Luận văn: Mô hình dự đoán và tự động co giãn tài nguyên - Đại học Bách Khoa Hà Nội

Luận văn: Mô hình dự đoán tiêu thụ tài nguyên và tự động co dãn trong môi trường phân tán. Nghiên cứu tối ưu hóa hiệu suất hệ thống.

• Tác giả: Trần Đức Nhuận
• Người hướng dẫn: TS. Nguyễn Bình Minh
• Trường học: Trường Đại học Bách khoa Hà Nội
• Chuyên ngành: Hệ thống thông tin
• Đề tài: Nghiên cứu xây dựng mô hình dự đoán lượng tiêu thụ và tự động co dãn tài nguyên trong môi trường phân tán
• Loại tài liệu: Luận văn thạc sĩ khoa học
• Năm xuất bản: 2018
• Địa điểm: Hà Nội

Tóm tắt

I. Tổng Quan Về Dự Đoán Tiêu Thụ Tài Nguyên Môi Trường Phân Tán

Trong bối cảnh điện toán đám mây và các môi trường phân tán ngày càng phát triển, việc quản lý và phân bổ tài nguyên động trở nên vô cùng quan trọng. Các tổ chức tìm cách khai thác tối đa điện toán đám mây để tiết kiệm chi phí và nâng cao hiệu quả hoạt động. Tuy nhiên, việc dự đoán chính xác nhu cầu tiêu thụ tài nguyên là một thách thức lớn. Việc cung cấp dư thừa tài nguyên gây lãng phí, trong khi cung cấp thiếu có thể dẫn đến hiệu suất kém và ảnh hưởng tiêu cực đến trải nghiệm người dùng. Tự động co dãn tài nguyên là giải pháp lý tưởng, nhưng đòi hỏi phải có khả năng dự báo chính xác để điều chỉnh tài nguyên một cách linh hoạt. Mô hình dự đoán lượng tiêu thụ tài nguyên đóng vai trò then chốt trong việc hiện thực hóa khả năng này. Các phương pháp truyền thống thường gặp khó khăn trong việc xử lý tính biến động và phức tạp của dữ liệu sử dụng tài nguyên thực tế. Vì vậy việc áp dụng Machine Learning, học máy để giải quyết bài toán này đang rất được quan tâm. Luận văn này tập trung vào việc xây dựng một mô hình dự đoán hiệu quả, tận dụng các kỹ thuật tiên tiến để tối ưu hóa việc sử dụng tài nguyên trong môi trường phân tán. Mục tiêu là giảm thiểu chi phí, cải thiện hiệu suất và đảm bảo chất lượng dịch vụ (QoS) cho người dùng.

1.1. Tầm Quan Trọng Của Dự Đoán Trong Quản Lý Tài Nguyên Đám Mây

Quản lý tài nguyên hiệu quả là yếu tố then chốt trong thành công của các ứng dụng và dịch vụ điện toán đám mây. Việc dự đoán nhu cầu tiêu thụ tài nguyên cho phép các nhà cung cấp dịch vụ và người dùng chủ động điều chỉnh cơ sở hạ tầng, tránh tình trạng quá tải hoặc lãng phí. Dự báo tài nguyên giúp tối ưu hóa chi phí, nâng cao hiệu suất và cải thiện trải nghiệm người dùng. Khi có khả năng dự đoán chính xác, hệ thống có thể tự động co dãn tài nguyên để đáp ứng nhu cầu biến động, đảm bảo tính ổn định và sẵn sàng cao. Các kỹ thuật như phân tích hồi quy, dự đoán chuỗi thời gian, và mạng nơ-ron được sử dụng để xây dựng các mô hình dự đoán. Một mô hình tốt phải có khả năng xử lý dữ liệu lịch sử, nhận diện các mẫu và xu hướng, và dự báo nhu cầu trong tương lai một cách chính xác.

1.2. Thách Thức Trong Dự Đoán Tiêu Thụ Tài Nguyên Phân Tán Hiện Nay

Mặc dù có nhiều tiến bộ trong lĩnh vực dự đoán tài nguyên, vẫn còn nhiều thách thức cần giải quyết. Dữ liệu sử dụng tài nguyên thường rất phức tạp và biến động, chịu ảnh hưởng của nhiều yếu tố khác nhau như thời gian, tải hệ thống, và hành vi người dùng. Các phương pháp truyền thống thường gặp khó khăn trong việc xử lý tính phi tuyến và sự tương quan giữa các tài nguyên khác nhau. Dữ liệu lớn (Big Data) cũng là một thách thức, đòi hỏi các mô hình dự đoán phải có khả năng xử lý và phân tích lượng lớn dữ liệu một cách hiệu quả. Ngoài ra, các yếu tố bên ngoài như sự kiện đặc biệt hoặc thay đổi trong môi trường kinh doanh cũng có thể ảnh hưởng đến nhu cầu tiêu thụ tài nguyên, gây khó khăn cho việc dự báo chính xác. Do đó, cần các thuật toán dự đoán mạnh mẽ và linh hoạt để thích ứng với những thay đổi này.

II. Phương Pháp Xây Dựng Mô Hình Dự Đoán Tiêu Thụ Tài Nguyên

Việc xây dựng một mô hình dự đoán lượng tiêu thụ tài nguyên hiệu quả đòi hỏi sự kết hợp của nhiều kỹ thuật và phương pháp khác nhau. Đầu tiên, cần thu thập và tiền xử lý dữ liệu lịch sử, loại bỏ nhiễu và chuẩn hóa dữ liệu để đảm bảo chất lượng. Tiếp theo, lựa chọn các đặc trưng phù hợp, có thể sử dụng các kỹ thuật như phân tích tương quan, hoặc các phương pháp phân tích đa chiều để xác định các yếu tố ảnh hưởng lớn nhất đến nhu cầu tiêu thụ tài nguyên. Sau đó, xây dựng mô hình dự đoán bằng cách sử dụng các thuật toán học máy như phân tích hồi quy, mạng nơ-ron, hoặc dự đoán chuỗi thời gian. Thuật toán dự đoán phải được huấn luyện trên dữ liệu lịch sử và đánh giá bằng các độ đo hiệu suất phù hợp. Cuối cùng, mô hình cần được triển khai và giám sát liên tục để đảm bảo tính chính xác và hiệu quả trong thực tế.

2.1. Kỹ Thuật Tiền Xử Lý Dữ Liệu Cho Dự Báo Tài Nguyên

Dữ liệu sử dụng tài nguyên thường chứa nhiều nhiễu và giá trị thiếu, ảnh hưởng đến chất lượng của mô hình dự đoán. Kỹ thuật tiền xử lý dữ liệu đóng vai trò quan trọng trong việc làm sạch và chuẩn hóa dữ liệu. Các bước tiền xử lý bao gồm: loại bỏ các giá trị ngoại lệ, điền các giá trị thiếu bằng các phương pháp như trung bình hoặc nội suy, và chuẩn hóa dữ liệu về một khoảng giá trị nhất định. Kỹ thuật mờ hóa cũng có thể được sử dụng để giảm độ nhạy của mô hình với các giá trị nhiễu. Ngoài ra, việc chuyển đổi dữ liệu về dạng phù hợp với thuật toán học máy cũng là một bước quan trọng. Theo luận văn, "Chuỗi dữ liệu CPU trước và sau khi áp dụng kí thuật mờ hóa" (Trần Đức Nhuận, 2018). Mục tiêu là tạo ra một bộ dữ liệu sạch và chất lượng, giúp mô hình dự đoán học được các mẫu và xu hướng một cách chính xác.

2.2. Lựa Chọn Đặc Trưng Quan Trọng Trong Mô Hình Dự Đoán

Việc lựa chọn các đặc trưng phù hợp là yếu tố then chốt trong việc xây dựng một mô hình dự đoán lượng tiêu thụ tài nguyên hiệu quả. Các đặc trưng có thể bao gồm: thời gian (giờ, ngày, tuần, tháng), tải hệ thống (CPU, bộ nhớ, mạng), và thông tin về ứng dụng hoặc người dùng. Kỹ thuật phân tích tương quan có thể được sử dụng để xác định mối quan hệ giữa các đặc trưng và nhu cầu tiêu thụ tài nguyên. Các thuật toán lựa chọn đặc trưng như thuật toán di truyền hoặc thuật toán tìm kiếm theo hướng độ dốc cũng có thể được sử dụng để tìm ra tập hợp các đặc trưng tối ưu. Mục tiêu là chọn ra các đặc trưng có ảnh hưởng lớn nhất đến nhu cầu tiêu thụ tài nguyên, giúp mô hình dự đoán đạt được độ chính xác cao.

2.3. Đánh Giá Hiệu Năng Mô Hình Dự Đoán Tài Nguyên Đám Mây

Sau khi xây dựng mô hình dự đoán lượng tiêu thụ tài nguyên, việc đánh giá hiệu năng là vô cùng quan trọng. Các độ đo hiệu suất phổ biến bao gồm: sai số tuyệt đối trung bình (MAE), sai số bình phương gốc trung bình (RMSE), và độ chính xác dự đoán. Mô hình cần được đánh giá trên một tập dữ liệu kiểm tra độc lập để đảm bảo tính khách quan. Ngoài ra, cần so sánh hiệu năng của mô hình với các phương pháp dự báo khác để xác định tính ưu việt. Việc đánh giá cần xem xét cả độ chính xác dự đoán và chi phí tính toán, đảm bảo rằng mô hình có thể được triển khai trong thực tế một cách hiệu quả.

III. Ứng Dụng Thuật Toán Học Sâu LSTM Dự Đoán Tự Động Co Dãn

Trong những năm gần đây, học sâu (Deep Learning) đã đạt được nhiều thành công trong lĩnh vực dự báo chuỗi thời gian. Mạng nơ-ron hồi quy dài hạn (LSTM) là một kiến trúc học sâu đặc biệt phù hợp với việc xử lý dữ liệu chuỗi thời gian, cho phép mô hình học được các phụ thuộc dài hạn trong dữ liệu. Mô hình LSTM có thể được sử dụng để dự đoán nhu cầu tiêu thụ tài nguyên dựa trên dữ liệu lịch sử, từ đó tự động co dãn tài nguyên một cách linh hoạt. Việc sử dụng LSTM có thể cải thiện đáng kể độ chính xác dự đoán so với các phương pháp truyền thống.

3.1. Ưu Điểm Của Mạng LSTM Trong Dự Đoán Chuỗi Thời Gian

Mạng LSTM có khả năng ghi nhớ các thông tin quan trọng từ quá khứ, giúp mô hình hiểu được các phụ thuộc dài hạn trong dữ liệu. Điều này đặc biệt quan trọng trong việc dự đoán nhu cầu tiêu thụ tài nguyên, vì các yếu tố như thời gian, tải hệ thống, và hành vi người dùng có thể ảnh hưởng đến nhu cầu trong tương lai. LSTM cũng có khả năng xử lý dữ liệu biến đổi theo thời gian, cho phép mô hình thích ứng với những thay đổi trong môi trường. Khả năng này giúp LSTM vượt trội so với các phương pháp dự báo truyền thống, đặc biệt là trong các môi trường phân tán phức tạp.

3.2. Cách Xây Dựng Mô Hình LSTM Dự Đoán Tiêu Thụ Tài Nguyên

Việc xây dựng một mô hình LSTM để dự đoán nhu cầu tiêu thụ tài nguyên đòi hỏi sự lựa chọn kiến trúc và tham số phù hợp. Mô hình cần được huấn luyện trên một tập dữ liệu lịch sử lớn, sử dụng các thuật toán tối ưu hóa như Adam hoặc RMSprop. Việc điều chỉnh các tham số như số lượng lớp, số lượng nơ-ron, và tốc độ học là rất quan trọng để đạt được hiệu suất tốt nhất. Ngoài ra, cần sử dụng các kỹ thuật như dropout hoặc batch normalization để tránh tình trạng quá khớp. Theo luận văn, "Kiến trúc tổng quan mô hình tự động khả mở MF-LSTM" (Trần Đức Nhuận, 2018). Mục tiêu là xây dựng một mô hình LSTM có khả năng học được các mẫu và xu hướng trong dữ liệu, và dự báo nhu cầu trong tương lai một cách chính xác.

3.3. Tích Hợp Mô Hình LSTM Vào Hệ Thống Tự Động Co Dãn Tài Nguyên

Sau khi xây dựng và huấn luyện mô hình LSTM, cần tích hợp nó vào hệ thống tự động co dãn tài nguyên. Mô hình sẽ dự đoán nhu cầu tiêu thụ tài nguyên trong tương lai, và hệ thống sẽ tự động điều chỉnh tài nguyên để đáp ứng nhu cầu này. Việc điều chỉnh có thể bao gồm việc thêm hoặc bớt tài nguyên, thay đổi cấu hình, hoặc di chuyển ứng dụng sang các máy chủ khác. Hệ thống cần được thiết kế để phản ứng nhanh chóng với các thay đổi trong nhu cầu, đảm bảo tính ổn định và hiệu suất của ứng dụng. Việc tích hợp mô hình LSTM vào hệ thống tự động co dãn tài nguyên giúp tối ưu hóa việc sử dụng tài nguyên, giảm chi phí, và cải thiện trải nghiệm người dùng.

IV. Ứng Dụng Kết Hợp Mờ Hóa Và LSTM Để Tối Ưu Dự Đoán Tài Nguyên

Một phương pháp tiếp cận hiệu quả là kết hợp kỹ thuật mờ hóa (Fuzzy Logic) với mạng LSTM. Kỹ thuật mờ hóa cho phép xử lý tính không chắc chắn và không rõ ràng trong dữ liệu, giúp mô hình trở nên mạnh mẽ hơn trước các nhiễu và biến động. Mô hình kết hợp này có thể cải thiện đáng kể độ chính xác dự đoán, đặc biệt là trong các môi trường phân tán phức tạp và khó đoán.

4.1. Lợi Ích Của Mờ Hóa Trong Xử Lý Dữ Liệu Tiêu Thụ Tài Nguyên

Dữ liệu tiêu thụ tài nguyên thường chứa nhiều nhiễu và giá trị không chính xác, gây khó khăn cho việc dự báo chính xác. Kỹ thuật mờ hóa cho phép xử lý tính không chắc chắn này bằng cách chuyển đổi các giá trị số thành các tập mờ, đại diện cho mức độ thuộc về các trạng thái khác nhau. Ví dụ, một giá trị CPU có thể thuộc về các tập mờ như "thấp", "trung bình", và "cao", với các mức độ khác nhau. Điều này giúp mô hình trở nên ít nhạy cảm hơn với các giá trị nhiễu, và có khả năng dự báo chính xác hơn.

4.2. Xây Dựng Mô Hình LSTM Kết Hợp Logic Mờ Fuzzy LSTM

Để xây dựng một mô hình LSTM kết hợp logic mờ, cần tích hợp các thành phần mờ hóa vào kiến trúc LSTM. Đầu tiên, dữ liệu tiêu thụ tài nguyên được chuyển đổi thành các tập mờ bằng cách sử dụng các hàm thành viên phù hợp. Sau đó, các tập mờ này được đưa vào mạng LSTM để học các mẫu và xu hướng. Mô hình kết hợp này có khả năng tận dụng cả ưu điểm của LSTM và logic mờ, đạt được độ chính xác dự đoán cao hơn so với các phương pháp truyền thống. Theo luận văn, "Mô hình LSTM học quan hệ mờ" (Trần Đức Nhuận, 2018). Việc đánh giá và so sánh với các mô hình khác là cần thiết để xác định tính ưu việt của phương pháp này.

4.3. Thử Nghiệm Và Đánh Giá Hiệu Quả Mô Hình Fuzzy LSTM

Để đánh giá hiệu quả của mô hình Fuzzy-LSTM, cần thực hiện các thử nghiệm trên dữ liệu thực tế. Mô hình cần được huấn luyện trên một tập dữ liệu lịch sử lớn, và đánh giá trên một tập dữ liệu kiểm tra độc lập. Các độ đo hiệu suất như MAE, RMSE, và độ chính xác dự đoán cần được sử dụng để so sánh mô hình Fuzzy-LSTM với các phương pháp dự báo khác. Kết quả thử nghiệm sẽ cho thấy liệu mô hình kết hợp này có thực sự cải thiện độ chính xác dự đoán so với các phương pháp truyền thống hay không.

V. Thử Nghiệm Và Kết Quả Thực Tế Của Mô Hình Dự Đoán Tài Nguyên

Để chứng minh tính hiệu quả của mô hình dự đoán lượng tiêu thụ tài nguyên được đề xuất, cần thực hiện các thử nghiệm trên dữ liệu thực tế. Các thử nghiệm này sẽ đánh giá độ chính xác dự đoán, khả năng tự động co dãn tài nguyên, và tác động đến hiệu suất và chi phí. Kết quả thử nghiệm sẽ cho thấy liệu mô hình có đáp ứng được các yêu cầu thực tế hay không.

5.1. Thiết Lập Môi Trường Thử Nghiệm Dự Đoán Tiêu Thụ Tài Nguyên

Môi trường thử nghiệm cần được thiết lập để mô phỏng các điều kiện thực tế trong môi trường phân tán. Dữ liệu thực tế về tiêu thụ tài nguyên từ các hệ thống đám mây hoặc trung tâm dữ liệu cần được thu thập và sử dụng để huấn luyện và đánh giá mô hình dự đoán. Các tham số như số lượng máy ảo, loại ứng dụng, và tải hệ thống cần được điều chỉnh để tạo ra các kịch bản thử nghiệm khác nhau.

5.2. So Sánh Hiệu Năng Các Mô Hình Dự Đoán Khác Nhau

Hiệu năng của mô hình được đề xuất cần được so sánh với các phương pháp dự báo khác như phân tích hồi quy, mạng nơ-ron truyền thống, và các mô hình chuỗi thời gian khác. Các độ đo hiệu suất như MAE, RMSE, và độ chính xác dự đoán cần được sử dụng để đánh giá và so sánh các mô hình.

5.3. Đánh Giá Tác Động Của Mô Hình Đến Tự Động Co Dãn Tài Nguyên

Tác động của mô hình dự đoán đến khả năng tự động co dãn tài nguyên cần được đánh giá. Các thử nghiệm cần đo lường thời gian phản hồi của hệ thống, mức độ sử dụng tài nguyên, và chi phí vận hành. Kết quả thử nghiệm sẽ cho thấy liệu mô hình có giúp tối ưu hóa việc sử dụng tài nguyên, giảm chi phí, và cải thiện hiệu suất của ứng dụng hay không.

VI. Kết Luận Về Nghiên Cứu Mô Hình Dự Đoán Và Hướng Phát Triển

Luận văn đã trình bày một mô hình dự đoán lượng tiêu thụ tài nguyên hiệu quả, tận dụng các kỹ thuật tiên tiến như mờ hóa và học sâu (LSTM). Kết quả thử nghiệm cho thấy mô hình có khả năng dự đoán chính xác nhu cầu tiêu thụ tài nguyên, giúp tự động co dãn tài nguyên một cách linh hoạt và hiệu quả. Nghiên cứu này góp phần vào việc giải quyết bài toán quản lý tài nguyên trong môi trường phân tán, giúp các tổ chức tiết kiệm chi phí, cải thiện hiệu suất, và đảm bảo chất lượng dịch vụ. Hướng phát triển trong tương lai có thể tập trung vào việc tích hợp thêm các yếu tố bên ngoài như sự kiện đặc biệt hoặc thay đổi trong môi trường kinh doanh vào mô hình dự đoán, và sử dụng các kỹ thuật học tăng cường để tự động điều chỉnh các tham số của mô hình.

6.1. Tóm Tắt Những Đóng Góp Chính Của Luận Văn

Luận văn đã đóng góp vào lĩnh vực quản lý tài nguyên trong môi trường phân tán bằng cách đề xuất một mô hình dự đoán lượng tiêu thụ tài nguyên hiệu quả, kết hợp các kỹ thuật mờ hóa và học sâu. Luận văn cũng đã trình bày các thử nghiệm và kết quả thực tế, chứng minh tính hiệu quả của mô hình trong việc tự động co dãn tài nguyên.

6.2. Đề Xuất Hướng Nghiên Cứu Tiếp Theo Về Dự Đoán Tài Nguyên

Các hướng nghiên cứu tiếp theo có thể tập trung vào việc tích hợp thêm các yếu tố bên ngoài vào mô hình dự đoán, sử dụng các kỹ thuật học tăng cường để tự động điều chỉnh các tham số của mô hình, và áp dụng mô hình cho các môi trường phân tán khác nhau như IoT hoặc edge computing.

Trích đoạn nội dung tài liệu

HỘ GIÁO DỤC VÀ ĐÀO TẠO - 'TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI NÿDHN 2, 1) NVML TRAN DUC NHUAN NIL ONQIIL ONOILL U1 NGIIÊN CỨU XÂY DỰNG MÔ TIÌNH DỰ ĐOÁN LƯỢNG TIÊU THỤ VÀ TỰ ĐỘNG CO DẪN TÀI NGUYÊN TRONG MỖI TRUONG PHAN TAN LUAN VAN THAC Si KHOA HOC Hệ thống thông tin VLLOZ HảNội Năm 2018 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI 'TRẦN ĐỨC NHUẬN NGHIÊN CỨU XÂY DUNG MG ITINII DU BOAN LUONG TIRU THU VA TỰ ĐỘNG CO DAN TAI NGUYEN TRONG MOI TRUONG PILAN TAN Chuyên ngành : Hệ thống thông tin LUẬN VĂN THẠC SĨ KHOA HỌC NGƯỜI TIƯỚNG DẪN KHOA HỌC TS. Nguyén Binh Minh Ila Ngi — Năm 2018 Lai cảm on Đầu tiêu, L0i xiu được gửi lời củau du châu thành đến các Cady gido, vd gido thude Lruting dai bye Bách Khoa Hà , đặu biệt là các thầy giáo, cõ giáo Lhuộc Viện Công nghệ Tông tíu và Truyền Thông. Đảng thời t0: cũng xin được gii lài cấm ơn đặe biệt đến 1§ Nguyễn Hình Minh. 'LAÄy là người đã chỉ din tan tinh, cho téi naimg kink nghiệm quý báu để có thể hoàn thành luận ván này, “ôi xin đình.

Sự sát, cánh và động, viên tỉnh thần từ gia đình huớ 'à động Tiển lên phía trước. Muc luc Tời cảm du. Tải cam đoan “Tóm tắt Abstract Danh sách thuật ngữ chính. Đanh sách hình vẽ Danh sách bảng, 1 Tổng quun 2 Các nghiên cứu liên quan 3.1L Tông quar về toầu đấm mây.

212 Mô bình dịh vụ. 213 Mô hình tiến khai.2 Vân để cưng cấp tài nguyễn. 3⁄8 Cáo phương pháp dự đoán chuỗi raò! gian.1 Nghiễn mi tổng quan 22 3⁄3.2- Phương pháp tuyển tỉnh ” 2.3 Phương pháp mạrg nơ-ron nhãn tạo 25 234 Phuduy phap hye sâu - Decp Learning.9 Chuỗi thời giau mờ - Fuzy Time Series $1 24 Các phương pháp phần tích muỗi Lương quan nhiều chiếu 32 3 Mô hình đề xuất a4 3.1 Kiến trúc bệ thố Bry 33 Tiên xử ý dữ liện 3ã 413 Tríh chọn đặc tring, a7 3.4 Hnấn hiyện mồ hình 38 35 Dự doầu lài nguyễn sử dang 40 3/6. Dánh giá chất lượng địch vụ 40 3.1 Daub gid Ui le vi phan SLA 40 36.2 Sự ra quyết định khả mớ tài nguyễn.

4 Thử nghiệm và đảnh giả AL Thiết lập thử nghiện: 411 Đữlệu. " 1⁄2 'Lhử nghiệm phương pháp mờ hóa. " 43 Tríh chạn đặc tiring, 44 Dự đoán 4.1 Thử rghiệm mõ hình đan biến - đã. lấn 442 Thử cghiệm :uõ hình đa biên ME-TLSTM vải mỏ bàn: khác 45.

Thữ nghiệm ra qayết dịnh „ Ất luận "Bài liệu tham khảo. Abstract Cloud computing has emerged as an optimal option for almost a.l computations problems today. Ore of the most advanced features is pay-as-go-go fashion, alowed user to provide computational resource adequately and flexible. ‘I'his ke‘ps to reduce the renting resource cost to the minimum.

Using cloud services, customers and cloud providers will come to term with usage conditions defined in Service Layer Agreement (SLA). which specify acceptable Quaiity of Service (Q09) metric lavela. In term of soSware developer, they must guarantee quality of service for their end users. However, the performace of applivution depends on the inllucace of cesouree Qu provided by cloud infrackructure vendors, One of the important challenge in clouds Loday is Low Wy ‘inprove Qo8 ol computing resources.

Many research deal with the probleu by usiug predicuion lime series studel. In this thesis, we propose a compresensive autoscaling solution for clouds based on torecasting resource consumption in the future. our prediction mode leverages the advantage of fuzey approach, eatropy corre.ation and stacked Long Skort ‘erm Memory to process historical monitoring time ceries data, After than, ecaling decis!on. is validated and adapted through evaluating SLA viala- tions.

The solution is tested on rea. workload dataset from Google cluster. The achieved results show siguifcant increuse in clfivieucy than other baseline models Danh sách thuật ngữ chính Diện toán dam may Tuleruet of Things Tự động co đãn tà: nguyên. Cam kết chất omg dich vy (Service Tevel Agreament) Mạng nd.ron naan tao Back propagation Lan truyền ngược LSTM Long Skort Term Memory Muc luc Tời cảm du.

Tải cam đoan “Tóm tắt Abstract Danh sách thuật ngữ chính. Đanh sách hình vẽ Danh sách bảng, 1 Tổng quun 2 Các nghiên cứu liên quan 3.1L Tông quar về toầu đấm mây. 212 Mô bình dịh vụ. 213 Mô hình tiến khai.2 Vân để cưng cấp tài nguyễn.

3⁄8 Cáo phương pháp dự đoán chuỗi raò! gian.1 Nghiễn mi tổng quan 22 3⁄3.2- Phương pháp tuyển tỉnh ” 2.3 Phương pháp mạrg nơ-ron nhãn tạo 25 234 Phuduy phap hye sâu - Decp Learning.9 Chuỗi thời giau mờ - Fuzy Time Series $1 24 Các phương pháp phần tích muỗi Lương quan nhiều chiếu 32 Danh sách thuật ngữ chính Diện toán dam may Tuleruet of Things Tự động co đãn tà: nguyên. Cam kết chất omg dich vy (Service Tevel Agreament) Mạng nd.ron naan tao Back propagation Lan truyền ngược LSTM Long Skort Term Memory Danh sách hình ve 11 Sự cung cấp tài nguyên theo nhu cầu (nguồn: LogicMoniror) 18 Dung lượng đữ liệt truyễn tải cäa lớÏ'.-- 18 Mo hint triển khai ĐTĐM. ¬ eee 16 MO bint hệ thống khả mỡ. eee eee +9 Sự cung cấp tài nguyên theo nhu cầu (nguồn: harishblegspot}.

20 Mé hina Periodicity (ngudn sEdeshare 1}. a Mang no-ron nhan tao nhidn tang: 9 Mũ phông hướng dạo hàm 3 Teeurrent Keural Ketwork. 28 Recurreul Neural Nelwork. 29 Mo hint eda wang LSTM [9].

30 Kiến trúc tổng quan mỏ bình tự dérg kaa md MF-LSTM 33 Mee 46 tiêu thu CPU theo thấi gian của mặt jcb trong cum may chủ đosgle 33 Mo hint LSTM học quan hệ mờ. "¬— 41 Chuỗi dữ liệu CPU trước và sau khi áp dụng kí thuật mồ hóa 43 Mỗi tưởng quan nhiều chiều trong đữ liệu. 48 Môi Lướng quann chiều cho 4 dO de. Ad Kết quả dự đoãn ƠPU của mô hình đơa biến Fuzsy GABPKN voi p = 4 45 Kết quả dự đoãn Memory của mô hình đơn biểu Fuzzy GABPNN với p=4.

46 Kết quà dhự đaán CPL cia m6 h đơn hiến M RENN vdip 4 17 Kết qna dit dadn Memory cia mé nh dom bién MF-GABPNK véip 4 48 Kết qna. dit dean CPU wit cdc cita sé trot. khée nhan gifia mé hinh MI-BUNN and MF-GABPNN 49 Kết qua du doén Memory với các cửa sổ trượt khác nhau giữa mö hình MF-BPNN and MF-GABPNN 410 Kết quả đự đoán OPU với cửa sổ trượt = 2 sử dụng ME-LSTM với ẻ khác nhưu. Danh sách hình ve 11 Sự cung cấp tài nguyên theo nhu cầu (nguồn: LogicMoniror) 18 Dung lượng đữ liệt truyễn tải cäa lớÏ'.-- 18 Mo hint triển khai ĐTĐM.

¬ eee 16 MO bint hệ thống khả mỡ. eee eee +9 Sự cung cấp tài nguyên theo nhu cầu (nguồn: harishblegspot}. 20 Mé hina Periodicity (ngudn sEdeshare 1}. a Mang no-ron nhan tao nhidn tang: 9 Mũ phông hướng dạo hàm 3 Teeurrent Keural Ketwork.

28 Recurreul Neural Nelwork. 29 Mo hint eda wang LSTM [9]. 30 Kiến trúc tổng quan mỏ bình tự dérg kaa md MF-LSTM 33 Mee 46 tiêu thu CPU theo thấi gian của mặt jcb trong cum may chủ đosgle 33 Mo hint LSTM học quan hệ mờ. "¬— 41 Chuỗi dữ liệu CPU trước và sau khi áp dụng kí thuật mồ hóa 43 Mỗi tưởng quan nhiều chiều trong đữ liệu.

48 Môi Lướng quann chiều cho 4 dO de. Ad Kết quả dự đoãn ƠPU của mô hình đơa biến Fuzsy GABPKN voi p = 4 45 Kết quả dự đoãn Memory của mô hình đơn biểu Fuzzy GABPNN với p=4. 46 Kết quà dhự đaán CPL cia m6 h đơn hiến M RENN vdip 4 17 Kết qna dit dadn Memory cia mé nh dom bién MF-GABPNK véip 4 48 Kết qna. dit dean CPU wit cdc cita sé trot.

khée nhan gifia mé hinh MI-BUNN and MF-GABPNN 49 Kết qua du doén Memory với các cửa sổ trượt khác nhau giữa mö hình MF-BPNN and MF-GABPNN 410 Kết quả đự đoán OPU với cửa sổ trượt = 2 sử dụng ME-LSTM với ẻ khác nhưu. Muc luc Tời cảm du. Tải cam đoan “Tóm tắt Abstract Danh sách thuật ngữ chính. Đanh sách hình vẽ Danh sách bảng, 1 Tổng quun 2 Các nghiên cứu liên quan 3.1L Tông quar về toầu đấm mây.

212 Mô bình dịh vụ. 213 Mô hình tiến khai.2 Vân để cưng cấp tài nguyễn. 3⁄8 Cáo phương pháp dự đoán chuỗi raò! gian.1 Nghiễn mi tổng quan 22 3⁄3.2- Phương pháp tuyển tỉnh ” 2.3 Phương pháp mạrg nơ-ron nhãn tạo 25 234 Phuduy phap hye sâu - Decp Learning.9 Chuỗi thời giau mờ - Fuzy Time Series $1 24 Các phương pháp phần tích muỗi Lương quan nhiều chiếu 32 3 Mô hình đề xuất a4 3.1 Kiến trúc bệ thố Bry 33 Tiên xử ý dữ liện 3ã 413 Tríh chọn đặc tring, a7 3.4 Hnấn hiyện mồ hình 38 35 Dự doầu lài nguyễn sử dang 40 3/6. Dánh giá chất lượng địch vụ 40 3.1 Daub gid Ui le vi phan SLA 40 36.2 Sự ra quyết định khả mớ tài nguyễn.

4 Thử nghiệm và đảnh giả AL Thiết lập thử nghiện: 411 Đữlệu. " 1⁄2 'Lhử nghiệm phương pháp mờ hóa. " 43 Tríh chạn đặc tiring, 44 Dự đoán 4.1 Thử rghiệm mõ hình đan biến - đã. lấn 442 Thử cghiệm :uõ hình đa biên ME-TLSTM vải mỏ bàn: khác 45.

Thữ nghiệm ra qayết dịnh „ Ất luận "Bài liệu tham khảo. Lỡi cam đoan. "Tôi - fhên Đức Nhuận - cau: XếL luận văn rảy là công trìuh nghiên cửu của bản thân Lôi đưới sự Sướng dầu của T8. Kguyễu Bènh Minh.

Cáo kết quả tiêu trorg biên vận là trung thực, không phải là sao chép cite bat eit cong trình đã được công bố nào khác. 'lắt cá các trích dẫn đều được thara chiếu rõ rằng. Hồ Nội, ngày 3L tháng 8 uữua 2018 'Iắp giá luận vấn ‘Iran Dite Nhuận Xác nhận của người hướng dẫn. Lỡi cam đoan.

"Tôi - fhên Đức Nhuận - cau: XếL luận văn rảy là công trìuh nghiên cửu của bản thân Lôi đưới sự Sướng dầu của T8. Kguyễu Bènh Minh. Cáo kết quả tiêu trorg biên vận là trung thực, không phải là sao chép cite bat eit cong trình đã được công bố nào khác. 'lắt cá các trích dẫn đều được thara chiếu rõ rằng.

Hồ Nội, ngày 3L tháng 8 uữua 2018 'Iắp giá luận vấn ‘Iran Dite Nhuận Xác nhận của người hướng dẫn. Tóm tắt ‘Gan day, md ninh điện toát đám mây trở nên rất phố biển trong rất nhiều rổ chức. Mô hình này cho phép nguéi su dung trd phi theo nhu cau (pay-as-you-go) đáp ứng được sự phá: triển tự nhiên của. xôi tổ chức, Các tài nguyên ULDM tảng giảm một cách mềm déo, tận dụng tối đa tài nguyễn tính toán giám thiểu nguy cơ cung cấp thửa, gây lãng phí cũng như trách sự cung cấp không dủ dẫn tới vẻặc mit di các khách hàng tiểm: năng.