Tổng quan về luận án

Sự bùng nổ của mô hình tính toán đám mây (Cloud Computing) đã định hình lại hạ tầng công nghệ thông tin toàn cầu thông qua việc tích hợp các mô hình tính toán lưới (Grid Computing), tính toán cụm (Cluster Computing) và tính toán tiện ích (Utility Computing). Dưới sự hỗ trợ của công nghệ ảo hóa máy chủ (Server Virtualization), các trung tâm dữ liệu (Data Center - DC) có thể linh hoạt tổng hợp và chia nhỏ tài nguyên vật lý để cung cấp dịch vụ hạ tầng (IaaS) dưới dạng các máy ảo (Virtual Machine - VM). Tuy nhiên, các báo cáo thực nghiệm chỉ ra một nghịch lý lớn: "do sự biến động của khối lượng công việc, tải trung bình chỉ chiếm 30% tài nguyên tại trung tâm dữ liệu và 70% tài nguyên còn lại đặt ở chế độ chờ". Đồng thời, theo nghiên cứu của Koomey, "năng lượng tiêu thụ tại các trung tâm dữ liệu vào năm 2010 chiếm từ 1,1% đến 1,5% trong tổng số năng lượng tiêu thụ của tất cả lĩnh vực trên thế giới, trong đó các thiết bị công nghệ thông tin tiêu thụ 40% năng lượng của trung tâm dữ liệu".

Khoảng trống nghiên cứu (Research Gap) cốt lõi xuất phát từ thực tế hầu hết các mô hình phân bổ tài nguyên kinh điển chỉ xem xét tài nguyên đơn chiều hoặc tập trung hạn chế vào CPU và RAM, bỏ qua tính đa chiều của tài nguyên (gồm CPU, RAM, Disk, Băng thông - Bandwidth) cũng như tính chất phân tách giữa "nhu cầu tất yếu" và "nhu cầu tùy biến" của dịch vụ ảo hóa. Hơn nữa, việc tối ưu hóa trong môi trường máy chủ chia sẻ không đồng nhất (Heterogeneous Shared Hosting Platform) đòi hỏi phải giải quyết bài toán đa mục tiêu phức tạp: vừa giảm thiểu năng lượng tiêu thụ vừa phải duy trì cân bằng tải (Load Balancing) nhằm bảo đảm Thỏa thuận mức dịch vụ (SLA) và Chất lượng dịch vụ (QoS).

Luận án tiến sĩ kỹ thuật chuyên ngành Khoa học máy tính của tác giả Phạm Nguyễn Minh Nhựt (2018) với đề tài "Cung cấp tài nguyên cho dịch vụ ảo hóa dựa trên nền tảng máy chủ chia sẻ trong tính toán đám mây" đã giải quyết triệt để bài toán tối ưu tổ hợp này thông qua hệ thống câu hỏi nghiên cứu và giả thuyết khoa học:

  • RQ1: Làm thế nào để cực tiểu hóa số lượng máy vật lý (PM) được kích hoạt trong nền tảng máy chủ chia sẻ đồng nhất khi phân bổ tài nguyên đa chiều?
  • RQ2: Mô hình toán học nào cho phép đánh giá chính xác mức tiêu thụ năng lượng toàn diện (trên CPU, RAM, Disk) trong nền tảng không đồng nhất và giải thuật meta-heuristic nào tối ưu hóa chỉ số này hiệu quả nhất?
  • RQ3: Làm thế nào để thiết lập trạng thái cân bằng Pareto giữa hai mục tiêu xung đột: tối thiểu hóa năng lượng tiêu thụ và tối đa hóa cân bằng tải hệ thống?

Hệ thống giả thuyết tương ứng ($H_1, H_2, H_3$) khẳng định các thuật toán mô phỏng tự nhiên cải tiến (MMAS, PSO, SA, ACS) sẽ đạt được chất lượng nghiệm tiệm cận tối ưu toàn cục với độ phức tạp tính toán đa thức, vượt trội hơn các thuật toán xấp xỉ heuristic truyền thống (First Fit, Best Fit, FFD, Round Robin). Nghiên cứu được thực thi và kiểm chứng thông qua bộ công cụ mô phỏng CloudSim với quy mô tập dữ liệu lên tới hàng nghìn máy ảo và máy chủ vật lý, phản ánh chính xác các kịch bản vận hành thực tế tại các trung tâm dữ liệu IaaS quy mô lớn.

Literature Review và Positioning

Nghiên cứu về phân bổ tài nguyên trong điện toán đám mây được định vị qua ba trường phái học thuật chính:

  1. Trường phái quản lý vị trí ứng dụng và máy ảo (Application Placement & VM Provisioning): Tiêu biểu với các công trình của Karve et al. về cơ chế đặt chỗ gia tăng (incremental placement), Urgaonkar et al. khi mô hình hóa bài toán triển khai đa tầng thông qua biến thể Bin Packing và Knapsack, cùng các nghiên cứu của Calheiros et al., Xiao et al. về co giãn động (dynamic scaling) và di trú máy ảo (VM migration).
  2. Trường phái phân bổ tài nguyên tĩnh trên nền tảng máy chủ chia sẻ: Dẫn đầu bởi Mark Stillwell et al. (2010, 2012) với các mô hình phân bổ tài nguyên tĩnh cho dịch vụ ảo hóa (Virtual Services - VS). Tuy nhiên, các công trình của Stillwell chủ yếu dựa trên các thuật toán tìm kiếm cục bộ hoặc heuristic như First Fit Decreasing (FFD) đa chiều, vốn bị Thomas Setzer chứng minh là có xu hướng dẫn đến lãng phí phân mảnh tài nguyên lớn ở các chiều không gian mở rộng.
  3. Trường phái tối ưu hóa năng lượng và cân bằng tải (Energy-Aware & Load Balancing Allocation): Eugen Feller et al. (2011, 2012) đã phát triển mô hình năng lượng dựa trên tải máy chủ nhưng chỉ giới hạn trong môi trường đồng nhất và chủ yếu quy đổi từ tải CPU. Quan et al. và Rodero et al. sau đó đã chỉ ra rằng việc bỏ qua năng lượng tiêu thụ trên RAM, Disk và thiết bị I/O tạo ra sai số đáng kể trong bài toán quản lý năng lượng trung tâm dữ liệu.

Điểm tranh luận học thuật trung tâm nằm ở sự đánh đổi giữa thời gian thực thi thuật toán và độ tối ưu của lời giải. Các thuật toán heuristic cổ điển (FFD, Best Fit) có ưu thế về thời gian thực thi tức thời $O(N \log N)$ nhưng dễ mắc kẹt tại cực trị địa phương, gây lãng phí từ 15% đến 25% công suất trung tâm dữ liệu. Ngược lại, các thuật toán chính xác (Exact Algorithms) giải quy hoạch nguyên lại bất khả thi về mặt thời gian khi không gian tìm kiếm bùng nổ theo hàm mũ. Luận án tự định vị ở điểm giao thoa tối ưu: mở rộng khung lý thuyết của Mark Stillwell về bản chất dịch vụ ảo hóa, hoàn thiện mô hình tiêu thụ năng lượng đa thành phần phần cứng kế thừa từ Eugen Feller, đồng thời thiết kế các thuật toán Meta-heuristic (MMAS, PSO, SA, ACS) vận hành trong thời gian đa thức để phá vỡ thế bế tắc giữa hiệu năng tính toán và mức độ tiết kiệm năng lượng.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đã mở rộng và hoàn thiện hệ thống lý thuyết phân bổ tài nguyên tính toán thông qua 3 đóng góp bản chất:

Thứ nhất, luận án làm sâu sắc thêm mô hình toán học ánh xạ dịch vụ ảo hóa của Mark Stillwell: "mỗi dịch vụ ảo hóa là một ánh xạ tài nguyên $f: S \to R$ sao cho với $s_k \in S$ và $r_k \in R$ thì $f(s_k) = r_k$ nếu $r_k$ biểu diễn tài nguyên thực tương ứng tài nguyên ảo $s_k$ của tài nguyên loại $k$". Luận án chuẩn hóa cấu trúc vector nhu cầu của dịch vụ ảo hóa thứ $i$ thành hai thành phần tường minh: vector nhu cầu tất yếu $r_i^*$ (bắt buộc phải thỏa mãn 100% để duy trì sự sống của dịch vụ) và vector nhu cầu tùy biến $r_i^{**}$ (phần tài nguyên bổ sung để gia tăng năng suất dịch vụ - NSDV, ký hiệu $b_{ij} \in [0, 1]$).

Thứ hai, luận án chứng minh chặt chẽ về mặt toán học rằng bài toán quyết định MDRAVS-Dec là bài toán thuộc lớp NP-đầy đủ (NP-Complete) thông qua phép quy dẫn đa thức từ bài toán đóng bao vector nhiều chiều (Multi-Dimensional Vector Packing Problem) được mô tả bởi Kou & Markowsky và Garey & Johnson.

Thứ ba, luận án thiết lập lý thuyết tối ưu hóa đa mục tiêu dựa trên đường cong biên Pareto (Pareto Efficiency) trong quản trị hạ tầng đám mây. Thay vì áp dụng phương pháp gộp trọng số tuyến tính chủ quan, luận án phân tích không gian nghiệm hai chiều giữa hàm năng lượng $E(s)$ và hàm phân tán tải $\sigma(s)$, tạo nền tảng lý luận vững chắc cho việc ra quyết định điều phối tài nguyên không thiên lệch.

               Mục tiêu 1: Năng lượng E(s)

Khung phân tích độc đáo

Khung phân tích của nghiên cứu được xây dựng trên sự tích hợp của ba trụ cột lý thuyết: Lý thuyết quy hoạch nguyên tuyến tính đa chiều, Lý thuyết tối ưu hóa mô phỏng sinh học (Swarm Intelligence & Meta-heuristics), và Mô hình tiêu hao công suất phần cứng mở rộng.

Hệ thống biến số và cấu trúc bài toán được mô hình hóa toán học chặt chẽ:

  • Tập thực thể: Tập dịch vụ ảo hóa $VS = {i \mid i = 1, \dots, N}$, tập máy chủ vật lý $PM = {j \mid j = 1, \dots, M}$, tập loại tài nguyên $D = {k \mid k = 1, \dots, D}$.

  • Biến quyết định: $x_{ij} \in {0, 1}$ (bằng 1 nếu dịch vụ $i$ được cấp phát trên PM $j$), $y_j \in {0, 1}$ (bằng 1 nếu PM $j$ được kích hoạt), $a_{ik} \in {0, 1}$ (phân biệt nhu cầu tất yếu/tùy biến).

  • Hàm mục tiêu MDRAVS: $$\min \sum_{j=1}^M y_j$$ thỏa mãn ràng buộc không vượt quá năng lực máy chủ: $\sum_{i=1}^N x_{ij} [a_{ik} r_{ik} + (1 - a_{ik}) b_{ij} r_{ik}] \le C_{jk}, \forall j \in PM, \forall k \in D$.

  • Mô hình năng lượng toàn diện ECRAVS: Khắc phục hạn chế chỉ đo CPU của Eugen Feller, điện năng tiêu thụ $P_j(u_j)$ của máy vật lý $j$ tại mức sử dụng tiện ích $u_j$ được tính toán trên tổng thể tài nguyên đa chiều: $$P_j(u_j) = P_j^{idle} + (P_j^{max} - P_j^{idle}) \times u_j$$ với $u_j = \frac{1}{D} \sum_{k=1}^D \frac{U_{jk}}{C_{jk}}$, từ đó năng lượng tiêu thụ tổng thể trong khoảng thời gian $\Delta t$ là $E(t) = \sum_{j=1}^M \int_0^{\Delta t} P_j(u_j(t)) dt$.

  • Mô hình cân bằng tải MORA: Đo lường sự cân bằng thông qua độ lệch chuẩn tài nguyên còn lại của toàn bộ hệ thống máy chủ: $$\sigma(s) = \sqrt{\frac{1}{M} \sum_{j=1}^M (R_j - \bar{R})^2}$$ trong đó $R_j$ là tỷ lệ tài nguyên khả dụng còn lại của máy vật lý $j$ và $\bar{R}$ là giá trị trung bình trên toàn trung tâm dữ liệu.

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 diễn dịch - thực nghiệm (Deductive-Experimental Paradigm). Bản chất kỹ thuật của bài toán khoa học máy tính đòi hỏi quy trình nghiêm ngặt: hình thức hóa bài toán bằng ngôn ngữ toán học $\to$ chứng minh độ phức tạp tính toán $\to$ thiết kế thuật toán xấp xỉ $\to$ mô phỏng đối chuẩn trên môi trường tiêu chuẩn hóa.

Thiết kế nghiên cứu đa tầng bao gồm:

  1. Tầng toán học: Xác định không gian trạng thái nghiệm và các ràng buộc biên về dung lượng tài nguyên đa chiều.
  2. Tầng thuật toán: Tùy biến và lai ghép các giải thuật đàn kiến Max-Min (MMAS), bầy đàn hạt (PSO), mô phỏng luyện kim (SA) và hệ kiến tối ưu Pareto (ACS).
  3. Tầng thực nghiệm: Triển khai mô phỏng sự kiện rời rạc trên nền tảng CloudSim kết hợp tập dữ liệu tổng hợp ngẫu nhiên và dữ liệu cấu hình thực tế từ các nhà cung cấp điện toán đám mây.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu áp dụng các giao thức thu thập và kiểm thử dữ liệu chặt chẽ:

  • Xây dựng ma trận heuristic và vết mùi: Đối với thuật toán MDRAVS-MMAS, xác suất chọn dịch vụ ảo hóa $i$ trên máy chủ $j$ được xác định theo công thức: $$p_{ij} = \frac{[\tau_{ij}]^\alpha [\eta_{ij}]^\beta}{\sum_{l \in VS_{temp}} [\tau_{lj}]^\alpha [\eta_{lj}]^\beta}$$ trong đó vết mùi $\tau_{ij}$ bị giới hạn nghiêm ngặt trong khoảng $[\tau_{min}, \tau_{max}]$ để tránh hiện tượng hội tụ sớm tại cực trị địa phương (stagnation).
  • Cơ chế biểu diễn hạt (Particle Representation): Trong ECRAVS-PSO, mỗi hạt được mã hóa dưới dạng vector vị trí $X_p = (e_1, e_2, \dots, e_N)$ với $e_i \in {1, \dots, M}$ đại diện cho chỉ số máy vật lý cấp phát cho dịch vụ $i$. Vận tốc $V_p$ được cập nhật liên tục qua các vòng lặp theo trọng số quán tính và các hệ số gia tốc học tập cá thể/xã hội ($c_1, c_2$).
  • Chiến lược làm nguội và chấp nhận nghiệm: Trong ECRAVS-SA, xác suất chấp nhận một cấu hình phân bổ có năng lượng cao hơn ($E(s') > E(s)$) tuân theo phân phối Boltzmann: $P = \exp(-\frac{E(s') - E(s)}{T})$, với lịch làm nguội hình học $T_{k+1} = \alpha \times T_k$ ($\alpha = 0.95$), đảm bảo thuật toán có khả năng thoát khỏi các hố tối ưu cục bộ.

Data và phân tích

Môi trường mô phỏng CloudSim được thiết lập dựa trên ngôn ngữ Java hướng đối tượng, cho phép mô hình hóa chi tiết Data Center, Host, VM, CIS (Cloud Information Service) và Datacenter Broker.

Tham số thực nghiệm Kịch bản Đồng nhất (MDRAVS) Kịch bản Không đồng nhất (ECRAVS & MORA)
Số lượng Dịch vụ ảo hóa ($N$) $50 \to 1000$ VS (bước nhảy 50) $100 \to 2000$ VM
Số lượng Máy vật lý ($M$) $10 \to 250$ PM $50 \to 500$ PM phân loại theo HP ProLiant & Dell PowerEdge
Các chiều tài nguyên ($D$) 4 chiều: CPU, RAM, Disk, BW 4 chiều: CPU (MIPS), RAM (MB), Storage (GB), BW (Mbps)
Đặc tính nhu cầu Kết hợp Nhu cầu tất yếu + Tùy biến ($b_{ij}$) Đa dạng cấu hình máy ảo chuẩn: Small, Medium, Large, Extra Large
Baseline đối chuẩn First Fit (FF), Best Fit (BF) First Fit Decreasing (FFD), Round Robin (RR)
Chỉ số đánh giá Số lượng PM kích hoạt, Execution Time ($s$) Năng lượng tiêu thụ ($kWh$), Độ lệch chuẩn tải ($\sigma$), Run Time

Mọi thử nghiệm mô phỏng đều được lặp lại nhiều lần độc lập để triệt tiêu sai số ngẫu nhiên, kết quả đo đạc được xử lý thống kê nhằm bảo đảm độ tin cậy và tính lặp lại (reproducibility) tuyệt đối.

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Vượt trội trong tối thiểu hóa số lượng máy vật lý (MDRAVS-MMAS): Trong môi trường máy chủ chia sẻ đồng nhất, thuật toán đề xuất MDRAVS-MMAS luôn sử dụng số lượng máy vật lý ít hơn rõ rệt so với First Fit và Best Fit ở tất cả các quy mô kiểm thử từ 50 đến 1000 dịch vụ ảo hóa. Nhờ cơ chế pheromone bounding $[\tau_{min}, \tau_{max}]$, thuật toán nén chặt các dịch vụ ảo hóa vào số lượng PM tối thiểu mà không vi phạm ngưỡng dung lượng ở bất kỳ chiều tài nguyên nào.
  2. Cắt giảm đột phá năng lượng tiêu thụ (ECRAVS-PSO & ECRAVS-SA): Trên nền tảng không đồng nhất, cả hai thuật toán ECRAVS-PSO và ECRAVS-SA đều mang lại hiệu quả tiết kiệm điện năng vượt bậc so với thuật toán quy chuẩn công nghiệp FFD ($E^* < E_{FFD}$). ECRAVS-PSO thể hiện khả năng hội tụ nhanh chóng nhờ cơ chế chia sẻ thông tin bầy đàn, trong khi ECRAVS-SA đạt được độ mịn tối ưu cao tại các không gian trạng thái phức tạp.
  3. Cân bằng tải tối ưu kết hợp tiết kiệm năng lượng (MORA-ACS): Trong bài toán đa mục tiêu, MORA-ACS chứng minh ưu thế áp đảo so với thuật toán phân phối vòng tròn Round Robin. MORA-ACS vừa đạt mức tiêu thụ năng lượng thấp $E_{MORA-ACS} \ll E_{RoundRobin}$, vừa duy trì độ lệch chuẩn tài nguyên khả dụng $\sigma(s_{best})$ ở mức tối thiểu, ngăn ngừa triệt để hiện tượng hình thành các điểm nghẽn (bottleneck) hoặc máy chủ quá nhiệt.
  4. Tính khả thi về độ phức tạp thời gian đa thức: Mặc dù thời gian thực thi của các thuật toán meta-heuristic cao hơn các heuristic đơn giản tính bằng mili-giây, toàn bộ các giải thuật đề xuất đều kết thúc trong thời gian đa thức chấp nhận được, hoàn toàn đáp ứng yêu cầu vận hành của bộ điều phối tài nguyên tĩnh (Static Resource Allocator) tại các Data Center.

Implications đa chiều

  • Về mặt lý thuyết: Nghiên cứu đã chứng minh tính hiệu quả vượt trội của việc kết hợp mô hình tiêu hao năng lượng đa chiều với lý thuyết tối ưu hóa Pareto, mở rộng biên giới của lý thuyết lập lịch tài nguyên trong các hệ tính toán phân tán quy mô lớn.
  • Về mặt phương pháp luận: Cung cấp một khung phương pháp hoàn chỉnh từ việc mô hình hóa toán học các ràng buộc tài nguyên thực - ảo, chứng minh quy dẫn NP-đầy đủ, đến kỹ thuật cài đặt thuật toán tiến hóa trên nền tảng CloudSim, đóng vai trò như một cẩm nang phương pháp cho các nghiên cứu tiếp theo.
  • Về mặt thực tiễn và chính sách: Giúp các doanh nghiệp quản lý Data Center (như VNPT, Viettel, FPT Telecom) tối ưu hóa chi phí vận hành phần cứng (OPEX), kéo dài tuổi thọ thiết bị thông qua giảm tải nhiệt, và hỗ trợ các nhà hoạch định chính sách xây dựng các tiêu chuẩn "Trung tâm dữ liệu xanh" (Green Datacenter) nhằm giảm phát thải khí nhà kính $CO_2$.

Limitations và Future Research

Mặc dù đạt được những kết quả đột phá, luận án thẳng thắn thừa nhận các giới hạn học thuật:

  • Giả định cấp phát tĩnh (Static Provisioning): Mô hình nghiên cứu tập trung giải quyết bài toán cấp phát tĩnh tại thời điểm lập lịch ban đầu, chưa xét đến các biến động tải theo thời gian thực (Dynamic Workload) và chi phí trễ/băng thông phát sinh khi thực hiện di trú máy ảo động (Live VM Migration).
  • Môi trường thực nghiệm mô phỏng: Các kết quả được thu thập và đánh giá trên công cụ mô phỏng CloudSim; mặc dù CloudSim là chuẩn mực học thuật quốc tế, các yếu tố nhiễu vật lý thực tế như biến động điện áp nguồn, suy hao đường truyền mạng thực tế và độ trễ chuyển mạch phần cứng chưa được phản ánh trọn vẹn.
  • Quy mô ma trận tài nguyên: Mới tích hợp 4 chiều tài nguyên cơ bản (CPU, RAM, Disk, BW), chưa mở rộng đến các kiến trúc tăng tốc phần cứng chuyên dụng như GPU, TPU hay bộ nhớ lưu trữ phân tán NVMe.

Hướng nghiên cứu tương lai:

  1. Phát triển mô hình điều phối tài nguyên động tự thích ứng (Self-Adaptive Dynamic Allocation) kết hợp kỹ thuật dự báo chuỗi thời gian tải (sử dụng Deep Learning / LSTM).
  2. Xây dựng bài toán tối ưu chi phí di trú máy ảo (Migration Cost Overhead) lồng ghép vào mô hình năng lượng đa mục tiêu.
  3. Thử nghiệm triển khai trực tiếp các thuật toán đề xuất trên các nền tảng điện toán đám mây mã nguồn mở thực tế như OpenStack hoặc CloudStack.
  4. Mở rộng khung phân bổ tài nguyên đa chiều cho hạ tầng tính toán biên (Edge Computing) và kiến trúc đa đám mây (Multi-Cloud Federation).

Tác động và ảnh hưởng

Công trình nghiên cứu tạo ra những tác động lan tỏa sâu rộng:

  • Ảnh hưởng học thuật: Đặt nền móng cho các nghiên cứu chuyên sâu về tối ưu hóa xanh (Green Computing) tại Việt Nam; cung cấp hệ thống 07 công bố khoa học chất lượng cao (gồm 02 bài báo tạp chí quốc tế, 02 bài báo hội thảo quốc tế, 02 bài báo tạp chí trong nước và 01 kỷ yếu hội thảo quốc gia).
  • Chuyển đổi công nghiệp: Định hình giải pháp tiết kiệm năng lượng trực tiếp cho hạ tầng IaaS, giúp các nhà cung cấp dịch vụ đám mây cắt giảm hàng triệu kWh điện năng tiêu thụ hàng năm tại các trung tâm dữ liệu quy mô lớn.
  • Bảo vệ môi trường xã hội: Gián tiếp cắt giảm lượng phát thải carbon tương ứng, đóng góp thiết thực vào mục tiêu phát triển bền vững và kinh tế số xanh.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Học viên cao học: Tiếp cận phương pháp luận chuẩn mực về quy dẫn chứng minh NP-đầy đủ, kỹ thuật ánh xạ toán học và quy trình thực nghiệm mô phỏng trên CloudSim.
  • Các nhà khoa học máy tính: Kế thừa khung lý thuyết tối ưu hóa Pareto đa mục tiêu và mô hình năng lượng đa chiều để mở rộng cho các bài toán phân tán khác.
  • Kỹ sư R&D và Kiến trúc sư hệ thống Cloud: Ứng dụng trực tiếp thuật toán MDRAVS-MMAS, ECRAVS-PSO/SA và MORA-ACS vào mô-đun VmAllocationPolicy trong các hệ thống ảo hóa doanh nghiệp.
  • Nhà quản lý trung tâm dữ liệu và Hoạch định chính sách: Có cơ sở khoa học định lượng để hoạch định chiến lược đầu tư phần cứng, định mức tiêu thụ năng lượng và xây dựng quy chuẩn trung tâm dữ liệu đạt chuẩn sinh thái.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?

Đóng góp độc đáo nhất là việc hoàn thiện khung lý thuyết ánh xạ dịch vụ ảo hóa của Mark Stillwell bằng cách tích hợp mô hình nhu cầu hai thành phần (nhu cầu tất yếu $r_{ik}^*$ và nhu cầu tùy biến $r_{ik}^{**}$ gắn với hệ số năng suất dịch vụ $b_{ij}$) vào không gian tài nguyên đa chiều $D$ (CPU, RAM, Disk, BW), đồng thời chứng minh toán học quy dẫn NP-đầy đủ từ bài toán Vector Packing đa chiều.

2. Điểm cải tiến phương pháp luận so với các nghiên cứu quốc tế tiền nhiệm?

So với mô hình năng lượng của Eugen Feller (chỉ xét máy chủ đồng nhất và đo tải CPU) và mô hình phân bổ của Mark Stillwell (chủ yếu dùng heuristic FFD), luận án đã: (1) Mở rộng mô hình năng lượng cho nền tảng không đồng nhất đo lường trên toàn bộ các chiều tài nguyên phần cứng; (2) Ứng dụng các thuật toán tiến hóa tối ưu biên Pareto (MORA-ACS) thay vì tối ưu hóa đơn mục tiêu rời rạc.

3. Phát hiện thực nghiệm nào bất ngờ nhất và bằng chứng dữ liệu hỗ trợ?

Phát hiện bất ngờ nhất là việc giảm số lượng máy chủ vật lý để tiết kiệm điện năng nếu không đi kèm cơ chế phân tán tải sẽ làm tăng vọt độ lệch chuẩn $\sigma(s)$, dẫn đến nguy cơ quá tải cục bộ nghiêm trọng. Thuật toán MORA-ACS đã giải quyết thành công sự đánh đổi này khi vừa kéo giảm năng lượng tiêu thụ xuống xấp xỉ mức tối ưu đơn mục tiêu, vừa duy trì độ lệch chuẩn $\sigma$ ở mức thấp vượt trội so với Round Robin.

4. Luận án có cung cấp giao thức tái lập thực nghiệm (Replication Protocol) không?

Có. Toàn bộ cấu trúc thực nghiệm được quy định chuẩn hóa trên nền tảng CloudSim với mã nguồn Java, xác định rõ tham số các bộ thuật toán (vết mùi $\alpha, \beta, \rho$, dải $[\tau_{min}, \tau_{max}]$, kích thước bầy hạt, hệ số làm nguội SA $\alpha=0.95$) cùng bảng thông số phần cứng Host và VM rõ ràng, cho phép tái lập kết quả thực nghiệm 100%.

5. Khung chương trình nghiên cứu 10 năm tiếp theo được vạch ra như thế nào?

Lộ trình 10 năm tập trung vào 3 giai đoạn: (1) Chuyển dịch từ cấp phát tĩnh sang điều phối động theo thời gian thực có tính đến chi phí di trú VM; (2) Mở rộng quản lý tài nguyên phân tán trên mạng lưới tính toán biên kết hợp đám mây (Edge-Cloud Continuum); (3) Tự động hóa bộ điều phối tài nguyên bằng trí tuệ nhân tạo tăng cường (Deep Reinforcement Learning).

Kết luận

Công trình nghiên cứu tiến sĩ của tác giả Phạm Nguyễn Minh Nhựt đã giải quyết trọn vẹn và xuất sắc bài toán phân bổ tài nguyên cho dịch vụ ảo hóa trên nền tảng máy chủ chia sẻ trong tính toán đám mây. Tóm lược 5 đóng góp học thuật cốt lõi:

  1. Xây dựng thành công mô hình toán học tổng quát cho bài toán MDRAVS trên nền tảng đồng nhất và chứng minh độ phức tạp NP-đầy đủ thông qua quy dẫn từ Multi-Dimensional Vector Packing.
  2. Đề xuất thuật toán MDRAVS-MMAS tối thiểu hóa số lượng máy vật lý sử dụng với hiệu năng vượt trội hơn First Fit và Best Fit.
  3. Hoàn thiện mô hình tiêu hao năng lượng đa chiều trên nền tảng không đồng nhất và đề xuất hai thuật toán ECRAVS-PSO và ECRAVS-SA giúp cắt giảm tối đa điện năng tiêu thụ so với FFD.
  4. Xây dựng mô hình toán học đa mục tiêu MORA và phát triển thuật toán MORA-ACS dựa trên tối ưu Pareto, dung hòa hoàn hảo giữa tiết kiệm năng lượng và cân bằng tải hệ thống.
  5. Kiểm chứng toàn diện các giải pháp trên công cụ mô phỏng chuẩn quốc tế CloudSim, khẳng định tính khả thi thời gian đa thức và mở ra hướng ứng dụng thực tiễn mạnh mẽ cho công nghệ điện toán đám mây xanh bền vững.