Tổng quan về luận án

Sự bùng nổ của kỷ nguyên số và làn sóng chuyển đổi hạ tầng thông tin toàn cầu đã đặt nền tảng điện toán đám mây (Cloud Computing) vào vị trí trung tâm của mọi kiến trúc công nghệ hiện đại. Theo các số liệu thống kê khoa học, lượng dữ liệu truyền tải trên hệ thống mạng toàn cầu nếu lưu trữ trên các đĩa quang DVD truyền thống thì chuỗi đĩa xếp liền nhau sẽ có chiều dài tương đương hai lần quãng đường từ Trái Đất tới Mặt Trăng. Báo cáo của Gartner Inc. chỉ ra rằng chi tiêu của người dùng cuối cho các dịch vụ điện toán đám mây công cộng trên toàn thế giới đã tăng trưởng vượt bậc từ 257,5 tỷ USD năm 2020 lên mức xấp xỉ 362,2 tỷ USD vào năm 2022. Tại Việt Nam, theo thống kê của Bộ Thông tin và Truyền thông, quy mô thị trường điện toán đám mây đã đạt mức 3.200 tỷ đồng (tương đương 133 triệu USD) năm 2020 và hướng tới mốc 500 triệu USD vào năm 2025; đồng thời khảo sát từ Viện Giá trị Doanh nghiệp IBM (IBV) xác nhận có tới 56% doanh nghiệp Việt Nam đã và đang vận hành trên các nền tảng quản lý đám mây. Trước áp lực chuyển dịch hạ tầng bắt buộc nhằm đảm bảo tính sẵn sàng và tối ưu hóa chi phí vận hành sau đại dịch, bài toán cân bằng tải (Load Balancing) nổi lên như một thách thức cốt lõi quyết định chất lượng dịch vụ (QoS) và tính toàn vẹn của hệ thống tính toán phân tán.

Khoảng trống nghiên cứu (Research Gap) then chốt trong y văn hiện hành nằm ở sự thiếu hụt các cơ chế điều phối tải có khả năng tự thích ứng, vừa dự báo được biến động lưu lượng vừa tối ưu hóa đồng thời hai tham số xung đột: thời gian đáp ứng (Response Time - $T_r$) và thời gian xử lý (Processing Time - $T_p$ hay Makespan $T$). Phần lớn các giải thuật kinh điển như Round Robin, Throttled, Min-Min hay Max-Min chỉ vận hành dựa trên cơ chế phản ứng tĩnh hoặc bán động, liên tục truy vấn trạng thái tài nguyên gây tắc nghẽn đường truyền nội bộ (overhead), hoặc chỉ kích hoạt tái cân bằng khi các máy chủ ảo (Virtual Machines - VMs) đã rơi vào trạng thái quá tải nghiêm trọng.

Luận án của nghiên cứu sinh Nguyễn Xuân Phi, dưới sự hướng dẫn khoa học của PGS. Trần Công Hùng tại Học viện Công nghệ Bưu chính Viễn thông (chuyên ngành Hệ thống thông tin, mã số: 9.04), tập trung giải quyết triệt để bài toán tối ưu hóa này thông qua các câu hỏi và giả thuyết nghiên cứu tường minh:

  • Câu hỏi nghiên cứu 1 (RQ1): Làm thế nào để giảm thiểu thời gian đáp ứng và chi phí giao tiếp nội bộ trong mạng trung tâm dữ liệu thông qua cơ chế phân phối tải có khả năng dự báo trước trạng thái tài nguyên?
    • Giả thuyết 1 (H1): Việc tích hợp mô hình dự báo chuỗi thời gian ARIMA và tham số thời gian hoàn thành dự kiến của các máy chủ ảo sẽ giúp bộ môi giới (Datacenter Broker) định tuyến yêu cầu chính xác, tăng tỷ lệ chấp nhận tác vụ và giảm thiểu thời gian đáp ứng trung bình.
  • Câu hỏi nghiên cứu 2 (RQ2): Bằng phương pháp nào có thể tối thiểu hóa thời gian xử lý tổng thể (Makespan) và triệt tiêu độ trễ hàng đợi trong môi trường máy chủ ảo không đồng nhất?
    • Giả thuyết 2 (H2): Thiết lập cấu trúc dữ liệu bảng chỉ mục kép (Double Index Table) và chiến lược phân nhóm công việc/máy ảo phân cấp sẽ tối ưu hóa phân phối tải, giảm thời gian xử lý so với các thuật toán heuristic truyền thống.

Khung lý thuyết của luận án được xây dựng dựa trên sự giao thoa giữa Lý thuyết xấp xỉ tổ hợp (Combinatorial Approximation Theory), Lý thuyết hàng đợi (Queueing Theory với quá trình Poisson), và Lý thuyết chuỗi thời gian thống kê (Time Series Econometrics). Đột phá học thuật của luận án thể hiện ở việc phát triển thành công 04 thuật toán cân bằng tải chuyên biệt: LBAIRT (Load Balancing Algorithm to Improve Response Time), RRTA (Reduce Response Time Algorithm), TMA (Throttled Modified Algorithm), và MMSIA (Improved Max-Min Scheduling Algorithm). Các thực nghiệm chuyên sâu trên công cụ mô phỏng chuẩn mực CloudSim và CloudAnalyst với tập dữ liệu quy mô từ 3, 4, 5 đến 20 và 50 máy chủ ảo cùng hàng nghìn Cloudlet đã chứng minh tính ưu việt vượt trội của các thuật toán đề xuất, cải thiện đáng kể năng suất hệ thống và đảm bảo thỏa thuận mức dịch vụ (SLA).

Literature Review và Positioning

Bản đồ y văn quốc tế về quản lý tài nguyên và cân bằng tải trên nền tảng điện toán đám mây phân hóa thành ba nhánh nghiên cứu chủ đạo:

                                  TIẾN TRÌNH PHÁT TRIỂN Y VĂN CÂN BẰNG TẢI

Nhánh thứ nhất tập trung vào các thuật toán cân bằng tĩnh và thuật toán xấp xỉ cổ điển. Các công trình nghiên cứu về Round Robin [62], Min-Min [46], Max-Min [69], cũng như nền tảng lý thuyết xấp xỉ của Kleinberg & Tardos [43] đã đặt nền móng cho việc phân phối tác vụ lên các máy chủ. Ưu điểm của nhóm này là cấu trúc tính toán đơn giản, tốc độ thực thi nhanh; tuy nhiên, nhược điểm cốt tử là không xem xét đến trạng thái biến đổi động của tài nguyên và dễ dẫn đến hiện tượng nghẽn cổ chai khi kích thước các yêu cầu có sự chênh lệch lớn.

Nhánh thứ hai khai thác các giải thuật tối ưu hóa heuristic và mô phỏng sinh học. Tiêu biểu là công trình của Dhinesh Babu L.D. [15] với thuật toán cân bằng tải lấy cảm hứng từ hành vi bầy ong mật (Honey Bee Behavior - HBB-LB), nghiên cứu của Kansal & Chana [82] về tối ưu hóa đàn kiến (Ant Colony Optimization), và mô hình lấy mẫu ngẫu nhiên có độ lệch (Biased Random Sampling) [61]. Mặc dù các thuật toán này giải quyết tốt tính không đồng nhất của tài nguyên, song chúng đòi hỏi chi phí tính toán cực lớn để liên tục cập nhật ma trận pheromone hoặc trạng thái đàn, gây ra độ trễ thực thi không mong muốn trong các hệ thống đòi hỏi thời gian thực.

Nhánh thứ ba hướng đến các cơ chế cân bằng tải động và quản lý tích hợp QoS. Wenhong Tian và cộng sự [106] giới thiệu thuật toán DAIRS (Dynamic and Integrated Resource Scheduling) nhằm đo lường và tối thiểu hóa độ mất cân bằng tổng thể của trung tâm dữ liệu. Huankai Chen cùng các cộng sự [35] đề xuất giải thuật LBIMM (Load Balance Improved Min-Min) nhằm khắc phục nhược điểm bỏ qua khối lượng công việc của tài nguyên trong thuật toán Min-Min truyền thống. Bên cạnh đó, các nghiên cứu của Buyya et al. [12] về kiến trúc Green Cloud và Sotomayor et al. [92] về quản lý hạ tầng ảo hóa (OpenNebula/Haizea) đã thúc đẩy việc phân bổ máy ảo gắn liền với hiệu quả năng lượng và quản lý hợp đồng tài nguyên.

Trong y văn tồn tại cuộc tranh luận học thuật sâu sắc giữa hai trường phái: một bên ủng hộ cơ chế giám sát tập trung liên tục (Centralized Continuous Monitoring) như quan điểm của A. Govardhan et al. [93] nhằm nắm bắt chính xác tuyệt đối trạng thái của mọi bộ vi xử lý; phía đối lập, dẫn đầu bởi Agraj Sharma et al. [2], lập luận rằng việc liên tục thăm dò tài nguyên sẽ làm bùng nổ lưu lượng quản trị mạng, tiêu hao băng thông và làm suy giảm nghiêm trọng thời gian đáp ứng tổng thể.

Luận án tự định vị một cách chuẩn xác tại điểm cân bằng của cuộc tranh luận này: thay vì liên tục thăm dò tài nguyên hoặc hoàn toàn thụ động phân phối, tác giả kết hợp kỹ thuật dự báo chủ động dựa trên mô hình chuỗi thời gian ARIMA (Autoregressive Integrated Moving Average) với việc cải tiến các cấu trúc dữ liệu điều phối trạng thái máy ảo (bảng chỉ mục kép). Khi so sánh trực tiếp với hai nghiên cứu quốc tế tiêu biểu:

  1. So với nghiên cứu của Agraj Sharma et al. [2] về cân bằng tải dựa trên ngưỡng thời gian đáp ứng: Luận án không chỉ dừng lại ở việc thiết lập ngưỡng tĩnh mà đưa ra mô hình toán học dự báo biến thiên thời gian đáp ứng của máy ảo tiếp theo thông qua thuật toán RRTA, loại bỏ hoàn toàn độ trễ giao tiếp thăm dò.
  2. So với công trình của Huankai Chen et al. [35] về thuật toán LBIMM: Thuật toán MMSIA của luận án mở rộng cách tiếp cận bằng cách phân nhóm đa cấp cả tập yêu cầu lẫn tập máy ảo dựa trên thời gian hoàn thành dự kiến, khắc phục triệt để tình trạng các tác vụ lớn chiếm dụng tài nguyên quá lâu làm tê liệt các tác vụ nhỏ.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đóng góp trực tiếp vào việc mở rộng Lý thuyết xấp xỉ trong tối ưu hóa tổ hợp (Approximation Theory) áp dụng cho bài toán điều phối tài nguyên máy tính phân tán (vốn thuộc lớp bài toán NP-Complete [79]). Xuất phát từ mô hình toán học định nghĩa: Cho tập $m$ máy ảo $M = {M_1, M_2, \dots, M_m}$ và tập $n$ công việc $J = {J_1, J_2, \dots, J_n}$ với thời gian xử lý tương ứng $t_j > 0$. Tổng thời gian làm việc của máy $M_i$ được biểu diễn qua công thức: $$T_i = \sum_{j \in A(i)} t_j$$

Mục tiêu tối thượng là tối thiểu hóa đại lượng Makespan $T = \max_{i} T_i$. Luận án chứng minh một cách chặt chẽ các giới hạn toán học của cận dưới tối ưu $T^*$:

  • Cận dưới trung bình: $$T^* \ge \frac{1}{m} \sum_{j=1}^n t_j$$
  • Cận dưới mở rộng đối với các tác vụ có thời gian thực thi đột biến: $$T^* \ge \max_{j} t_j$$
  • Luận án đã củng cố nền tảng chứng minh giải thuật Greedy-Balance đạt tỷ lệ xấp xỉ $T \le 2T^$, và giải thuật sắp xếp công việc theo thứ tự giảm dần thời gian xử lý (Sorted-Balance) tiệm cận giới hạn tối ưu với tỷ lệ: $$T \le \frac{3}{2} T^$$

Bên cạnh đó, luận án làm giàu thêm Lý thuyết quản lý cân bằng tải thông qua việc chuẩn hóa công thức đo lường độ lệch chuẩn tải ($\sigma$) của hệ thống máy ảo do Dhinesh Babu [15] khởi xướng: $$\sigma = \sqrt{\frac{1}{m} \sum_{i=1}^m (PT_i - PT)^2}$$ (Trong đó $PT_i$ là thời gian xử lý của máy ảo $VM_i$ và $PT$ là thời gian xử lý trung bình của toàn bộ hệ thống). Việc duy trì chỉ số $\sigma \le T_s$ (với $T_s \in [0, 1]$ là ngưỡng cân bằng) được luận án chuyển hóa thành điều kiện tối ưu ràng buộc cho các thuật toán đề xuất.

+---------------------------------------------------------------------------------------------------+
|                                 KIẾN TRÚC ĐIỀU PHỐI CÂN BẰNG TẢI 3 TẦNG                           |
+---------------------------------------------------------------------------------------------------+
|  [TẦNG NGƯỜI DÙNG / CLOUDLET]                                                                     |
|  Dòng yêu cầu phân phối Poisson: λ(t)                                                             |
|  Cloudlet 1 (Length/MIPS)  --->  Cloudlet 2 (Length/MIPS)  --->  Cloudlet n (Length/MIPS)         |
+---------------------------------------------------------------------------------------------------+
+---------------------------------------------------------------------------------------------------+
|  [TẦNG ĐIỀU PHỐI / LOAD BALANCER & BROKER]                                                        |
+---------------------------------------------------------------------------------------------------+
+---------------------------------------------------------------------------------------------------+
|  [TẦNG TÀI NGUYÊN ẢO HÓA / VMM & VM POOL]                                                         |
|  Hạ tầng IaaS (Physical Servers -> Hypervisor VMM: VMWare / Xen / KVM)                            |
+---------------------------------------------------------------------------------------------------+

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp đa chiều ba trụ cột lý thuyết: Lý thuyết tối ưu hóa tổ hợp (Combinatorial Optimization), Lý thuyết hệ thống phân tán và ảo hóa (Distributed Virtualization Theory - Sotomayor et al. [92]), và Lý thuyết kinh tế lượng chuỗi thời gian. Mô hình phân tích phân rã kiến trúc cân bằng tải thành ba lớp chức năng nghiêm ngặt:

  1. Lớp trừu tượng hóa tài nguyên (Resource Abstraction Layer): Dựa trên định nghĩa chuẩn của US NIST [66]: "Điện toán đám mây là mô hình điện toán cho phép truy cập qua mạng để lựa chọn và sử dụng tài nguyên tính toán (ví dụ: mạng, máy chủ, lưu trữ, ứng dụng và dịch vụ) theo nhu cầu một cách thuận tiện và nhanh chóng". Lớp này chuẩn hóa năng lực tính toán thông qua chỉ số MIPS (Million Instructions Per Second) và độ khả dụng của bộ nhớ RAM, băng thông mạng.
  2. Lớp môi giới và lập lịch (Broker & Scheduling Layer): Mô hình hóa dòng tác vụ đến theo phân phối Poisson với tốc độ trung bình $\lambda(t)$, từ đó thiết lập hàm mục tiêu tối thiểu hóa thời gian đáp ứng tổng thể của $N$ cụm máy ảo: $$\text{Minimize} \sum_{i=1}^N \frac{\lambda_i(t)}{\mu_i(t) - \lambda_i(t)}$$ với các ràng buộc về độ ổn định hàng đợi $\lambda_i(t) < \mu_i(t)$ và bảo toàn lưu lượng $\sum_{i=1}^N \lambda_i(t) = \lambda(t)$.
  3. Điều kiện biên xác định (Boundary Conditions): Mô hình áp dụng cho hạ tầng dịch vụ IaaS, trong đó các tác vụ Cloudlet độc lập, không có tính phụ thuộc dữ liệu vòng (non-preemptive, acyclic), và các máy ảo có thể đồng nhất hoặc không đồng nhất về năng lực xử lý MIPS.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ nghiêm ngặt quan điểm nhận thức luận thực chứng (Positivism Paradigm), kết hợp phương pháp mô hình hóa toán học diễn dịch và thực nghiệm mô phỏng quy mô lớn. Bản chất của hệ thống phân tán quy mô lớn khiến việc thử nghiệm trực tiếp trên các trung tâm dữ liệu thương mại thực tế trở nên bất khả thi do rào cản chi phí và rủi ro gián đoạn dịch vụ. Do đó, thiết kế nghiên cứu mô phỏng đa tầng (Multi-level Experimental Simulation Design) được lựa chọn như một giải pháp chuẩn mực cao nhất trong khoa học máy tính hiện đại.

Mô hình thiết kế thực nghiệm chia tách rõ ràng các biến nghiên cứu:

  • Biến độc lập (Independent Variables): Số lượng máy chủ ảo ($m \in [3, 50]$), số lượng Cloudlet yêu cầu ($n \in [50, 1000]$), chiều dài chỉ thị của Cloudlet (1000 - 40000 MI), năng lực máy ảo (500 - 2000 MIPS).
  • Biến phụ thuộc (Dependent Variables): Thời gian đáp ứng trung bình ($T_{resp}$), thời gian xử lý trung bình ($T_{proc}$), Makespan hệ thống ($T$), tỷ lệ chấp nhận yêu cầu (Request Acceptance Ratio), và độ lệch chuẩn cân bằng tải ($\sigma$).
  • Biến kiểm soát (Control Variables): Băng thông mạng trung tâm dữ liệu (1000 - 10000 Mbps), kích thước file truyền tải (Input/Output Size), chính sách phân bổ bộ nhớ máy chủ vật lý.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được tổ chức khép kín qua 4 giai đoạn chuẩn hóa:

+---------------------------------------------------------------------------------------------------+
|                               QUY TRÌNH NGHIÊN CỨU VÀ THỰC NGHIỆM ĐA BƯỚC                         |
+---------------------------------------------------------------------------------------------------+
|  BƯỚC 1: XÂY DỰNG MÔ HÌNH TOÁN HỌC & GIẢI THUẬT                                                   |
|  • Thiết lập bài toán cực tiểu hóa Makespan T và thời gian đáp ứng T_r.                           |
|  • Phát triển mã giả (Pseudocode) cho 4 thuật toán: LBAIRT, RRTA, TMA, MMSIA.                     |
+---------------------------------------------------------------------------------------------------+
+---------------------------------------------------------------------------------------------------+
|  BƯỚC 2: THIẾT LẬP MÔI TRƯỜNG MÔ PHỎNG CHUẨN MỰC                                                  |
|  • Công cụ: CloudSim Core Toolkit & CloudAnalyst GUI Platform (Java/Eclipse).                     |
|  • Cấu hình Datacenter, Hosts, Hypervisor (Xen/KVM), VM Allocation Policies.                      |
+---------------------------------------------------------------------------------------------------+
+---------------------------------------------------------------------------------------------------+
|  BƯỚC 3: THIẾT KẾ KỊCH BẢN ĐỐI SOÁNH ĐA MỨC (BENCHMARKING)                                       |
|  • Kịch bản 1: Đo lường thời gian đáp ứng (So sánh LBAIRT, RRTA với Throttled, Round Robin).       |
|  • Kịch bản 2: Đo lường thời gian xử lý (So sánh TMA, MMSIA với Max-Min, Min-Min, Round Robin).  |
+---------------------------------------------------------------------------------------------------+
+---------------------------------------------------------------------------------------------------+
|  BƯỚC 4: THỰC NGHIỆM ĐA LẦN & KIỂM ĐỊNH TÍNH VỮNG (ROBUSTNESS CHECKS)                             |
|  • Chạy thực nghiệm độc lập 4 chu kỳ lặp (Lần 1 - Lần 4) để triệt tiêu sai số ngẫu nhiên.          |
|  • Phân tích độ nhạy khi mở rộng quy mô VM từ 3 lên 50 máy ảo.                                   |
+---------------------------------------------------------------------------------------------------+

Tính hợp thức và độ tin cậy của nghiên cứu (Construct & Internal Validity) được đảm bảo thông qua việc sử dụng công cụ mô phỏng chuẩn quốc tế CloudSim được phát triển bởi Rodrigo N. Calheiros và cộng sự tại Đại học Melbourne [74]. Theo nghiên cứu tổng hợp của Pericherla S. Suryateja [65], CloudSim chiếm vị trí áp đảo khi có tới 47% các chương trình mô phỏng đám mây trên thế giới được mở rộng từ nền tảng này và 82% các công trình nghiên cứu sử dụng mã nguồn mở Java/C++ nhằm đảm bảo khả năng tái lập (Replicability).

Data và phân tích

Dữ liệu thực nghiệm được cấu trúc hóa chặt chẽ theo các bảng thông số kỹ thuật tiêu chuẩn:

  • Thông số Trung tâm Dữ liệu (Datacenter Parameters): Cấu hình gồm nhiều máy chủ vật lý (Host) kiến trúc đa nhân đa luồng x86, dung lượng RAM từ 2048 MB đến 16384 MB, băng thông Storage 100000 Mbps, hệ điều hành Linux/Windows ảo hóa qua VMM.
  • Thông số Máy ảo (Virtual Machine Profiles):
    • Cụm VM quy mô nhỏ: 3 VM, 4 VM, 5 VM với năng lực tính toán biến thiên từ 250 đến 1000 MIPS.
    • Cụm VM quy mô lớn: 20 VM và 50 VM với năng lực xử lý phân cấp nhằm kiểm tra khả năng chịu tải nặng (Stress-testing).
  • Thông số Tác vụ (Cloudlet/Request Datasets): Chiều dài tập lệnh dao động từ 1000 MIPS đến 40.000 MIPS, phân bổ kích thước file đầu vào (File Size) và đầu ra (Output Size) đồng đều từ 300 KB đến 1500 KB.

Phân tích dữ liệu sử dụng kỹ thuật ước lượng chuỗi thời gian ARIMA $(p, d, q)$ để mô hình hóa hành vi trễ mạng trong thuật toán RRTA, đồng thời thực hiện các phép đối chiếu trực tiếp qua 4 chu kỳ chạy độc lập (Lần 1 đến Lần 4) để đánh giá độ lệch chuẩn và độ tiệm cận giá trị tối ưu.

Phát hiện đột phá và implications

Những phát hiện then chốt

Kết quả thực nghiệm của luận án cung cấp bằng chứng thực nghiệm rõ ràng về sự vượt trội của 4 thuật toán đề xuất:

+---------------------------------------------------------------------------------------------------+
|                    BẢNG TỔNG HỢP SO SÁNH HIỆU NĂNG CÁC THUẬT TOÁN ĐỀ XUẤT                         |
+---------------------------------------------------------------------------------------------------+
| Thuật toán   | Thuật toán đối chuẩn      | Kịch bản kiểm thử      | Kết quả đột phá đo lường được |
+--------------+---------------------------+------------------------+-------------------------------+
| LBAIRT (CT4) | Throttled, Round Robin    | Thay đổi số Cloudlet   | • Tăng tỷ lệ chấp nhận tác vụ |
|              |                           | trên tập 3, 4, 5 VMs   | • Giảm thời gian đáp ứng T_r  |
+--------------+---------------------------+------------------------+-------------------------------+
| RRTA (CT7)   | Throttled, Dynamic Load   | Dự báo ARIMA trên      | • Dự báo chính xác vượt trội  |
|              | Balancing [5]             | chuỗi tải 3, 4, 5 VMs  | • Triệt tiêu trễ quá tải VM   |
+--------------+---------------------------+------------------------+-------------------------------+
| TMA (CT5)    | Round Robin, Throttled    | Kịch bản 20 & 50 VMs   | • Giới hạn hàng đợi tối ưu    |
|              | truyền thống [62]         | tải cao đa người dùng  | • Giảm thời gian phản hồi DC  |
+--------------+---------------------------+------------------------+-------------------------------+
| MMSIA (CT6)  | Max-Min, Min-Min,         | 4 chu kỳ thực nghiệm   | • Cực tiểu hóa Makespan T     |
|              | Round Robin [46, 69]      | (Lần 1 đến Lần 4)      | • Triệt tiêu lãng phí tài VM  |
+---------------------------------------------------------------------------------------------------+
  1. Đột phá về tối ưu thời gian đáp ứng của LBAIRT: Khác biệt với thuật toán Throttled chỉ ghi nhận trạng thái rảnh/bận (Available/Busy), LBAIRT tích hợp tham số thời gian hoàn thành dự kiến của từng máy ảo. Kết quả thực nghiệm khẳng định LBAIRT duy trì tỷ lệ tiếp nhận tác vụ đầu vào cao hơn đáng kể và giảm thiểu thời gian tính toán trung bình khi số lượng Cloudlet gia tăng đột biến.
  2. Khả năng dự báo chính xác cao của RRTA qua mô hình ARIMA: Bằng việc ứng dụng thuật toán chuỗi thời gian ARIMA, RRTA ước lượng chính xác thời điểm máy ảo tiếp theo hoàn thành tác vụ hiện tại để đón nhận yêu cầu mới. So sánh thực nghiệm trên các kịch bản 3 VM, 4 VM và 5 VM cho thấy đường cong thời gian đáp ứng dự báo của RRTA bám sát ngưỡng tối ưu, loại bỏ hoàn toàn hiện tượng phân phối tác vụ nhầm vào các nút sắp quá tải.
  3. Hiệu năng vượt trội của TMA với cơ chế bảng chỉ mục kép: Thuật toán TMA giải quyết triệt để điểm nghẽn của thuật toán Throttled gốc. Bằng việc sử dụng đồng thời 2 bảng chỉ mục trạng thái (một bảng lưu vết trạng thái khả dụng và một bảng quản lý danh sách đợi phân phối), TMA đã giới hạn số lượng yêu cầu bị ứ đọng trong hàng đợi. Thực nghiệm với trường hợp 20 VM và 50 VM cho thấy TMA rút ngắn thời gian xử lý và thời gian phản hồi của trung tâm dữ liệu vượt trội so với Round Robin và Throttled.
  4. Cải tiến vượt bậc về Makespan của thuật toán MMSIA: Thuật toán MMSIA tạo ra bước đột phá khi tái cấu trúc thuật toán Max-Min truyền thống. Bằng cách nhóm các yêu cầu và máy ảo dựa trên sự kết hợp giữa thời gian hoàn thành dự kiến cục bộ và thời gian thực hiện tổng thể, MMSIA giải quyết triệt để nghịch lý "tác vụ nhỏ phải chờ tác vụ lớn" của Max-Min và "tác vụ lớn bị trì hoãn vô thời hạn" của Min-Min. Dữ liệu thực nghiệm qua 4 lần chạy độc lập (Lần 1 đến Lần 4) với các tập cấu hình Request và VM khác nhau chứng minh MMSIA luôn đạt thời gian hoàn thành tổng thể ngắn nhất.

Implications đa chiều

  • Học thuật và Lý thuyết: Luận án mở rộng lý thuyết cân bằng tải động trên môi trường IaaS bằng việc chứng minh rằng việc kết hợp các mô hình toán học dự báo (ARIMA) và cấu trúc chỉ mục tối ưu có thể biến bài toán cân bằng tải từ trạng thái phản ứng thụ động sang điều phối chủ động theo thời gian thực.
  • Phương pháp luận: Cung cấp quy trình thực nghiệm chuẩn hóa trên CloudSim và CloudAnalyst, thiết lập các bộ tham số chuẩn cho việc đánh giá thuật toán cân bằng tải, tạo tiền đề phương pháp luận vững chắc cho các nghiên cứu tiếp theo.
  • Thực tiễn công nghiệp: Cung cấp giải pháp kỹ thuật trực tiếp cho các nhà cung cấp dịch vụ đám mây (như Viettel IDC, VNPT IT, FPT Smart Cloud, CMC Telecom) nhằm tối ưu hóa hạ tầng máy chủ, nâng cao hệ số sử dụng tài nguyên CPU/RAM, giảm chi phí đầu tư phần cứng (CAPEX) và chi phí vận hành (OPEX).
  • Chính sách và Xã hội: Đóng góp cơ sở khoa học kỹ thuật quan trọng nhằm hiện thực hóa "Chương trình chuyển đổi số quốc gia đến năm 2025, định hướng đến năm 2030" của Chính phủ Việt Nam; thúc đẩy kiến trúc điện toán đám mây xanh (Green Cloud Computing) thông qua việc phân bổ tải đồng đều, giảm thiểu tiêu thụ điện năng và phát thải carbon tại các trung tâm dữ liệu quốc gia.

Limitations và Future Research

Nhằm duy trì tính khách quan và chuẩn mực học thuật, luận án thẳng thắn thừa nhận các giới hạn nghiên cứu:

  1. Môi trường thực nghiệm: Các kết quả nghiên cứu được kiểm chứng chủ yếu trên môi trường mô phỏng CloudSim và CloudAnalyst. Mặc dù các công cụ này được cộng đồng khoa học quốc tế công nhận rộng rãi, môi trường mạng Internet thực tế vẫn tiềm ẩn nhiều yếu tố nhiễu loạn ngẫu nhiên (jitter, packet loss, biến động định tuyến BGP).
  2. Mô hình tác vụ: Luận án tập trung xử lý tập các yêu cầu tính toán độc lập (Independent Tasks). Trong các hệ thống đám mây phức tạp hiện đại, nhiều ứng dụng đòi hỏi xử lý luồng công việc dạng đồ thị có hướng không chu trình (DAG - Directed Acyclic Graph) với sự phụ thuộc dữ liệu chặt chẽ giữa các bước tính toán.
  3. Đặc tính chuỗi thời gian của ARIMA: Mô hình dự báo ARIMA trong thuật toán RRTA đòi hỏi một tập dữ liệu lịch sử ban đầu đủ lớn để huấn luyện các tham số $(p, d, q)$, dẫn đến việc thuật toán cần một khoảng thời gian khởi động (warm-up phase) nhất định trước khi đạt độ chính xác tối ưu.

Chương trình nghiên cứu tương lai (Future Research Agenda) được vạch ra với các hướng đi cụ thể:

  • Mở rộng triển khai và kiểm thử các thuật toán đề xuất trên các nền tảng đám mây mở thực tế như OpenStack, Kubernetes và Apache Mesos.
  • Tích hợp các mô hình trí tuệ nhân tạo tiên tiến như Học tăng cường sâu (Deep Reinforcement Learning - DRL) và mạng nơ-ron LSTM/Transformer để nâng cao năng lực dự báo tải trong môi trường cực kỳ biến động.
  • Mở rộng phạm vi điều phối tài nguyên sang kiến trúc Điện toán biên (Edge Computing / Fog Computing) nhằm tối ưu hóa các ứng dụng Internet of Things (IoT) và xe tự hành đòi hỏi độ trễ siêu thấp.

Tác động và ảnh hưởng

Luận án khẳng định vị thế học thuật thông qua hệ thống 07 công trình khoa học công bố công khai (từ CT1 đến CT7), bao gồm các bài báo trên các tạp chí khoa học uy tín và kỷ yếu hội thảo quốc gia/quốc tế có phản biện độc lập:

  • Công trình CT1, CT2, CT3 công bố các kết quả nền tảng về phân tích ma trận lưu lượng mạng, cơ chế phân phối tải tích hợp hai hàng đợi và khảo sát hệ thống tham số ảnh hưởng đến cân bằng tải.
  • Công trình CT4 công bố thuật toán đột phá LBAIRT tối ưu hóa thời gian đáp ứng.
  • Công trình CT5 công bố thuật toán TMA với cấu trúc bảng chỉ mục kép.
  • Công trình CT6 công bố thuật toán MMSIA cải tiến kỹ thuật lập lịch Max-Min.
  • Công trình CT7 công bố thuật toán RRTA tích hợp mô hình dự báo chuỗi thời gian ARIMA.

Tác động xã hội và kinh tế của nghiên cứu thể hiện ở việc hỗ trợ các doanh nghiệp công nghệ số hóa hạ tầng một cách bền vững. Đúng như nhận định của Forrester: "Điện toán đám mây đẩy nhanh quá trình chuyển đổi của doanh nghiệp sau đại dịch COVID-19, sự dịch chuyển lên đám mây là bắt buộc, và là giải pháp hữu hiệu giúp doanh nghiệp có thể tồn tại và phát triển". Các giải thuật trong luận án giúp các trung tâm dữ liệu tăng chỉ số uptime, đảm bảo hệ thống vận hành liên tục 24/7 mà không xảy ra sự cố sập nguồn do quá tải cục bộ.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giới học thuật: Tiếp cận một khung phân tích hoàn chỉnh về thuật toán xấp xỉ, phương pháp tích hợp dự báo thống kê vào điều phối hệ thống phân tán, mở ra các hướng nghiên cứu kết hợp giữa AI và hệ điều hành đám mây.
  • Kiến trúc sư giải pháp đám mây và Kỹ sư DevOps (Cloud Architects): Ứng dụng trực tiếp cấu trúc logic của thuật toán TMA và MMSIA vào việc tùy biến bộ lập lịch (Scheduler) trong các cụm máy chủ ảo hóa VMware vSphere, KVM hoặc các bộ cân bằng tải Nginx, HAProxy, AWS Elastic Load Balancer.
  • Doanh nghiệp vận hành Trung tâm Dữ liệu (Data Center Operators): Nâng cao hiệu suất khai thác phần cứng, giảm thiểu điện năng tiêu thụ cho hệ thống làm mát thông qua việc triệt tiêu các máy chủ bị quá tải nhiệt.
  • Cơ quan quản lý Nhà nước: Có thêm luận cứ kỹ thuật để xây dựng các tiêu chuẩn quốc gia về tiêu chí QoS, SLA và an toàn thông tin cho hạ tầng đám mây Chính phủ và Đô thị thông minh.

Câu hỏi chuyên sâu

  1. Đóng góp lý thuyết độc đáo nhất của luận án là gì? Trả lời: Đóng góp lý thuyết độc đáo nhất là việc mở rộng Lý thuyết xấp xỉ tổ hợp thông qua việc tích hợp tham số thời gian hoàn thành dự kiến và mô hình dự báo chuỗi thời gian ARIMA vào việc xác lập cận dưới tối ưu $T^$ của bài toán Makespan, chứng minh tính tiệm cận của tỷ lệ xấp xỉ $T \le 1.5 T^$ trong môi trường máy chủ ảo không đồng nhất.

  2. Điểm mới mang tính đột phá về phương pháp luận nghiên cứu khi so sánh với các nghiên cứu tiền nhiệm? Trả lời: So với nghiên cứu của Agraj Sharma et al. [2] (chỉ dùng ngưỡng phản ứng tĩnh) và Huankai Chen et al. [35] (chỉ tối ưu cục bộ trên Min-Min), luận án đã tiên phong thiết lập phương pháp luận điều phối chủ động kết hợp 2 giai đoạn: Giai đoạn 1 dự báo tải bằng mô hình kinh tế lượng ARIMA và Giai đoạn 2 phân bổ động qua cấu trúc bảng chỉ mục kép (TMA) và phân nhóm phân cấp (MMSIA), kiểm chứng đa chu kỳ trên CloudSim.

  3. Phát hiện thực nghiệm bất ngờ nhất thu được từ dữ liệu mô phỏng? Trả lời: Phát hiện bất ngờ nhất là việc bổ sung cấu trúc quản lý trạng thái bằng 2 bảng chỉ mục trong thuật toán TMA không hề làm tăng độ phức tạp tính toán mà ngược lại đã triệt tiêu hoàn toàn độ trễ tra cứu tuần tự $O(n)$ của thuật toán Throttled truyền thống, giúp thời gian xử lý tổng thể giảm mạnh ngay cả khi số lượng máy ảo mở rộng từ 20 lên 50 VM.

  4. Luận án có cung cấp đầy đủ giao thức để tái lập thực nghiệm (Replication Protocol) không? Trả lời: Có. Luận án mô tả chi tiết toàn bộ thông số cấu hình của Datacenter, Hosts, đặc tính kỹ thuật của từng loại VM (MIPS, RAM, BW), chiều dài chỉ thị Cloudlet, và quy trình thiết lập môi trường Java trên nền tảng CloudSim/CloudAnalyst, cho phép các nhà nghiên cứu độc lập tái lập chính xác 100% các kịch bản thử nghiệm.

  5. Chương trình nghiên cứu 10 năm tới mở ra từ luận án là gì? Trả lời: Lộ trình 10 năm định hướng phát triển hệ sinh thái điều phối tài nguyên tự hành (Autonomous Cloud-Edge Resource Orchestration), tích hợp Trí tuệ nhân tạo tạo sinh (Generative AI) và Học tăng cường sâu đa tác tử (Multi-Agent DRL) để tự động cấu hình và tối ưu hóa tải trên các siêu trung tâm dữ liệu phân tán toàn cầu và hạ tầng mạng 6G.

Kết luận

Luận án tiến sĩ kỹ thuật của tác giả Nguyễn Xuân Phi đã giải quyết xuất sắc một trong những bài toán hóc búa nhất của công nghệ thông tin hiện đại với 05 đóng góp nền tảng:

  1. Hệ thống hóa toàn diện cơ sở lý luận về kiến trúc ảo hóa 3 tầng, phân loại tài nguyên và xác lập các yếu tố ảnh hưởng cốt lõi đến hiệu năng cân bằng tải trên nền tảng điện toán đám mây.
  2. Đề xuất thành công thuật toán LBAIRT cải thiện thời gian đáp ứng dựa trên việc bổ sung tham số thời gian hoàn thành dự kiến của các máy ảo.
  3. Phát triển thuật toán đột phá RRTA ứng dụng kỹ thuật dự báo chuỗi thời gian ARIMA, chuyển đổi mô hình cân bằng tải từ thụ động sang chủ động đón đầu lưu lượng.
  4. Xây dựng thuật toán TMA ứng dụng cơ chế 2 bảng chỉ mục trạng thái máy ảo, tối ưu hóa hàng đợi và giảm thiểu thời gian phản hồi của trung tâm dữ liệu trong các kịch bản tải lớn.
  5. Sáng tạo thuật toán MMSIA tái cấu trúc phương pháp Max-Min kinh điển thông qua cơ chế gom nhóm công việc và máy ảo phân cấp, cực tiểu hóa thời gian xử lý Makespan.

Công trình không chỉ đánh dấu bước tiến quan trọng về mặt lý thuyết điều phối hệ thống phân tán mà còn mang giá trị ứng dụng thực tiễn to lớn, đóng góp trực tiếp vào sự phát triển của ngành công nghệ thông tin và truyền thông trong kỷ nguyên chuyển đổi số.