Tổng quan luận án

Tính cấp thiết và khoảng trống nghiên cứu

Dịch vụ hạ tầng Điện toán đám mây (ĐTĐM) cung cấp tài nguyên tính toán theo mô hình dịch vụ linh hoạt với cơ chế chi trả theo mức độ sử dụng (pay-as-you-go). Do quy mô lớn, kiến trúc phân tán gồm hàng ngàn máy chủ vật lý (Physical Machine - PM) với độ tin cậy không đồng đều, lỗi phần cứng và hạ tầng là vấn đề không thể tránh khỏi. Các sự cố gián đoạn dịch vụ ngoài kế hoạch gây thiệt hại kinh tế đáng kể; theo báo cáo của Viện Ponemon năm 2021, chi phí trung bình cho mỗi phút ngừng trệ dịch vụ trung tâm dữ liệu là 7.900 USD với thời gian gián đoạn trung bình 86 phút (tương đương khoảng 690.000 USD mỗi sự cố). Lỗi xảy ra tại tầng hạ tầng (IaaS), đặc biệt là phần cứng máy chủ, có tính chất lan truyền lên tầng nền tảng (PaaS) và tầng phần mềm (SaaS).

Để duy trì độ sẵn sàng cao, hệ thống cần tối ưu hóa thời gian trung bình giữa các lần lỗi (MTTF) và thời gian trung bình để sửa lỗi (MTTR) theo nguyên tắc tăng MTTF và giảm MTTR. Các giải pháp kháng lỗi truyền thống chủ yếu theo hướng thụ động (xử lý sau khi lỗi phát sinh thông qua điểm kiểm soát, nhân bản hoặc thử lại). Tuy nhiên, hướng tiếp cận kháng lỗi chủ động (dự báo và ngăn ngừa lỗi trước khi xảy ra) đang trở thành yêu cầu thiết yếu nhờ sự phát triển của học máy và trí tuệ nhân tạo.

Khoảng trống nghiên cứu chính mà tác giả xác định bao gồm:

  • Việc thu thập dữ liệu lỗi trong môi trường thực tế gặp khó khăn và tốn kém, dẫn đến sự mất cân bằng dữ liệu nghiêm trọng (rất ít hoặc không có dữ liệu lỗi để huấn luyện mô hình phân lớp). Thuật toán One-Class Support Vector Machine (OCSVM) giải quyết được việc học trên dữ liệu bình thường nhưng lại rất nhạy cảm với nhiễu; việc thiết lập ngưỡng cảnh báo cố định làm giảm tính linh hoạt trong môi trường đám mây biến động.
  • Quá trình điều phối di trú máy ảo (Virtual Machine - VM) để kháng lỗi cần giải quyết bài toán tối ưu đa mục tiêu (vừa tránh PM sắp lỗi, vừa đảm bảo cân bằng tải giữa các tài nguyên CPU, bộ nhớ, đĩa cứng để tránh phân mảnh tài nguyên), vốn thuộc lớp bài toán NP-Hard/NP-Complete.
  • Các hệ thống điều khiển mờ (Fuzzy Inference Systems) dùng cho điều phối tài nguyên phụ thuộc nặng nề vào tri thức chuyên gia để xây dựng tập luật NẾU-THÌ, dễ dẫn đến tình trạng tập luật không đầy đủ, dư thừa hoặc không chắc chắn khi môi trường vận hành thay đổi.

Mục tiêu và câu hỏi nghiên cứu

Mục tiêu tổng quát của luận án là nghiên cứu giải pháp kháng lỗi chủ động cho hạ tầng ĐTĐM dựa trên phát hiện lỗi vận hành của PM và xây dựng chiến lược di trú VM nhằm tránh các ảnh hưởng của lỗi khi chúng xảy ra, đáp ứng ba đặc điểm cụ thể:

  1. Việc phát hiện lỗi khi vận hành của PM dựa vào bất thường của các đại lượng hiệu năng trong PM.
  2. Giải pháp di trú (các) VM kháng lỗi đảm bảo PM sau khi tiếp nhận VM có mức độ sử dụng cân bằng giữa các loại tài nguyên trong PM.
  3. Đảm bảo một VM chỉ được di trú đến duy nhất một PM.

Luận án đặt ra hai câu hỏi nghiên cứu:

  • Câu hỏi 1: Có điều gì bất thường đang xảy ra trên máy chủ vật lý hay không? Nếu có nó có thể dẫn đến lỗi hay không? Những thông số hiệu năng nào của máy chủ vật lý liên quan đến lỗi?
  • Câu hỏi 2: Nếu máy chủ vật lý được xác định có lỗi xảy ra, cần có phương án di trú máy ảo như thế nào để tránh lỗi?

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Mô hình hạ tầng đám mây riêng và đám mây công cộng cung cấp tài nguyên VM thông qua công nghệ ảo hóa; các giải pháp phát hiện bất thường/lỗi vận hành trên PM dựa trên các đại lượng hiệu năng; các thuật toán di trú VM hướng đến tối ưu hóa đại lượng hiệu năng của PM.
  • Phạm vi nghiên cứu: Luận án tập trung giải quyết các vấn đề hiệu năng trên PM, giả định hạ tầng mạng và hệ thống đường truyền bảo đảm tốt cho quá trình di trú VM khi có lỗi xảy ra trên PM.
  • Môi trường và dữ liệu thực nghiệm: Dữ liệu thực nghiệm thu thập từ hệ thống đám mây riêng xây dựng trên nền tảng mã nguồn mở OpenStack Stein; bộ dữ liệu dấu vết cụm công cộng Google Cluster Trace (GCT); môi trường mô phỏng trung tâm dữ liệu phát triển trên nền tảng CloudSim bằng ngôn ngữ Java.

Tổng quan tài liệu và vị trí của luận án

Các hướng nghiên cứu trước

Tác giả đã hệ thống hóa các nghiên cứu liên quan đến phát hiện lỗi và kháng lỗi trên hệ thống phân tán và ĐTĐM:

  • Mô hình hóa lỗi phần cứng: Ravi và Vincenzo (nghiên cứu mã nguồn [8]) đã phân tích độ tin cậy của hơn 100.000 PM tại các trung tâm dữ liệu ĐTĐM bằng mô hình cây lỗi và chuỗi Markov, chỉ ra tỷ lệ hư hỏng hàng năm khoảng 8%, trong đó lỗi đĩa cứng chiếm 78%, lỗi bộ điều khiển RAID chiếm 5%, lỗi bộ nhớ chiếm 3%; độ tin cậy mạng đạt 80% với liên kết và 60% với thiết bị.
  • Lý thuyết lỗi và chẩn đoán: Rolf Isermann [11] cung cấp khung phân loại chuẩn về lỗi, trục trặc, hư hỏng và các phương pháp phát hiện lỗi dựa trên mô hình tín hiệu, mô hình quá trình (ước lượng tham số, ước lượng trạng thái, mạng nơ-ron) và chẩn đoán lỗi dựa trên phân lớp và suy diễn.
  • Phát hiện lỗi dựa trên mẫu và dữ liệu: Khung FlowDiff [79] mô hình hóa hành vi trung tâm dữ liệu dựa trên dấu hiệu hạ tầng, ứng dụng và tác vụ. Cơ sở dữ liệu mẫu lỗi của các nghiên cứu [80] phân loại lỗi dựa trên mức độ tương đồng với các mẫu sự cố đã biết.
  • Phát hiện bất thường với học một lớp: Schölkopf và cộng sự [20] đề xuất mô hình One-Class Support Vector Machine (OCSVM) xây dựng ranh giới quyết định lề tối đa cho dữ liệu bình thường. Yin và cộng sự [21], [24] đề xuất cải tiến SVM một lớp có khả năng chịu nhiễu bằng cách tính khoảng cách giữa tâm dữ liệu và mẫu vào hệ số phạt, kết hợp đặt ngưỡng cố định để nhận diện lỗi.
  • Kháng lỗi thụ động và chủ động: Các công trình tổng kết kỹ thuật điểm kiểm soát (Checkpointing), nhân bản chủ động/thụ động (Replication - áp dụng trong HAProxy, Hadoop, Amazon EC2 [59], [60]), di trú công việc và thử lại (Job Migration/Retry [61]); các kỹ thuật chủ động như tự phục hồi (Self-Healing [62], [63], [64]), di trú ưu tiên (Preemptive Migration [53], [65], [66]), và làm tươi phần mềm (System Rejuvenation [67], [68]).
  • Điều phối tài nguyên và điều khiển tự thích nghi: Jin và cộng sự [44] áp dụng học tăng cường để quản lý tài nguyên tự thích nghi; Jamshidi và cộng sự [46], [47] đề xuất kết hợp logic mờ với Fuzzy Q-Learning để tự động điều chỉnh tài nguyên cấp phát cho ứng dụng trên đám mây.

Khoảng trống luận án lựa chọn giải quyết

Các nghiên cứu trước đây về OCSVM thường sử dụng ngưỡng cố định để phân loại lỗi, dẫn đến thiếu linh hoạt khi tải hệ thống thay đổi; đồng thời việc gán nhãn thủ công hoặc phân tích thuộc tính lỗi chưa được tự động hóa trong thời gian thực. Về phía điều phối di trú VM, các nghiên cứu ứng dụng Fuzzy Q-Learning chủ yếu tập trung vào co giãn tài nguyên (scaling) cho từng ứng dụng đơn lẻ mà chưa giải quyết bài toán di trú đồng thời nhiều VM từ các PM suy giảm hiệu năng sang các PM an toàn nhằm tối ưu hóa cân bằng tải đa tài nguyên. Luận án lựa chọn lấp đầy khoảng trống này bằng cách kết hợp logic mờ với OCSVM và biểu đồ kiểm soát thống kê EWMA để phát hiện lỗi, kết hợp thuật toán RFE-RF để chẩn đoán đặc trưng lỗi, cùng với giải thuật Fuzzy Q-Learning lai ghép Hệ kiến (Ant System) để tự động học và hoàn thiện tập luật di trú VM.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết và mô hình phân tích

Luận án xây dựng trên nền tảng các lý thuyết và mô hình tính toán:

  1. Khung kiến trúc tự trị MAPE-K: Vòng lặp điều khiển gồm 5 thành phần: Giám sát (Monitor - M), Phân tích (Analyze - A), Lập kế hoạch (Plan - P), Thực thi (Execute - E) và Cơ sở tri thức (Knowledge - K).
  2. Lý thuyết phân loại một lớp và Logic mờ: Kết hợp One-Class Support Vector Machine với hàm thuộc mờ để tạo thành mô hình Fuzzy One-Class Support Vector Machine (FOCSVM). Logic mờ được dùng để tính toán các hệ số phạt cho từng mẫu dữ liệu dựa trên khoảng cách tới tâm cụm, giảm thiểu tác động tiêu cực của dữ liệu nhiễu (outliers).
  3. Mô hình thống kê EWMA: Biểu đồ kiểm soát trung bình trượt có trọng số hàm mũ (Exponentially Weighted Moving Average) dùng để giám sát chuỗi giá trị biên quyết định sinh ra từ FOCSVM nhằm phát hiện các biến động đột ngột biểu thị trạng thái lỗi.
  4. Học tăng cường mờ (Fuzzy Q-Learning): Kết hợp hệ suy diễn mờ dạng NẾU-THÌ với thuật toán Q-Learning để tối ưu hóa quyết định di trú VM dưới mô hình Quá trình quyết định Markov (MDP).

Phương pháp nghiên cứu và kỹ thuật phân tích

Luận án sử dụng phương pháp nghiên cứu định lượng thực nghiệm và mô phỏng số:

  • Phát hiện lỗi: Thu thập các vector đại lượng hiệu năng (CPU, bộ nhớ, I/O đĩa, mạng) theo chu kỳ thời gian. Sử dụng thuật toán Sequential Minimal Optimization (SMO) để huấn luyện FOCSVM trên tập dữ liệu vận hành bình thường. Áp dụng EWMA để gán nhãn tự động trạng thái bình thường/lỗi trong thời gian thực.
  • Chẩn đoán đặc trưng lỗi: Áp dụng kỹ thuật lựa chọn thuộc tính đệ quy kết hợp Rừng ngẫu nhiên (RFE-RF - Recursive Feature Elimination with Random Forest) trên tập dữ liệu đã gán nhãn để xếp hạng và xác định các thông số hiệu năng có mức độ ảnh hưởng cao nhất đến sự cố; so sánh đối chứng với RFE-BDT (Bagged Decision Trees) và RFE-LM (Linear Model).
  • Tối ưu hóa di trú máy ảo: Thiết kế thuật toán điều khiển di trú V2PFQL (VM-to-PM Fuzzy Q-Learning). Để khắc phục tình trạng thiếu hụt tri thức ban đầu, đề xuất thuật toán V2PFQL-AS (kết hợp V2PFQL với thuật toán Hệ kiến - Ant System) để huấn luyện và cập nhật bảng giá trị $q$ cho tập luật mờ.
  • Tiêu chuẩn đánh giá: Sử dụng ma trận nhầm lẫn (Confusion Matrix), đường cong ROC, chỉ số F1-Score, sai số toàn phương trung bình (RMSE) cho bài toán phát hiện lỗi; sử dụng giá trị hàm mục tiêu (Utility Function), mức độ cân bằng tải nội bộ PM, chỉ số bất thường và phần thưởng tích lũy (Reward) cho bài toán di trú VM.

Nguồn tư liệu và dữ liệu nghiên cứu

Nguồn dữ liệu Nền tảng / Môi trường Quy mô / Đặc điểm Mục đích sử dụng
Dữ liệu thực nghiệm Đám mây riêng OpenStack Stein, ứng dụng thương mại điện tử TPC-W Cụm máy chủ vật lý triển khai các tầng Web, App, DB; thực hiện 2 đợt tiêm lỗi tài nguyên Huấn luyện và kiểm thử mô hình FOCSVM, EWMA-FOCSVM và thuật toán RFE-RF
Dữ liệu Google Cluster Trace (GCT) Dữ liệu giám sát trung tâm dữ liệu công cộng của Google Dữ liệu dấu vết vận hành thực tế của hàng ngàn máy chủ trong 29 ngày Đánh giá kiểm chứng chéo độ chính xác của FOCSVM, EWMA-FOCSVM và RFE-RF
Dữ liệu mô phỏng Nền tảng mô phỏng CloudSim (Java) Trung tâm dữ liệu gồm 450 PM (150 PM sắp lỗi, 300 PM an toàn), 1543 VM cần di trú Đánh giá thuật toán huấn luyện V2PFQL-AS và thuật toán điều khiển di trú V2PFQL

Nội dung chính theo từng chương

Chương 1: Giới thiệu

Chương 1 thiết lập bối cảnh nghiên cứu về sự bùng nổ của dịch vụ hạ tầng ĐTĐM và những thách thức về độ tin cậy. Chương này phân tích chi tiết thiệt hại kinh tế do lỗi phần cứng gây ra, cơ chế lan truyền lỗi từ hạ tầng vật lý lên các tầng dịch vụ phía trên, và sự cần thiết phải chuyển dịch từ chiến lược kháng lỗi thụ động sang kháng lỗi chủ động. Tác giả xác định rõ tính cấp thiết, mục tiêu nghiên cứu, đối tượng, phạm vi nghiên cứu, 3 đóng góp chính của luận án và cấu trúc tổng thể gồm 5 chương.

Chương 2: Phát hiện và xử lý lỗi trong hạ tầng điện toán đám mây

Chương 2 trình bày cơ sở lý thuyết tổng quan về ĐTĐM (IaaS, PaaS, SaaS; đám mây công cộng, riêng, lai) và các dạng lỗi phân loại theo tính chất (sự cố, byzantine, cấu hình, phần cứng, mạng, tranh chấp tài nguyên) và theo thời gian (thường trực, không liên tục, tạm thời). Chương phân tích vai trò của ảo hóa (toàn phần, một phần, cấp hệ điều hành) cùng 4 cấp độ tự động hóa trong quản lý tài nguyên ảo. Chương này khảo sát toàn diện các phương pháp phát hiện lỗi (dựa trên mẫu lỗi biết trước, dựa trên mô hình tín hiệu, mô hình quá trình, học máy) và các khung kháng lỗi (thụ động: Checkpointing, Replication, Retry; chủ động: Self-Healing, Preemptive Migration, Rejuvenation).

Từ những phân tích này, chương 2 đề xuất kiến trúc khung kháng lỗi chủ động cho hạ tầng ĐTĐM tích hợp theo vòng lặp MAPE-K:

[Giám sát (M)] ---> [Phân tích lỗi PM (A)] ---> [Kế hoạch di trú VM (P)] ---> [Thực thi điều phối (E)]
      ^                                                  ^                                 |
      |                                                  |                                 |
      +------------------------ [Cơ sở tri thức (K)] <---+---------------------------------+

Chương 3: Phân tích lỗi máy chủ vật lý trên hạ tầng điện toán đám mây

Chương 3 tập trung giải quyết bài toán phát hiện lỗi và chẩn đoán thông số hiệu năng liên quan đến lỗi trên PM:

  • Xác định chỉ số vận hành bất thường: Xây dựng mô hình FOCSVM kết hợp logic mờ để gán hệ số phạt cho các điểm dữ liệu huấn luyện, triệt tiêu ảnh hưởng của nhiễu. Sử dụng thuật toán SMO để giải bài toán quy hoạch toàn phương.
  • Mô hình phát hiện lỗi EWMA-FOCSVM: Áp dụng biểu đồ kiểm soát EWMA để theo dõi khoảng cách từ mẫu dữ liệu đến ranh giới quyết định của FOCSVM; khi giá trị EWMA vượt ngưỡng kiểm soát thống kê, hệ thống xác định PM rơi vào trạng thái lỗi. Mô hình tự động gán nhãn dữ liệu theo thời gian thực.
  • Chẩn đoán thuộc tính lỗi bằng RFE-RF: Sử dụng tập dữ liệu đã gán nhãn để chạy thuật toán loại bỏ thuộc tính đệ quy kết hợp Rừng ngẫu nhiên, trích xuất thứ bậc quan trọng của các thông số hiệu năng (mức sử dụng CPU, dung lượng RAM khả dụng, tốc độ đọc/ghi đĩa, lưu lượng mạng).
  • Kết quả thực nghiệm: Trên cả tập dữ liệu thực nghiệm (OpenStack/TPC-W) và tập dữ liệu Google Cluster Trace (GCT), mô hình EWMA-FOCSVM đạt chỉ số F1-Score vượt trội so với mô hình Threshold-FOCSVM truyền thống. Thuật toán RFE-RF đạt sai số RMSE thấp hơn và ổn định hơn so với RFE-BDT và RFE-LM khi xác định các thông số hiệu năng suy giảm.

Chương 4: Xây dựng chiến lược di trú máy ảo kháng lỗi trên hạ tầng điện toán đám mây

Chương 4 thiết kế thành phần lập kế hoạch di trú VM kháng lỗi:

  • Mô hình hóa bài toán: Bài toán di trú $n$ VM từ các PM có nguy cơ lỗi sang $m$ PM an toàn được mô hình hóa dưới dạng đồ thị có hướng (DAG) và tối ưu hóa hàm mục tiêu (Utility Function) nhằm tối thiểu hóa độ bất thường tổng thể và tối đa hóa mức độ cân bằng tải nội bộ giữa các tài nguyên (CPU, RAM, DISK) trên từng PM tiếp nhận.
  • Thuật toán điều khiển V2PFQL: Xây dựng bộ điều khiển mờ tích hợp Q-Learning, chuyển đổi các trạng thái cân bằng tải và mức độ bất thường thành các tập mờ ngôn ngữ, thực hiện suy diễn mờ để lựa chọn PM đích cho từng VM.
  • Thuật toán huấn luyện tập luật V2PFQL-AS: Kết hợp thuật toán Hệ kiến (Ant System) với V2PFQL để tự động tìm kiếm, cập nhật vệt mùi pheromone và giá trị $q$ cho các luật NẾU-THÌ, cho phép khởi tạo hệ thống mà không cần tri thức chuyên gia hoàn chỉnh.
  • Kết quả đánh giá mô phỏng: Thực nghiệm trên CloudSim với 450 PM và 1543 VM cho thấy giá trị $q$ của thuật toán V2PFQL-AS nhanh chóng hội tụ dưới các tham số học $\eta$, hệ số chiết khấu $\gamma$ và hệ số khám phá $\varepsilon$ khác nhau. Thuật toán V2PFQL sau khi huấn luyện đạt giá trị hàm mục tiêu (Utility) cao hơn và ổn định hơn so với các giải thuật meta-heuristic: RoundRobin (RR), Inverse Ant System (iAS), Ant System (AS), Max-Min Ant System (MMAS), Simulated Annealing (SA) và Particle Swarm Optimization (PSO).

Chương 5: Tổng kết

Chương 5 tóm tắt các kết quả đạt được của luận án và đề xuất các hướng nghiên cứu mở rộng trong tương lai.

Kết quả và những đóng góp mới

Đóng góp về lý luận và mô hình

  1. Đề xuất khung kháng lỗi chủ động dựa trên MAPE-K: Xây dựng thành công khung kiến trúc tự trị hoàn chỉnh cho hạ tầng ĐTĐM, tích hợp liên tục giữa giám sát, phân tích phát hiện lỗi, lập kế hoạch di trú tự học và thực thi điều phối tài nguyên.
  2. Mô hình phát hiện lỗi EWMA-FOCSVM: Kết hợp logic mờ vào OCSVM để xử lý bài toán mất cân bằng dữ liệu và khử nhiễu trong tập huấn luyện; kết hợp biểu đồ kiểm soát EWMA để phát hiện sự thay đổi trạng thái vận hành của PM mà không phụ thuộc vào ngưỡng tĩnh cố định.
  3. Mô hình chẩn đoán tham số lỗi RFE-RF: Chuyển đổi bài toán chẩn đoán nguyên nhân lỗi thành bài toán lựa chọn đặc trưng trên dữ liệu gán nhãn thời gian thực, cho phép xác định chính xác các chỉ số hiệu năng suy giảm của PM.
  4. Giải thuật điều khiển di trú tự học V2PFQL và V2PFQL-AS: Đề xuất phương pháp điều khiển di trú VM kháng lỗi đa mục tiêu dựa trên Fuzzy Q-Learning và cơ chế huấn luyện tập luật tự động bằng Hệ kiến, giải quyết triệt để rào cản về định nghĩa tập luật mờ khi thiếu tri thức chuyên gia.

Giải pháp và kiến nghị thực tiễn

  • Luận án cung cấp giải pháp kỹ thuật có thể tích hợp trực tiếp vào các bộ điều khiển đám mây (Cloud Controllers) như OpenStack hoặc CloudStack nhằm tự động hóa quy trình quản trị độ tin cậy hạ tầng.
  • Đề xuất kiến trúc điều phối tài nguyên cân bằng tải đa chiều giúp các nhà cung cấp dịch vụ đám mây ngăn ngừa hiện tượng phân mảnh tài nguyên phần cứng khi thực hiện di trú hàng loạt máy ảo.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế

  • Các phân tích hiệu năng và mô hình phát hiện lỗi mới tập trung chủ yếu vào tài nguyên của máy chủ vật lý (CPU, bộ nhớ, đĩa cứng, giao tiếp mạng cục bộ tại PM), chưa tính toán chi tiết đến sự biến động băng thông và độ trễ trên toàn bộ cấu trúc liên kết mạng trung tâm dữ liệu trong quá trình di trú.
  • Môi trường kiểm thử chiến lược di trú quy mô lớn (450 PM, 1543 VM) được thực hiện trên nền tảng mô phỏng CloudSim với dữ liệu sinh ngẫu nhiên, chưa triển khai toàn diện trên môi trường đám mây vật lý quy mô tương đương.

Hướng nghiên cứu mở rộng

  • Mở rộng mô hình phát hiện lỗi sang các thành phần mạng trung tâm dữ liệu phức tạp (bộ chuyển mạch ToR, AggS, bộ định tuyến lõi).
  • Nghiên cứu tích hợp các ràng buộc về tiêu thụ năng lượng (Green Cloud Computing) và chi phí di trú mạng vào hàm mục tiêu của thuật toán V2PFQL.
  • Triển khai thử nghiệm khung kháng lỗi trên các nền tảng đám mây mở thực tế với quy mô trung tâm dữ liệu phân tán.

Giá trị tham khảo

Luận án là tài liệu tham khảo có giá trị chuyên môn cao cho các nhóm đối tượng:

  • Nghiên cứu sinh, học viên cao học ngành Khoa học máy tính, Kỹ thuật phần mềm, Hệ thống thông tin: Tham khảo phương pháp kết hợp giữa học máy (OCSVM, Random Forest), logic mờ và học tăng cường (Q-Learning) trong các bài toán kỹ thuật hệ thống.
  • Kỹ sư hệ thống và kiến trúc sư giải pháp ĐTĐM: Tham khảo kiến trúc MAPE-K và giải thuật di trú VM cân bằng tải đa tài nguyên để ứng dụng vào các hệ thống ảo hóa thực tế (OpenStack, VMware, KVM).
  • Phần đáng tham khảo nhất:
    • Chương 3: Phương pháp luận toán học xây dựng mô hình FOCSVM và kỹ thuật gán nhãn tự động EWMA.
    • Chương 4: Thiết kế chi tiết hàm mục tiêu di trú VM, mô hình MDP cho điều khiển mờ và thuật toán huấn luyện V2PFQL-AS.

Câu hỏi thường gặp

1. Tại sao luận án sử dụng mô hình One-Class SVM (OCSVM) thay vì các mô hình phân lớp hai lớp truyền thống?

Trong môi trường trung tâm dữ liệu thực tế, hệ thống chủ yếu hoạt động ở trạng thái bình thường; các sự cố lỗi phần cứng rất hiếm khi xảy ra và rất tốn kém để tạo ra kịch bản lỗi thực tế cho toàn bộ các dạng lỗi. Do đó, tập dữ liệu thu thập bị mất cân bằng nghiêm trọng (hầu như không có nhãn lỗi). OCSVM cho phép xây dựng ranh giới phân lớp chỉ từ tập dữ liệu vận hành bình thường, giúp việc huấn luyện khả thi và hiệu quả hơn.

2. Logic mờ giải quyết vấn đề gì trong mô hình FOCSVM?

Mô hình OCSVM chuẩn rất nhạy cảm với dữ liệu nhiễu (outliers) có sẵn trong tập huấn luyện bình thường. Logic mờ được đưa vào để tính toán hệ số phạt cho từng mẫu dữ liệu dựa trên khoảng cách từ mẫu đó đến tâm của tập dữ liệu. Các mẫu dữ liệu nhiễu ở xa tâm sẽ nhận độ thuộc mờ thấp và hệ số phạt nhỏ, từ đó làm giảm ảnh hưởng làm lệch ranh giới quyết định của mô hình.

3. Biểu đồ kiểm soát EWMA có vai trò gì trong mô hình EWMA-FOCSVM?

Thay vì áp đặt một giá trị ngưỡng cố định lên khoảng cách biên quyết định của FOCSVM (vốn làm hệ thống hoạt động cứng nhắc khi tải hệ thống thay đổi), biểu đồ EWMA theo dõi sự biến động trung bình trượt có trọng số của khoảng cách này theo chuỗi thời gian. Khi xuất hiện sự biến đổi đột ngột vượt qua giới hạn kiểm soát thống kê của EWMA, hệ thống sẽ phát hiện lỗi kịp thời và tự động gán nhãn dữ liệu thời gian thực.

4. Thuật toán V2PFQL-AS giải quyết khó khăn gì trong thiết kế hệ suy diễn mờ?

Thiết kế hệ suy diễn mờ truyền thống đòi hỏi chuyên gia phải định nghĩa trước toàn bộ tập luật NẾU-THÌ. Trong môi trường đám mây phức tạp, tri thức chuyên gia thường không đầy đủ hoặc thiếu chính xác. Thuật toán V2PFQL-AS kết hợp giải thuật Hệ kiến (Ant System) với Fuzzy Q-Learning để tự động khám phá không gian trạng thái - hành động và cập nhật giá trị $q$ cho các luật trong giai đoạn thiết kế, giúp hoàn thiện tập luật ngay cả khi khởi đầu với tri thức rỗng.

5. Thuật toán di trú VM V2PFQL được so sánh với những thuật toán nào?

Thuật toán V2PFQL được đánh giá so sánh trực tiếp về giá trị hàm mục tiêu với 6 thuật toán: RoundRobin (RR), Inverse Ant System (iAS), Ant System (AS), Max-Min Ant System (MMAS), Particle Swarm Optimization (PSO) và Simulated Annealing (SA).

Kết luận

Luận án "Giải pháp nhận dạng và xử lý lỗi trong hạ tầng điện toán đám mây" của tác giả Bùi Thanh Khiết đã giải quyết trọn vẹn bài toán kháng lỗi chủ động cho hạ tầng IaaS thông qua khung kiến trúc tự trị MAPE-K. Công trình đã đóng góp hai giải pháp kỹ thuật cốt lõi gồm mô hình phát hiện và chẩn đoán lỗi EWMA-FOCSVM kết hợp RFE-RF, cùng giải thuật điều khiển di trú máy ảo tự học V2PFQL/V2PFQL-AS tối ưu hóa cân bằng tải đa tài nguyên. Các kết quả thực nghiệm trên nền tảng OpenStack, dữ liệu Google Cluster Trace và mô phỏng CloudSim đã chứng minh tính đúng đắn, hiệu quả và độ tin cậy của phương pháp đề xuất trong việc nâng cao độ sẵn sàng cho các trung tâm dữ liệu điện toán đám mây.