành Khoa học máy tính, Kỹ thuật phần mềm và Hệ thống thông tin.
  • Kỹ sư R&D & Kiến trúc sư hệ thống Cloud: Triển khai trực tiếp các thuật toán MCCVA, APRTA, RCBA, ITA, PDOA và k-CTPA vào các bộ điều phối tải doanh nghiệp để cải thiện Makespan và Response Time.
  • Các nhà hoạch định chính sách & Quản lý CNTT: Nắm bắt cơ sở dữ liệu định lượng về chi phí và hiệu năng để lập kế hoạch đầu tư trung tâm dữ liệu bền vững.

Câu hỏi chuyên sâu

  1. Đóng góp lý thuyết độc đáo nhất của luận án là gì? Đó là việc mở rộng Lý thuyết Quản trị Chiến lược SWOT thành Khung phân tích toán học - kỹ thuật phân rã hệ thống cân bằng tải thành hai trục: Bên trong (Năng lực phần cứng máy ảo, Makespan, Response Time) và Bên ngoài (Deadlock tài nguyên, Hành vi và độ ưu tiên của người dùng). Từ đó, tích hợp thành công Lý thuyết Cực tiểu hóa Rủi ro Cấu trúc (SRM) và Lý thuyết Chuỗi thời gian Box-Jenkins vào bài toán điều phối tài nguyên động.

  2. Điểm đổi mới phương pháp luận khi so sánh với ít nhất 2 nghiên cứu quốc tế trước đây? So với nghiên cứu của Kansal & Chana (2012) sử dụng thuật toán Stochastic Hill Climbing (vốn dễ rơi vào điểm tối ưu cục bộ và phản ứng chậm) và nghiên cứu của Patel et al. (2020) với User-Priority Min-Min (chỉ xét độ ưu tiên đơn thuần mà bỏ qua nguy cơ Deadlock), luận án đã thiết lập quy trình mô phỏng đa tầng trên CloudSim, kết hợp chỉ số sai số tuyệt đối tương đối (RAE) để kiểm chuẩn sai số dự báo tài nguyên, đồng thời xử lý đồng bộ cả yếu tố nội suy lẫn ngoại suy qua 6 thuật toán riêng biệt.

  3. Phát hiện gây bất ngờ nhất có dữ liệu thực nghiệm chứng minh là gì? Phát hiện bất ngờ nhất là thuật toán dự đoán Deadlock (PDOA) kết hợp hồi quy tuyến tính không làm tăng chi phí tính toán (Overhead) của bộ cân bằng tải như các lý thuyết truyền thống cảnh báo, mà ngược lại còn giúp gia tăng chỉ số Speedup khi số lượng Request tăng từ 2.000 lên 5.000 nhờ triệt tiêu hoàn toàn trạng thái chờ đợi tài nguyên vòng tròn (Circular Wait).

  4. Luận án có cung cấp giao thức tái lập thực nghiệm (Replication Protocol) không? Có. Luận án mô tả chi tiết toàn bộ cấu hình máy chủ vật lý, thông số MIPS, dung lượng RAM, băng thông, thuật toán phân bổ máy ảo, cơ chế ánh xạ Request, mã giả (Pseudocode) và sơ đồ luồng dữ liệu của cả 6 thuật toán trên nền tảng mã nguồn mở CloudSim.

  5. Chương trình nghiên cứu 10 năm được phác thảo như thế nào? Chương trình 10 năm tập trung vào 3 trụ cột: (1) Chuyển dịch toàn bộ 6 giải thuật sang môi trường Container hóa và Kubernetes điều phối vi dịch vụ (Microservices); (2) Tích hợp Deep Reinforcement Learning cho mạng biên 6G; (3) Tối ưu hóa hệ thống hướng tới mục tiêu phát thải ròng bằng 0 (Zero-Carbon Cloud Computing).

Kết luận

  1. Luận án đã thành công trong việc xây dựng khung lý thuyết tiếp cận SWOT cho cân bằng tải trên môi trường điện toán đám mây, phân tách rành mạch hai hướng tiếp cận nội tại và ngoại vi.
  2. Đề xuất thành công 4 thuật toán cân bằng tải theo hướng tiếp cận bên trong: MCCVA (k-Means + phân lớp Makespan), APRTA (dự báo chuỗi thời gian ARIMA Response Time), RCBA (phân lớp Naïve Bayes) và ITA (cải tiến Throttled Algorithm), chứng minh khả năng rút ngắn thời gian đáp ứng và giảm Makespan vượt bậc.
  3. Đề xuất thành công 2 thuật toán cân bằng tải theo hướng tiếp cận bên ngoài: PDOA (dự báo và triệt tiêu Deadlock qua hồi quy tuyến tính) và k-CTPA (phân lớp $k$-NN theo hành vi và độ ưu tiên người dùng), nâng cao rõ rệt hệ số gia tốc Speedup.
  4. Triển khai mô phỏng và kiểm chứng thực nghiệm nghiêm ngặt trên nền tảng CloudSim với quy mô từ 25 đến 5.000 Request, khẳng định tính ưu việt tuyệt đối so với các thuật toán chuẩn quốc tế như Round Robin, FCFS, Min-Min và Max-Min.
  5. Mở ra 3 dòng nghiên cứu khoa học mới: Ứng dụng học máy dự báo trong cân bằng tải, phân tích hành vi người dùng định hướng chất lượng dịch vụ đám mây, và quản trị an toàn trạng thái tài nguyên tránh bế tắc trong các hệ thống phân tán quy mô lớn.
  6. Tạo lập giá trị khoa học và thực tiễn vững chắc, đóng góp trực tiếp vào sự phát triển của ngành Hệ thống thông tin và hạ tầng điện toán đám mây quốc gia trong bối cảnh chuyển đổi số toàn diện.