Tổng quan luận án

Luận án tiến sĩ kỹ thuật với đề tài "Nâng cao hiệu năng cân bằng tải trên điện toán đám mây" được nghiên cứu sinh Nguyễn Xuân Phi thực hiện tại Học viện Công nghệ Bưu chính Viễn thông dưới sự hướng dẫn khoa học của PGS. Trần Công Hùng, thuộc chuyên ngành Hệ thống thông tin (mã số: 9.04), hoàn thành vào năm 2022.

Tính cấp thiết và khoảng trống nghiên cứu

Điện toán đám mây đóng vai trò nền tảng trong việc lưu trữ dữ liệu và cung cấp dịch vụ tính toán theo nhu cầu qua mạng Internet. Sự gia tăng lưu lượng mạng và việc dịch chuyển hạ tầng của doanh nghiệp sau đại dịch COVID-19 cùng các định hướng chuyển đổi số quốc gia đã dẫn đến sự tăng trưởng mạnh mẽ của thị trường dịch vụ đám mây công cộng (theo số liệu dự báo của Gartner, Forrester, ViettelIDC và Bộ Thông tin và Truyền thông được tác giả trích dẫn). Tuy nhiên, khối lượng công việc và lưu lượng yêu cầu (request) truy cập ngày càng lớn đặt ra thách thức về xử lý dữ liệu và hiện tượng quá tải cục bộ tại các trung tâm dữ liệu.

Cân bằng tải là cơ chế phân phối khối lượng công việc giữa các tài nguyên tính toán nhằm tối ưu hóa hiệu năng và tránh quá tải. Mặc dù đã có nhiều nghiên cứu về lập lịch và điều phối tài nguyên, các thuật toán hiện hữu vẫn bộc lộ hạn chế:

  • Nhiều giải thuật cân bằng động lựa chọn máy ảo (Virtual Machine - VM) đầu tiên tìm thấy ở trạng thái sẵn sàng mà không đánh giá khối lượng tải hiện tại hoặc năng lực xử lý thực tế của VM đối với yêu cầu đầu vào, dẫn đến lãng phí thời gian điều phối lại khi xảy ra tình trạng thiếu tài nguyên;
  • Bộ cân bằng tải phải duyệt tuần tự qua toàn bộ danh sách máy ảo mỗi khi phân bổ, làm gia tăng độ phức tạp tính toán và kéo dài thời gian xử lý;
  • Thiếu cơ chế dự báo xu hướng thời gian đáp ứng để chủ động ra quyết định phân phối tải trước khi hệ thống rơi vào trạng thái nghẽn.

Do đó, việc nghiên cứu các giải pháp thuật toán cải tiến nhằm tối ưu hóa các tham số thời gian là một yêu cầu cấp thiết.

Mục tiêu nghiên cứu

Luận án xác định hai mục tiêu nghiên cứu cụ thể:

  1. Mục tiêu thứ nhất: Nghiên cứu, phát triển một số thuật toán cân bằng tải nhằm cải thiện thời gian đáp ứng trên điện toán đám mây.
  2. Mục tiêu thứ hai: Nghiên cứu, phát triển một số thuật toán cân bằng tải nhằm cải thiện thời gian xử lý trên điện toán đám mây.

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Các thuật toán cân bằng tải, các tham số ảnh hưởng đến hiệu năng cân bằng tải (trọng tâm là thời gian đáp ứng và thời gian xử lý), và các phương pháp đánh giá thuật toán cân bằng tải trong môi trường điện toán đám mây.
  • Phạm vi nghiên cứu: Luận án tập trung vào các giải thuật cân bằng tải hoạt động ở tầng cơ sở hạ tầng dịch vụ (IaaS) trong môi trường trung tâm dữ liệu đám mây; phương pháp đánh giá dựa trên mô hình hóa toán học và thực nghiệm mô phỏng trên các bộ công cụ chuyên dụng.

Tổng quan tài liệu và vị trí của luận án

Tác giả đã hệ thống hóa các công trình nghiên cứu trong và ngoài nước liên quan đến bài toán cân bằng tải và phân bổ tài nguyên trên điện toán đám mây qua các nhóm tiếp cận chính:

Các hướng nghiên cứu nền tảng và lập lịch tài nguyên

  • Kiến trúc và quản lý ảo hóa: Viện Tiêu chuẩn và Công nghệ Quốc gia Hoa Kỳ (NIST) [66] định nghĩa 5 đặc tính, 3 mô hình dịch vụ (SaaS, PaaS, IaaS) và 4 mô hình triển khai đám mây. Kiến trúc ảo hóa 3 tầng gồm tầng phần cứng vật lý, tầng giám sát máy ảo (Hypervisor/VMM như VMware, Xen, KVM) và tầng máy ảo [13], [40]. B. Sotomayor và cộng sự [91], [92] đề xuất mô hình quản lý hạ tầng ảo hóa (VIM) với OpenNebula và công cụ Haizea dựa trên hợp đồng thuê tài nguyên. R. Buyya và cộng sự [12] phát triển kiến trúc Green Cloud nhằm phân bổ VM tiết kiệm năng lượng.
  • Tổng quan phân bổ tài nguyên: Sukhpal và cộng sự [95] khảo sát 110 công trình trong tổng số 1206 nghiên cứu về cân bằng tải, phân loại 13 nhóm thuật toán phân bổ tài nguyên và 8 nhóm chính sách phân bổ phụ thuộc vào ràng buộc chất lượng dịch vụ (QoS). B. P. Rimal và cộng sự [26] phân loại các sơ đồ lập lịch tài nguyên. Gaochao Xu và cộng sự [21] đề xuất mô hình phân vùng đám mây công cộng (Cloud Partitioning) để áp dụng chiến lược cân bằng tải cục bộ. Hiren H. Bhatt và cộng sự [32] đề xuất kỹ thuật gom cụm trạng thái VM (dưới tải, cân bằng, quá tải) để phân phối linh hoạt.

Các hướng tiếp cận theo cơ chế điều phối và tham số

  • Cơ chế phân phối và quản trị hàng đợi: A. Govardhan và cộng sự [93] nghiên cứu giải thuật cân bằng động với cơ chế giám sát tải tập trung để tối thiểu hóa dòng lệnh trên bộ vi xử lý và giảm lưu lượng mạng. Javed Ali [67] đề xuất phân vùng và phân loại yêu cầu. Wenhong Tian và cộng sự [106] giới thiệu thuật toán DAIRS kết hợp cân bằng tải động và đo lường độ mất cân bằng trung bình của máy chủ. Rashmi S. và cộng sự [70] đề xuất giải thuật ELBAA nhằm giải phóng bế tắc trên máy ảo bằng cách chuyển dịch yêu cầu sang VM có mức sử dụng thấp hơn. Bibhudatta Sahoo và cộng sự [10] phát triển kỹ thuật cân bằng động HDCS cho hệ thống phân tán không đồng nhất. Reena Panwar và cộng sự [16], [72] nghiên cứu chiến lược phân bổ nguồn lực động dựa trên mô phỏng CloudAnalyst và cơ chế tích hợp hai hàng đợi.
  • Cải tiến tham số thời gian đáp ứng và thời gian xử lý: Agraj Sharma và cộng sự [2] đề xuất cân bằng tải dựa trên thời gian đáp ứng dự đoán và ngưỡng tải để giảm chi phí truy vấn tài nguyên. Huankai Chen và cộng sự [34], [35] xây dựng thuật toán LBIMM (Load Balance Improved Min-Min) bổ sung việc đánh giá khối lượng công việc của từng tài nguyên. Dhinesh Babu L.D [15] phát triển thuật toán HBB-LB dựa trên hành vi bầy ong mật kết hợp tính toán độ lệch chuẩn của tải máy ảo. Foram Kherani và cộng sự [5] đề xuất giải thuật dự báo trạng thái nút dựa trên dữ liệu lịch sử. Ritu Kapur [73] phát triển thuật toán LBRS. S. K. Sharma và cộng sự [29] kết hợp Max-Min và Weighted Round Robin thành giải thuật WMaxMin và cải tiến chính sách định tuyến broker dựa trên vùng lân cận. Tác giả trong [14] kết hợp giải thuật leo đồi ngẫu nhiên (SHC) và Join Idle Queue (JIQ) thành thuật toán lai SIQ. Nhóm tác giả trong [69] đề xuất cải tiến thuật toán Max-Min bằng cách tìm công việc có thời gian thực thi lớn nhất và gán cho tài nguyên hoàn thành sớm nhất.
Tác giả Phương pháp thực hiện Thông số khảo sát Kết quả đạt được
A. Govardhan et al. [93] Cân bằng động, giám sát tải tập trung Trạng thái nút, bộ vi xử lý, yêu cầu công việc Tối thiểu hóa lệnh xử lý trên CPU, giảm lưu lượng mạng
Agraj Sharma et al. [2] Cân bằng tải theo thời gian đáp ứng Thời gian đáp ứng, ngưỡng, thời gian đáp ứng dự đoán Tối đa hóa băng thông mạng, giảm truy vấn tài nguyên
Huankai Chen et al. [35] Thuật toán LBIMM (cải tiến Min-Min) Thời gian thực thi tại nút, tỷ lệ sử dụng nguồn lực Giảm thời gian hoàn thành, cải thiện cân bằng nguồn lực
Dhinesh Babu L.D [15] Thuật toán HBB-LB (hành vi bầy ong) Mức độ ưu tiên yêu cầu, độ lệch chuẩn tải Cân bằng tải theo độ ưu tiên từ các VM quá tải
Gaochao Xu et al. [21] Phân vùng đám mây công cộng Phân vùng đám mây, trạng thái chuyển đổi Cải thiện hiệu năng máy chủ khi chia tách phân vùng
Ritu Kapur [73] Thuật toán LBRS Thông lượng, thời gian đáp ứng, thời gian chờ Nâng cao hiệu quả lập lịch cân bằng nguồn lực
Rashmi S. et al. [70] Thuật toán ELBAA phòng tránh bế tắc Thời gian đáp ứng, thời gian chờ, thời gian bế tắc Giảm hiện tượng tắc nghẽn trong trung tâm dữ liệu
Foram Kherani et al. [5] Dự báo trạng thái nút tiếp theo Tải trên máy chủ, hệ số tải dự báo tương lai Sử dụng hiệu quả nguồn lực dựa trên phân tích quá khứ
Reena Panwar et al. [16] Quản lý tải động Phân bổ nguồn lực, thời gian xử lý, thời gian đáp ứng Phân phối đồng đều toàn bộ yêu cầu đến các máy ảo

Khoảng trống nghiên cứu được lựa chọn giải quyết

Từ việc tổng hợp các hạn chế trong tài liệu tổng quan, luận án tập trung giải quyết:

  1. Bổ sung tham số thời gian hoàn thành dự kiến của các yêu cầu trên từng máy ảo nhằm hạn chế tình trạng từ chối yêu cầu và giảm thời gian đáp ứng trung bình (khắc phục nhược điểm của thuật toán Throttled).
  2. Xây dựng mô hình chuỗi thời gian ARIMA để dự báo thời gian đáp ứng của máy ảo tiếp theo, thiết lập ngưỡng điều phối tài nguyên hợp lý.
  3. Cải tiến cấu trúc quản lý trạng thái máy ảo bằng 2 bảng chỉ mục nhằm loại bỏ thao tác tìm kiếm tuần tự toàn bộ danh sách VM của thuật toán Throttled gốc, giúp rút ngắn thời gian xử lý.
  4. Cải tiến thuật toán Max-Min bằng cơ chế gom nhóm yêu cầu và máy ảo theo thời gian hoàn thành dự kiến và thời gian hoàn thành tổng thể, giảm số bước lặp duyệt danh sách.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết và mô hình toán học

Luận án mô hình hóa bài toán cân bằng tải trong môi trường IaaS gồm $m$ máy ảo đồng nhất $M = {M_1, M_2, \dots, M_m}$ phục vụ $n$ công việc/yêu cầu $J = {J_1, J_2, \dots, J_n}$, mỗi công việc có thời gian xử lý $t_j > 0$.

Tổng thời gian làm việc của máy ảo $M_i$ khi được gán tập công việc $A(i)$ là: $$T_i = \sum_{j \in A(i)} t_j$$

Mục tiêu của bài toán là tối thiểu hóa thời gian hoàn thành lớn nhất trên bất kỳ máy ảo nào (makespan $T$): $$T = \max_{1 \le i \le m} T_i \to \min$$

Luận án dựa trên lý thuyết thuật toán xấp xỉ cho bài toán tối ưu tổ hợp NP-Complete [43], [79]:

  • Ngưỡng dưới của makespan tối ưu $T^*$: $$T^* \ge \frac{1}{m} \sum_{j=1}^n t_j \quad \text{và} \quad T^* \ge \max_{1 \le j \le n} t_j$$
  • Độ phức tạp xấp xỉ: Thuật toán Greedy-Balance đạt tỷ lệ xấp xỉ $T \le 2T^$; thuật toán Sorted-Balance (sắp xếp công việc giảm dần theo thời gian xử lý $t_j$) cải thiện cận trên đạt $T \le \frac{3}{2} T^$.

Bên cạnh đó, luận án sử dụng công thức tính độ lệch chuẩn tải $\sigma$ trên các máy ảo [15]: $$\sigma = \sqrt{\frac{1}{m} \sum_{i=1}^m (PT_i - PT)^2}$$ (Trong đó $PT_i$ là thời gian xử lý của máy ảo $VM_i$, $PT$ là thời gian xử lý trung bình của toàn bộ các VM).

Đối với mô hình lưu lượng, tốc độ yêu cầu đến trung bình ở khe thời gian $t$ được mô hình hóa theo phân phối Poisson với tham số $\lambda_i^{(t)}$ và bài toán tối thiểu hóa tổng thời gian đáp ứng được thiết lập dưới dạng bài toán tối ưu hóa lồi có ràng buộc về độ ổn định hàng đợi [60].

Phương pháp nghiên cứu

Luận án áp dụng phương pháp nghiên cứu định lượng thực nghiệm thông qua mô phỏng:

  • Mô hình hóa: Xây dựng lưu đồ giải thuật, xác định cấu trúc dữ liệu lưu trữ trạng thái máy ảo và thiết lập công thức toán học dự báo chuỗi thời gian ARIMA.
  • Công cụ mô phỏng: Sử dụng bộ thư viện CloudSim (theo thống kê của Pericherla S. Suryateja [65], CloudSim chiếm 47% nền tảng mở rộng, hỗ trợ mã nguồn mở trên ngôn ngữ Java) và công cụ CloudAnalyst để thiết lập trung tâm dữ liệu (Datacenter), máy ảo (VM), môi giới dịch vụ (DatacenterBroker) và các luồng công việc (Cloudlet/Request).
  • Kỹ thuật phân tích: Đo lường các chỉ số hiệu năng bao gồm thời gian đáp ứng (Response Time), thời gian xử lý (Processing Time), tỷ lệ chấp nhận yêu cầu và makespan; so sánh định lượng kết quả đầu ra giữa các thuật toán đề xuất với các thuật toán chuẩn (Round Robin, Throttled, Max-Min, Min-Min).

Nguồn tư liệu và cấu hình thực nghiệm

Dữ liệu thử nghiệm được tạo lập thông qua các kịch bản cấu hình tham số mô phỏng trong CloudSim/CloudAnalyst:

  • Cấu hình máy ảo (VM): Tốc độ xử lý tính bằng MIPS (Million Instructions Per Second), dung lượng bộ nhớ RAM, băng thông mạng (BW), số lượng CPU ảo.
  • Cấu hình trung tâm dữ liệu (Datacenter): Số lượng máy chủ vật lý (Host), kiến trúc hệ điều hành, trình giám sát máy ảo (VMM).
  • Cấu hình yêu cầu đầu vào (Cloudlet/User Request): Chiều dài chỉ thị (Instruction Length tính bằng MIPS/Byte), kích thước file đầu vào, tốc độ truyền dữ liệu từ các User Base phân tán theo vùng địa lý.

Nội dung chính theo từng chương

Chương 1: Tổng quan về cân bằng tải trên điện toán đám mây

Chương 1 hệ thống hóa các khái niệm cốt lõi về điện toán đám mây và cơ chế cân bằng tải:

  • Kiến trúc và dịch vụ: Phân tích 3 mô hình cung cấp dịch vụ (SaaS, PaaS, IaaS) và kiến trúc ảo hóa 3 tầng. Luận án làm rõ vai trò của công nghệ ảo hóa trong việc tách rời hệ điều hành khỏi phần cứng, cho phép quản lý linh hoạt tài nguyên máy ảo.
  • Bản chất bài toán cân bằng tải: Phân tích các yếu tố ảnh hưởng đến hệ thống gồm băng thông mạng, ma trận lưu lượng đầu vào (CT1), cơ chế phòng chống tắc nghẽn và phân phối tải (CT2), cùng các tham số vận hành (thời gian đáp ứng, thời gian xử lý, thời gian chờ, độ lệch chuẩn tải) (CT3).
  • Phân loại thuật toán: Phân biệt hai nhóm chính là cân bằng tải tĩnh (không xét trạng thái trước đó của nút, ví dụ: Round Robin, Min-Min, Max-Min) và cân bằng tải động (kiểm tra trạng thái thời gian thực của máy ảo).
  • Đo lường và công cụ đánh giá: Khảo sát các công cụ mô phỏng đám mây (CloudSim, CloudAnalyst, GridSim, CSIM for Java, Matlab). Dẫn xuất công trình của Pericherla S. Suryateja [65] chỉ ra 82% công cụ là mã nguồn mở, 76% dùng Java, trong đó CloudSim là công cụ được khuyến nghị rộng rãi nhất.
  • Các hướng giải quyết: Trình bày chi tiết 3 hướng tiếp cận: phương pháp xấp xỉ (chứng minh toán học tỷ lệ xấp xỉ của Greedy-Balance đạt $2T^$ và Sorted-Balance đạt $1.5T^$), chiến lược lập lịch phân bổ tài nguyên, và phương pháp cải tiến tham số. Từ đó xác định hướng nghiên cứu trọng tâm của luận án là cải tiến hai tham số: thời gian đáp ứng và thời gian xử lý.

Chương 2: Phát triển một số thuật toán cân bằng tải nhằm cải thiện thời gian đáp ứng trên điện toán đám mây

Chương 2 tập trung giải quyết mục tiêu thứ nhất với việc đề xuất và kiểm chứng 2 thuật toán:

  1. Thuật toán LBAIRT (Load Balancing Algorithm to Improve Response time on Cloud Computing) (CT4):
    • Cơ chế: Cải tiến thuật toán Throttled bằng cách bổ sung việc xét tham số thời gian hoàn thành các yêu cầu dự kiến trên từng máy ảo. Thay vì chỉ kiểm tra trạng thái rảnh/bận đơn thuần, bộ cân bằng tải kết hợp đánh giá năng lực xử lý còn lại của VM để ra quyết định phân bổ.
    • Kết quả thực nghiệm: Mô phỏng trên CloudSim cho thấy LBAIRT đạt tỷ lệ chấp nhận yêu cầu đầu vào cao hơn và giảm thời gian tính toán trung bình so với thuật toán Throttled khi số lượng Cloudlet thay đổi.
  2. Thuật toán RRTA (Reduce Response Time Algorithm) (CT7):
    • Cơ chế: Ứng dụng mô hình dự báo chuỗi thời gian ARIMA để dự báo thời gian đáp ứng của máy ảo tiếp theo. Thuật toán so sánh giá trị dự báo với ngưỡng quy định nhằm chủ động điều phối yêu cầu đến tài nguyên thích hợp.
    • Kết quả thực nghiệm: Kiểm chứng trên các mô hình thử nghiệm với 3 VM, 4 VM và 5 VM. Kết quả chứng minh thời gian đáp ứng dự báo bám sát ngưỡng và giảm thời gian đáp ứng tổng thể so với các thuật toán Round Robin và Throttled.

Chương 3: Phát triển một số thuật toán cân bằng tải nhằm cải thiện thời gian xử lý trên điện toán đám mây

Chương 3 giải quyết mục tiêu thứ hai thông qua đề xuất 2 thuật toán tối ưu hóa thời gian thực thi:

  1. Thuật toán TMA (Throttled Modified Algorithm) (CT5):
    • Cơ chế: Cải tiến thuật toán Throttled bằng việc thiết lập cấu trúc quản lý gồm 2 bảng chỉ mục trạng thái của máy ảo. Cơ chế này giới hạn số lượng yêu cầu xếp hàng chờ phân phối và loại bỏ thao tác quét tuần tự toàn bộ danh sách VM khi có yêu cầu mới đến.
    • Kết quả thực nghiệm: Thử nghiệm trong các kịch bản trung tâm dữ liệu với 20 VM và 50 VM. Kết quả cho thấy TMA cải thiện rõ rệt thời gian xử lý và thời gian phản hồi của trung tâm dữ liệu so với Round Robin và Throttled.
  2. Thuật toán MMSIA (Improved Max-Min Scheduling Algorithm for Load Balancing on Cloud Computing) (CT6):
    • Cơ chế: Khắc phục hạn chế lặp duyệt danh sách của thuật toán Max-Min truyền thống bằng cách phân chia và nhóm các yêu cầu cũng như các máy ảo theo thời gian hoàn thành dự kiến và thời gian hoàn thành tổng thể.
    • Kết quả thực nghiệm: Thực hiện qua 4 lần chạy thử nghiệm với các tập yêu cầu khác nhau. Kết quả cho thấy thuật toán MMSIA rút ngắn thời gian xử lý và makespan so với các thuật toán đối sánh gồm Max-Min gốc, Min-Min và Round Robin.

Kết quả và những đóng góp mới

Đóng góp về mặt lý luận và học thuật

  1. Đóng góp thứ nhất (Về cải thiện thời gian đáp ứng):
    • Đề xuất thuật toán LBAIRT, đưa tham số thời gian hoàn thành dự kiến của từng máy ảo vào quy trình phân phối tải, nâng cao tỷ lệ tiếp nhận yêu cầu hợp lệ của hệ thống.
    • Đề xuất thuật toán RRTA, tích hợp mô hình dự báo chuỗi thời gian ARIMA vào cơ chế cân bằng tải, cho phép dự báo thời gian đáp ứng của máy ảo tiếp theo và điều phối tài nguyên dựa trên ngưỡng định trước.
  2. Đóng góp thứ hai (Về cải thiện thời gian xử lý):
    • Đề xuất thuật toán TMA, sử dụng cấu trúc 2 bảng chỉ mục trạng thái máy ảo để quản lý và phân phối yêu cầu, khắc phục hiện tượng trễ do duyệt tuần tự danh sách máy ảo của thuật toán Throttled.
    • Đề xuất thuật toán MMSIA, cải tiến giải thuật Max-Min bằng kỹ thuật gom nhóm công việc và máy ảo theo thời gian hoàn thành dự kiến, giảm thiểu các thao tác duyệt lặp và tối ưu hóa thời gian xử lý toàn hệ thống.

Giải pháp và khuyến nghị thực tiễn

  • Luận án cung cấp các thuật toán có thể cài đặt trực tiếp vào thành phần bộ môi giới (DatacenterBroker) hoặc bộ cân bằng tải (Load Balancer) trong các hệ thống hạ tầng đám mây IaaS.
  • Ứng dụng mô hình dự báo ARIMA và cấu trúc bảng chỉ mục kép giúp các nhà cung cấp dịch vụ đám mây giảm chi phí truyền thông nội bộ, tối ưu hóa việc sử dụng năng lực tính toán của máy chủ ảo và nâng cao chất lượng dịch vụ (QoS) cho người dùng cuối.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của luận án

  • Các thuật toán đề xuất mới được cài đặt, thử nghiệm và đánh giá trên môi trường mô phỏng (CloudSim, CloudAnalyst) dựa trên các bộ tham số giả lập, chưa được triển khai kiểm thử trên môi trường mạng điện toán đám mây thực tế quy mô lớn.
  • Nghiên cứu tập trung giải quyết tối ưu hóa 2 tham số đơn lẻ (thời gian đáp ứng ở Chương 2 và thời gian xử lý ở Chương 3) trên các máy ảo đồng nhất, chưa xét đến các bài toán tối ưu đa mục tiêu đồng thời bao gồm mức tiêu thụ năng lượng của trung tâm dữ liệu, chi phí tài chính và độ tin cậy an toàn thông tin.

Hướng nghiên cứu tiếp theo

  • Nghiên cứu triển khai và đánh giá hiệu năng các thuật toán đề xuất trên nền tảng đám mây mã nguồn mở thực tế (như OpenStack, OpenNebula).
  • Mở rộng thuật toán cho môi trường tính toán không đồng nhất (máy ảo có cấu hình phần cứng khác nhau) và các trung tâm dữ liệu phân tán đa vùng địa lý.
  • Nghiên cứu kết hợp tối ưu hóa đa mục tiêu: cân bằng tải gắn liền với tiết kiệm năng lượng (Green Cloud) và ràng buộc nghiêm ngặt về thỏa thuận mức dịch vụ (SLA).

Giá trị tham khảo

Luận án mang lại giá trị tham khảo khoa học và ứng dụng cụ thể:

  • Đối với nghiên cứu sinh, học viên cao học và nhà nghiên cứu:
    • Cung cấp tài liệu tổng quan hệ thống về 13 nhóm thuật toán phân bổ tài nguyên, các công cụ mô phỏng đám mây và lý thuyết xấp xỉ cho bài toán cân bằng tải (Chương 1).
    • Cung cấp phương pháp tích hợp mô hình dự báo thống kê (ARIMA) vào bài toán điều phối tài nguyên tính toán (Chương 2).
  • Đối với kỹ sư hệ thống và nhà phát triển hạ tầng đám mây:
    • Cung cấp giải pháp kỹ thuật cụ thể về quản lý trạng thái máy ảo bằng bảng chỉ mục kép (TMA) và thuật toán phân nhóm lập lịch (MMSIA) để ứng dụng vào thiết kế bộ điều phối tải trong các hệ thống ảo hóa IaaS.

Câu hỏi thường gặp

1. Điểm khác biệt cốt lõi giữa thuật toán LBAIRT đề xuất và thuật toán Throttled truyền thống là gì?

Thuật toán Throttled truyền thống phân phối yêu cầu bằng cách tìm kiếm máy ảo đầu tiên ở trạng thái sẵn sàng (Available) trong danh sách mà không xem xét khối lượng công việc hiện tại hay năng lực đáp ứng của VM đó đối với yêu cầu cụ thể. Ngược lại, thuật toán LBAIRT bổ sung thêm tham số thời gian hoàn thành các yêu cầu dự kiến của mỗi máy ảo. Việc kết hợp trạng thái sẵn sàng với thời gian hoàn thành dự kiến giúp LBAIRT không gán việc cho máy ảo thiếu năng lực xử lý, từ đó giảm tỷ lệ từ chối yêu cầu và hạ thấp thời gian tính toán trung bình.

2. Thuật toán RRTA ứng dụng mô hình ARIMA vào việc cân bằng tải như thế nào?

Thuật toán RRTA (CT7) sử dụng mô hình dự báo chuỗi thời gian ARIMA (Autoregressive Integrated Moving Average) để phân tích dữ liệu lịch sử và dự báo thời gian đáp ứng của máy ảo ở thời điểm tiếp theo. Khi một yêu cầu mới đến, bộ cân bằng tải so sánh giá trị thời gian đáp ứng dự báo của các máy ảo với một ngưỡng định trước để đưa ra quyết định phân bổ tài nguyên hợp lý, giúp hệ thống chủ động phòng tránh quá tải thay vì chỉ phản ứng thụ động sau khi máy ảo đã nghẽn.

3. Thuật toán TMA giải quyết vấn đề tăng thời gian xử lý của bộ cân bằng tải bằng cơ chế nào?

Trong thuật toán Throttled gốc, bộ cân bằng tải phải quét tuần tự toàn bộ danh sách máy ảo để tìm máy ảo khả dụng, dẫn đến độ trễ lớn khi số lượng máy ảo trong trung tâm dữ liệu tăng cao. Thuật toán TMA (CT5) khắc phục điều này bằng cách sử dụng 2 bảng chỉ mục trạng thái của máy ảo (VM index tables) để quản lý hàng đợi và trạng thái phân phối. Cấu trúc này giúp truy xuất nhanh máy ảo phù hợp, giới hạn số lượng yêu cầu chờ trong hàng đợi và rút ngắn thời gian xử lý trên các kịch bản thử nghiệm 20 VM và 50 VM.

4. Thuật toán MMSIA cải tiến thuật toán Max-Min ở những điểm nào?

Thuật toán Max-Min gốc chọn công việc có thời gian thực thi lớn nhất và gán cho máy ảo hoàn thành sớm nhất, nhưng thao tác duyệt toàn bộ danh sách lặp đi lặp lại nhiều lần làm tăng thời gian xử lý. Thuật toán MMSIA (CT6) cải tiến bằng cách phân nhóm các yêu cầu và các máy ảo dựa trên thời gian hoàn thành dự kiến và thời gian hoàn thành tổng thể. Việc phân nhóm này giảm đáng kể số phép duyệt lặp danh sách, giúp rút ngắn tổng thời gian xử lý (makespan) qua 4 lần chạy thực nghiệm so với Max-Min, Min-Min và Round Robin.

5. Tác giả sử dụng các công cụ mô phỏng và tiêu chí nào để kiểm chứng các giải thuật?

Tác giả sử dụng bộ công cụ mô phỏng CloudSim và CloudAnalyst trên môi trường Eclipse Java. Các kịch bản thực nghiệm được thiết lập với các thông số cấu hình trung tâm dữ liệu (Host, RAM, MIPS, băng thông), cấu hình máy ảo (thử nghiệm từ 3, 4, 5 VM đến 20 và 50 VM) và các yêu cầu người dùng (User Base, Cloudlet). Tiêu chí đánh giá gồm: thời gian đáp ứng (Response Time), thời gian xử lý (Processing Time), tỷ lệ chấp nhận yêu cầu và thời gian hoàn thành cực đại (Makespan).

Kết luận

Luận án của nghiên cứu sinh Nguyễn Xuân Phi đã giải quyết bài toán nâng cao hiệu năng cân bằng tải trên môi trường điện toán đám mây IaaS thông qua 4 thuật toán đề xuất: LBAIRT và RRTA nhằm tối ưu hóa thời gian đáp ứng, cùng TMA và MMSIA nhằm tối ưu hóa thời gian xử lý. Các thuật toán được xây dựng trên nền tảng lý thuyết giải thuật xấp xỉ, mô hình dự báo chuỗi thời gian ARIMA và cấu trúc quản lý trạng thái máy ảo cải tiến. Kết quả thực nghiệm mô phỏng trên CloudSim và CloudAnalyst chứng minh tính hiệu quả của các giải thuật đề xuất so với các phương pháp đối sánh chuẩn như Round Robin, Throttled, Min-Min và Max-Min. Công trình đóng góp cơ sở khoa học và giải pháp kỹ thuật hữu ích cho việc nghiên cứu và phát triển các cơ chế phân bổ tài nguyên trong hệ thống trung tâm dữ liệu đám mây.