Nghiên Cứu Mô Hình Dự Đoán Tài Nguyên Môi Trường Phân Tán

Khám phá mô hình dự báo khả năng mở rộng tài nguyên trong môi trường phân tán, tối ưu hóa hiệu suất và quản lý tài nguyên hiệu quả.

• Tác giả: Chu Thương
• Người hướng dẫn: TS. Nguyễn Bình Minh
• Trường học: Trường Đại Học Bách Khoa Hà Nội
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Nghiên Cứu Mô Hình Dự Đoán Tài Nguyên Môi Trường Phân Tán
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2018
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN CÁC NGHIÊN CỨU
• 1.1. Tổng quan về điện toán đám mây
• 1.2. Nhu cầu thực tế về cung cấp tài nguyên điện toán đám mây
• 1.3. Các nghiên cứu liên quan
• 2. CHƯƠNG 2: THIẾT KẾ HỆ THỐNG
• 2.1. Mô hình hệ thống
• 2.2. Thu thập dữ liệu
• 2.3. Huấn luyện mô hình
• 3. CHƯƠNG 3: THỬ NGHIỆM VÀ ĐÁNH GIÁ
• 3.1. Công nghệ sử dụng và đo đính giá mô hình
• 3.1.1. Ngôn ngữ lập trình
• 3.1.2. Thư viện và môi trường sử dụng
• 3.1.3. Đo đính giá mô hình
• 3.2. Các tiêu chí đánh giá
• 3.3. Giai đoạn và kết quả thử nghiệm
• 3.3.1. Thử nghiệm FLNN
• 3.3.2. Thử nghiệm thay đổi các hàm mờ ràng FLNN
• 3.3.3. Thử nghiệm LSTM
• 3.3.4. Thử nghiệm thay đổi tham số cho mô hình LSTM
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Mô Hình Dự Đoán Tài Nguyên Môi Trường Phân Tán

Điện toán đám mây đã trở thành một lựa chọn tối ưu cho các bài toán cần tài nguyên tính toán, mang lại lợi ích về khả năng cung cấp tài nguyên ảo hóa nhanh chóng và linh hoạt. Các nhà cung cấp dịch vụ điện toán đám mây thường sử dụng cơ chế co giãn tài nguyên dựa trên ngưỡng tiêu thụ. Tuy nhiên, phương pháp này có nhược điểm là tài nguyên cung cấp chậm, đặc biệt khi có biến cố xảy ra đột ngột. Việc sử dụng tài nguyên chưa chính xác dẫn đến lãng phí. Việc xây dựng mô hình dự đoán tài nguyên sử dụng trong tương lai để tự động tăng giảm tài nguyên là một hướng đi tiềm năng. Tuy nhiên, việc dự đoán tài nguyên đòi hỏi độ chính xác cao. Vì vậy, việc tìm ra mô hình dự báo có độ chính xác cao kết hợp với hệ thống tự động mở rộng tài nguyên điện toán đám mây là rất cần thiết. Luận văn này tập trung so sánh và đánh giá một số mô hình dự đoán cho bài toán co giãn tài nguyên, sau đó áp dụng mô hình dự báo tốt cho hệ thống co giãn tài nguyên trong môi trường phân tán.

1.1. Điện Toán Đám Mây và Bài Toán Co Giãn Tài Nguyên

Điện toán đám mây cung cấp tài nguyên ảo hóa một cách nhanh chóng và linh hoạt, tuy nhiên, cơ chế co giãn tài nguyên dựa trên ngưỡng tiêu thụ hiện tại còn nhiều hạn chế. Việc cung cấp tài nguyên chậm trễ và sử dụng không chính xác gây lãng phí và giảm chất lượng dịch vụ. Mô hình dự đoán tài nguyên có thể giải quyết vấn đề này bằng cách tự động điều chỉnh tài nguyên dựa trên dự báo nhu cầu trong tương lai. Tính linh hoạt và tính sẵn sàng là những yếu tố then chốt trong điện toán đám mây.

1.2. Mô Hình Dự Đoán Tài Nguyên Hướng Tiếp Cận Tiềm Năng

Mặc dù có nhiều mô hình dự báo đã được đề xuất, việc áp dụng chúng vào thực tế vẫn còn hạn chế do yêu cầu về độ chính xác cao. Các mô hình hiện tại như LSTM-RNN hoặc mạng nơ-ron nhiều tầng đã được sử dụng trong các bài toán tương tự, nhưng cần đánh giá và so sánh hiệu quả của chúng trong bối cảnh co giãn tài nguyên điện toán đám mây. Cần có những thuật toán hiệu quả để dự đoán chính xác nhu cầu tài nguyên.

II. Thách Thức Trong Dự Đoán Tài Nguyên Môi Trường Phân Tán

Việc dự đoán lượng tài nguyên cần cung cấp trong tương lai cho các dịch vụ điện toán đám mây gặp nhiều thách thức do sự thay đổi bất thường và liên tục của dữ liệu. Các yếu tố ảnh hưởng đến nhu cầu tài nguyên có thể bao gồm số lượng người dùng truy cập, loại ứng dụng đang chạy, thời gian trong ngày, và các sự kiện đặc biệt. Sự phức tạp này đòi hỏi các mô hình dự đoán phải có khả năng học và thích ứng với các mẫu dữ liệu phi tuyến tính. Ngoài ra, việc thu thập và xử lý dữ liệu lịch sử cũng là một thách thức lớn.

2.1. Tính Bất Ổn Định của Dữ Liệu Tài Nguyên

Nhu cầu sử dụng tài nguyên trong môi trường điện toán đám mây thường xuyên biến động, chịu ảnh hưởng bởi nhiều yếu tố khó lường trước. Sự thay đổi đột ngột trong số lượng người dùng hoặc khối lượng công việc có thể làm cho các mô hình dự đoán truyền thống trở nên kém hiệu quả. Cần có các phương pháp xử lý dữ liệu linh hoạt để đối phó với tính bất ổn định này. Dữ liệu thời gian thực rất quan trọng trong quá trình dự đoán.

2.2. Yêu Cầu Độ Chính Xác Cao và Thời Gian Phản Hồi Nhanh

Để hệ thống co giãn tài nguyên hoạt động hiệu quả, mô hình dự đoán cần phải có độ chính xác cao và thời gian phản hồi nhanh. Sai sót trong dự đoán có thể dẫn đến tình trạng thiếu hụt tài nguyên, gây ảnh hưởng đến hiệu suất ứng dụng hoặc lãng phí tài nguyên nếu dự đoán quá cao. Cần có sự cân bằng giữa độ chính xác và tốc độ dự đoán. Cần xây dựng hệ thống giám sát hiệu quả.

III. Phương Pháp LSTM và FLNN Dự Đoán Tài Nguyên Môi Trường

Luận văn này sử dụng mạng bộ nhớ dài ngắn (LSTM) và mạng nơ-ron liên kết chức năng (FLNN) để giải quyết bài toán dự đoán tài nguyên. LSTM là một loại mạng nơ-ron hồi quy (RNN) đặc biệt phù hợp với việc xử lý dữ liệu chuỗi thời gian. FLNN là một mạng nơ-ron có cấu trúc đơn giản, đã được áp dụng trong nhiều bài toán khác nhau, bao gồm cả bài toán dự đoán. Mô hình hệ thống bao gồm 4 mô-đun: thu thập và lưu trữ dữ liệu, tiền xử lý dữ liệu, huấn luyện mô hình, và dự đoán.

3.1. Mạng LSTM Giải Pháp Cho Dữ Liệu Chuỗi Thời Gian

Mạng LSTM là một loại mạng nơ-ron hồi quy được thiết kế để xử lý dữ liệu chuỗi thời gian một cách hiệu quả. LSTM có khả năng ghi nhớ các thông tin quan trọng từ quá khứ và sử dụng chúng để dự đoán các giá trị trong tương lai. LSTM đã được chứng minh là hiệu quả trong nhiều bài toán dự đoán, bao gồm dự đoán giá cổ phiếu và dự đoán lưu lượng truy cập mạng. Kiến trúc mạng LSTM cần được điều chỉnh phù hợp.

3.2. Mạng FLNN Tiếp Cận Đơn Giản và Hiệu Quả

Mạng FLNN là một loại mạng nơ-ron có cấu trúc đơn giản hơn so với LSTM. FLNN sử dụng các hàm liên kết chức năng để kết nối các nơ-ron, giúp giảm số lượng tham số cần huấn luyện. FLNN đã được áp dụng thành công trong nhiều bài toán phân loại và nhận dạng. Mô hình này có tính thực tiễn cao do dễ triển khai.

3.3. Quy Trình Xây Dựng Mô Hình Dự Đoán

Quy trình xây dựng mô hình dự đoán bao gồm bốn bước chính: thu thập và lưu trữ dữ liệu lịch sử, tiền xử lý dữ liệu để chuẩn hóa và chuyển đổi sang định dạng phù hợp, huấn luyện mô hình bằng cách sử dụng dữ liệu đã được tiền xử lý, và đánh giá hiệu năng của mô hình bằng cách so sánh các dự đoán với dữ liệu thực tế. Cần có dữ liệu chất lượng để huấn luyện mô hình.

IV. Thử Nghiệm và Đánh Giá Mô Hình Dự Đoán Tài Nguyên Phân Tán

Mô hình hệ thống trên được thử nghiệm để đánh giá hiệu năng dự đoán. Dữ liệu được thu thập từ Google năm 2011 và thử nghiệm để so sánh hiệu năng của mô hình. Trong phần thử nghiệm em sử dụng dữ liệu được thu thập từ Google năm 2011 và thử nghiệm để so sánh hiệu năng của mô hình. Kết quả thử nghiệm cho thấy mô hình mạng bộ nhớ dài ngắn – LSTM cho hiệu quả tốt hơn. Tuy nhiên, thời gian chạy thử nghiệm để ra kết quả lại lâu hơn so với mô hình mạng nơ-ron liên kết chức năng – FLNN.

4.1. Bộ Dữ Liệu Thử Nghiệm và Môi Trường Thực Nghiệm

Việc đánh giá hiệu năng của các mô hình dự đoán được thực hiện trên bộ dữ liệu thu thập từ Google vào năm 2011. Môi trường thực nghiệm bao gồm các công cụ và thư viện cần thiết để triển khai và huấn luyện các mạng LSTM và FLNN. Việc lựa chọn bộ dữ liệu và môi trường thực nghiệm phù hợp là rất quan trọng để đảm bảo tính khách quan và độ tin cậy của kết quả. Cần chuẩn hóa dữ liệu trước khi đưa vào mô hình.

4.2. So Sánh Hiệu Năng Giữa LSTM và FLNN

Kết quả thử nghiệm cho thấy rằng mô hình LSTM đạt được độ chính xác cao hơn so với mô hình FLNN trong việc dự đoán tài nguyên. Tuy nhiên, mô hình FLNN có thời gian huấn luyện nhanh hơn đáng kể so với mô hình LSTM. Sự đánh đổi giữa độ chính xác và thời gian huấn luyện cần được xem xét khi lựa chọn mô hình phù hợp cho một ứng dụng cụ thể. Cần xem xét độ phức tạp tính toán của từng mô hình.

V. Kết Luận và Hướng Phát Triển Mô Hình Dự Đoán Tương Lai

Luận văn này đã so sánh và đánh giá hai mô hình dự đoán tài nguyên khác nhau, LSTM và FLNN, trong môi trường điện toán đám mây phân tán. Kết quả cho thấy LSTM có độ chính xác cao hơn nhưng FLNN có thời gian huấn luyện nhanh hơn. Hướng phát triển trong tương lai có thể tập trung vào việc kết hợp ưu điểm của cả hai mô hình hoặc phát triển các mô hình dự đoán mới có độ chính xác cao và thời gian huấn luyện nhanh.

5.1. Tổng Kết Kết Quả Nghiên Cứu

Nghiên cứu này đã cung cấp một cái nhìn tổng quan về các mô hình dự đoán tài nguyên trong môi trường điện toán đám mây. Kết quả thử nghiệm cho thấy rằng LSTM và FLNN là các lựa chọn tiềm năng cho bài toán dự đoán tài nguyên, mỗi mô hình có những ưu điểm và nhược điểm riêng. Việc lựa chọn mô hình phù hợp phụ thuộc vào yêu cầu cụ thể của ứng dụng. Cần tiếp tục nghiên cứu sâu về các mô hình dự đoán.

5.2. Đề Xuất Hướng Nghiên Cứu Tiếp Theo

Hướng nghiên cứu tiếp theo có thể tập trung vào việc phát triển các mô hình dự đoán kết hợp các ưu điểm của LSTM và FLNN. Ví dụ, có thể sử dụng FLNN để tiền xử lý dữ liệu trước khi đưa vào LSTM, hoặc sử dụng LSTM để học các đặc trưng quan trọng và sau đó sử dụng FLNN để dự đoán. Ngoài ra, cần nghiên cứu thêm về các kỹ thuật tối ưu hóa để giảm thời gian huấn luyện của các mô hình dự đoán. Có thể tích hợp các thuật toán học máy khác.

Nội dung chính

Tổng quan nghiên cứu

Điện toán đám mây đã trở thành một xu hướng công nghệ chủ đạo, cung cấp tài nguyên tính toán ảo hóa nhanh chóng và linh hoạt cho người dùng. Theo báo cáo của ngành, việc quản lý và mở rộng tài nguyên trong môi trường phân tán là một thách thức lớn do sự biến động thất thường của nhu cầu sử dụng tài nguyên như CPU, RAM. Phương pháp co giãn tài nguyên dựa trên ngưỡng tiêu thụ hiện nay thường phản ứng chậm, gây lãng phí tài nguyên và giảm chất lượng dịch vụ. Mục tiêu của luận văn là so sánh và đánh giá hiệu quả của hai mô hình mạng nơ-ron trong dự đoán tài nguyên điện toán đám mây, gồm mạng bộ nhớ dài ngắn (LSTM) và mạng nơ-ron liên kết chức năng (FLNN). Phạm vi nghiên cứu tập trung vào dữ liệu thu thập từ Google Cluster Trace năm 2011, với các chuỗi dữ liệu thời gian rời rạc ở các khoảng 3, 5 và 10 phút. Nghiên cứu nhằm nâng cao độ chính xác dự báo tài nguyên, từ đó hỗ trợ hệ thống tự động mở rộng tài nguyên hiệu quả, giảm chi phí và tăng tính ổn định cho dịch vụ điện toán đám mây.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết chính về mạng nơ-ron nhân tạo trong dự đoán chuỗi thời gian:

• Mạng bộ nhớ dài ngắn (LSTM): Là dạng mạng nơ-ron hồi quy (RNN) đặc biệt, có khả năng ghi nhớ thông tin dài hạn nhờ cấu trúc gồm ba cổng (cổng quên, cổng vào, cổng ra) điều khiển trạng thái tế bào. LSTM khắc phục hạn chế của RNN truyền thống trong việc xử lý chuỗi dài, giúp mô hình học được các phụ thuộc phức tạp trong dữ liệu phi tuyến tính.

• Mạng nơ-ron liên kết chức năng (FLNN): Mạng nơ-ron một tầng không có tầng ẩn, sử dụng tập hàm mở rộng đầu vào (như hàm Chebyshev, Legendre, Laguerre, Power) để mô hình hóa quan hệ phi tuyến tính giữa đầu vào và đầu ra. FLNN có cấu trúc đơn giản, giảm số lượng trọng số và thời gian huấn luyện so với mạng nhiều tầng.

Các khái niệm chính bao gồm chuỗi thời gian rời rạc, chuyển đổi dữ liệu chuỗi thời gian sang dạng học có giám sát (bằng kỹ thuật lag feature, sliding window, rolling window statistics), các hàm lỗi đánh giá mô hình như MAE (Mean Absolute Error) và RMSE (Root Mean Square Error).

Phương pháp nghiên cứu

Nguồn dữ liệu chính là bộ dữ liệu lịch sử Google Cluster Trace năm 2011, gồm 20 thông số tài nguyên, trong đó tập trung vào CPU và RAM. Dữ liệu được thu thập theo các khoảng thời gian 3 phút, 5 phút và 10 phút, với tổng số điểm dữ liệu lần lượt là 13.200, 8.300 và 4.100. Dữ liệu được chia thành 80% dùng huấn luyện và 20% dùng kiểm nghiệm.

Phương pháp phân tích bao gồm:

• Tiền xử lý dữ liệu: chuẩn hóa về miền [0,1], chuyển đổi chuỗi thời gian sang dạng học có giám sát bằng các kỹ thuật sliding window với các kích thước cửa sổ khác nhau (2, 3, 5).

• Huấn luyện mô hình: sử dụng thuật toán lan truyền ngược để tối ưu trọng số cho FLNN, và thuật toán tối ưu trong Keras cho LSTM.

• Đánh giá mô hình: dựa trên sai số MAE và RMSE giữa giá trị dự đoán và giá trị thực tế.

Thời gian nghiên cứu tập trung vào việc thử nghiệm trên ba bộ dữ liệu với các tham số khác nhau, so sánh hiệu năng giữa FLNN và LSTM, cũng như đánh giá ảnh hưởng của các hàm mở rộng đầu vào trong FLNN.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu năng dự đoán của FLNN với các kích thước cửa sổ trượt: Sai số MAE và RMSE nhỏ nhất đạt được khi cửa sổ trượt bằng 2, với MAE khoảng 0.6002 trên bộ dữ liệu CPU 3 phút. Kết quả này cho thấy kích thước cửa sổ ảnh hưởng đáng kể đến độ chính xác dự đoán.

2. Ảnh hưởng của hàm mở rộng đầu vào trong FLNN: Khi sử dụng hàm Chebyshev với cửa sổ trượt 2, mô hình FLNN đạt sai số MAE thấp nhất là 0.2476 và RMSE là 0.4532 trên bộ dữ liệu 3 phút. Hàm Laguerre cũng cho kết quả sát thực tế trên bộ dữ liệu 5 phút và 10 phút, với sai số thấp hơn đáng kể so với các hàm Legendre và Power.

3. So sánh giữa FLNN và LSTM: Mô hình LSTM cho hiệu quả dự đoán tốt hơn FLNN về độ chính xác, đặc biệt trên bộ dữ liệu 3 phút, tuy nhiên thời gian huấn luyện và thử nghiệm của LSTM lâu hơn đáng kể so với FLNN. Ví dụ, trên bộ dữ liệu 10 phút, LSTM có sai số thấp hơn nhưng chi phí tính toán cao hơn.

4. Ảnh hưởng của tham số batch_size và cửa sổ trượt trong LSTM: Thay đổi batch_size và kích thước cửa sổ trượt ảnh hưởng đến sai số dự đoán, trong đó batch_size = 16 và cửa sổ trượt 2 hoặc 3 cho kết quả tối ưu nhất.

Thảo luận kết quả

Nguyên nhân LSTM cho kết quả chính xác hơn là do khả năng học các phụ thuộc dài hạn trong chuỗi thời gian nhờ cấu trúc cổng điều khiển trạng thái tế bào. FLNN, mặc dù đơn giản hơn, vẫn có thể mô hình hóa quan hệ phi tuyến nhờ tập hàm mở rộng đầu vào, nhưng hạn chế trong việc ghi nhớ thông tin chuỗi dài hạn khiến độ chính xác thấp hơn. Kết quả phù hợp với các nghiên cứu trước đây về ưu điểm của LSTM trong xử lý chuỗi thời gian phi tuyến tính.

Việc lựa chọn hàm mở rộng đầu vào trong FLNN ảnh hưởng lớn đến hiệu năng, trong đó hàm Chebyshev và Laguerre được khuyến nghị do khả năng xấp xỉ phi tuyến tốt. Các biểu đồ so sánh sai số MAE và RMSE giữa các mô hình và hàm mở rộng có thể minh họa rõ ràng sự khác biệt hiệu năng.

Thời gian huấn luyện nhanh của FLNN là lợi thế trong các ứng dụng cần phản hồi nhanh, trong khi LSTM phù hợp với các bài toán đòi hỏi độ chính xác cao hơn và có thể chấp nhận chi phí tính toán lớn hơn.

Đề xuất và khuyến nghị

1. Áp dụng mô hình LSTM cho hệ thống dự báo tài nguyên trong môi trường phân tán nhằm nâng cao độ chính xác dự đoán, đặc biệt trong các kịch bản có biến động tài nguyên phức tạp. Thời gian triển khai dự kiến trong vòng 6 tháng, do các đơn vị phát triển phần mềm và quản trị hệ thống thực hiện.

2. Sử dụng FLNN với hàm mở rộng Chebyshev hoặc Laguerre cho các ứng dụng yêu cầu phản hồi nhanh và tài nguyên tính toán hạn chế, ví dụ trong các hệ thống giám sát thời gian thực. Thời gian áp dụng trong 3 tháng, do nhóm nghiên cứu và kỹ sư phần mềm phối hợp thực hiện.

3. Tối ưu tham số mô hình (batch_size, kích thước cửa sổ trượt) theo đặc thù dữ liệu thực tế để cân bằng giữa độ chính xác và chi phí tính toán. Khuyến nghị thực hiện đánh giá định kỳ mỗi 6 tháng để điều chỉnh tham số phù hợp.

4. Xây dựng hệ thống tự động mở rộng tài nguyên dựa trên dự báo mô hình LSTM, kết hợp với cơ chế điều khiển ngưỡng để giảm thiểu thời gian chết và lãng phí tài nguyên. Chủ thể thực hiện là đội ngũ vận hành trung tâm dữ liệu, với lộ trình triển khai 12 tháng.

Đối tượng nên tham khảo luận văn

1. Các nhà quản lý trung tâm dữ liệu và dịch vụ điện toán đám mây: Nghiên cứu giúp họ hiểu rõ hơn về các mô hình dự báo tài nguyên, từ đó tối ưu hóa việc phân bổ và mở rộng tài nguyên, giảm chi phí vận hành.

2. Nhà phát triển phần mềm và kỹ sư hệ thống: Áp dụng các mô hình mạng nơ-ron LSTM và FLNN trong xây dựng hệ thống dự báo tài nguyên, cải thiện hiệu suất và độ chính xác của các ứng dụng điện toán đám mây.

3. Nhà nghiên cứu trong lĩnh vực học máy và trí tuệ nhân tạo: Tham khảo phương pháp kết hợp các hàm mở rộng đầu vào trong FLNN và cấu trúc mạng LSTM để phát triển các mô hình dự báo chuỗi thời gian phức tạp.

4. Sinh viên và học viên cao học chuyên ngành Công nghệ Thông tin, Kỹ thuật Máy tính: Tài liệu cung cấp kiến thức chuyên sâu về mạng nơ-ron và ứng dụng thực tiễn trong điện toán đám mây, hỗ trợ nghiên cứu và phát triển luận văn.

Câu hỏi thường gặp

1. Mô hình LSTM có ưu điểm gì so với FLNN trong dự báo tài nguyên?
   LSTM có khả năng ghi nhớ thông tin dài hạn trong chuỗi thời gian nhờ cấu trúc cổng điều khiển trạng thái tế bào, giúp dự báo chính xác hơn trong các dữ liệu phi tuyến và biến động phức tạp. Ví dụ, trên bộ dữ liệu 3 phút, LSTM cho sai số MAE thấp hơn FLNN khoảng 15-20%.

2. Tại sao cần chuyển đổi dữ liệu chuỗi thời gian sang dạng học có giám sát?
   Chuỗi thời gian không có khái niệm đầu ra rõ ràng, nên chuyển đổi sang dạng học có giám sát (ví dụ dùng kỹ thuật sliding window) giúp mô hình học được mối quan hệ giữa các giá trị trước và giá trị cần dự đoán, từ đó cải thiện hiệu quả huấn luyện.

3. Hàm mở rộng đầu vào nào phù hợp nhất cho FLNN?
   Hàm Chebyshev và Laguerre được đánh giá là phù hợp nhất do khả năng xấp xỉ các quan hệ phi tuyến tốt, giúp giảm sai số MAE và RMSE đáng kể so với các hàm Legendre và Power trong thử nghiệm trên bộ dữ liệu Google Cluster.

4. Làm thế nào để lựa chọn kích thước cửa sổ trượt tối ưu?
   Kích thước cửa sổ trượt ảnh hưởng đến lượng thông tin đầu vào và độ phức tạp mô hình. Thử nghiệm cho thấy cửa sổ trượt bằng 2 hoặc 3 là tối ưu, cân bằng giữa độ chính xác và chi phí tính toán trên cả hai mô hình FLNN và LSTM.

5. Có thể áp dụng mô hình này cho các loại tài nguyên khác ngoài CPU và RAM không?
   Có thể, vì mô hình dựa trên dữ liệu chuỗi thời gian và mạng nơ-ron có khả năng học các quan hệ phi tuyến, nên có thể mở rộng áp dụng cho các tài nguyên như bộ nhớ lưu trữ, băng thông mạng hoặc các chỉ số hiệu suất khác trong điện toán đám mây.

Kết luận

• Luận văn đã so sánh và đánh giá hiệu quả của hai mô hình mạng nơ-ron LSTM và FLNN trong dự báo tài nguyên điện toán đám mây sử dụng dữ liệu Google Cluster Trace.
• Mô hình LSTM cho độ chính xác dự báo cao hơn, phù hợp với các bài toán phức tạp, trong khi FLNN có ưu thế về tốc độ huấn luyện và đơn giản trong cấu trúc.
• Hàm mở rộng đầu vào như Chebyshev và Laguerre giúp FLNN cải thiện hiệu năng đáng kể.
• Kết quả nghiên cứu hỗ trợ xây dựng hệ thống tự động mở rộng tài nguyên hiệu quả, giảm chi phí và tăng chất lượng dịch vụ điện toán đám mây.
• Đề xuất tiếp theo là triển khai mô hình LSTM trong môi trường thực tế và tối ưu tham số định kỳ để nâng cao hiệu quả dự báo.

Các đơn vị quản lý và phát triển hệ thống điện toán đám mây nên áp dụng mô hình LSTM kết hợp với cơ chế tự động mở rộng tài nguyên để nâng cao hiệu quả vận hành. Đồng thời, nghiên cứu tiếp tục mở rộng mô hình cho các loại tài nguyên khác và tích hợp với các công nghệ mới như học sâu đa chiều.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TNG QUAN CÁC NGHIÊN CU 1.1 Tng quan v đin ton đm mây Hiện nay chúng ta nghe nói về điện toán đám mây (Cloud Computing) khá nhiều. Đây là mô hình điện toán sử dụng các công nghệ mạng máy tính và phát triển dựa vào mạng Internet. Các máy tính được cấu hình để làm việc cùng nhau, các ứng dụng khác nhau sử dụng sức mạnh điện toán tập hợp như đang chạy trên một hệ thống thống nhất. Trong vài năm gần đây, điện toán đám mây đã tạo ra một cuộc cách mạng trong ngành công nghiệp máy tính, thay đổi cơ bản cách thức sử dụng các ngun tài nguyên, cơ cấu vận hành cng như việc lưu trữ, phân phối và xử lý thông tin.

 mô hình điện toán, mọi khả năng liên quan đến công nghệ thông tin được cung cấp dưới dạng dch vụ, cho phép người sử dụng truy cập vào dch vụ từ một nhà cung cấp mà không cần phải có kiến thức, kinh nghiệm về công nghệ đó cng như không cần quan tâm đến cơ sở hạ tầng phục vụ công nghệ đó. Tính linh hoạt của điện toán đám mây là chức năng phân phối tài nguyên theo yêu cầu. Trước đây, khi triển khai một ứng dụng cần phải mua hay thuê một hay nhiều máy chủ, thì nay điện toán đám mây cho phép giản lược quá trình này. Các lợi ích mà nó đem lại như cung cấp những gì cần thiết một cách tức thời các tài nguyên, tốc độ xử lý nhanh, cắt giảm chi phí, mở rộng linh hoạt, tiếp cận từ xa, bảo mật tích hợp, cài đt và bảo trì tài nguyên thay vào đó xác đnh nhu cầu của mình sau đó các nhà cung cấp dch vụ s cung cấp.

Hiện nay, Google, Amazon.com và Salesforce.com đang dẫn đầu trong cộng đng và phát triển không gian điện toán doanh nghiệp. Có ba mức độ chính của các dch vụ điện toán đám mây: Hạ tầng được cung cấp như một dch vụ (Infrastructure as a Service - IaaS), nền tảng được cung cấp như một dch vụ (Platform as a Service), phần mềm được cung cấp như một dch vụ (Software as a Service - SaaS). Hạ tầng được cung cấp như một dch vụ theo Amazon là mức cơ bản nhất của điện toán đám mây, thường thì nhà cung cấp dch vụ s cung cấp các dch vụ về mạng, máy tính 12 (máy ảo hoc máy thật tùy nhu cầu) cng như nơi lưu trữ dữ liệu. Cụ thể bạn có thể thuê một hệ thống cung cấp máy chủ trên mây với lượng CPU, RAM, ổ cứng (SSD hoc HDD) tùy theo nhu cầu người dùng.

Như vậy bạn đã có một máy chủ còn các vấn đề như máy chủ đt đâu hay việc bảo trì ra sao thì người sử dụng không cần quan tâm đến. Như vậy IaaS không được thiết kế cho người dùng cuối mà chủ yếu cho những người muốn một nơi để triển khai phần mềm của mình như lập trình viên, công ty… Dch vụ điện toán đám mây thứ hai phổ biến hiện nay là nền tảng được cung cấp như một dch vụ ( Platform as a Service - PaaS) là mức độ cao hơn so với IaaS. Trong trường hợp mua dch vụ IaaS bạn s được cung cấp một máy chủ. Nhưng để triển khai ứng dụng web của bạn, bạn phải tự cài đt nhiều thứ liên quan như máy chủ web, cơ sở dữ liệu… sau đó mới có thể triển khai ứng dụng của mình.

Đối với PaaS cho phép bạn chọn một nền tảng đã được cài đt sẵn và phù hợp cho ứng dụng của mình. Có nhiều nhà cung cấp dch vụ không cho phép bạn sở hữu máy chủ, họ chỉ đơn giản cung cấp cho bạn một nền tảng để bạn triển khai ứng dụng của mình, trong trường hợp này bạn đang sử dụng chung một máy chủ với nhiều người khác. Và cơ sở dữ liệu của bạn cng được cài đt trong môi trường lưu trữ với hàng trăm cở sở dữ liệu khác. Điều này làm giảm chi phí bạn phải trả, tuy nhiên gây ra các rủi ro, và là mục tiêu hàng đầu của các cuộc tấn công độc hại truy cập bất hợp pháp vào dữ liệu của bạn.

Dch vụ thứ ba phổ biến hiện nay là phần mềm được cung cấp như một dch vụ ( Software as a Service – SaaS ) đây là mức độ cao nhất trong các loại hình dch vụ điện toán đám mây. Đó là một sản phm hoàn thiện được vận hành và quản lý bở một nhà cung cấp. Hầu hết các trường hợp thì dch vụ SaaS cung cấp những phần mềm hoc ứng dụng chạy trên Internet và có thể sử dụng ngay bởi người dùng cuối. Các dch vụ gửi thư điện tử như Gmail, Outlook … là một trong số các ví dụ điển hình của Saas bạn có thể ngay lập tức sủ dụng để gửi nhận thư mà không phải thiết lập máy chủ quản lý thư.

Google Docs hoc Microsolf Online cng là SaaS là những bộ phần mềm văn phòng trực tuyến và được cung cấp miễn phí. Điện toán đám mây mang lại những lợi ích thiết thực trong đó lợi ích lớn nhất là tiết kiệm chi phí. Chủ yếu là bạn 13 s giảm được chi phí đầu tư hạ tầng ban đầu, chi phí mua phần cứng, phần mềm bảo dưỡng, chi phí lắp đt, vận hành… Theo sau đó là sự tiện lợi bạn có thể nhanh chóng sử dụng ngay một thứ gì đó mà không phải tốn công cài đt phức tạp, có thể truy cập mọi lúc mọi nơi khi có Internet không phụ thuộc vào phần mềm hay phần cứng đang sử dụng. Một lợi ích nữa là sự an toàn và tính liên tục, nếu ổ cứng của bạn b hỏng, có thể bạn s mất hết dữ liệu, trừ khi đã được sao lưu sang một ổ cứng khác.

Trong khi đó nếu dữ liệu được đưa lên Dropbox hay OneDrive thì tính an toàn s cao hơn. Dữ liệu của bạn được chăm sóc bởi nhà cung cấp dch vụ bằng cách sao lưu đnh kì, nếu ổ cứng tại đó b hỏng s được thay thế bởi nhà cung cấp dch vụ, và dữ liệu vẫn được an toàn. Tính an toàn của dữ liệu cng được xem như một lợi ích khi sử dụng điện toán đám mây. Bên cạnh những lợi ích điện toán đám mây cng gp phải những hạn chế nhất đnh.

Khi sử dụng điện toán đám mây bạn phải tin tưởng rằng nhà cung cấp dch vụ s bảo mật thông tin cho mình, không làm rò rỉ thông tin ra ngoài và đảm bảo dữ liệu không b bán cho các đối thủ cạnh tranh nhưng đôi khi các nhà cung cấp dch vụ không làm được điều đó. Mt khác thời gian chết cng là một hạn chế do không một nhà cung cấp nào đảm bảo rằng máy chủ của họ s chạy liên tục 100% và không bao giờ ngừng.2 Nhu cu thc t v cung cp ti nguyên đin ton đm mây Trong lĩnh vực điện toán đám mây có một vấn đề mà nhà cung cấp gp phải là máy chủ của họ không có khả năng cung cấp cho tất cả các yêu cầu tại một thời điểm nào đó làm cho người sử dụng dch vụ rơi vào thời gian chết. Nguyên nhân chính dẫn đến vấn đề này là khi chúng ta sử dụng dch vụ điện toán đám mây, thông thường chúng ta sử dụng chung tài nguyên với nhiều người khác và nhà cung cấp có nhiệm vụ quản lý và phân phối tài nguyên cho người dùng nhưng do yêu cầu tăng cao đột ngột các nhà cung cấp không lường trước được. Đối với các nhà cung cấp dch vụ điện toán đám mây thì việc dự đoán lượng tài nguyên cần phải cung cấp trong tương lai là rất cần thiết giúp các nhà cung cấp dch vụ giảm được tối đa thời gian chết cho những người sử dụng dch vụ.

Ví 14 dụ như việc dự đoán nhu cầu sử dụng CPU hay RAM trong thời gian tới để trung tâm máy chủ có chiến lược cấp phát tài nguyên phù hợp là một bài toán rất phổ biến. Tại một trung tâm máy chủ năng lượng tiêu tương thụ ứng với số lượng máy chủ hoạt động tại một thời điểm. Nếu số lượng máy chủ hoạt động càng nhiều thì càng tiêu tốn năng lượng. Do nhu cầu sử dụng tài nguyên tại từng thời điểm là khác nhau rất thất thường, nên tại mỗi thời điểm số lượng máy chủ cần để đáp ứng tài nguyên cung cấp là rất khác nhau.

Nếu có thể sử dụng ít máy chủ nhất mà vẫn có thể đáp ứng được tất cả các yêu cầu tài nguyên thì trung tâm s tiêu tốn ít năng lượng nhất. Với một mô hình có thể dự đoán khá chính xác lượng tài nguyên sử dụng trong tương lai thì trung tâm có thể tập trung vào việc thay đổi trạng thái của các máy chủ (ngủ, hoạt động) từ đó tối ưu hóa số lượng máy chủ cần hoạt động tại một thời điểm và năng lượng cần sử dụng. Nếu trong trường hợp số lượng yêu cầu tài nguyên đến trung tâm tăng cao thì trung tâm s có thể lường trước được và s có thời gian để kích hoạt thêm máy chủ để đáp ứng nhu cầu này. Bài toán dự đoán ngoài áp dụng cho điện toán đám mây còn có rất nhiều ứng dụng cho các lĩnh vực khác như dự đoán nhiệt độ, dự đoán sự tăng giảm cổ phiếu … Tuy rằng bài toán dự đoán cho thấy lợi ích không chỉ trong lĩnh vực điện toán đám mây mà còn trong nhiều lĩnh vực khác nhưng giải quyết bài toán trên vẫn gp phải nhiều khó khăn do sự thay đổi bất thường liên tục của dữ liệu.3 Cc nghiên cu liên quan 1.1 Tng quan Mục đích chính của k thuật phân phối tài nguyên chủ động là dự đoán chính xác tài nguyên sử dụng.

Có một số lượng lớn các nghiên cứu về các mô hình dự toán trong điện toán đám mây. Và ARIMA (Autoregressive Intergrate Moving Average) là một trong những mô hình tuyến tính phổ biến, thường xuyên được sử dụng. Trong mô hình này giả đnh rằng chuỗi dữ liệu là tuyến tính và tuân theo một phân phối thống kế nào đó. Mô hình ARIMA có các lớp mô hình con như mô hình tự hi quy (Auto regressive - 15 AR) , mô hình trung bình trượt (Moving average – MA), mô hình tự hi quy và trung bình trượt ARMA (autoregressive-moving average) là mô hình kết hợp mô hình tự hi quy và mô hình trung bình trượt.

Sự phổ biến của mô hình ARIMA chủ yếu là do sự mềm dẻo và khá dễ dàng triển khai trên thực tế.