CHƯƠNG 1. Ll Datvan dé. 12 Cach tidp can.3 Các đóng góp của luậnvăn.4 Bố cục luận vẫn CHUONG 2. CAC NGHIEN CUU LIEN QUAN.1 Điệntoản đảm mây và các vân để liên quan 2.2 Các phương pháp dự đoán chuỗi thời gian.1 Các phương pháp tuyến tỉnh.
221 Mạngnơroen trayén théng 2 22.2 Mang no-ron ty t8 chitc 2. Các giải thuật lấy cảm hửng Lừ Lự nhiên 7 2.4 Mang tự tổ chức SOKIA - 10 24.1 Giải thuật xây dung tang an 11 2.42 Détbién ting an.5 Giải timật tôi ưu hóa hệ sinh thai (AEQ) .1 Giai đoạn khởi tạo.2 Giai dogn san mat.3 Giai đoạn tiểu thụ.1 Giai doạn phân hủy 15 CHƯƠNG 3. MÔ HỈÌNH DỰ BÁO ĐÈ XUẤT.1 Giải thuật để xuất [AEO 16 3. Cảithiệngiai đoạn tiêu thụ 17 3.2 Cải thiện giai đoạn phân hủy (decomposition) 18 3.2 Mô hình dự báoIARO-SSNA.20 CHUONG 4, UNG DUNG MO HINH DU’ BAO TRONG HE THONG CO GIAN TÀI NGUYÊN.22 41 Kiển trúc hệ thông co giãn tài nguyễn 22 42 M6 dun Extraction.
24 TẾ TÀI LUẬN VĂN Mã đề tải: 2018BKHDL-KH04 Theo QĐ số 137/QĐ-ĐHBK-ĐT-SĐH do Hiệu trưởng Trường Đại học Bách Khoa Hà Nội ký ngày 13 tháng 3 nim 2019 1. Họ và tên học viên: Nguyên Van Thiệu SHHV: CB180060 2. Ngành: Khoa hoc may tinh 3. Hệ: Thạc sĩ khoa học 4.
Người hưởng đẫn PGS. Nguyễn Bình Minh 5. Đơnvi: Viên công nghệ thông tin và truyền thông, trưởng Đại học Bách Khoa Hà Nội 6. Tên để tải (iếng Việ): Phân tích đữ liệu chuỗi thời gian cho bái toán đự báo 7.
Tên để tải (tiếng Anh): Tume-series analysis for forecasting problem Giảng viên hướng dẫn PGS. Nguyễn Bình Minh Lời cảm ơn Lời đầu tiên, em xin cam ơn các thấy cô Viện Công Nghệ Thông Tin và Truyền. “Thông đš trang bị cho em nhiều kiến thức nâng cao trong 2 năm học thạc sĩ. Dặc biệt, em xin cảm ơn đến PGS.
Nguyễn Binh Minh. Thầy đã tận tình giúp đỡ và hưởng dẫn em. tử khi cm tham gia vào trung tâm tính toán hiệu năng cao (HPCC). Những lúc khó khăn thầy đã luôn đông viên em, giủp em không được từ bô.
Đặc biệt là trong quá trình em làm để án tối nghiệp đại học cũng như luận văn tốt nghiệp thạc sĩ Em cũng xin gửi lời cảm ơn đến chỉ Giang (hiên đang là Assistant Professor tại Bratislava, Slovakia). Chị Giang và thầy Mimh là hai người đã tiếp sức cho cm trong những, lần viết bài báo khoa học. Sự tâm huyết của hai người đã hun đúc ngọn lửa tình yêu đối với nghiên cứu khoa học trong em. Lời cuỗi cùng, em xin gửi lời càm ơn đến người thân trong gia đình và những người bạn bê đã luôn ở bên em từ lúc em 18 tuổi cho đến tận bây giờ.
Lời động viên từ gia đình và bạn bè luôn là động lực để em vượt qua những khó khăn, thử thách trong cuộc sông. 'Tóm tắt nội dung luận văn Công nghệ điện toán đám my để và dang rất phổ biến trong nhiều tổ chức vi lợi Ích mà nó mang lại cho cả nhà cưng cấp và người sử dụng. Người sử dụng chỉ cần quan tâm đến chỉ phí theo nhụ câu họ sử dụng. Con hg thong DTDMkhi tang giam tai nguyén mot cach mém dẻo và tự động, sẽ tận dụng tôi đa được tải nguyên tỉnh toản, thiểu ngưy cơ cưng cấp thửa, gây lăng phí cũng như tránh được việc cung cấp thiểu tải nguyên gây anh hướng đến chất lượng dịchvụ dẫn tới việc mắt đi người đủng tiêm răng, Trong luận án này, chủng tôi đề xuất mô hình dự báo chuỗi thời gian [ATO-SSNN) sử dụng mạng nơ-ron tự cấu trúc (SSNN) và giải thuật cải tiễn cúa giải thuật Artificial Fcosyslem Optimization (ARO).
Ngoai a, ching lôi cũng để xuất giải pháp tự động co giãn tải nguyên che môi trường điện toán đảm may dya trên mô hình dự báo đề xuất bên trên. Ở đó, đữ liệu tiêu trụ tài nguyên sử dụng sẽ được thu thập từ các máy áo khác nhau, hệ thống sử dụng, các kĩ thuật tiên để tiền xử lý dữ liệu chuỗi thời gian. Mö hình dự bảo TAEO-SSNN sẽ được sử dụng để dự đoán lượng tải nguyên sử dụng trong tương lai. Từ đó, hệ thông tính toán ra được số lượng máy âo (VM) cần thiết trong thời gian tới, đảm bảo tối wu điện năng cũng như tránh lăng phi dư thừa.
Những thực nghiệm để sơ sánh các mô hình cũng như hiệu năng của hệ thông được lễ êu thực tế của 1 cụm máy chủ Googlc. Những thực nghiệm đã cho xuất có chất lượng tất hơn so với hầu hết các mô hình khác trong nhiều trường hợp khác rau. HỌC VIÊN Ky và ghỉ rã họ tên Lời cảm ơn Lời đầu tiên, em xin cam ơn các thấy cô Viện Công Nghệ Thông Tin và Truyền. “Thông đš trang bị cho em nhiều kiến thức nâng cao trong 2 năm học thạc sĩ.
Dặc biệt, em xin cảm ơn đến PGS. Nguyễn Binh Minh. Thầy đã tận tình giúp đỡ và hưởng dẫn em. tử khi cm tham gia vào trung tâm tính toán hiệu năng cao (HPCC).
Những lúc khó khăn thầy đã luôn đông viên em, giủp em không được từ bô. Đặc biệt là trong quá trình em làm để án tối nghiệp đại học cũng như luận văn tốt nghiệp thạc sĩ Em cũng xin gửi lời cảm ơn đến chỉ Giang (hiên đang là Assistant Professor tại Bratislava, Slovakia). Chị Giang và thầy Mimh là hai người đã tiếp sức cho cm trong những, lần viết bài báo khoa học. Sự tâm huyết của hai người đã hun đúc ngọn lửa tình yêu đối với nghiên cứu khoa học trong em.
Lời cuỗi cùng, em xin gửi lời càm ơn đến người thân trong gia đình và những người bạn bê đã luôn ở bên em từ lúc em 18 tuổi cho đến tận bây giờ. Lời động viên từ gia đình và bạn bè luôn là động lực để em vượt qua những khó khăn, thử thách trong cuộc sông. 'Tóm tắt nội dung luận văn Công nghệ điện toán đám my để và dang rất phổ biến trong nhiều tổ chức vi lợi Ích mà nó mang lại cho cả nhà cưng cấp và người sử dụng. Người sử dụng chỉ cần quan tâm đến chỉ phí theo nhụ câu họ sử dụng.
Con hg thong DTDMkhi tang giam tai nguyén mot cach mém dẻo và tự động, sẽ tận dụng tôi đa được tải nguyên tỉnh toản, thiểu ngưy cơ cưng cấp thửa, gây lăng phí cũng như tránh được việc cung cấp thiểu tải nguyên gây anh hướng đến chất lượng dịchvụ dẫn tới việc mắt đi người đủng tiêm răng, Trong luận án này, chủng tôi đề xuất mô hình dự báo chuỗi thời gian [ATO-SSNN) sử dụng mạng nơ-ron tự cấu trúc (SSNN) và giải thuật cải tiễn cúa giải thuật Artificial Fcosyslem Optimization (ARO). Ngoai a, ching lôi cũng để xuất giải pháp tự động co giãn tải nguyên che môi trường điện toán đảm may dya trên mô hình dự báo đề xuất bên trên. Ở đó, đữ liệu tiêu trụ tài nguyên sử dụng sẽ được thu thập từ các máy áo khác nhau, hệ thống sử dụng, các kĩ thuật tiên để tiền xử lý dữ liệu chuỗi thời gian. Mö hình dự bảo TAEO-SSNN sẽ được sử dụng để dự đoán lượng tải nguyên sử dụng trong tương lai.
Từ đó, hệ thông tính toán ra được số lượng máy âo (VM) cần thiết trong thời gian tới, đảm bảo tối wu điện năng cũng như tránh lăng phi dư thừa. Những thực nghiệm để sơ sánh các mô hình cũng như hiệu năng của hệ thông được lễ êu thực tế của 1 cụm máy chủ Googlc. Những thực nghiệm đã cho xuất có chất lượng tất hơn so với hầu hết các mô hình khác trong nhiều trường hợp khác rau. HỌC VIÊN Ky và ghỉ rã họ tên DANH MUC HINH VE Tlinh 2.1 M6 ta tai nguyén cung cdp cé inh theo yêu cầu của doanh nghiệp (ngudn [1])3 Tlinh 2.2 Mé ta siz cung cp thita t4i nguyễn (bên trái) và cung cấp thiểu tải nguyên (bên phải) theo yêu câu cổ định của doanh nghiệp (nguồn [ 1]).3 Mô hình dự đoản tải nguyên (nguồn [1]).4: Tổng quan các phương pháp dự báo chuỗi thời gian.5: Tổng quan các loại giải thuật Metaheuristics TH HH ky ve, Hinh 2.6 Câu trúc mạng tự tô chức SONIA (nguồn [ 14] ).7 Sơ đồ thuật toán AEO, : 15 Hình 3.1: Sự khác biệt giữa bước my ngấu nhiên va bude= nấy LLevy (nguồn internet) 17 Hinh 3.2 Qua t trình huậnn uyên mô hình dự báo [IAEO-SSNN 20 Hình 3.3 Miễn giá trị của các hảm kích hoạt (nguồn [34]) 21 Hình 4.1 Hệ thống eo giãn tải nguyên dé xuất.1 Hình vẽ giá trị thực tế và giá trị dự đoán của các mô hình 32 Hình 5.2 So sánh kết quả ADI giữa các mô hình với L1 (adaptation length) và s (scaling.
faotor) khác rhau 35 Hình 5.3 5o sánh giá trị ADT của các mô hình với I~2 và s khác nhau.4 So sánh giá trị ADI của các mô hình với L 3 vả s khác nhau 37 Hinh 5.5 5o sánh giá trị AIDT của các mô hình với I~6 và s khác nhau.6 5o sánh giá trị AIOT của các mô hình với LE12 và s khác nhan 39 Hình 5.7 So sánh giả trị AI2I của các mô hình với [E24 và s khác nhau 40 DANH MUC TU VIET TAT Tũ viết tắt Tiếng Ảnh Tiếng Việt DTDM Cloud Computing Diện toàn đảm mây MITAs Metaheuristic Algorithms Các giải thuật Metahouristic TS Time-scrics Chuỗi thời gian Periodicity Kĩ thuật Chủ kỉ Threshold Kĩ thuật Ngưỡng Prediction Eĩ tật Dự đoán PAYG Pay-as-you-go Tiêu bao nhiều trả bẩy nhiều SONIA Self-Organized Network inspired by | Mang nơ-ron tự tổ chức lay cảm Immune Algorithm hứng từ giải thuật miỄn dịch AEO Artificial Ecosystem Optimization Giai thuat t6i uu hoa ay cam hứng từ hệ sinh thái SSNN Self-Structure Neural Network Mạng nơ-rơn tự cầu trúc Qos Quality of Service Chât lượng dịch vụ SLA Service Level Agreement Thỏa thuận mức dịch vụ MLP Multi-Layer Pereeptron Mang no-ron truyén thing HW Hardware Phần cứng SW Software Phân mêm Load traffic Mô hinh Auto-scaling System Hệ thang tự động co giãn tai nguyên AR ‘Autoregressive MA Moving Average ARMA Autoregressive Moving Average DES Double Exponeniial Smoothing MUC LUC CHƯƠNG 1. Ll Datvan dé. 12 Cach tidp can.3 Các đóng góp của luậnvăn.4 Bố cục luận vẫn CHUONG 2. CAC NGHIEN CUU LIEN QUAN.1 Điệntoản đảm mây và các vân để liên quan 2.2 Các phương pháp dự đoán chuỗi thời gian.1 Các phương pháp tuyến tỉnh.
221 Mạngnơroen trayén théng 2 22.2 Mang no-ron ty t8 chitc 2. Các giải thuật lấy cảm hửng Lừ Lự nhiên 7 2.4 Mang tự tổ chức SOKIA - 10 24.1 Giải thuật xây dung tang an 11 2.42 Détbién ting an.5 Giải timật tôi ưu hóa hệ sinh thai (AEQ) .1 Giai đoạn khởi tạo.2 Giai dogn san mat.3 Giai đoạn tiểu thụ.1 Giai doạn phân hủy 15 CHƯƠNG 3. MÔ HỈÌNH DỰ BÁO ĐÈ XUẤT.1 Giải thuật để xuất [AEO 16 3. Cảithiệngiai đoạn tiêu thụ 17 3.