Nghiên cứu chính sách bền vững nhằm xây dựng thuật toán nâng cao hiệu quả cân bằng tải của điện toán đám mây

Nghiên cứu giải pháp cân bằng tải hiệu quả cho điện toán đám mây. Xây dựng thuật toán tối ưu, chính sách bền vững, nâng cao hiệu suất hệ thống.

• Tác giả: Nguyễn Thanh Trung
• Người hướng dẫn: PGS. Trần Công Hùng
• Trường học: Học Viện Công Nghệ Bưu Chính Viễn Thông
• Chuyên ngành: Hệ Thống Thông Tin
• Đề tài: Nghiên Cứu Chính Sách Bền Vững Nhằm Xây Dựng Thuật Toán Nâng Cao Hiệu Quả Cân Bằng Tải Của Điện Toán Đám Mây
• Loại tài liệu: Luận Văn Thạc Sĩ Kỹ Thuật
• Năm xuất bản: 2022
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• MỤC LỤC
• 1. CHƯƠNG 1: GIỚI THIỆU TỔNG QUAN VỀ HỆ THỐNG CÂN BẰNG TẢI CỦA ĐIỆN TOÁN ĐÁM MÂY
• 1.1. Tổng quan về điện toán đám mây
• 1.2. Tổng quan về cân bằng tải trong điện toán đám mây
• 1.3. Giới thiệu về cân bằng tải
• 1.4. Mục đích cân bằng tải
• 1.5. Tổng quan về trí tuệ nhân tạo (AI)
• 1.6. Tổng quan về machine learning
• 1.7. Chính sách bền vững
• 1.8. Kết luận chương
• 2. CHƯƠNG 2: CÁC CÔNG TRÌNH LIÊN QUAN
• 2.1. Giới thiệu chương
• 2.2. Các công trình nghiên cứu tại Việt Nam
• 2.3. Một số công trình nghiên cứu trên thế giới
• 2.4. Tổng kết chương
• 3. CHƯƠNG 3: NGHIÊN CỨU CHÍNH SÁCH BỀN VỮNG NHẰM XÂY DỰNG THUẬT TOÁN NÂNG CAO HIỆU QUẢ CÂN BẰNG TẢI CỦA ĐIỆN TOÁN ĐÁM MÂY
• 3.1. Giới thiệu chung
• 3.2. Mô hình nghiên cứu
• 3.3. Thuật toán Cây phân loại và hồi quy (Classification and Regression Tree - CART)
• 3.4. Thuật toán K-Means
• 3.5. Thuật toán đề xuất RCVKA
• 3.6. Kết luận chương
• 4. CHƯƠNG 4: MÔ PHỎNG CHƯƠNG TRÌNH VÀ ĐÁNH GIÁ KẾT QUẢ
• 4.1. Giới thiệu chung
• 4.2. Môi trường mô phỏng thí nghiệm
• 4.3. Kết quả thí nghiệm của mô hình. Đánh giá kết quả
• KẾT LUẬN
• DANH MỤC TÀI LIỆU THAM KHẢO
• DANH MỤC CÁC THUẬT NGỮ, CHỮ VIẾT TẮT
• DANH SÁCH BẢNG
• DANH SÁCH HÌNH VẼ

Tóm tắt

I. Giới thiệu Tổng quan về Điện toán Đám mây Bền vững

Điện toán đám mây đã trở thành một phần không thể thiếu trong cơ sở hạ tầng công nghệ thông tin hiện đại. Nó cung cấp sự linh hoạt, khả năng mở rộng và tiết kiệm chi phí cho các doanh nghiệp. Tuy nhiên, sự phát triển nhanh chóng của điện toán đám mây cũng đặt ra những thách thức về tính bền vững và hiệu quả sử dụng tài nguyên. Các trung tâm dữ liệu tiêu thụ một lượng lớn năng lượng, góp phần vào lượng khí thải carbon và gây áp lực lên môi trường. Do đó, việc nghiên cứu và triển khai các chính sách bền vững trong điện toán đám mây là vô cùng quan trọng. Bài viết này sẽ đi sâu vào các khía cạnh của điện toán đám mây bền vững, từ các thuật toán cân bằng tải hiệu quả đến các chính sách hỗ trợ sự phát triển xanh của ngành công nghiệp này. Sự phát triển của công nghệ thông tin và truyền thông ngày càng đòi hỏi nhu cầu xử lý thông tin ngày càng cao, cần một hệ thống có khả năng lưu trữ và khai thác được một lượng dữ liệu lớn.

1.1. Lịch sử phát triển và định nghĩa Điện toán Đám mây

Điện toán đám mây không phải là một khái niệm hoàn toàn mới. Lịch sử của nó bắt đầu từ những năm 1960 với các dịch vụ chia sẻ thời gian. Tuy nhiên, phải đến những năm 2000, khi băng thông internet tăng lên và công nghệ ảo hóa phát triển, điện toán đám mây mới thực sự cất cánh. Các công ty như Amazon và Google đã tiên phong trong việc cung cấp các dịch vụ điện toán đám mây, mở ra một kỷ nguyên mới cho ngành công nghiệp công nghệ thông tin. Theo Wikipedia, điện toán đám mây được định nghĩa là một mô hình điện toán cho phép truy cập thuận tiện, theo yêu cầu qua mạng đến một nhóm tài nguyên điện toán dùng chung (ví dụ: mạng, máy chủ, lưu trữ, ứng dụng và dịch vụ) có thể được cung cấp nhanh chóng và giải phóng với nỗ lực quản lý tối thiểu hoặc tương tác với nhà cung cấp dịch vụ.

1.2. Các mô hình dịch vụ Điện toán Đám mây phổ biến IaaS PaaS SaaS

Điện toán đám mây cung cấp nhiều mô hình dịch vụ khác nhau, đáp ứng nhu cầu đa dạng của người dùng. Infrastructure as a Service (IaaS) cung cấp cơ sở hạ tầng điện toán, bao gồm máy chủ, lưu trữ và mạng. Platform as a Service (PaaS) cung cấp một nền tảng phát triển ứng dụng, cho phép các nhà phát triển xây dựng và triển khai ứng dụng một cách nhanh chóng và dễ dàng. Software as a Service (SaaS) cung cấp các ứng dụng phần mềm hoàn chỉnh, cho phép người dùng truy cập và sử dụng ứng dụng qua internet mà không cần cài đặt hoặc quản lý. Các mô hình này cho phép người dùng truy cập các dịch vụ công nghệ từ một nhà cung cấp trong “đám mây” mà không cần kiến thức, kinh nghiệm về công nghệ đó.

II. Vấn đề Thách thức về Bền vững trong Điện toán Đám mây

Mặc dù điện toán đám mây mang lại nhiều lợi ích, nhưng cũng có những thách thức đáng kể về tính bền vững. Các trung tâm dữ liệu tiêu thụ một lượng lớn năng lượng để vận hành và làm mát. Lượng khí thải carbon từ các trung tâm dữ liệu đang gia tăng, góp phần vào biến đổi khí hậu. Ngoài ra, việc quản lý tài nguyên không hiệu quả có thể dẫn đến lãng phí năng lượng và tăng chi phí. Các nhà cung cấp dịch vụ đám mây và người dùng cần phải hợp tác để giải quyết những thách thức này và thúc đẩy sự phát triển của điện toán đám mây bền vững. Việc trang bị máy chủ vật lý đòi hỏi phải có một bộ phận kỹ thuật am hiểu về công nghệ thông tin để quản trị và vận hành hệ thống. Đồng thời cũng mất nhiều chi phí để đầu tư, nâng cấp phần mềm, phần cứng, phí bảo trì, nhân công.

2.1. Tiêu thụ năng lượng và lượng khí thải Carbon từ Data Center

Các trung tâm dữ liệu là trái tim của điện toán đám mây, nhưng chúng cũng là những nguồn tiêu thụ năng lượng lớn. Việc làm mát các máy chủ và duy trì hoạt động của hệ thống đòi hỏi một lượng điện năng khổng lồ. Lượng khí thải carbon từ các trung tâm dữ liệu đang gia tăng, đặc biệt là ở những khu vực phụ thuộc vào năng lượng hóa thạch. Các nhà cung cấp dịch vụ đám mây cần phải đầu tư vào các nguồn năng lượng tái tạo và áp dụng các công nghệ tiết kiệm năng lượng để giảm lượng khí thải carbon của mình.

2.2. Quản lý tài nguyên không hiệu quả và lãng phí năng lượng

Việc quản lý tài nguyên không hiệu quả là một vấn đề lớn trong điện toán đám mây. Nhiều máy chủ hoạt động ở mức tải thấp, lãng phí năng lượng và làm tăng chi phí. Các nhà cung cấp dịch vụ đám mây cần phải áp dụng các kỹ thuật quản lý tài nguyên thông minh để tối ưu hóa việc sử dụng tài nguyên và giảm lãng phí năng lượng. Để giải quyết các vấn đề trên, hiện nay đã có hệ thống cân bằng tải để phân bổ đồng đều lưu lượng truy cập giữa hai hay nhiều các máy chủ có cùng chức năng trong cùng một hệ thống.

2.3. Thiếu các tiêu chuẩn và quy định về tính bền vững

Hiện tại, vẫn còn thiếu các tiêu chuẩn và quy định rõ ràng về tính bền vững trong điện toán đám mây. Điều này gây khó khăn cho việc đánh giá và so sánh hiệu quả hoạt động của các nhà cung cấp dịch vụ đám mây khác nhau. Cần có sự hợp tác giữa các chính phủ, tổ chức quốc tế và ngành công nghiệp để xây dựng các tiêu chuẩn và quy định chung về tính bền vững trong điện toán đám mây.

III. Giải pháp Thuật toán Cân bằng Tải Hiệu quả Bền vững

Một trong những giải pháp quan trọng để giảm tiêu thụ năng lượng và tăng hiệu quả điện toán đám mây là sử dụng các thuật toán cân bằng tải hiệu quả. Các thuật toán này phân phối tải công việc một cách đồng đều trên các máy chủ, đảm bảo rằng không có máy chủ nào bị quá tải hoặc hoạt động ở mức tải thấp. Điều này giúp tối ưu hóa việc sử dụng tài nguyên và giảm lãng phí năng lượng. Ngoài ra, các thuật toán cân bằng tải có thể được thiết kế để ưu tiên các máy chủ sử dụng năng lượng tái tạo hoặc có carbon footprint thấp hơn. Để giải quyết các vấn đề trên, hiện nay đã có hệ thống cân bằng tải để phân bổ đồng đều lưu lượng truy cập giữa hai hay nhiều các máy chủ có cùng chức năng trong cùng một hệ thống.

3.1. Giới thiệu các thuật toán cân bằng tải phổ biến

Có nhiều thuật toán cân bằng tải khác nhau, mỗi thuật toán có những ưu điểm và nhược điểm riêng. Một số thuật toán phổ biến bao gồm Round Robin, Weighted Round Robin, Least Connections và Adaptive Load Balancing. Round Robin phân phối tải công việc theo thứ tự vòng tròn. Weighted Round Robin phân phối tải công việc dựa trên trọng số được gán cho mỗi máy chủ. Least Connections phân phối tải công việc cho máy chủ có số lượng kết nối ít nhất. Adaptive Load Balancing điều chỉnh việc phân phối tải công việc dựa trên tình trạng hiện tại của các máy chủ.

3.2. Tối ưu hóa thuật toán cân bằng tải cho hiệu quả năng lượng

Để tối ưu hóa thuật toán cân bằng tải cho hiệu quả năng lượng, có thể áp dụng một số kỹ thuật. Một kỹ thuật là ưu tiên các máy chủ sử dụng năng lượng tái tạo. Một kỹ thuật khác là tắt các máy chủ không cần thiết khi tải công việc thấp. Ngoài ra, có thể sử dụng các thuật toán học máy để dự đoán tải công việc và điều chỉnh việc phân phối tải công việc một cách tự động.

3.3. Ứng dụng trí tuệ nhân tạo AI trong cân bằng tải

Trí tuệ nhân tạo (AI) có thể được sử dụng để cải thiện hiệu quả của các thuật toán cân bằng tải. Các thuật toán AI có thể học hỏi từ dữ liệu lịch sử và dự đoán tải công việc trong tương lai. Điều này cho phép việc phân phối tải công việc một cách chính xác hơn và giảm lãng phí năng lượng. Tổng quan về trí tuệ nhân tạo (AI) bao gồm một số lĩnh vực như Machine Learning, Deep Learning, Natural Language Processing.

IV. Đề xuất chính sách bền vững hướng đến Điện toán Đám mây Xanh

Ngoài các giải pháp kỹ thuật, việc xây dựng và thực thi các chính sách bền vững là rất quan trọng để thúc đẩy sự phát triển của điện toán đám mây xanh. Các chính sách này có thể bao gồm các ưu đãi thuế cho các trung tâm dữ liệu sử dụng năng lượng tái tạo, các quy định về carbon footprint và các chương trình khuyến khích tiết kiệm năng lượng. Cần có sự hợp tác giữa các chính phủ, tổ chức quốc tế và ngành công nghiệp để xây dựng và thực thi các chính sách hiệu quả. Thuật toán đề xuất có khả năng chịu lỗi (Fault Tolerance), việc truy cập cũng được phân bổ đồng đều trên các nguồn tài nguyên, thậm chí là trên các Datacenter khi nhu cầu tăng lên một cách nhanh chóng.

4.1. Chính sách khuyến khích sử dụng năng lượng tái tạo

Các chính phủ có thể khuyến khích việc sử dụng năng lượng tái tạo trong điện toán đám mây bằng cách cung cấp các ưu đãi thuế, trợ cấp hoặc các hình thức hỗ trợ tài chính khác cho các trung tâm dữ liệu sử dụng năng lượng tái tạo. Các chính sách này có thể giúp giảm chi phí đầu tư và vận hành các trung tâm dữ liệu sử dụng năng lượng tái tạo, làm cho chúng cạnh tranh hơn so với các trung tâm dữ liệu sử dụng năng lượng hóa thạch.

4.2. Quy định về Carbon footprint cho Data Center

Các quy định về carbon footprint có thể được sử dụng để yêu cầu các trung tâm dữ liệu đo lường và báo cáo lượng khí thải carbon của mình. Các quy định này có thể giúp tăng cường tính minh bạch và trách nhiệm giải trình, đồng thời khuyến khích các trung tâm dữ liệu giảm lượng khí thải carbon của mình. Ngoài ra, các thuật toán cũng chưa có khả năng sẵn sàng và đảm bảo độ tin cậy của hệ thống.

4.3. Xây dựng tiêu chuẩn bền vững và chứng nhận

Việc xây dựng các tiêu chuẩn bền vững và chứng nhận có thể giúp người dùng đánh giá và so sánh hiệu quả hoạt động của các nhà cung cấp dịch vụ đám mây khác nhau. Các tiêu chuẩn và chứng nhận này có thể bao gồm các tiêu chí về tiêu thụ năng lượng, lượng khí thải carbon, sử dụng tài nguyên tái tạo và quản lý chất thải. Điều này giúp tối ưu hóa việc sử dụng tài nguyên và giảm lãng phí năng lượng.

V. Ứng dụng thực tiễn Nghiên cứu triển khai và kết quả thử nghiệm

Luận văn thạc sĩ này đã nghiên cứu và xây dựng một thuật toán nâng cao hiệu quả cân bằng tải trong môi trường điện toán đám mây, đồng thời xem xét các yếu tố chính sách bền vững để giảm thiểu tác động môi trường. Kết quả thử nghiệm cho thấy thuật toán đề xuất có khả năng cải thiện hiệu suất hệ thống, giảm thời gian phản hồi và tối ưu hóa việc sử dụng tài nguyên. Các kết quả này có ý nghĩa quan trọng trong việc phát triển các giải pháp điện toán đám mây xanh và bền vững. Để có thể đạt được hiệu quả cân bằng tải trên các dịch vụ điện toán đám mây, chúng ta cần đưa ra nội dung đề tài nghiên cứu như sau: <Nghiên cứu chính sách bền vững nhằm xây dựng thuật toán nâng cao hiệu quả cân bằng tải của điện toán đám mây>.

5.1. Mô tả môi trường mô phỏng thực nghiệm

Môi trường mô phỏng được xây dựng để đánh giá hiệu quả của thuật toán cân bằng tải đề xuất. Mô hình bao gồm một số máy chủ ảo, mỗi máy chủ có cấu hình và tài nguyên khác nhau. Tải công việc được tạo ra để mô phỏng các yêu cầu khác nhau từ người dùng. Các thông số như thời gian phản hồi, mức sử dụng CPU và bộ nhớ được đo để đánh giá hiệu suất của hệ thống. Theo tài liệu gốc, luận văn sử dụng 10-30 máy ảo và các ứng dụng sẽ chạy trên các máy ảo.

5.2. Đánh giá kết quả thử nghiệm và so sánh với thuật toán khác

Kết quả thử nghiệm cho thấy thuật toán đề xuất có hiệu suất tốt hơn so với các thuật toán cân bằng tải truyền thống. Thuật toán đề xuất có khả năng giảm thời gian phản hồi và tối ưu hóa việc sử dụng tài nguyên, đặc biệt trong các tình huống tải cao. So sánh với các thuật toán như Round Robin và Least Connections, thuật toán đề xuất cho thấy sự cải thiện đáng kể về hiệu suất và hiệu quả năng lượng. Do thời gian và kinh nghiệm nghiên cứu khoa học có hạn, nên không thể tránh được những thiếu sót. Tác giả rất mong nhận được sự góp ý của quý thầy cô và bạn bè để kiến thức ngày một hoàn thiện hơn.

VI. Kết luận Tương lai và Hướng phát triển của Điện toán Đám mây

Điện toán đám mây bền vững là một lĩnh vực đang phát triển nhanh chóng với nhiều tiềm năng. Việc nghiên cứu và triển khai các chính sách bền vững và các thuật toán cân bằng tải hiệu quả là rất quan trọng để đảm bảo rằng điện toán đám mây có thể tiếp tục phát triển một cách bền vững và thân thiện với môi trường. Cần có sự hợp tác giữa các nhà nghiên cứu, nhà cung cấp dịch vụ đám mây, chính phủ và người dùng để đạt được mục tiêu này. Luận văn cũng nghiên cứu bài báo của các tác giả Nguyễn Hà Huy Cường, Đặng Hùng Vĩ, Phạm Nguyễn Minh Nhật và Lê Văn Sơn trong cuốn sách <Những tiến bộ gần đây của công nghệ thông tin và truyền thông năm 2015 trang 285-295>.

6.1. Các xu hướng phát triển công nghệ trong tương lai

Trong tương lai, chúng ta có thể mong đợi sự phát triển của các công nghệ mới như điện toán lượng tử và điện toán biên, có thể mang lại những cải tiến đáng kể về hiệu quả điện toán đám mây và tính bền vững. Ngoài ra, việc sử dụng các nguồn năng lượng tái tạo và các kỹ thuật quản lý tài nguyên thông minh sẽ ngày càng trở nên phổ biến.

6.2. Hướng nghiên cứu tiếp theo trong lĩnh vực này

Các hướng nghiên cứu tiếp theo trong lĩnh vực này có thể bao gồm việc phát triển các thuật toán cân bằng tải dựa trên học máy, nghiên cứu các mô hình kinh doanh bền vững cho điện toán đám mây và đánh giá tác động môi trường của các công nghệ điện toán đám mây mới. Nghiên cứu kỹ về chính sách bền vững và tính bền vững trên môi trường cloud. Đề xuất thuật toán có thể sử dụng tài nguyên bền vững hơn, tiết kiệm năng lượng hơn.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh phát triển mạnh mẽ của công nghệ thông tin và truyền thông, điện toán đám mây đã trở thành một xu hướng chủ đạo, đóng vai trò quan trọng trong việc cung cấp tài nguyên tính toán và lưu trữ linh hoạt, hiệu quả. Theo ước tính, các trung tâm dữ liệu đám mây hiện nay có thể chứa từ vài chục đến hàng trăm máy chủ ảo (VM), phục vụ hàng nghìn đến hàng triệu yêu cầu truy cập đồng thời. Tuy nhiên, việc cân bằng tải hiệu quả giữa các máy chủ ảo trong môi trường đám mây vẫn là một thách thức lớn do tính không đồng nhất của tài nguyên, sự biến động của yêu cầu người dùng và nguy cơ quá tải hoặc nghẽn cổ chai.

Luận văn tập trung nghiên cứu chính sách bền vững nhằm xây dựng thuật toán nâng cao hiệu quả cân bằng tải trong điện toán đám mây, với mục tiêu giảm thiểu thời gian xử lý, tăng tính sẵn sàng và độ tin cậy của hệ thống. Phạm vi nghiên cứu bao gồm mô hình mô phỏng đám mây với quy mô từ 10 đến 30 máy ảo, xử lý các yêu cầu (request) đa dạng về kích thước và đặc tính, trong môi trường mô phỏng CloudSim. Ý nghĩa của nghiên cứu được thể hiện qua việc cải thiện các chỉ số hiệu suất như thời gian thực thi (makespan), thời gian phản hồi và tỷ lệ mất cân bằng tải, góp phần nâng cao chất lượng dịch vụ (QoS) và giảm chi phí vận hành cho các nhà cung cấp dịch vụ đám mây.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình sau:

• Điện toán đám mây (Cloud Computing): Mô hình cung cấp tài nguyên tính toán, lưu trữ và dịch vụ qua mạng Internet với tính linh hoạt, mở rộng và trả phí theo nhu cầu.
• Cân bằng tải (Load Balancing): Quá trình phân phối đều các yêu cầu xử lý đến các máy chủ hoặc tài nguyên nhằm tránh tình trạng quá tải, đảm bảo hiệu suất và độ tin cậy.
• Thuật toán Cây phân loại và hồi quy (Classification and Regression Tree - CART): Thuật toán học máy dùng để phân loại các yêu cầu dựa trên các đặc tính như mức tiêu thụ năng lượng, CPU, RAM.
• Thuật toán K-Means: Thuật toán phân cụm không giám sát, dùng để nhóm các yêu cầu có đặc điểm tương đồng nhằm tối ưu phân bổ tài nguyên.
• Chính sách bền vững (Sustainable Policy): Tập hợp các biện pháp nhằm đảm bảo cân bằng giữa hiệu quả hoạt động và tiết kiệm năng lượng, chi phí trong quản lý tài nguyên đám mây.

Các khái niệm chính bao gồm: năng lượng tiêu thụ (Power Consumed), mức sử dụng CPU (CPU Usage), mức sử dụng RAM (RAM Usage), chi phí vận hành (Costing), và các chỉ số đánh giá hiệu suất như thời gian thực thi và thời gian phản hồi.

Phương pháp nghiên cứu

• Nguồn dữ liệu: Dữ liệu mô phỏng các yêu cầu (requests) với đặc tính ngẫu nhiên về kích thước, thời gian xử lý, mức tiêu thụ tài nguyên được tạo ra trong môi trường CloudSim kết hợp với thư viện WEKA để thực hiện các thuật toán học máy.
• Phương pháp phân tích: Thuật toán RCVKA được xây dựng dựa trên sự kết hợp của K-Means để phân cụm các yêu cầu theo đặc tính tài nguyên và CART để phân loại các yêu cầu theo chính sách bền vững. Thuật toán này được so sánh với các thuật toán cân bằng tải truyền thống như FCFS, MaxMin, MinMin và Round Robin.
• Timeline nghiên cứu: Quá trình nghiên cứu bao gồm giai đoạn thu thập và xử lý dữ liệu, xây dựng mô hình thuật toán, mô phỏng và đánh giá hiệu quả trên các bộ dữ liệu với số lượng yêu cầu từ 30 đến 1000, kéo dài trong khoảng thời gian nghiên cứu năm 2021-2022.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả thời gian thực thi: Thuật toán RCVKA giảm đáng kể thời gian thực thi so với các thuật toán truyền thống. Ví dụ, với 30 yêu cầu, thời gian thực thi trung bình của RCVKA là khoảng 140 ms, trong khi FCFS lên đến 554 ms, tức giảm gần 75%. Khi số lượng yêu cầu tăng lên 1000, RCVKA vẫn duy trì thời gian thực thi thấp hơn khoảng 2-4 lần so với các thuật toán còn lại.

2. Khả năng cân bằng tải: RCVKA phân bổ các yêu cầu dựa trên chính sách bền vững, ưu tiên các máy chủ có mức độ rảnh cao và tài nguyên phù hợp, giúp giảm thiểu tình trạng quá tải và mất cân bằng tải. So với Round Robin và MinMin, RCVKA cho thấy tỷ lệ cân bằng tải tốt hơn khoảng 20-30%.

3. Giảm thiểu rủi ro và tăng tính sẵn sàng: Thuật toán có khả năng phát hiện và xử lý các tình huống quá tải hoặc lỗi máy chủ (fault tolerance), từ đó nâng cao thời gian hoạt động liên tục (uptime) của hệ thống, giảm thiểu rủi ro gián đoạn dịch vụ.

4. Tiết kiệm năng lượng và chi phí: Bằng cách phân loại và phân cụm các yêu cầu theo mức tiêu thụ năng lượng và tài nguyên, RCVKA giúp tối ưu hóa việc sử dụng CPU và RAM, góp phần giảm chi phí vận hành và tiêu thụ năng lượng trung bình của hệ thống.

Thảo luận kết quả

Nguyên nhân chính giúp RCVKA đạt hiệu quả cao là do sự kết hợp linh hoạt giữa thuật toán phân cụm K-Means và thuật toán phân loại CART, cho phép phân tích sâu sắc đặc tính của từng yêu cầu và lựa chọn máy chủ phù hợp nhất. So với các thuật toán truyền thống như FCFS hay Round Robin chỉ dựa trên nguyên tắc tuần tự hoặc cân bằng đơn giản, RCVKA tận dụng chính sách bền vững để cân bằng giữa hiệu suất và tiết kiệm tài nguyên.

Kết quả mô phỏng được trình bày qua các biểu đồ so sánh thời gian thực thi và tỷ lệ cân bằng tải, cho thấy sự vượt trội rõ rệt của RCVKA trong mọi kịch bản thử nghiệm. Điều này khẳng định tính khả thi và hiệu quả của chính sách bền vững trong quản lý cân bằng tải đám mây.

Ngoài ra, việc áp dụng các thuật toán học máy giúp hệ thống có khả năng tự động điều chỉnh và cải tiến theo thời gian dựa trên dữ liệu lịch sử, nâng cao khả năng thích ứng với các biến động trong môi trường đám mây thực tế.

Đề xuất và khuyến nghị

1. Triển khai thuật toán RCVKA trong các trung tâm dữ liệu đám mây quy mô vừa và lớn: Động từ hành động là "áp dụng", mục tiêu là giảm thời gian xử lý và tăng hiệu suất cân bằng tải, thời gian thực hiện trong vòng 6-12 tháng, chủ thể thực hiện là các nhà quản lý trung tâm dữ liệu và đội ngũ kỹ thuật.

2. Phát triển hệ thống giám sát và cảnh báo dựa trên chính sách bền vững: Động từ "xây dựng", nhằm nâng cao khả năng phát hiện quá tải và lỗi máy chủ, thời gian 3-6 tháng, chủ thể là nhóm phát triển phần mềm và vận hành hệ thống.

3. Tích hợp thuật toán học máy để tự động điều chỉnh chính sách cân bằng tải: Động từ "tích hợp", mục tiêu cải thiện khả năng thích ứng và tối ưu hóa tài nguyên theo thời gian thực, thời gian 6 tháng, chủ thể là các nhà nghiên cứu và phát triển AI.

4. Đào tạo và nâng cao nhận thức cho đội ngũ vận hành về chính sách bền vững và thuật toán mới: Động từ "tổ chức", nhằm đảm bảo vận hành hiệu quả và khai thác tối đa lợi ích của thuật toán, thời gian liên tục, chủ thể là phòng nhân sự và đào tạo.

Đối tượng nên tham khảo luận văn

1. Nhà quản lý trung tâm dữ liệu đám mây: Giúp hiểu rõ các giải pháp cân bằng tải hiệu quả, từ đó tối ưu hóa vận hành và giảm chi phí.

2. Nhà phát triển phần mềm và kỹ sư hệ thống: Cung cấp kiến thức về thuật toán học máy ứng dụng trong cân bằng tải, hỗ trợ phát triển các hệ thống quản lý tài nguyên thông minh.

3. Nhà nghiên cứu trong lĩnh vực điện toán đám mây và AI: Là tài liệu tham khảo quý giá về việc kết hợp chính sách bền vững với thuật toán nâng cao hiệu quả cân bằng tải.

4. Doanh nghiệp cung cấp dịch vụ đám mây: Giúp xây dựng chiến lược quản lý tài nguyên hiệu quả, nâng cao chất lượng dịch vụ và trải nghiệm khách hàng.

Câu hỏi thường gặp

1. Thuật toán RCVKA có ưu điểm gì so với các thuật toán cân bằng tải truyền thống?
   RCVKA kết hợp phân cụm K-Means và phân loại CART dựa trên chính sách bền vững, giúp phân bổ tài nguyên hiệu quả hơn, giảm thời gian xử lý và tăng tính sẵn sàng của hệ thống so với các thuật toán như FCFS hay Round Robin.

2. Phạm vi áp dụng của thuật toán này là gì?
   Thuật toán phù hợp với các trung tâm dữ liệu đám mây quy mô vừa và lớn, đặc biệt trong môi trường có nhiều yêu cầu đa dạng và biến động về tài nguyên.

3. Làm thế nào để đánh giá hiệu quả của thuật toán?
   Hiệu quả được đánh giá qua các chỉ số như thời gian thực thi (makespan), thời gian phản hồi, tỷ lệ cân bằng tải và mức tiêu thụ năng lượng, được mô phỏng trên môi trường CloudSim với các bộ dữ liệu thực nghiệm.

4. Thuật toán có khả năng xử lý các tình huống lỗi hoặc quá tải không?
   Có, RCVKA được thiết kế với khả năng chịu lỗi (fault tolerance), tự động phân bổ lại công việc khi máy chủ gặp sự cố, giúp duy trì thời gian hoạt động liên tục của hệ thống.

5. Có thể tích hợp thuật toán này với các công nghệ AI khác không?
   Hoàn toàn có thể. Thuật toán sử dụng học máy để phân loại và phân cụm, có thể mở rộng tích hợp thêm các kỹ thuật AI khác nhằm nâng cao khả năng dự đoán và tối ưu hóa tài nguyên.

Kết luận

• Luận văn đã xây dựng thành công thuật toán RCVKA dựa trên chính sách bền vững, kết hợp K-Means và CART để nâng cao hiệu quả cân bằng tải trong điện toán đám mây.
• Thuật toán giảm thiểu đáng kể thời gian xử lý và tăng tính sẵn sàng của hệ thống so với các phương pháp truyền thống.
• Mô hình và thuật toán được đánh giá qua mô phỏng thực nghiệm trên CloudSim với các bộ dữ liệu đa dạng, cho kết quả tích cực.
• Đề xuất các giải pháp triển khai và phát triển tiếp theo nhằm ứng dụng thuật toán trong thực tế và tích hợp thêm các công nghệ AI.
• Khuyến khích các nhà quản lý, kỹ sư và nhà nghiên cứu tiếp tục nghiên cứu, áp dụng và cải tiến thuật toán để đáp ứng nhu cầu ngày càng cao của môi trường điện toán đám mây hiện đại.

Hành động tiếp theo là triển khai thử nghiệm thuật toán trong môi trường thực tế và mở rộng nghiên cứu về các chính sách bền vững khác nhằm tối ưu hóa toàn diện hệ thống đám mây.

Trích đoạn nội dung tài liệu

HÞC VIâN CÔNG NGHâ B¯U CHÍNH VIàN THÔNG --------------------------------------- Nguyán Thanh Trung NGHIÊN CĂU CHÍNH SÁCH BÀN VþNG NHÂM XÂY DĀNG THU¾T TOÁN NÂNG CAO HIâU QUÀ CÂN BÂNG TÀI CĀA ĐIâN TOÁN ĐÁM MÂY LU¾N VN TH¾C SĨ KỸ THU¾T (Theo định hướng ứng dụng) TP. Hæ CHÍ MINH – NM 2022 HÞC VIâN CÔNG NGHâ B¯U CHÍNH VIàN THÔNG --------------------------------------- Nguyán Thanh Trung NGHIÊN CĂU CHÍNH SÁCH BÀN VþNG NHÂM XÂY DĀNG THU¾T TOÁN NÂNG CAO HIâU QUÀ CÂN BÂNG TÀI CĀA ĐIâN TOÁN ĐÁM MÂY Chuyên ngành: Hâ THâNG THÔNG TIN Mã sã: 8.04 LU¾N VN TH¾C SĨ KỸ THU¾T (Theo định hướng ứng dụng) NG¯âI H¯àNG DÀN KHOA HàC: PGS. TRÀN CÔNG HÙNG TP. Hæ CHÍ MINH – NM 2022 LâI CAM ĐOAN Tôi cam đoan rÇng luÃn vn: <Nghiên cău chính sách bÁn vÿng nhÃm xây dāng thu¿t toán nâng cao hiãu quÁ cân bÃng tÁi cāa điãn toán đám mây= là công trình nghiên cąu căa chính tôi.

Tôi cam đoan các så liáu, kÃt quÁ nêu trong luÃn vn là trung thăc và ch°a từng đ°ÿc ai công bå trong bÃt kỳ công trình nào khác. Không có sÁn ph¿m/nghiên cąu nào căa ng°ãi khác đ°ÿc sÿ dāng trong luÃn vn này mà không đ°ÿc trích dÁn theo đúng quy đßnh. Hồ Chí Minh, ngày 25 tháng 01 năm 2022 Hßc viên thāc hiãn lu¿n vn Nguyán Thanh Trung LâI CÀM ¡N Trong suåt quá trình hác tÃp và nghiên cąu thăc hián luÃn vn, ngoài nỗ lăc căa bÁn thân, tôi đã nhÃn đ°ÿc să h°áng dÁn nhiát tình quý báu căa quý ThÅy Cô, cùng vái să đßng viên và ăng hß căa gia đình, b¿n bè và đçng nghiáp. Vái lòng kính tráng và biÃt ¢n sâu sÅc, tôi xin gÿi lãi cÁm ¢n chân thành tái: Ban Giám Đåc, Phòng đào t¿o sau đ¿i hác và quý ThÅy Cô đã t¿o mái điÅu kián thuÃn lÿi giúp tôi hoàn thành luÃn vn.

Tôi xin chân thành cÁm ¢n ThÅy PGS.TS TrÅn Công Hùng, ng°ãi thÅy kính yêu đã hÃt lòng giúp đỡ, h°áng dÁn, đßng viên, t¿o điÅu kián cho tôi trong suåt quá trình thăc hián và hoàn thành luÃn vn. Tôi xin chân thành cÁm ¢n gia đình, b¿n bè, đçng nghiáp trong c¢ quan đã đßng viên, hỗ trÿ tôi trong lúc khó khn để tôi có thể hác tÃp và hoàn thành luÃn vn. Mặc dù đã có nhiÅu cå gÅng, nỗ lăc, nh°ng do thãi gian và kinh nghiám nghiên cąu khoa hác còn h¿n chà nên không thể tránh khãi nhāng thiÃu sót. Tôi rÃt mong nhÃn đ°ÿc să góp ý căa quý ThÅy Cô cùng b¿n bè đçng nghiáp để kiÃn thąc căa tôi ngày mßt hoàn thián h¢n.

Xin chân thành cÁm ¢n! TP. Hồ Chí Minh, ngày 25 tháng 01 năm 2022 Hßc viên thāc hiãn lu¿n vn Nguyán Thanh Trung MþC LþC LâI CAM ĐOAN i LâI CÀM ¡N ii MĀC LĀC iii DANH MĀC CÁC THUÂT NGĀ, CHĀ VIÂT TÄT iv DANH SÁCH BÀNG v DANH SÁCH HÌNH VÀ vi Mä ĐÄU 1 CH¯¡NG 1. GIàI THIàU TèNG QUAN VÄ Hà THäNG CÂN BÆNG TÀI CĂA ĐIàN TOÁN ĐÁM MÂY 8 1. Téng quan vÅ đián toán đám mây 8 1.

Téng quan vÅ cân bÇng tÁi trong đián toán đám mây 16 1. Giái thiáu vÅ cân bÇng tÁi 16 1. Māc đích cân bÇng tÁi 16 1. Téng quan vÅ trí tuá nhân t¿o (AI) 20 1.

Téng quan vÅ machine learning 21 1. Chính sách bÅn vāng 22 1. KÃt luÃn ch°¢ng 22 CH¯¡NG 2. CÁC CÔNG TRÌNH LIÊN QUAN 23 2.

Giái thiáu ch°¢ng 23 2. Các công trình nghiên cąu t¿i Viát Nam 23 2. Mßt så công trình nghiên cąu trên thà giái 23 2. Téng kÃt ch°¢ng 26 CH¯¡NG 3.

NGHIÊN CĄU CHÍNH SÁCH BÄN VĀNG NHÆM XÂY DĂNG THUÂT TOÁN NÂNG CAO HIàU QUÀ CÂN BÆNG TÀI CĂA ĐIàN TOÁN ĐÁM MÂY 27 3. Giái thiáu chung 27 3. Mô hình nghiên cąu 27 3. ThuÃt toán Cây phân lo¿i và hçi quy (Classification and Regression Tree - CART) 29 3.

ThuÃt toán K-Means 29 3. ThuÃt toán đÅ xuÃt RCVKA 30 3. KÃt luÃn ch°¢ng 32 CH¯¡NG 4. MÔ PHâNG CH¯¡NG TRÌNH VÀ ĐÁNH GIÁ KÂT QUÀ 34 4.

Giái thiáu chung 34 4. Môi tr°ãng mô phãng thăc nghiám 34 4. KÃt quÁ thăc nghiám căa mô hình. Đánh giá kÃt quÁ 43 KÂT LUÂN 44 DANH MĀC TÀI LIàU THAM KHÀO 46 DANH MþC CÁC THU¾T NGþ, CHþ VI¾T TÀT Vi¿t tÁt Ti¿ng Anh Ti¿ng Viãt AI Artificial Intelligence Trí tuá nhân t¿o Cloud Cloud computing environment Môi tr°ãng đián toán đám mây CC Cloud Computing Đián toán đám mây ML Machine Learning Hác máy LB Load Balancing Cân bÇng tÁi DANH SÁCH BÀNG BÁng 4.

Thông så cÃu hình Datacenter&&&&&&&&&& 35 BÁng 4. CÃu hình thông så các Request&&&&&&&&&. KÃt quÁ thăc nghiám mô phãng vái 30 request&&&. KÃt quÁ thăc nghiám mô phãng vái 60 request&&&.

KÃt quÁ thăc nghiám mô phãng vái 100 request&&& 39 BÁng 4. KÃt quÁ thăc nghiám mô phãng vái 1000 request&&. 40 DANH SÁCH HÌNH VẼ Hình 1. Mô hình đián toán đám mây [1]&&&&&&&&&&&&.

Cung cÃp tài nguyên đám mây [4]&&&&&&&&&&&& 14 Hình 1. Cân bÇng tÁi trong đián toán đám mây [5]&&&&&&&&. KiÃn trúc căa đián toán đám mây [7]&&&&&&&&&&& 16 Hình 1. Mô hình Cân bÇng tÁi trong đián toán đám mây [8]&&&&&.

Mô hình cân bÇng tÁi&&&&&&&&&&&&&&&&& 28 Hình 4. Biểu đç so sánh thãi gian thăc hián căa 5 thuÃt toán vái 30 Request&&&&&&&&&&&&&&&&&&&&&&&&&&. Biểu đç so sánh thãi gian thăc hián căa 5 thuÃt toán vái 60 Request&&&&&&&&&&&&&&&&&&&&&&&&&&. Biểu đç so sánh thãi gian thăc hián căa 5 thuÃt toán vái 100 Request&&&&&&&&&&&&&&&&&&&&&&&&&&.

Biểu đç so sánh thãi gian thăc hián căa 5 thuÃt toán vái 1000 Request&&&&&&&&&&&&&&&&&&&&&&&&&&. Thãi gian thăc hián trung bình căa 5 thuÃt toán từ 30-1000 Request&&&&&&&&&&&&&&&&&&&&&&&&&&. Thãi gian thăc hián lán nhÃt căa 5 thuÃt toán từ 30-1000 Request&&&&&&&&&&&&&&&&&&&&&&&&&&. Tính cấp thiết của đề tài Trong thãi đ¿i ngày nay, công nghá thông tin và truyÅn thông ngày càng phát triển, đòi hãi nhu cÅu xÿ lý thông tin ngày càng cao, cÅn có há thång có khÁ nng l°u trā và khai thác đ°ÿc mßt l°ÿng dā liáu lán.

Să phát triển không ngừng căa nÅn kinh tà thà giái và trong n°ác đòi hãi các doanh nghiáp, các tÃp đoàn lán phÁi có giÁi pháp để l°u trā và khai thác thông tin vÅ các dā liáu lán liên quan đÃn công viác kinh doanh căa há. Viác trang bß máy chă vÃt lý đòi hãi phÁi có mßt bß phÃn kỹ thuÃt am hiểu vÅ công nghá thông tin để quÁn trß và vÃn hành há thång. Đçng thãi cũng mÃt nhiÅu chi phí để đÅu t°, nâng cÃp phÅn mÅm, phÅn cąng, phí bÁo trì, nhân công. Chính vì thÃ, đián toán đám mây (cloud computing) là mßt trong nhāng giÁi pháp đang thu hút đ°ÿc mßt så l°ÿng lán các doanh nghiáp sÿ dāng.

Đián toán đám mây thăc chÃt là mô hình các máy chă Áo, sÿ dāng các công nghá máy tính và phát triển dăa vào m¿ng Internet. ä mô hình đián toán này, mái khÁ nng liên quan đÃn công nghá thông tin đÅu đ°ÿc cung cÃp d°ái d¿ng các "dßch vā". <Dßch vā= này cho phép ng°ãi sÿ dāng truy cÃp các dßch vā công nghá từ mßt nhà cung cÃp nào đó "trong đám mây" mà không cÅn phÁi có các kiÃn thąc, kinh nghiám vÅ công nghá đó. Ngoài ra, ng°ãi dùng cũng không cÅn quan tâm đÃn các c¢ så h¿ tÅng phāc vā công nghá mà mình đ°ÿc cung cÃp.

Đián toán đám mây giÁi quyÃt các vÃn đÅ tåi °u hóa l°u trā, Áo hóa máy chă, c¢ så h¿ tÅng m¿ng vái māc đích mang l¿i dßch vā vái chÃt l°ÿng tåt nhÃt. Các tÃp đoàn, doanh nghiáp và cá nhân ng°ãi dùng chỉ cÅn trÁ phí vái dßch vā t°¢ng ąng mà há sÿ dāng. Nói vÅ chÃt l°ÿng dßch vā trên đián toán đám mây, ng°ãi dùng cÁm thÃy chÃt l°ÿng dßch vā đáp ąng tåt trong công viác quÁn lý điÅu hành, l°u trā và khai thác tài nguyên. Mặt khác, viác quÁn lý tài nguyên trå thành mßt công viác phąc t¿p đåi vái các nhà cung cÃp dßch vā đám mây.

Có mßt så vÃn đÅ đ°ÿc đặt ra: làm sao khÅc phāc vÃn đÅ thiÃu tài nguyên, giÁm đß trß trên đám mây và khÁ nng cÁi thián hiáu suÃt m¿ng khi nhiÅu ng°ãi dùng sÿ dāng cùng lúc. 2 Để giÁi quyÃt các vÃn đÅ trên, hián nay đã có há thång cân bÇng tÁi để phân bé đçng đÅu l°u l°ÿng truy cÃp giāa hai hay nhiÅu các máy chă có cùng chąc nng trong cùng mßt há thång. BÇng cách đó, sÁ giúp cho há thång cung cÃp dßch vā căa nhà cung cÃp giÁm thiểu mßt cách tåi đa tình tr¿ng mßt máy chă bß quá tÁi và ng°ng ho¿t đßng. Hián nay có nhiÅu thuÃt toán cân bÇng tÁi trên các dßch vā đám mây.

Tuy nhiên, hiáu quÁ căa các thuÃt toán vÁn còn nhiÅu h¿n chÃ, ch°a đ°a ra đ°ÿc giÁi pháp giúp bß cân bÇng tÁi cung cÃp tài nguyên mßt cách hiáu quÁ và không tån thãi gian quay vòng lặp. Ngoài ra, các thuÃt toán cũng ch°a có khÁ nng sẵn sàng và đÁm bÁo đß tin cÃy căa há thång. Do đó, viác đÅ xuÃt <Nghiên cứu chính sách bền vững nhằm xây dựng thuật toán nâng cao hiệu quả cân bằng tải của điện toán đám mây= là vô cùng cÅn thiÃt. ThuÃt toán đÅ xuÃt có khÁ nng chßu lỗi (Fault Tolerance), viác truy cÃp cũng đ°ÿc phân bé đçng đÅu trên các nguçn tài nguyên, thÃm chí là trên các Datacenter khi nhu cÅu tng lên mßt cách nhanh chóng.

Hoặc khi mßt máy chă gặp să cå, chąc nng cân bÇng tÁi đám mây sÁ chỉ đ¿o phân phåi công viác căa máy chă đó cho các máy chă còn l¿i, đ¿y thãi gian (Uptime) căa há thång lên cao nhÃt và cÁi thián nng suÃt ho¿t đßng. NhÇm nâng cao hiáu quÁ cân bÇng tÁi trên các dßch vā đián toán đám mây đã đ°ÿc đÅ xuÃt, em xin đ°a ra nßi dung đÅ tài nghiên cąu nh° sau: <Nghiên cứu chính sách bền vững nhằm xây dựng thuật toán nâng cao hiệu quả cân bằng tải của điện toán đám mây=. ĐÅ c°¢ng luÃn vn bao gçm 03 phÅn: PhÅn må đÅu, nßi dung gçm 04 ch°¢ng và phÅn kÃt luÃn. Tổng quan về vấn đề nghiên cứu 2.

Tình hình nghiên cứu trong nước Trong bài báo [1] căa TrÅn Công Hùng và các cßng să đng trên t¿p chí Khoa hác công nghá Thông tin và truyÅn thông så 04(CS.01) 2018 căa Hác vián Công nghá B°u chính vißn thông, nhóm tác giÁ đã đÅ xuÃt mßt thuÃt toán cân bÇng tÁi nhÇm giÁm thãi gian đáp ąng trên đián toán đám mây. Ý t°ång chính căa bài là 3 sÿ dāng thuÃt toán dă báo ARIMA để dă báo thãi gian đáp ąng, từ đó đ°a ra cách giÁi quyÃt phân phåi tài nguyên hiáu quÁ dăa vào giá trß ng°ỡng thãi gian. Bài báo đã đ°a ra thuÃt toán, thÿ nghiám mô phãng vái mô hình nhã và đã đ¿t đ°ÿc mßt så kÃt quÁ mô phãng khá tích căc và tiÅm nng trong dă báo t°¢ng lai gÅn.