Tổng quan luận án

Luận án tiến sĩ kỹ thuật chuyên ngành Khoa học máy tính (mã số: 62.01) của nghiên cứu sinh Phạm Nguyễn Minh Nhựt, thực hiện tại Trường Đại học Bách khoa – Đại học Đà Nẵng dưới sự hướng dẫn khoa học của PGS. Lê Văn Sơn và PGS. Đoàn Văn Ban (năm 2018), tập trung giải quyết bài toán tối ưu hóa quá trình cung cấp tài nguyên cho dịch vụ ảo hóa trong điện toán đám mây.

  • Tính cấp thiết và khoảng trống nghiên cứu: Trong các trung tâm dữ liệu (Data Center), nhu cầu sử dụng máy chủ vật lý (Physical Machine - PM) để cấp phát tài nguyên cho các dịch vụ ảo hóa (Virtual Service - VS) nhằm khởi tạo các máy ảo (Virtual Machine - VM) phục vụ mô hình cơ sở hạ tầng như một dịch vụ (IaaS) ngày càng gia tăng. Tuy nhiên, do sự biến động của khối lượng công việc, mức tải trung bình thực tế chỉ chiếm khoảng 30% năng lực tài nguyên, trong khi 70% tài nguyên còn lại rơi vào trạng thái chờ (standby), gây lãng phí nghiêm trọng. Mặt khác, các trung tâm dữ liệu tiêu thụ từ 1,1% đến 1,5% tổng năng lượng điện toàn cầu, trong đó 40% lượng điện năng này xuất phát từ các thiết bị công nghệ thông tin. Việc tiêu thụ năng lượng lớn làm gia tăng chi phí vận hành, tỷ lệ hỏng hóc phần cứng và phát thải khí $\text{CO}_2$.

    Khoảng trống nghiên cứu được tác giả chỉ ra là: phần lớn các nghiên cứu trước đây chỉ tập trung vào bài toán cung cấp ứng dụng hoặc máy ảo, chỉ xét trên một hoặc hai loại tài nguyên đơn lẻ (chủ yếu là CPU hoặc RAM), giả định nền tảng máy chủ đồng nhất, hoặc giải quyết bài toán bằng thuật toán heuristic đơn giản (như First Fit Decreasing - FFD) dẫn đến lãng phí tài nguyên và không tối ưu hóa đồng thời nhiều mục tiêu thực tế (như năng lượng và cân bằng tải).

  • Mục tiêu nghiên cứu: Mục tiêu tổng quát của luận án là đề xuất các mô hình toán học và giải pháp thuật toán tối ưu hóa tổ hợp cho bài toán cung cấp tài nguyên vật lý đa chiều (CPU, RAM, Đĩa cứng, Băng thông) từ nền tảng máy chủ chia sẻ cho dịch vụ ảo hóa, nhằm:

    1. Tối thiểu hóa số lượng máy chủ vật lý cần sử dụng trên nền tảng máy chủ chia sẻ đồng nhất.
    2. Tối thiểu hóa năng lượng tiêu thụ của hệ thống trên nền tảng máy chủ chia sẻ không đồng nhất.
    3. Đảm bảo đồng thời hai mục tiêu: tối thiểu hóa năng lượng tiêu thụ và cân bằng tải giữa các máy chủ vật lý trên nền tảng máy chủ chia sẻ không đồng nhất.

  • Đối tượng và phạm vi nghiên cứu:

    • Đối tượng nghiên cứu: Mô hình cung cấp tài nguyên máy vật lý đa chiều cho dịch vụ ảo hóa để tạo ra các máy ảo phục vụ nhà cung cấp dịch vụ IaaS; các thuật toán xấp xỉ cận tối ưu mô phỏng tự nhiên (Meta-heuristic) bao gồm Tối ưu bầy đàn (PSO), Tối ưu đàn kiến (MMAS, ACS) và Mô phỏng luyện kim (SA).
    • Phạm vi nghiên cứu: Tập trung vào bài toán cung cấp tài nguyên tĩnh (Static Resource Allocation) trong trung tâm dữ liệu, nơi nhu cầu tài nguyên của các dịch vụ ảo hóa không thay đổi trong suốt chu kỳ xem xét; kiểm thử và đánh giá hiệu năng giải thuật thông qua môi trường mô phỏng CloudSim với tập dữ liệu phân bố ngẫu nhiên và dữ liệu thực tế từ các hệ thống đám mây.

Tổng quan tài liệu và vị trí của luận án

Luận án phân loại cấu trúc cung cấp tài nguyên trong tính toán đám mây thành 3 lớp bài toán chính: cung cấp ứng dụng, cung cấp máy ảo và cung cấp tài nguyên vật lý. Tác giả đã tổng hợp và phân tích các công trình nghiên cứu tiêu biểu:

  1. Nhóm nghiên cứu về bài toán cung cấp ứng dụng:

    • Karve và cộng sự (2006): Thiết kế nền tảng middleware và bộ điều khiển tự động điều chỉnh đặt chỗ ứng dụng trên máy ảo dựa trên dung lượng CPU và bộ nhớ của máy vật lý theo phương pháp "đặt chỗ gia tăng".
    • Zheng (2014): Đề xuất framework tự động cung cấp ứng dụng và máy chủ dữ liệu với mục tiêu tối ưu thời gian thông qua thuật toán Leo đồi (Hill Climbing).
    • Chi và cộng sự (2011): Sử dụng thuật toán tìm kiếm heuristic nhằm tối ưu thời gian cung cấp tài nguyên cho ứng dụng Web đa tầng.
    • Urgaonkar và cộng sự (2005, 2008): Kết hợp dự đoán khối lượng công việc với mô hình đóng gói thùng (Bin Packing) và ba lô (Knapsack), chứng minh bài toán thuộc lớp NP-khó và áp dụng các thuật toán heuristic như First Fit, Best Fit, Max First, Worst Fit.
    • Iqbal và cộng sự (2011): Giải quyết bài toán cung cấp tài nguyên cho ứng dụng Web đa tầng trên đám mây mã nguồn mở Eucalyptus dựa trên tiện ích CPU và thời gian đáp ứng.

  2. Nhóm nghiên cứu về bài toán cung cấp máy ảo:

    • Kijsipongse và cộng sự (2011): Kiến trúc cung cấp máy ảo từ xa trên nền Eucalyptus dựa trên kích thước hàng đợi công việc (Work Queue).
    • Nguyễn Văn Hiền và cộng sự (2012): Mô hình hóa bài toán cung cấp động và đặt chỗ máy ảo nhằm tối ưu chi phí và hiệu năng.
    • Huber và cộng sự (2011): Cung cấp máy ảo động kết hợp tĩnh dựa trên nhu cầu thời gian thực để thỏa mãn thỏa thuận mức dịch vụ (SLA).
    • Calheiros và cộng sự (2011): Đề xuất thuật toán đảm bảo QoS trên 1000 máy chủ vật lý bằng công cụ mô phỏng CloudSim.
    • Shoaib và Das (2012), Das và cộng sự (2011): Xác định điểm nghẽn phần cứng/phần mềm và giám sát hàng đợi đa công việc để tối ưu thời gian khởi tạo máy ảo.
    • Calcavecchia và cộng sự (2012): Đề xuất kỹ thuật đặt chỗ suy diễn ngược (Backward Speculative Placement) qua hai pha kết hợp di trú máy ảo trên hệ thống không đồng nhất.
    • Xiao và cộng sự (2013): Sử dụng thuật toán dự báo phụ tải "Fast Up and Slow Down" và thước đo độ lệch (skewness) để giảm thiểu máy vật lý thông qua di trú máy ảo.
    • Pandit và cộng sự (2014): Ứng dụng thuật toán Mô phỏng luyện kim (Simulated Annealing) giải bài toán Bin Packing đa chiều.
    • Li và cộng sự (2010): Ứng dụng mô hình mạng hàng đợi phân tầng (Layered Queueing Network) để tối đa hóa lợi nhuận đám mây.

  3. Nhóm nghiên cứu về bài toán cung cấp tài nguyên vật lý cho dịch vụ ảo hóa:

    • Mark Stillwell và cộng sự (2009, 2010, 2012): Xây dựng mô hình hệ thống cung cấp tài nguyên tĩnh cho dịch vụ ảo hóa trên nền tảng máy chủ chia sẻ; phân chia nhu cầu tài nguyên thành nhu cầu tất yếu và nhu cầu tùy biến. Tuy nhiên, tác giả chủ yếu áp dụng thuật toán First Fit Decreasing (FFD).
    • Thomas Setzer (2011): Chỉ ra rằng việc áp dụng thuật toán FFD thuần túy trên tài nguyên đa chiều có xu hướng gây phân mảnh và lãng phí tài nguyên vật lý.
    • Eugen Feller và cộng sự (2011, 2012): Đề xuất mô hình tối thiểu năng lượng tiêu thụ nhưng chỉ giới hạn trên nền tảng máy chủ chia sẻ đồng nhất.
    • Beloglazov và cộng sự (2012), Cary và cộng sự (2011), J. Baliga và cộng sự (2011): Xem xét bài toán tối ưu năng lượng trên máy chủ không đồng nhất nhưng chỉ tính toán mức tiêu thụ điện năng dựa trên CPU.
    • Quan và cộng sự (2012), Rodero và cộng sự (2010): Khẳng định điện năng tiêu thụ chịu tác động từ toàn bộ các thành phần tài nguyên vật lý (CPU, RAM, Đĩa cứng, Card mạng), không chỉ riêng CPU.
    • K. Mishra và cộng sự (2012): Khảo sát các thuật toán cân bằng tải tĩnh (Round Robin, Weighted Round Robin, Least Connection) và động, nhưng đa số các nghiên cứu chưa tích hợp đồng thời mục tiêu cân bằng tải và tiết kiệm năng lượng.
  • Khoảng trống luận án lựa chọn giải quyết: Luận án định vị trọng tâm vào việc khắc phục các hạn chế trên bằng cách: (1) Xây dựng mô hình toán học đa chiều (Multi-Dimensional) bao gồm cả nhu cầu tất yếu và nhu cầu tùy biến có ràng buộc chất lượng dịch vụ (NSDV); (2) Mở rộng mô hình tính toán năng lượng tiêu thụ trên toàn bộ các loại tài nguyên phần cứng trong nền tảng máy chủ không đồng nhất; (3) Tích hợp bài toán tối ưu đa mục tiêu (tiết kiệm năng lượng và cân bằng tải); (4) Thiết kế các thuật toán Meta-heuristic (MMAS, PSO, SA, ACS) đạt nghiệm cận tối ưu trong thời gian đa thức, vượt trội hơn các thuật toán kinh điển (FF, BF, FFD, Round Robin).

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết và mô hình toán học

  • Lý thuyết nền tảng: Luận án kế thừa mô hình hệ thống phân tầng của Mark Stillwell [100], mô hình điện toán đám mây theo định nghĩa của Peter Mell & Tim Grance (NIST) [73], Rajkumar Buyya [117], và lý thuyết ảo hóa máy chủ của Uhlig [107].
  • Lý thuyết tối ưu tổ hợp: Bài toán cung cấp tài nguyên tĩnh được quy đổi và chứng minh thuộc lớp bài toán NP-đầy đủ (NP-complete) thông qua việc dẫn xuất từ bài toán đóng gói vector đa chiều (Vector Packing Problem) của Kou & Markowsky (1977) [63], [72].
  • Mô hình tài nguyên và nhu cầu tài nguyên: Mỗi máy chủ vật lý $j \in \text{PM}$ (tổng số $M$ máy) cung cấp $D$ loại tài nguyên. Tập dịch vụ ảo hóa $i \in \text{VS}$ (tổng số $N$ dịch vụ) có vector nhu cầu tài nguyên $r_{ik}$ gồm:
    • Nhu cầu tất yếu ($r_{ik}^$ khi $a_{ik}=1$):* Lượng tài nguyên bắt buộc phải đáp ứng đủ để dịch vụ hoạt động.
    • Nhu cầu tùy biến ($r_{ik}^{**}$ khi $a_{ik}=0$): Lượng tài nguyên tối đa có thể cấp phát; hiệu quả hoạt động tỷ lệ thuận qua hệ số năng suất dịch vụ ($b_{ij} \in [0, 1]$).
  • Mô hình năng lượng tiêu thụ mở rộng: Dựa trên công thức cải tiến từ Eugen Feller [36], công suất tiêu thụ của máy vật lý $j$ phụ thuộc vào tổng tiện ích sử dụng của tất cả các loại tài nguyên $u_j$: $$P_j(u_j) = P_j^{idle} + (P_j^{max} - P_j^{idle}) \times u_j$$ Năng lượng tiêu thụ toàn hệ thống trong khoảng thời gian $\Delta t$: $$E(t) = \int_0^{\Delta t} \sum_{j=1}^M P_j(u_j) dt$$
  • Mô hình cân bằng tải: Đo lường sự phân tán tài nguyên còn lại $R_j$ trên các máy vật lý thông qua hàm độ lệch chuẩn $\sigma(s)$: $$\sigma(s) = \sqrt{\frac{1}{M} \sum_{j=1}^M (R_j - \bar{R})^2}$$

Phương pháp nghiên cứu

  1. Phương pháp nghiên cứu lý thuyết và tài liệu: Phân tích, tổng hợp các mô hình toán học quy hoạch tuyến tính nguyên/hỗn hợp, lý thuyết bầy đàn và giải thuật phỏng sinh học để xây dựng 3 bài toán tối ưu.
  2. Phương pháp thực nghiệm mô phỏng:
    • Sử dụng bộ công cụ mô phỏng mã nguồn mở CloudSim (phát triển bởi GRIDS Lab, Đại học Melbourne trên nền Java) làm môi trường thực nghiệm. Tác giả đã khảo sát 10 công cụ mô phỏng tiêu biểu trước khi lựa chọn CloudSim:
Công cụ mô phỏng Nền tảng cơ sở Tính khả dụng Ngôn ngữ lập trình Mô hình chi phí Giao diện GUI Mô hình truyền thông Thời gian mô phỏng Mô hình năng lượng Chính sách liên kết
CloudSim SimJava Mã nguồn mở Java Có Không Bị giới hạn Giây Có Có
CloudAnalyst CloudSim Mã nguồn mở Java Có Có Bị giới hạn Giây Có Có
GreenCloud NS-2 Mã nguồn mở C++, OTcl Không Bị giới hạn Đầy đủ Phút Có Không
MDCsim CSIM Thương mại Java, C++ Không Không Bị giới hạn Giây Có Không
NetworkCloudSim CloudSim Mã nguồn mở Java Có Không Đầy đủ Giây Có Có
EmuSim CloudSim Mã nguồn mở Java Có Không Bị giới hạn Giây Có Không
GroudSim Không Mã nguồn mở Java Không Bị giới hạn Không Giây Không Không
MR-CloudSim CloudSim Không có sẵn Java Có Không Bị giới hạn Không rõ Có Có
DCSim Không Mã nguồn mở Java Có Không Không Phút Không Không
SimIC SimJava Không có sẵn Java Có Không Bị giới hạn Giây Có Có
  • Nguồn tư liệu và dữ liệu thực nghiệm:
    • Tập dữ liệu phân bố ngẫu nhiên (sử dụng trong Chương 2) biểu diễn nhu cầu tài nguyên đa chiều.
    • Tập dữ liệu vết thực tế (traces) từ các hệ thống đám mây tiêu chuẩn (sử dụng trong Chương 3 và Chương 4) bao gồm cấu hình các dòng máy chủ vật lý và các cấu hình máy ảo chuẩn (CPU, RAM, DISK, BW).

Nội dung chính theo từng chương

Chương 1: Tổng quan và đề xuất bài toán cung cấp tài nguyên cho dịch vụ ảo hóa

Chương 1 hệ thống hóa các kiến thức nền tảng về tính toán đám mây: 5 đặc điểm chính (truy cập mạng diện rộng, tự phục vụ theo nhu cầu, hồ tài nguyên, tính co giãn nhanh, dịch vụ đo lường được), 4 mô hình triển khai (Private, Public, Community, Hybrid), và các mô hình dịch vụ (IaaS, PaaS, SaaS, HaaS). Phân tích chuyên sâu về công nghệ ảo hóa bao gồm ảo hóa máy chủ (ảo hóa đầy đủ, ảo hóa song song, ảo hóa mức hệ điều hành) và ảo hóa tích hợp (Aggregated Virtualization như sản phẩm vSMP của ScaleMP).

Chương này phân định ranh giới giữa 3 cấp độ cung ứng: cung cấp ứng dụng (co giãn và đặt chỗ ứng dụng), cung cấp máy ảo (co giãn máy ảo), và cung cấp tài nguyên vật lý (đặt chỗ máy ảo và co giãn tài nguyên vật lý). Tác giả xác định nhiệm vụ cốt lõi là thiết kế thuật toán cho Bộ cung cấp tài nguyên (Resource Allocator) trong lớp IaaS. Kết quả khảo sát 10 công cụ mô phỏng đã chứng minh tính phù hợp của CloudSim trong việc thử nghiệm các thuật toán lập lịch và cấp phát tài nguyên đa chiều.

Chương 2: Cung cấp tài nguyên cho dịch vụ ảo hóa từ nền tảng máy chủ chia sẻ đồng nhất

Chương 2 thiết lập mô hình toán học cho bài toán cung cấp tài nguyên đa chiều trên nền tảng máy chủ đồng nhất (MDRAVS - Multi-Dimensional Resource Allocation for Virtual Services) với mục tiêu cực tiểu hóa số lượng máy chủ vật lý cần sử dụng:

$$\text{Min } \sum_{j=1}^M y_j$$

với các ràng buộc: $$\sum_{j=1}^M x_{ij} = 1, \quad \forall i \in \text{VS}$$ $$y_j \ge x_{ij}, \quad \forall i \in \text{VS}, \forall j \in \text{PM}$$ $$\sum_{i=1}^N x_{ij} \left[ a_{ik} r_{ik} + (1 - a_{ik}) b_{ij} r_{ik} \right] \le C_{jk}, \quad \forall j \in \text{PM}, \forall k \in \text{D}$$ $$x_{ij}, y_j, a_{ik} \in {0, 1}; \quad b_{ij}, r_{ik} \in \mathbb{Q}^+$$

Tác giả đưa ra định lý và chứng minh bài toán quyết định MDRAVS-Dec là NP-đầy đủ thông qua việc quy giảm từ bài toán đóng gói vector (Vector Packing). Để giải bài toán, tác giả đề xuất thuật toán MDRAVS-MMAS dựa trên Hệ kiến Max-Min (Max-Min Ant System) của Stützle và Hoos, thiết lập biên giới hạn vệt mùi $[\tau_{min}, \tau_{max}]$ nhằm tránh rơi vào tối ưu cục bộ sớm. Thuật toán được đối chuẩn với thuật toán First Fit* và Best Fit*.

Tiêu chí so sánh Thuật toán First Fit* / Best Fit* Thuật toán đề xuất MDRAVS-MMAS
Nguyên lý tìm kiếm Heuristic tham lam (Greedy) Meta-heuristic phỏng sinh học bầy kiến
Số lượng máy vật lý sử dụng Lớn hơn (hiệu quả gom cụm thấp hơn) Thấp hơn rõ rệt (tiết kiệm số lượng máy chủ)
Thời gian thực thi Rất nhanh (thời gian tính toán nhỏ) Lớn hơn FF*/BF* nhưng nằm trong thời gian đa thức

Chương 3: Cung cấp tài nguyên cho dịch vụ ảo hóa từ nền tảng máy chủ chia sẻ không đồng nhất

Chương 3 mở rộng bài toán sang môi trường thực tế khi trung tâm dữ liệu bao gồm các dòng máy chủ có cấu hình phần cứng khác nhau (Heterogeneous Platform). Bài toán cung cấp tài nguyên ràng buộc năng lượng tiêu thụ (ECRAVS - Energy Consumption Resource Allocation for Virtual Services) được thiết lập với hàm mục tiêu tối thiểu hóa tổng năng lượng tiêu thụ $E(t)$ của hệ thống trong khoảng thời gian $\Delta t$.

Mô hình tính toán năng lượng được cải tiến từ Eugen Feller, xác định tổng tiện ích tài nguyên $u_j$ qua việc tổng hợp tiêu thụ CPU, RAM, Disk, BW. Tác giả đề xuất 2 thuật toán:

  1. ECRAVS-PSO: Cải tiến thuật toán Tối ưu bầy đàn (Particle Swarm Optimization), mã hóa vị trí hạt (particle) thành ma trận ánh xạ tài nguyên và cập nhật vận tốc để tìm lời giải gần tối ưu.
  2. ECRAVS-SA: Ứng dụng thuật toán Mô phỏng luyện kim (Simulated Annealing) với cơ chế giảm nhiệt độ theo hàm mũ nhằm chấp nhận nghiệm xấu hơn ở xác suất xác định, vượt qua cực trị địa phương.

Kết quả thực nghiệm trên CloudSim sử dụng dữ liệu đặc tính máy chủ và máy ảo thực tế cho thấy:

  • Thuật toán ECRAVS-PSO và ECRAVS-SA đạt mức tiêu thụ năng lượng thấp hơn đáng kể so với thuật toán FFD (First Fit Decreasing).
  • Thời gian thực thi của cả hai giải pháp đều đạt hiệu năng đa thức, đáp ứng tốt yêu cầu triển khai thực tế.

Chương 4: Cung cấp tài nguyên đa mục tiêu cho dịch vụ ảo hóa từ nền tảng máy chủ chia sẻ không đồng nhất

Chương 4 hoàn thiện khung nghiên cứu bằng việc xây dựng bài toán tối ưu đa mục tiêu (MORA - Multi-Objective Resource Allocation) trên nền tảng máy chủ không đồng nhất, tích hợp đồng thời hai mục tiêu mâu thuẫn:

  1. Cực tiểu hóa năng lượng tiêu thụ: $f_1(s) = E(s) \to \text{Min}$
  2. Cực tiểu hóa độ lệch chuẩn tài nguyên còn lại (Cân bằng tải): $f_2(s) = \sigma(s) \to \text{Min}$

Tác giả áp dụng khái niệm tối ưu Pareto (Pareto Optimality) để biểu diễn không gian giải pháp không bị thống trị và đề xuất thuật toán MORA-ACS dựa trên Hệ đàn kiến (Ant Colony System). Trong MORA-ACS, thông tin heuristic được kết hợp từ hai thành phần: thành phần cân bằng tải $\eta_{ij}^\sigma$ và thành phần tiết kiệm năng lượng $\eta_{ij}^E$.

Thực nghiệm mô phỏng trên CloudSim so sánh MORA-ACS với thuật toán cân bằng tải tĩnh Round Robin kinh điển:

  • Năng lượng tiêu thụ: MORA-ACS giảm thiểu năng lượng tiêu thụ vượt trội so với Round Robin do Round Robin phân phối đều tải khiến nhiều máy chủ phải duy trì trạng thái hoạt động.
  • Độ lệch chuẩn tải ($\sigma$): MORA-ACS đạt chỉ số độ lệch chuẩn nhỏ hơn, chứng minh khả năng dàn đều nhu cầu tài nguyên trên các máy chủ hoạt động, ngăn chặn điểm nghẽn hiệu năng (bottlenecks).
  • Độ phức tạp tính toán: Thuật toán thực thi ổn định trong thời gian đa thức.

Kết quả và những đóng góp mới

Luận án đã đạt được 3 đóng góp khoa học cốt lõi:

  1. Về mặt mô hình hóa toán học:

    • Xây dựng hoàn chỉnh mô hình toán học cho bài toán cung cấp tài nguyên đa chiều (MDRAVS) trên nền tảng đồng nhất, tích hợp đồng thời nhu cầu tất yếu và nhu cầu tùy biến gắn liền hệ số năng suất dịch vụ (NSDV) theo chuẩn QoS. Chứng minh toán học bài toán thuộc lớp NP-đầy đủ.
    • Phát triển mô hình bài toán tiêu thụ năng lượng (ECRAVS) trên nền tảng không đồng nhất, chuẩn hóa công thức tiêu thụ điện năng dựa trên tổng tiện ích đa tài nguyên (CPU, RAM, Disk, BW).
    • Xây dựng mô hình tối ưu đa mục tiêu (MORA) giải quyết bài toán dung hòa giữa tiết kiệm năng lượng tiêu thụ và cân bằng tải hệ thống.

  2. Về mặt giải thuật và tối ưu:

    • Đề xuất thuật toán MDRAVS-MMAS (dựa trên Max-Min Ant System) giải quyết bài toán tối thiểu số máy chủ vật lý, cho kết quả tối ưu hơn First Fit* và Best Fit*.
    • Đề xuất 2 thuật toán ECRAVS-PSO (Tối ưu bầy đàn) và ECRAVS-SA (Mô phỏng luyện kim), giúp giảm tiêu thụ năng lượng tốt hơn thuật toán chuẩn FFD.
    • Đề xuất thuật toán MORA-ACS (Hệ đàn kiến đa mục tiêu Pareto), vừa tối ưu năng lượng vừa cải thiện chỉ số cân bằng tải tốt hơn giải thuật Round Robin.

  3. Kiến nghị và giải pháp ứng dụng:

    • Tích hợp các thuật toán đề xuất vào thành phần Bộ cung cấp tài nguyên (Resource Allocator) trong kiến trúc phần mềm quản lý đám mây IaaS.
    • Cung cấp cơ chế đàm phán QoS động cho phép linh hoạt điều chỉnh năng suất dịch vụ tùy biến $b_{ij}$ theo tải thực tế.

Hạn chế và hướng nghiên cứu tiếp

  • Hạn chế của luận án:

    • Luận án mới chỉ tập trung nghiên cứu bài toán cung cấp tài nguyên tĩnh, giả định nhu cầu tài nguyên của dịch vụ ảo hóa không đổi trong chu kỳ phân bổ.
    • Các đánh giá thuật toán được thực hiện thông qua môi trường mô phỏng CloudSim, chưa được triển khai thử nghiệm trực tiếp trên hạ tầng phần cứng đám mây vật lý quy mô lớn.

  • Hướng nghiên cứu tiếp theo:

    • Mở rộng mô hình và giải thuật cho bài toán cung cấp tài nguyên động (Dynamic Resource Allocation), xét đến sự biến thiên liên tục của phụ tải theo thời gian thực.
    • Nghiên cứu kết hợp cơ chế di trú máy ảo (Virtual Machine Migration) trực tiếp nhằm tối ưu hóa việc phân bổ lại tài nguyên trong quá trình hệ thống đang vận hành.
    • Triển khai thử nghiệm các thuật toán đề xuất trên nền tảng đám mây mã nguồn mở thực tế như OpenStack hoặc CloudStack.

Giá trị tham khảo

  • Đối với nghiên cứu sinh và học viên sau đại học: Luận án là tài liệu tham khảo có giá trị cao về phương pháp mô hình hóa toán học các bài toán tối ưu tổ hợp NP-khó trong hệ phân tán; phương pháp chứng minh quy giảm bài toán (Reduction Proof); và kỹ thuật ứng dụng các thuật toán Meta-heuristic (ACO, PSO, SA) vào công nghệ thông tin.
  • Đối với giảng viên và nhà nghiên cứu: Cung cấp tài liệu tổng quan toàn diện về kiến trúc ảo hóa, các công cụ mô phỏng đám mây (CloudSim, GridSim, GreenCloud), cùng hệ thống tài liệu tham khảo chuyên ngành phong phú.
  • Đối với các kỹ sư hệ thống và nhà cung cấp dịch vụ đám mây (IaaS): Các mô hình phân bổ tài nguyên đa chiều và thuật toán tiết kiệm năng lượng có thể được tham khảo để xây dựng các chính sách điều phối máy ảo trong các trung tâm dữ liệu nhằm cắt giảm chi phí điện năng và nâng cao hiệu quả khai thác phần cứng.

Câu hỏi thường gặp

  1. Sự khác biệt giữa nhu cầu tất yếu và nhu cầu tùy biến của dịch vụ ảo hóa trong luận án là gì?
    Nhu cầu tất yếu ($r_{ik}^*$) là phần tài nguyên tối thiểu bắt buộc phải cung cấp đủ để dịch vụ có thể hoạt động, dịch vụ không hưởng lợi nếu được cấp nhiều hơn và không thể chạy nếu bị cấp thiếu. Nhu cầu tùy biến ($r_{ik}^{**}$) là lượng tài nguyên tối đa dịch vụ có thể sử dụng; nếu hệ thống cấp phát một phần, dịch vụ vẫn hoạt động được với hiệu năng giảm tương ứng theo tỷ số năng suất dịch vụ ($b_{ij} \in [0, 1]$).

  2. Bài toán MDRAVS được chứng minh thuộc lớp độ phức tạp nào và bằng cách nào?
    Bài toán quyết định MDRAVS-Dec được chứng minh thuộc lớp NP-đầy đủ (NP-complete). Tác giả đã thực hiện phép quy dẫn từ bài toán đóng gói vector đa chiều (Vector Packing Problem) của Kou và Markowsky (1977) về bài toán MDRAVS-Dec trong thời gian đa thức.

  3. Mô hình tiêu thụ năng lượng trong luận án có điểm gì cải tiến so với mô hình của Eugen Feller?
    Mô hình của Eugen Feller ban đầu chỉ xét trên nền tảng máy chủ chia sẻ đồng nhất và phụ thuộc chủ yếu vào tải CPU. Luận án mở rộng mô hình này cho nền tảng máy chủ không đồng nhất và tính toán tổng tiện ích sử dụng $u_j$ dựa trên toàn bộ các loại tài nguyên đa chiều của máy vật lý (CPU, RAM, Đĩa cứng, Băng thông).

  4. Thuật toán MORA-ACS giải quyết đồng thời hai mục tiêu mâu thuẫn nào?
    Thuật toán MORA-ACS giải quyết bài toán đa mục tiêu theo nguyên lý Pareto, bao gồm: (1) Cực tiểu hóa tổng năng lượng tiêu thụ của toàn bộ trung tâm dữ liệu $E(s)$, và (2) Cực tiểu hóa độ lệch chuẩn tài nguyên còn lại giữa các máy vật lý $\sigma(s)$ nhằm đảm bảo cân bằng tải, tránh gây quá tải cục bộ.

  5. Bộ công cụ nào được sử dụng để thực nghiệm mô phỏng và lý do lựa chọn?
    Tác giả sử dụng bộ công cụ mô phỏng CloudSim (viết bằng ngôn ngữ Java, phát triển bởi Đại học Melbourne). CloudSim được lựa chọn sau khi khảo sát 10 công cụ mô phỏng nhờ tính sẵn có (mã nguồn mở), khả năng mô phỏng chi tiết các thành phần trung tâm dữ liệu (Datacenter, Host, VM, CIS), hỗ trợ mô hình năng lượng, và khả năng mở rộng linh hoạt các chính sách lập lịch.

Kết luận

Luận án tiến sĩ của tác giả Phạm Nguyễn Minh Nhựt đã giải quyết trọn vẹn bài toán cung cấp tài nguyên tĩnh đa chiều cho dịch vụ ảo hóa trong điện toán đám mây thông qua việc xây dựng 3 mô hình toán học tương ứng với các cấp độ từ máy chủ đồng nhất đến không đồng nhất và đa mục tiêu. Bằng việc ứng dụng và cải tiến các giải thuật Meta-heuristic (MDRAVS-MMAS, ECRAVS-PSO, ECRAVS-SA, MORA-ACS), công trình đã cung cấp các giải pháp tối ưu có độ phức tạp thời gian đa thức, giúp giảm số lượng máy chủ sử dụng, tiết kiệm điện năng tiêu thụ và duy trì cân bằng tải hệ thống. Toàn bộ các thuật toán đề xuất đã được kiểm chứng tính đúng đắn và hiệu năng vượt trội thông qua mô phỏng thực nghiệm trên nền tảng CloudSim. Các kết quả nghiên cứu đã được công bố trong 07 công trình khoa học tại các hội thảo và tạp chí chuyên ngành trong nước và quốc tế.