Tổng quan luận án

Tính cấp thiết và khoảng trống nghiên cứu

Điện toán đám mây (Cloud Computing) là mô hình cung cấp tài nguyên tính toán, lưu trữ và dịch vụ theo nhu cầu qua mạng Internet. Cùng với sự gia tăng về quy mô và tính đa dạng của các ứng dụng, số lượng và độ phức tạp của các yêu cầu từ phía người dùng gửi tới hệ thống đám mây ngày càng lớn. Trong bối cảnh đó, cân bằng tải (Load Balancing) giữ vai trò then chốt trong việc phân phối lưu lượng truy cập và tác vụ tính toán đến các nút mạng hoặc máy ảo (Virtual Machine - VM), nhằm tránh tình trạng quá tải cục bộ, đảm bảo tính ổn định và nâng cao chất lượng dịch vụ (QoS).

Nhiều thuật toán cân bằng tải truyền thống và cải tiến đã được đề xuất như Round-Robin, Min-Min, Max-Min, Throttled, CLBDM hay Active Clustering. Tuy nhiên, các công trình trước đây phần lớn mang tính đơn lẻ, tập trung vào việc lập lịch cục bộ hoặc điều phối tác vụ mà chưa có một khung phân tích hệ thống toàn diện để phân định rõ ràng các yếu tố tác động bên trong và bên ngoài bộ cân bằng tải. Đồng thời, việc ứng dụng các phương pháp dự đoán kết hợp học máy (Machine Learning) và khai phá dữ liệu trên các tập dữ liệu vận hành của bộ cân bằng tải nhằm dự báo thời gian đáp ứng, thời gian thực hiện, tình trạng bế tắc tài nguyên (deadlock) và độ ưu tiên tác vụ của người dùng vẫn chưa được nghiên cứu đầy đủ. Luận án lựa chọn giải quyết khoảng trống này bằng cách vận dụng công cụ SWOT để phân loại và đề xuất các giải pháp nâng cao hiệu năng cân bằng tải trên đám mây.

Mục tiêu nghiên cứu

  1. Mục tiêu tổng quát: Vận dụng ý tưởng từ cách tiếp cận SWOT để phân tích, đề xuất và xây dựng các phương pháp nâng cao hiệu năng cân bằng tải trong môi trường điện toán đám mây thông qua việc ứng dụng và phát triển các thuật toán học máy kết hợp xử lý, phân tích dữ liệu.
  2. Các mục tiêu cụ thể:
    • Mục tiêu 1: Sử dụng công cụ SWOT để phân tích các yếu tố ảnh hưởng đến hiệu năng cân bằng tải trên đám mây, thiết lập 2 hướng tiếp cận: hướng tiếp cận bên trong (Internal approach) và hướng tiếp cận bên ngoài (External approach).
    • Mục tiêu 2: Với hướng tiếp cận bên trong, đề xuất và xây dựng các thuật toán ứng dụng học máy và phương pháp dự báo chuỗi thời gian (thời gian đáp ứng, thời gian thực hiện) nhằm tối ưu hóa hoạt động của bộ cân bằng tải.
    • Mục tiêu 3: Với hướng tiếp cận bên ngoài, đề xuất thuật toán dự báo hiện tượng deadlock dựa trên mô hình hồi quy tài nguyên và thuật toán phân lớp độ ưu tiên tác vụ dựa trên hành vi của người dùng đám mây.

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu:
    • Các cơ chế, đặc tính và tham số đo lường hiệu năng cân bằng tải trên điện toán đám mây (thời gian đáp ứng, thời gian thực hiện - makespan, thông lượng, độ trễ, tài nguyên CPU, RAM, lưu trữ).
    • Các kỹ thuật học máy và phân tích dữ liệu: thuật toán phân lớp (Naïve Bayes, k-NN, SVM), thuật toán gom cụm (K-Means), thuật toán hồi quy tuyến tính (Linear Regression) và dự báo chuỗi thời gian (ARIMA).
    • Các yếu tố bên ngoài tác động đến hệ thống: hành vi và độ ưu tiên yêu cầu của người dùng, nguy cơ xảy ra deadlock trong phân bổ tài nguyên.
    • Phương pháp mô phỏng, đánh giá hiệu năng hệ thống cân bằng tải trên môi trường đám mây.
  • Phạm vi nghiên cứu:
    • Môi trường nghiên cứu tập trung vào hệ thống đám mây quy mô nhỏ, cấu hình từ 5 đến 10 máy ảo (VM).
    • Kịch bản thực nghiệm mô phỏng dịch vụ web với số lượng yêu cầu (Request) thử nghiệm từ 25 đến tối đa 5000 yêu cầu trong khoảng thời gian 5 phút.
    • Phạm vi ảo hóa dừng lại ở cấp độ máy ảo (VM-level virtualization), không bao gồm ảo hóa cấp container (container-level) hoặc ảo hóa mức chia sẻ tài nguyên động (pooling-level).

Tổng quan tài liệu và vị trí của luận án

Các hướng nghiên cứu trước được điểm lại trong văn bản

Luận án tiến hành tổng hợp và phân loại các công trình nghiên cứu về cân bằng tải trong điện toán đám mây theo nhiều góc độ:

  1. Phân loại theo trạng thái hệ thống:
    • Thuật toán cân bằng tải tĩnh: Điển hình là Round-Robin (RR) phân phối tuần tự, Opportunistic Load Balancing (OLB) gán tác vụ ngẫu nhiên không theo thứ tự, CLBDM (Central Load Balancing Decision Model) của tác giả mở rộng từ Round-Robin, hay các thuật toán dựa trên mô hình MapReduce.
    • Thuật toán cân bằng tải động: Thuật toán dựa trên trọng số kết nối WLC (Weight Least Connection) và biến thể ESWLC (Exponential Smooth Forecast based on WLC); thuật toán phân phối tệp DDFTP (Dual Direction Downloading); thuật toán LBMM / LBMin-Min cải tiến từ OLB và Min-Min; thuật toán INS (Index Name Server).
  2. Phân loại theo cơ chế lập lịch Heuristic:
    • Nhóm BMHA (Batch mode Heuristic Allocation): Phân bổ theo đợt cố định như First Come First Served (FCFS), Round-Robin, Min-Min và Max-Min.
    • Nhóm Online Mode Heuristic: Điều phối tác vụ ngay khi yêu cầu gửi đến hệ thống, thích hợp với môi trường đám mây không đồng nhất.
  3. Các nghiên cứu tối ưu hóa và mở rộng:
    • Ứng dụng kỹ thuật ngẫu nhiên và tìm kiếm cục bộ: Stochastic Hill Climbing trong cân bằng tải.
    • Giải quyết xung đột tài nguyên: Nghiên cứu phương pháp nâng cao nhằm tránh deadlock trong môi trường đám mây.
    • Cân bằng tải có xét đến yếu tố người dùng: Thuật toán User-Priority Guided Min-Min Scheduling của nhóm tác giả nghiên cứu về độ ưu tiên.
    • Thuật toán phỏng sinh học và tự nhiên: Thuật toán Honeybee Foraging Behavior (hành vi tìm kiếm của đàn ong) và Ant Colony Optimization (thuật toán đàn kiến).
    • Thuật toán dựa trên cam kết chất lượng dịch vụ (SLA) và tối ưu hóa đa mục tiêu bằng Meta-Heuristic.
    • Các khảo sát và phân loại tham số đo lường hiệu năng của Dalia Abdulkareem Shafiq và cộng sự.

Khoảng trống luận án lựa chọn giải quyết

Mặc dù các nghiên cứu kể trên đã cải thiện thời gian xử lý và phân bổ tài nguyên, việc kết hợp giữa các thuật toán học máy, mô hình dự báo thống kê và phân tích dữ liệu vận hành vào bài toán cân bằng tải vẫn chưa được khai thác một cách hệ thống. Cụ thể:

  • Các bộ cân bằng tải hiện hữu chưa chủ động dự báo trước thời gian đáp ứng và thời gian hoàn thành tác vụ theo chuỗi thời gian để ra quyết định điều phối.
  • Chưa có giải pháp tích hợp dự đoán nguy cơ xảy ra deadlock thông qua hồi quy mức độ tiêu hao tài nguyên (CPU, RAM, Storage) của các máy ảo trước khi cấp phát.
  • Việc phân loại và xử lý độ ưu tiên của yêu cầu chưa gắn liền với phân tích hành vi người dùng bằng các kỹ thuật phân lớp dữ liệu thực tế.

Cơ sở lý thuyết và phương pháp nghiên cứu

Lý thuyết, khái niệm và khung phân tích

Luận án áp dụng khung phân tích SWOT (Strengths, Weaknesses, Opportunities, Threats) từ lĩnh vực quản trị chiến lược sang kỹ thuật hệ thống để phân tích hiệu năng cân bằng tải trên đám mây:

  • Ma trận SWOT trong cân bằng tải:
    • Yếu tố bên trong (Internal): Bao gồm Điểm mạnh (Strengths) và Điểm yếu (Weaknesses) của bộ cân bằng tải, gắn liền với các chỉ số nội tại như thời gian đáp ứng (Response Time), thời gian hoàn thành (Makespan), thông lượng (Throughput), chi phí Datacenter và năng lực xử lý của máy ảo.
    • Yếu tố bên ngoài (External): Bao gồm Cơ hội (Opportunities) và Thách thức/Nguy cơ (Threats), liên quan đến các yếu tố ngoại tại như hành vi và độ ưu tiên của người dùng, môi trường mạng, sự biến động lưu lượng và nguy cơ bế tắc tài nguyên (Deadlock).
+-------------------------------------------------------------------------+
|                        KHUNG PHÂN TÍCH SWOT                             |
+------------------------------------+------------------------------------+
| YẾU TỐ BÊN TRONG (INTERNAL)        | YẾU TỐ BÊN NGOÀI (EXTERNAL)        |
| - Điểm mạnh & Điểm yếu             | - Cơ hội & Thách thức/Nguy cơ      |
| - Thời gian đáp ứng (RT)           | - Hành vi người dùng đám mây       |
| - Thời gian hoàn thành (Makespan)  | - Độ ưu tiên tác vụ (Task Priority)|
| - Thông lượng & Chi phí Datacenter | - Nguy cơ Deadlock tài nguyên      |
| -> Đề xuất: MCCVA, APRTA, RCBA, ITA| -> Đề xuất: PDOA, k-CTPA           |
+------------------------------------+------------------------------------+

Các mô hình học máy và toán học sử dụng

  1. Thuật toán Naïve Bayes: Dựa trên định lý xác suất Bayes với giả định các thuộc tính độc lập: $$P(c|x) = \frac{P(x|c)P(c)}{P(x)}$$ Trong đó $P(c|x)$ là xác suất hậu nghiệm của lớp mục tiêu $c$ khi biết tập thuộc tính $x$.
  2. Support Vector Machine (SVM): Hoạt động theo nguyên lý Cực tiểu hóa rủi ro có cấu trúc (Structural Risk Minimization - SRM), xác định siêu phẳng phân tách tối ưu có khoảng cách biên (margin) cực đại giữa hai lớp dữ liệu.
  3. Thuật toán gom cụm K-Means: Phân chia tập dữ liệu thành $K$ cụm sao cho tổng bình phương khoảng cách Euclid từ các đối tượng đến tâm cụm (centroid) tương ứng là nhỏ nhất.
  4. Mô hình chuỗi thời gian ARIMA(p, d, q): Xây dựng theo phương pháp Box-Jenkins, kết hợp tự hồi quy (AR), sai phân bậc $d$ để đảm bảo tính dừng, và trung bình trượt (MA), xác định bậc $p, q$ thông qua hàm tự tương quan (ACF) và tự tương quan từng phần (PACF).
  5. Mô hình Hồi quy tuyến tính (Linear Regression): Dự báo giá trị liên tục $y \approx \bar{x} w$ với hàm mất mát chuẩn Euclid: $$\mathcal{L}(w) = |y - Xw|^2$$ Nghiệm tối ưu được xác định qua phương trình đạo hàm: $w = (X^T X)^{-1} X^T y$ hoặc sử dụng ma trận giả nghịch đảo $A^\dagger$ khi ma trận không khả nghịch.
  6. Thuật toán k-lân cận gần nhất (k-NN): Phân lớp và dự đoán dựa trên khoảng cách giữa điểm dữ liệu mới và $k$ điểm lân cận gần nhất trong không gian thuộc tính.

Phương pháp thực nghiệm và nguồn dữ liệu

  • Công cụ mô phỏng: Nền tảng CloudSim được sử dụng để giả lập hạ tầng trung tâm dữ liệu (Datacenter), máy chủ vật lý (Host), máy ảo (VM), bộ định tuyến và cơ chế điều phối tải.
  • Dữ liệu thực nghiệm: Các tập dữ liệu thông số cấu hình máy ảo, chuỗi thời gian tải cực đại ($AT_i$), tải cực tiểu ($IT_i$), vết lưu lượng yêu cầu người dùng, thông số tài nguyên tiêu hao (mức độ sử dụng CPU, RAM, Storage) và các trường hợp kiểm thử từ 25 đến 5000 yêu cầu.

Nội dung chính theo từng chương

Chương 1 – Giới thiệu về đề tài

Chương 1 hệ thống hóa các khái niệm nền tảng về điện toán đám mây, kiến trúc và mô hình dịch vụ (IaaS, PaaS, SaaS), cùng 4 mô hình triển khai (Private, Public, Hybrid, Community). Nội dung tập trung làm rõ vai trò của cân bằng tải trong việc phân phối đồng đều lưu lượng giữa các máy chủ nhằm duy trì tính khả dụng và tối ưu hóa tài nguyên.

Chương này trình bày chi tiết các nhóm chính sách cân bằng tải:

  • Chính sách thông tin (Information policy): Xác định loại và thời điểm thu thập dữ liệu tải.
  • Chính sách kích hoạt (Trigger policy): Xác định thời điểm thực hiện cân bằng tải.
  • Chính sách loại tài nguyên (Resource type policy): Nhận diện tài nguyên sẵn sàng phục vụ.
  • Chính sách vị trí (Location policy): Định vị máy chủ tiếp nhận phù hợp.
  • Chính sách lựa chọn (Selection policy): Xác định tác vụ cần di dời khỏi nút quá tải.

Đồng thời, chương phân tích các tham số đo lường hiệu năng gồm Thông lượng (Throughput), Dung sai lỗi (Fault Tolerance), Thời gian di dời (Migration Time), Thời gian đáp ứng (Response Time), Thời gian thực hiện (Makespan) và Khả năng mở rộng (Scalability). Phần cuối chương giới thiệu nguyên lý của 6 kỹ thuật học máy và mô hình thống kê được lựa chọn cho luận án: Naïve Bayes, SVM, K-Means, ARIMA, Linear Regression và k-NN.

Chương 2 – Tiếp cận SWOT cho cân bằng tải trên điện toán đám mây

Chương 2 trình bày phương pháp luận tiếp cận bài toán cân bằng tải bằng công cụ SWOT. Thông qua việc phân tích điểm mạnh, điểm yếu nội tại của các thuật toán hiện có và nhận diện cơ hội, thách thức từ môi trường bên ngoài, tác giả đề xuất phân chia việc nghiên cứu và phát triển thuật toán thành hai hướng tiếp cận độc lập nhưng bổ trợ lẫn nhau:

  1. Hướng tiếp cận bên trong: Khai thác các thông số vận hành nội tại của hệ thống máy chủ và bộ điều phối như thời gian xử lý, thời gian trễ, phân cụm tài nguyên và chi phí vận hành Datacenter.
  2. Hướng tiếp cận bên ngoài: Xem xét các yếu tố bắt nguồn từ phía người dùng và môi trường mạng như độ ưu tiên yêu cầu, mô hình hành vi truy cập và hiện tượng tranh chấp tài nguyên dẫn đến deadlock.

Chương này cũng tổng thuật chi tiết các công trình nghiên cứu liên quan tương ứng với hai hướng tiếp cận và giới thiệu cấu trúc, cơ chế hoạt động của công cụ mô phỏng CloudSim.

Chương 3 – Cân bằng tải theo hướng tiếp cận bên trong

Chương 3 trình bày chi tiết nguyên lý, thiết kế thuật toán và kết quả đánh giá thực nghiệm cho 04 thuật toán cân bằng tải được đề xuất theo hướng tiếp cận bên trong:

  1. Thuật toán MCCVA (Makespan Classification & Clustering VM Algorithm):
    • Nguyên lý: Kết hợp phân lớp thời gian thực hiện (Makespan) của các yêu cầu và gom cụm máy ảo (sử dụng thuật toán K-Means) theo năng lực xử lý, từ đó gán các yêu cầu có độ phức tạp tương ứng vào đúng cụm máy ảo phù hợp.
    • Thực nghiệm: Kiểm thử trên CloudSim với cấu hình Datacenter xác định ở hai trường hợp: 50 Request và 1000 Request. Kết quả cho thấy thời gian thực hiện của MCCVA thấp hơn so với các thuật toán FCFS, Round Robin, Min-Min và Max-Min.
  2. Thuật toán APRTA (Adaptive Predicted Response Time Algorithm):
    • Nguyên lý: Sử dụng mô hình chuỗi thời gian ARIMA để dự báo thời gian đáp ứng ($PRT_i$) của từng máy ảo $i$. Dựa trên ngưỡng thời gian mới ($T_{new}$) được tính toán tự động từ chuỗi thời gian tải cực đại ($AT_i$) và tải cực tiểu ($IT_i$), bộ cân bằng tải điều phối yêu cầu đến máy ảo có thời gian đáp ứng dự báo tối ưu.
    • Thực nghiệm: Đánh giá trên các mô hình có 3 máy ảo, 4 máy ảo và 5 máy ảo. Kết quả so sánh cho thấy thời gian đáp ứng dự báo duy trì ổn định dưới các ngưỡng thiết lập.
  3. Thuật toán RCBA (Response Time Classification with Naïve Bayes Algorithm):
    • Nguyên lý: Áp dụng mô hình phân lớp Naïve Bayes để phân loại các mức thời gian đáp ứng của máy ảo dựa trên các thuộc tính của yêu cầu ($X_i$) và lịch sử xử lý ($T_i, RT_i$).
    • Thực nghiệm: Kiểm thử ở 4 kịch bản quy mô: 25, 50, 100 và 1000 Request. Thời gian đáp ứng của RCBA được rút ngắn rõ rệt khi so sánh với Round Robin và FCFS.
  4. Thuật toán ITA (Improved Throttle Algorithm):
    • Nguyên lý: Cải tiến thuật toán Throttled truyền thống bằng cách tối ưu hóa bảng trạng thái máy ảo và phân bổ tải động dựa trên chi phí và thời gian đáp ứng.
    • Thực nghiệm: Triển khai qua 4 trường hợp cấu hình phức tạp: từ cấu hình 1 Datacenter với 2 cơ sở người dùng (2UB) đến cấu hình 2 Datacenter với 5 cơ sở người dùng (5UB). Kết quả đánh giá trên cả 3 chỉ số: thời gian đáp ứng, thời gian thực hiện và tổng chi phí Datacenter (Total Data Center Cost) đều thể hiện sự cải thiện so với thuật toán gốc.

Chương 4 – Cân bằng tải theo hướng tiếp cận bên ngoài

Chương 4 trình bày thiết kế và đánh giá thực nghiệm cho 02 thuật toán cân bằng tải xuất phát từ các yếu tố bên ngoài hệ thống:

  1. Thuật toán PDOA (Prediction Deadlock Occurance Algorithm):
    • Nguyên lý: Giải quyết vấn đề bế tắc tài nguyên (Deadlock) trong môi trường đám mây. Luận án phân tích không gian trạng thái thành 3 vùng: trạng thái an toàn (safe), trạng thái không an toàn (unsafe) và trạng thái deadlock. PDOA sử dụng thuật toán hồi quy tuyến tính (Linear Regression) để dự báo mức độ sử dụng tài nguyên (CPU, RAM, Storage) của các tiến trình ($P_i$). Khi phát hiện việc cấp phát có thể đưa hệ thống vào trạng thái không an toàn, bộ cân bằng tải sẽ chủ động tái điều phối để ngăn chặn deadlock.
    • Thực nghiệm: Kiểm thử qua các trường hợp tải từ nhỏ đến tải lớn (2000, 3000, 4000 và 5000 Request). Đánh giá sai số hồi quy thông qua chỉ số sai số tuyệt đối tương đối (Relative Absolute Error - RAE), đồng thời so sánh thời gian đáp ứng, thời gian thực hiện và hệ số tăng tốc (Speedup) với các thuật toán Round Robin, Min-Min, Max-Min, FCFS.
  2. Thuật toán k-CTPA (kNN Classification Task Priority Algorithm):
    • Nguyên lý: Đặt hành vi người dùng làm trung tâm điều phối tải. Thuật toán phân tích các thuộc tính của yêu cầu người dùng, tính toán độ ưu tiên của tác vụ và sử dụng thuật toán phân lớp k-NN để gán nhãn độ ưu tiên. Các yêu cầu có độ ưu tiên cao được đưa vào hàng đợi xử lý trước trên các máy ảo có hiệu năng tương thích.
    • Thực nghiệm: Đánh giá trên các mức tải nhỏ (30, 60, 100, 1000 Request) và các mức tải lớn (1800, 2700, 3600, 4500 Request). Các biểu đồ boxplot sai số dự đoán tài nguyên (RAE), thời gian thực hiện trung bình, thời gian thực hiện lớn nhất và chỉ số Speedup cho thấy k-CTPA tối ưu hóa thời gian thực hiện tốt hơn các giải pháp đối chuẩn.

Kết quả và những đóng góp mới

Đóng góp về mặt lý luận khoa học

  • Đề xuất khung phân tích SWOT cho bài toán cân bằng tải trên môi trường điện toán đám mây, cung cấp phương pháp luận phân tách các yếu tố kỹ thuật thành hai hướng tiếp cận: hướng tiếp cận bên trong (nội tại bộ điều phối) và hướng tiếp cận bên ngoài (môi trường, người dùng, deadlock).
  • Hệ thống hóa và tích hợp thành công các mô hình học máy (Naïve Bayes, SVM, K-Means, k-NN) và mô hình thống kê dự báo chuỗi thời gian (ARIMA, Hồi quy tuyến tính) vào bài toán tối ưu hóa cân bằng tải động trên máy ảo.

Đóng góp về mặt thực tiễn và giải pháp kỹ thuật

  • Xây dựng và kiểm chứng thành công 06 thuật toán cân bằng tải mới trên môi trường mô phỏng CloudSim:
    • 04 thuật toán tiếp cận bên trong: MCCVA, APRTA, RCBA, ITA.
    • 02 thuật toán tiếp cận bên ngoài: PDOA, k-CTPA.
  • Cung cấp giải pháp phòng tránh deadlock thông qua dự báo tải tài nguyên và giải pháp lập lịch tác vụ dựa trên độ ưu tiên hành vi người dùng.

Bảng tổng hợp các thuật toán đề xuất trong luận án

Tên thuật toán Hướng tiếp cận Kỹ thuật / Mô hình sử dụng Mục tiêu tối ưu hóa chính Phạm vi kịch bản thực nghiệm
MCCVA Bên trong Phân lớp Makespan & Gom cụm K-Means Thời gian thực hiện (Makespan) 50 và 1000 Request
APRTA Bên trong Dự báo chuỗi thời gian ARIMA ($p, d, q$) Thời gian đáp ứng (Response Time) 3, 4, 5 Máy ảo (VM)
RCBA Bên trong Phân lớp xác suất Naïve Bayes Thời gian đáp ứng (Response Time) 25, 50, 100, 1000 Request
ITA Bên trong Cải tiến thuật toán Throttled Thời gian đáp ứng & Chi phí Datacenter 4 trường hợp (đến 2 DC, 5 UB)
PDOA Bên ngoài Hồi quy tuyến tính (Linear Regression) Phòng tránh Deadlock, tăng Speedup 1 - 3 TH; 2000 - 5000 Request
k-CTPA Bên ngoài Phân lớp lân cận gần nhất k-NN Độ ưu tiên tác vụ, giảm thời gian xử lý 30 - 1000 & 1800 - 4500 Request

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của nghiên cứu

Theo phạm vi và điều kiện thực nghiệm được xác định trong văn bản luận án:

  • Hệ thống thực nghiệm chỉ mới triển khai trên môi trường mô phỏng đám mây quy mô nhỏ, số lượng máy ảo giới hạn trong khoảng từ 5 đến 10 máy ảo.
  • Kịch bản thử nghiệm tải chủ yếu mô phỏng loại hình dịch vụ web với số lượng yêu cầu tối đa đạt 5000 yêu cầu trong khoảng thời gian 5 phút.
  • Nghiên cứu chỉ tập trung vào mức độ ảo hóa máy ảo (Virtual Machine), chưa khảo sát trên các mô hình ảo hóa hiện đại hơn như ảo hóa mức container hay ảo hóa mức chia sẻ tài nguyên động (pooling).

Hướng phát triển tiếp theo

  • Mở rộng quy mô thử nghiệm thuật toán trên các hệ thống đám mây lớn hơn với số lượng trung tâm dữ liệu và máy ảo phong phú hơn.
  • Nghiên cứu mở rộng việc áp dụng các thuật toán cân bằng tải dự đoán vào các kiến trúc phân tán mới như điện toán cạnh (Edge Computing) và điện toán sương mù (Fog Computing).
  • Nghiên cứu tích hợp các cơ chế cân bằng tải học máy trên các nền tảng container và môi trường ảo hóa mức pooling.

Giá trị tham khảo

Đối tượng thụ hưởng

  • Nghiên cứu sinh và học viên cao học: Chuyên ngành Hệ thống thông tin, Khoa học máy tính và Kỹ thuật mạng truyền thông có thể tham khảo phương pháp luận áp dụng mô hình SWOT và các kỹ thuật Machine Learning vào bài toán tối ưu hóa hạ tầng đám mây.
  • Giảng viên và nhà nghiên cứu: Sử dụng làm tài liệu tham khảo trong giảng dạy các học phần chuyên đề về Điện toán đám mây, Khai phá dữ liệu và Hệ thống phân tán.
  • Kỹ sư phát triển hệ thống và quản trị mạng: Tham khảo các giải pháp thuật toán (như ITA, PDOA, k-CTPA) để nghiên cứu áp dụng vào việc thiết kế bộ cân bằng tải thực tế nhằm giảm thời gian trễ và kiểm soát tài nguyên.

Các nội dung có giá trị tham khảo chuyên sâu

  • Khung phân tích SWOT phân định hai hướng tiếp cận bên trong và bên ngoài cho bài toán cân bằng tải.
  • Các công thức toán học và quy trình tính toán phân lớp Naïve Bayes, hồi quy tuyến tính, chuỗi thời gian ARIMA và k-NN áp dụng trực tiếp cho các tham số đám mây.
  • Kịch bản thiết lập thông số Datacenter, Host, VM và User Base trên công cụ mô phỏng CloudSim để phục vụ việc so chuẩn (benchmarking) hiệu năng.

Câu hỏi thường gặp

1. Ý tưởng cốt lõi của việc tiếp cận SWOT trong luận án này là gì?

Ý tưởng cốt lõi là sử dụng công cụ SWOT để phân tích toàn diện hiệu năng của bộ cân bằng tải trên đám mây, từ đó chia bài toán thành 2 hướng tiếp cận: hướng tiếp cận bên trong (tập trung vào các yếu tố nội tại như thời gian đáp ứng, thời gian thực hiện, thông lượng) và hướng tiếp cận bên ngoài (tập trung vào các yếu tố môi trường như hành vi, độ ưu tiên của người dùng và nguy cơ xảy ra deadlock).

2. Luận án đã đề xuất những thuật toán nào theo hướng tiếp cận bên trong?

Luận án đề xuất 04 thuật toán theo hướng tiếp cận bên trong:

  • MCCVA: Thuật toán phân lớp thời gian thực hiện và gom cụm máy ảo sử dụng K-Means.
  • APRTA: Thuật toán dự báo thời gian đáp ứng của máy ảo theo chuỗi thời gian ARIMA.
  • RCBA: Thuật toán phân lớp thời gian đáp ứng sử dụng mô hình xác suất Naïve Bayes.
  • ITA: Thuật toán cải tiến từ thuật toán Throttled giúp tối ưu hóa thời gian và chi phí Datacenter.

3. Thuật toán PDOA phòng tránh hiện tượng Deadlock trên đám mây bằng cách nào?

PDOA phân tích không gian trạng thái của hệ thống thành trạng thái an toàn, không an toàn và deadlock. Thuật toán sử dụng mô hình hồi quy tuyến tính (Linear Regression) để dự đoán trước mức độ tiêu hao tài nguyên (CPU, RAM, Storage) của các tiến trình ($P_i$). Nếu việc cấp phát dẫn đến trạng thái không an toàn có nguy cơ xảy ra deadlock, bộ cân bằng tải sẽ điều chỉnh việc phân bổ để ngăn chặn nguy cơ này.

4. Thuật toán k-CTPA khai thác hành vi người dùng như thế nào để cân bằng tải?

k-CTPA đặt hành vi người dùng làm trung tâm bằng cách phân tích các thuộc tính của yêu cầu gửi đến, tính toán độ ưu tiên của từng tác vụ và sử dụng thuật toán phân lớp k-NN để phân loại. Sau đó, hệ thống ưu tiên phân bổ các tác vụ quan trọng vào các máy ảo có năng lực xử lý thích hợp nhất, giúp giảm thời gian thực hiện tổng thể.

5. Các thuật toán trong luận án được kiểm chứng trên công cụ nào và so sánh với những thuật toán nào?

Tất cả các thuật toán đề xuất được cài đặt và mô phỏng trên nền tảng CloudSim. Kết quả thực nghiệm được so sánh định lượng với các thuật toán cân bằng tải cơ bản gồm: Round Robin (RR), First Come First Served (FCFS), Min-Min, Max-Min và Throttled.

Kết luận

Luận án tiến sĩ "Hướng tiếp cận SWOT cho cân bằng tải trên điện toán đám mây" đã xây dựng một khung phương pháp luận hệ thống hóa các yếu tố ảnh hưởng đến cân bằng tải thành hai hướng tiếp cận bên trong và bên ngoài. Dựa trên cơ sở đó, tác giả đã đề xuất và cài đặt thành công 06 thuật toán cân bằng tải mới (MCCVA, APRTA, RCBA, ITA, PDOA, k-CTPA) ứng dụng các mô hình học máy và dự báo dữ liệu. Kết quả mô phỏng trên nền tảng CloudSim trong phạm vi 5-10 máy ảo và tối đa 5000 yêu cầu đã chứng minh hiệu quả của các thuật toán trong việc rút ngắn thời gian đáp ứng, giảm thời gian thực hiện, kiểm soát nguy cơ deadlock và tối ưu chi phí trung tâm dữ liệu.