Tổng quan về luận án

Sự bùng nổ của mô hình Điện toán đám mây (Cloud Computing) đã biến hạ tầng tính toán phân tán quy mô lớn thành mô hình điện toán tiện ích (utility computing) được định hướng mạnh mẽ bởi tính kinh tế và hiệu quả vận hành. Theo định nghĩa kinh điển của Rajkumar Buyya và các cộng sự (2009), "Một đám mây là một kiểu của hệ thống phân bố và song song bao gồm một tập các máy ảo được liên kết với nhau (qua mạng máy tính). Các máy ảo này được cung cấp động và được trình bày như một hoặc nhiều tài nguyên tính toán hợp nhất dựa trên các thỏa thuận mức dịch vụ được thiết lập thông qua đàm phán giữa phía nhà cung cấp dịch vụ (đám mây) và các khách hàng." Trong mô hình Hạ tầng như một Dịch vụ (Infrastructure-as-a-Service - IaaS), tài nguyên phần cứng tại các Trung tâm dữ liệu ảo hóa đám mây (Cloud Virtualized Data Centers - CVDC) được đóng gói và cung cấp linh hoạt dưới dạng máy ảo (Virtual Machines - VMs). Tuy nhiên, cái giá phải trả cho năng lực tính toán khổng lồ này là mức tiêu thụ năng lượng khổng lồ. Nhiều nghiên cứu thực nghiệm chỉ ra rằng một trung tâm dữ liệu quy mô vừa và lớn tại Hoa Kỳ có thể tiêu thụ công suất lên đến 50 MW với chi phí hóa đơn tiền điện vượt quá 15 triệu USD mỗi năm, trong đó chi phí điện năng tiếp tục gia tăng nhanh chóng theo thời gian trong khi chi phí đầu tư phần cứng có xu hướng bão hòa hoặc giảm dần.

Khoảng trống nghiên cứu (Research Gap) cốt lõi xuất phát từ thực tiễn: đại đa số các nghiên cứu kinh điển về quản lý tài nguyên xanh (tiêu biểu như nhóm nghiên cứu của Beloglazov và Buyya tại Đại học Melbourne) đều tiếp cận bài toán lập lịch theo hướng dồn máy ảo động (dynamic VM consolidation) thông qua kỹ thuật di dời máy ảo trực tiếp (live VM migration) để tối thiểu hóa số lượng máy vật lý tích cực (active physical machines - PMs) tại một thời điểm không gian tĩnh. Tuy nhiên, trong các môi trường điện toán đám mây tính toán hiệu năng cao (HPC Cloud) hoặc các hợp đồng thuê bao tài nguyên cố định (user VM-based lease), kỹ thuật di dời máy ảo bộc lộ những nhược điểm chí mạng do gây suy giảm hiệu năng nghiêm trọng, tăng độ trễ mạng, suy giảm cam kết chất lượng dịch vụ (Service Level Agreement - SLA) và tiêu hao thêm năng lượng truyền tải trạng thái bộ nhớ. Trong bối cảnh các máy ảo có khoảng thời gian thực thi xác định $[s_i, f_i]$, không nhường quyền (non-preemptive) và không di dời (non-migrating), việc chỉ tập trung tối thiểu hóa số lượng máy vật lý đang hoạt động thực chất không đồng nghĩa với việc tối ưu hóa điện năng tiêu thụ.

Luận án tiến sĩ kỹ thuật chuyên ngành Khoa học Máy tính của nghiên cứu sinh Nguyễn Quang Hùng (Trường Đại học Bách khoa – ĐHQG TP. Hồ Chí Minh, năm 2019) với đề tài "Quản lý tài nguyên hướng tiết kiệm năng lượng trên môi trường điện toán đám mây" đã giải quyết triệt để bài toán tối ưu hóa này thông qua các câu hỏi và giả thuyết nghiên cứu được thiết lập chặt chẽ:

  • Câu hỏi nghiên cứu 1 (RQ1): Liệu chiến lược tối thiểu hóa số lượng máy chủ vật lý đang kích hoạt có thực sự đem lại mức tiêu thụ năng lượng thấp nhất khi các máy ảo có khoảng thời gian thực thi cố định và yêu cầu đa chiều tài nguyên đồng thời?
  • Câu hỏi nghiên cứu 2 (RQ2): Làm thế nào để mô hình hóa mối quan hệ toán học giữa công suất tiêu thụ tức thời của máy chủ và khoảng thời gian thực thi của các máy ảo nhằm thiết lập một hàm mục tiêu tương đương có khả năng giải bằng các heuristic thời gian đa thức?
  • Câu hỏi nghiên cứu 3 (RQ3): Cơ chế sắp xếp và thước đo hiệu quả tài nguyên - thời gian nào cho phép phân bổ máy ảo đạt mức tiết kiệm năng lượng vượt trội so với các thuật toán chuẩn quốc tế mà vẫn đảm bảo độ phức tạp tính toán khả thi trên quy mô hàng nghìn máy chủ?

Các giả thuyết nghiên cứu chính bao gồm:

  • Giả thuyết 1 (H1): Trong môi trường các máy vật lý đồng nhất với mô hình công suất tiêu thụ tuyến tính theo tải CPU, bài toán tối thiểu hóa tổng điện năng tiêu thụ của hệ thống tương đương về mặt toán học với bài toán tối thiểu hóa tổng thời gian bận rộn (Total Busy Time) của toàn bộ các máy vật lý.
  • Giả thuyết 2 (H2): Việc tích hợp đồng thời độ co giãn thời gian hoàn thành tăng thêm và chuẩn hóa vector tài nguyên dư thừa đa chiều (TRE metric) trong chiến lược Best-Fit Decreasing sẽ tạo ra mức tiêu thụ năng lượng thấp hơn đáng kể so với các chiến lược đơn chiều hoặc chỉ dựa trên sắp xếp thời gian đơn thuần.

Khung lý thuyết của luận án được xây dựng dựa trên sự giao thoa giữa Lý thuyết Lập lịch công việc song song (Parallel Job Scheduling Theory), Lý thuyết Tối ưu hóa tổ hợp (Combinatorial Optimization) với bài toán Đóng thùng vector đa chiều ($d$-dimensional Vector Bin Packing Problem - $d$-VBP), và Mô hình công suất tuyến tính của máy chủ (Linear Server Power Model của Fan, Weber và Barroso).

Đóng góp đột phá của luận án được minh chứng bằng chứng cứ toán học phản chứng (counterexample): Với tập 5 máy ảo có cấu hình tài nguyên đa chiều và thời gian thực thi khác biệt, giải pháp truyền thống tối thiểu hóa số máy vật lý kích hoạt cần 2 PM ($M_1, M_2$) với tổng thời gian bận rộn 200 giờ, tiêu tốn tổng năng lượng $E_1 = 42.530\text{ Wh}$. Ngược lại, giải pháp tối thiểu hóa thời gian bận rộn kích hoạt 3 PM nhưng rút ngắn tổng thời gian bận rộn xuống chỉ còn 102 giờ, tiêu hao $E_2 = 25.380\text{ Wh}$, mang lại hiệu quả tiết kiệm điện năng lên tới 40,3%. Luận án mở rộng quy mô kiểm chứng thực nghiệm trên nền tảng CloudSim với quy mô lên tới 5.000 máy vật lý và 10.246 máy ảo lấy từ các mô hình tải chuẩn quốc tế trong kho dữ liệu Parallel Workload Archive (PWA).

Literature Review và Positioning

Bản đồ nghiên cứu về quản lý tài nguyên và tiết kiệm năng lượng trong trung tâm dữ liệu được hình thành từ bốn nhánh tiếp cận chính trong y văn quốc tế:

  1. Nhánh tối ưu hóa phần cứng và công nghệ DVFS (Dynamic Voltage and Frequency Scaling): Các công trình của Kim et al. (2007), Albers et al. (2007, 2011), và Laszewski et al. (2009) tập trung điều chỉnh điện áp và tần số xung nhịp của CPU theo kích thước công việc thực thi thời gian thực. Mặc dù giúp giảm điện năng động của vi xử lý, phương pháp này bị phụ thuộc chặt chẽ vào nhà sản xuất phần cứng, không giải quyết được bài toán phân bổ không gian - thời gian ở cấp độ trung tâm dữ liệu và không triệt tiêu được công suất tĩnh khi máy chủ chạy không tải.
  2. Nhánh dồn máy ảo động và đóng thùng tĩnh (VM Consolidation & Bin Packing): Beloglazov, Buyya et al. (2010, 2012) đề xuất mô hình kiến trúc Green Cloud và giải thuật Power-Aware Best-Fit Decreasing (PABFD), mô hình hóa việc phân bổ máy ảo tương tự bài toán đóng thùng cổ điển. Srikantaiah et al. (2008) khám phá đường cong năng lượng dạng chữ U (U-shaped energy curve) khi dồn tải ứng dụng web/database và đề xuất heuristic dồn tải đa chiều về điểm hoạt động tối ưu (80% CPU, 50% Disk). Tuy nhiên, các tiếp cận này đều giả định tài nguyên chỉ xét theo lát cắt thời gian tức thời và phụ thuộc vào cơ chế di dời máy ảo liên tục.
  3. Nhánh quản lý tài nguyên theo hợp đồng thuê bao (Lease Management): Sotomayor et al. (2008, 2009) phát triển hệ thống OpenNebula và bộ lập lịch Haizea, quản lý máy ảo theo hợp đồng có thời hạn cố định nhằm tối ưu hóa hiệu năng, thời gian chờ và thông lượng, nhưng hoàn toàn bỏ qua mục tiêu hiệu quả năng lượng.
  4. Nhánh lập lịch công việc song song tối thiểu hóa thời gian bận rộn (MINBUSY Scheduling): Xuất phát từ lý thuyết vận trù học và bài toán truyền tín hiệu trong mạng quang học (Khandekar et al., 2010; Leung, 2004), bài toán tối thiểu hóa tổng thời gian bận rộn của các máy xử lý giới hạn năng lực ($g \ge 2$) đã được chứng minh là NP-hard. W. Tian và C. K. Yeo (2013) tại Đại học Công nghệ Nanyang (NTU, Singapore) đã áp dụng khái niệm này vào điện toán đám mây với giải thuật Modified First-fit Decreasing Earliest (Tian-MFFDE) trên mô hình đơn tài nguyên.

Trong y văn tồn tại hai luồng quan điểm đối lập sâu sắc:

  • Quan điểm A (Trường phái Dồn tải tối thiểu số máy chủ - Beloglazov, Buyya, Gupta): Cho rằng năng lượng chỉ có thể tối ưu bằng cách tắt triệt để càng nhiều máy chủ rảnh càng tốt tại mỗi chu kỳ điều khiển thông qua việc di dời máy ảo liên tục.
  • Quan điểm B (Trường phái Lập lịch tiền định không di dời trong HPC - Tian, Hùng & Sơn): Khẳng định trong môi trường HPC và các tác vụ có trạng thái (stateful), chi phí di dời máy ảo phá vỡ cam kết SLA. Việc ép máy ảo vào số lượng máy chủ tối thiểu vô tình kéo dài thời gian hoàn thành của các máy chủ đó, dẫn đến việc máy chủ phải duy trì công suất chạy nền $P_{idle}$ trong thời gian dài hơn, làm tổng năng lượng tiêu thụ tích lũy lớn hơn nhiều so với việc phân bổ đều trên các máy chủ có thời gian bận rộn trùng khớp.

Luận án của Nguyễn Quang Hùng định vị chính xác tại điểm giao thoa giữa bài toán đóng thùng vector đa chiều ($d \ge 2$) và bài toán lập lịch khoảng thời gian cố định không di dời. Công trình mở rộng đáng kể nghiên cứu của Tian & Yeo (2013) vốn chỉ xét đơn tài nguyên CPU thành bài toán đa tài nguyên (CPU, RAM, Network Bandwidth) và giải quyết triệt để khiếm khuyết của giải thuật PABFD (Beloglazov, 2012) vốn bỏ qua trục thời gian. Luận án vượt trội hơn các công bố quốc tế đương thời khi thiết lập được mô hình toán học chứng minh mối quan hệ giữa tổng thời gian bận rộn và điện năng, đồng thời đề xuất hai họ giải thuật mới (MinDFT và EMinTRE) có hiệu năng năng lượng vượt xa PABFD, Tian-MFFDE và các heuristic đóng thùng vector chuẩn quốc tế như VBP-Norm-L1, VBP-Norm-L2 (Panigrahy et al., Microsoft Research).

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đóng góp trực tiếp vào Lý thuyết Lập lịch phân tán và Khoa học Năng lượng trung tâm dữ liệu thông qua việc mở rộng mô hình công suất tuyến tính của Fan, Weber và Barroso (2007). Công suất tiêu thụ $P_j(t)$ của máy vật lý $M_j$ tại thời điểm $t$ được xác định theo phương trình:

$$P_j(t) = P_{idle} + (P_{max} - P_{idle}) \cdot U_j^{cpu}(t)$$

Trong đó:

  • $P_{idle}$ là công suất chạy không tải (0% CPU).
  • $P_{max}$ là công suất cực đại (100% CPU).
  • $U_j^{cpu}(t) \in [0, 1]$ là tải sử dụng CPU của máy vật lý $M_j$ tại thời điểm $t$, bằng tỉ số giữa tổng MIPS đã cấp phát cho các máy ảo đang chạy trên $M_j$ và tổng năng lực MIPS khả dụng.

Năng lượng tiêu thụ tích lũy $E_j$ trên khoảng thời gian $[t_1, t_2]$ là tích phân của công suất:

$$E_j = \int_{t_1}^{t_2} P_j(t) , dt = \int_{t_1}^{t_2} \left[ P_{idle} + (P_{max} - P_{idle}) \cdot U_j^{cpu}(t) \right] dt$$

Luận án đã chứng minh định lý toán học nền tảng: Nếu các máy vật lý là đồng nhất và công suất phụ thuộc tuyến tính vào tải CPU, đối với tập $n$ máy ảo có thời gian bắt đầu $s_i$, thời gian kết thúc $f_i$ và thời gian thực thi cố định $dur_i = f_i - s_i$, tổng năng lượng hữu ích để hoàn thành tải tính toán thuần túy của các máy ảo là một hằng số bất biến:

$$\sum_{i=1}^n e_i = (P_{max} - P_{idle}) \sum_{i=1}^n \left( dur_i \cdot \frac{V_{i,cpu}}{M_{cpu}} \right) = \text{Const}$$

Do đó, tổng điện năng tiêu thụ của toàn bộ $m$ máy vật lý trong hệ thống được phân rã thành:

$$E_{total} = \sum_{j=1}^m E_j = P_{idle} \cdot \sum_{j=1}^m T_j + \sum_{i=1}^n e_i$$

Trong đó $T_j = span(\mathcal{J}j) = len(\bigcup{V_i \in \mathcal{L}j} [s_i, f_i])$ là tổng thời gian bận rộn của máy vật lý $M_j$. Vì $P{idle} > 0$ và $\sum e_i$ là hằng số, bài toán tối ưu hóa đa mục tiêu phi tuyến phức tạp được rút gọn chính xác về bài toán tối thiểu hóa tổng thời gian bận rộn:

$$\min E_{total} \iff \min \sum_{j=1}^m T_j$$

Về mặt lý thuyết xấp xỉ (Approximation Theory), luận án đã phân tích và chứng minh rằng các giải thuật đề xuất có tỉ số xấp xỉ không vượt quá $g$ lần so với lời giải tối ưu $OPT$ trong trường hợp tổng quát, với $g \in \mathbb{Z}^+$ là số lượng máy ảo tối đa có thể đồng thời cấp phát trên một máy vật lý bất kỳ ($g = \min_r \lfloor M_{jr} / V_{ir} \rfloor$).

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp ba lý thuyết nền tảng: (1) Lý thuyết Không gian trạng thái đa chiều trong Đóng thùng vector, (2) Lý thuyết Lập lịch khoảng thời gian (Interval Scheduling Theory), và (3) Mô hình Tiêu thụ Năng lượng Tải biến thiên.

Để giải quyết bài toán, luận án xây dựng hai nhóm thuật toán heuristic tiên tiến:

  1. Nhóm thuật toán MinDFT (Minimizing Differential Finishing Time): Hoạt động dựa trên nguyên lý gán máy ảo $V_i$ vào máy vật lý $M_j$ sao cho độ gia tăng thời gian hoàn thành $\Delta FT_j$ của máy vật lý đó là nhỏ nhất. Bốn biến thể thuật toán tương ứng với bốn chiến lược tiền xử lý sắp xếp danh sách máy ảo đầu vào:

    • MinDFT-ST: Sắp xếp theo thời gian bắt đầu sớm nhất (Earliest Start Time).
    • MinDFT-FT: Sắp xếp theo thời gian kết thúc sớm nhất (Earliest Finish Time).
    • MinDFT-LDTF: Sắp xếp theo thời lượng thực thi dài nhất trước (Longest Duration Time First).
    • MinDFT-LFT: Sắp xếp theo thời gian kết thúc sau cùng trước (Latest Finish Time First).

  2. Nhóm thuật toán EMinTRE (Energy-aware Minimizing Differential Time and Resource Efficiency): Đề xuất độ đo đột phá TRE kết hợp phi tuyến giữa phần trăm gia tăng thời gian bận rộn và độ dài chuẩn hóa (Euclidean norm) của vector tài nguyên dư thừa:

$$TRE_j = w_t \cdot \left( \frac{\Delta T_j}{T_{max}} \right)^2 + \sum_{r=1}^d w_r \cdot \left( \frac{R_{j,r}^{residual}}{M_{j,r}} \right)^2$$

Trong đó:

  • $\Delta T_j$ là thời gian bận rộn tăng thêm nếu gán $V_i$ vào $M_j$.
  • $R_{j,r}^{residual}$ là lượng tài nguyên chiều thứ $r$ (CPU, RAM, Network Bandwidth) còn dư lại trên $M_j$ sau khi cấp phát.
  • $w_t, w_r$ là các trọng số chuẩn hóa tương ứng thỏa mãn $w_t + \sum w_r = 1$.

Độ đo TRE định hướng thuật toán ưu tiên chọn máy chủ có thời gian bận rộn tăng thêm nhỏ nhất; nếu hai máy chủ có mức tăng thời gian bằng nhau, thuật toán sẽ chọn máy chủ có vector tài nguyên dư thừa ngắn nhất nhằm tối ưu hóa độ lấp đầy không gian tài nguyên. Bốn biến thể bao gồm EMinTRE-ST, EMinTRE-FT, EMinTRE-LDTF, và EMinTRE-LFT.

Điều kiện biên (Boundary conditions) của khung phân tích:

  • Hệ thống máy chủ vật lý đồng nhất (Homogeneous servers).
  • Yêu cầu tài nguyên của máy ảo được xác định tĩnh và không đổi trong suốt khoảng thời gian thực thi $[s_i, f_i]$.
  • Không cho phép ngắt quãng thực thi (non-preemption) và không di dời máy ảo (non-migration).

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu tuân thủ chặt chẽ thế giới quan thực chứng (Positivism) và phương pháp luận diễn dịch toán học kết hợp thực nghiệm mô phỏng quy mô lớn (Large-scale Discrete-Event Simulation). Thiết kế nghiên cứu bao gồm ba giai đoạn logic:

  1. Hình thức hóa bài toán và chứng minh sự tương đương toán học giữa năng lượng và tổng thời gian bận rộn.
  2. Thiết kế giải thuật heuristic tối ưu hóa thời gian đa thức $O(n \cdot m)$ và phân tích chặn trên lý thuyết xấp xỉ (Approximation Ratio).
  3. Thực nghiệm mô phỏng đối chuẩn (Benchmarking Simulation) với các tập dữ liệu tải công việc song song thực tế từ các siêu máy tính trên thế giới.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được kiểm soát nghiêm ngặt theo các giao thức:

  • Xác lập mô hình toán học chính xác: Đầu vào gồm $n$ máy ảo $\mathcal{V} = {V_1, V_2, \dots, V_n}$ và $m$ máy vật lý $\mathcal{M} = {M_1, M_2, \dots, M_m}$. Mỗi máy ảo $V_i$ xác định bởi bộ thuộc tính $\langle s_i, f_i, dur_i, V_{i,1}, V_{i,2}, \dots, V_{i,d} \rangle$. Mỗi máy chủ $M_j$ có giới hạn dung lượng $\langle M_{j,1}, M_{j,2}, \dots, M_{j,d} \rangle$ và ngưỡng dung lượng máy ảo đồng thời $g$.
  • Khử nhiễu và chuẩn hóa dữ liệu: Sử dụng các file log-trace lịch sử tải thực từ kho lưu trữ quốc tế Parallel Workload Archive (PWA) như SDSC Blue Horizon (SDSC-BLUE-2000-4.2-cln) và các mô hình phát sinh tải chuẩn hóa đã được cộng đồng khoa học quốc tế thẩm định: mô hình Lublin99 (Lublin & Feitelson, 1999), mô hình Feitelson (Feitelson, 1996), và mô hình Downey97 (Downey, 1997).
  • Tam giác hóa phương pháp (Methodological Triangulation): Kết hợp phân tích độ phức tạp thuật toán lý thuyết, chứng minh giới hạn xấp xỉ toán học và kiểm định đối chuẩn đa kịch bản trên phần mềm mô phỏng CloudSim.

Data và phân tích

  • Đặc trưng mẫu thực nghiệm: Hệ thống mô phỏng cấu hình trung tâm dữ liệu đám mây quy mô lớn với $m = 5.000$ máy chủ vật lý đồng nhất. Cấu hình phần cứng chuẩn hóa dựa trên dòng máy chủ doanh nghiệp phổ biến: IBM Server x3250 (1 vi xử lý Intel Xeon X3470 2.933 MHz, 4 lõi vật lý, 8 GB RAM, card mạng Gigabit). Mô hình công suất tiêu thụ thực nghiệm: $P_{idle} = 175\text{ W}$ khi không tải (0% CPU) và $P_{max} = 250\text{ W}$ khi đầy tải (100% CPU), thiết lập tỉ lệ $P_{idle}/P_{max} = 0,7$ (70%).

Các tập dữ liệu tải công việc được khảo sát bao gồm:

  • Tập tải Feitelson: $n = 10.246$ máy ảo.
  • Tập tải Lublin: $n = 8.847$ máy ảo và $n = 6.583$ máy ảo (Lublin99).
  • Tập tải Downey97: $n = 3.677$ máy ảo.
  • Tập tải Lublin99 rút gọn: $n = 2.223$ máy ảo.

Phân loại cấu hình máy ảo gồm 8 kiểu kết hợp đa dạng giữa năng lực tính toán CPU (chiếm từ 10% đến 50% khả năng PM), dung lượng bộ nhớ RAM (10% đến 50%) và băng thông mạng (10% đến 50%).

  • Phân tích độ phức tạp tính toán: Thuật toán lõi MinDFT và EMinTRE đều duyệt qua $n$ máy ảo và tìm kiếm vị trí tốt nhất trong $m$ máy vật lý. Với giả thiết thực tế $m \ge \log n$, cấu trúc dữ liệu quản lý các máy chủ cho phép thực hiện việc tìm kiếm và cập nhật trạng thái với chi phí thời gian là $O(n \cdot m)$. Đây là độ phức tạp thời gian đa thức tối ưu, hoàn toàn khả thi để triển khai trực tiếp vào các hệ thống quản lý hạ tầng đám mây thời gian thực như OpenStack hoặc OpenNebula.

Phát hiện đột phá và implications

Những phát hiện then chốt

Kết quả thực nghiệm mô phỏng trên nền tảng CloudSim đã mang lại các phát hiện đột phá có ý nghĩa thống kê và thực tiễn sâu sắc:

  1. Hiệu năng vượt trội toàn diện của họ giải thuật EMinTRE: Trên tất cả các kịch bản mô phỏng từ 2.223 đến 10.246 máy ảo, các giải thuật thuộc nhóm EMinTRE (EMinTRE-ST, EMinTRE-FT, EMinTRE-LDTF, EMinTRE-LFT) và MinDFT đều đạt tổng năng lượng tiêu thụ thấp hơn rõ rệt so với thuật toán PABFD của Beloglazov và các giải thuật đóng thùng chuẩn vector $VBP\text{-}Norm\text{-}L1$, $VBP\text{-}Norm\text{-}L2$.
  2. Khẳng định tính ưu việt của chiến lược sắp xếp thời gian kết thúc sau cùng (LFT): Thuật toán EMinTRE-LFT liên tục ghi nhận mức tiêu thụ điện năng thấp nhất trong mọi tập dữ liệu, đạt mức rút giảm năng lượng tiêu thụ từ 17,7% đến 20,5% so với PABFD, và giảm từ 12,0% đến 14,8% so với thuật toán Tian-MFFDE của W. Tian.
  3. Phát hiện nghịch đảo trực giác (Counter-intuitive Phenomenon): Việc cố gắng "nén" máy ảo vào số lượng máy chủ vật lý tối thiểu (như triết lý của PABFD) thực chất làm tăng tổng điện năng tiêu thụ lên tới 40,3% trong các trường hợp có độ lệch lớn về thời gian thực thi giữa các máy ảo ngắn hạn và dài hạn. Luận án đã chứng minh: "Phân bổ phân tán máy ảo trên nhiều máy chủ hơn nhưng đồng bộ hóa thời gian bận rộn để máy chủ có thể tắt sớm sẽ tiết kiệm điện năng vượt trội so với dồn cụm máy ảo làm kéo dài thời gian chờ không tải."
  4. Xác nhận vai trò của độ đo đa tài nguyên TRE: Khi so sánh trực tiếp giữa MinDFT (chỉ xét thời gian hoàn thành) và EMinTRE (kết hợp thời gian và vector tài nguyên dư), EMinTRE luôn tiết kiệm thêm từ 6,5% đến 8,2% năng lượng tiêu thụ nhờ khả năng tránh hiện tượng nghẽn đơn lẻ từng chiều tài nguyên (resource fragmentation).

Implications đa chiều

  • Về mặt học thuật và lý thuyết: Luận án mở ra sự chuyển dịch hệ hình (Paradigm Shift) trong bài toán lập lịch xanh: chuyển từ tối ưu hóa không gian một chiều (Space-only Allocation) sang tối ưu hóa phối hợp không gian - thời gian (Spatio-Temporal Resource Management). Đóng góp này đặt nền móng lý thuyết mới cho các bài toán phân bổ tài nguyên trên biên (Edge Computing) và tính toán sương mù (Fog Computing).
  • Về mặt kỹ thuật và phương pháp luận: Độ phức tạp $O(n \cdot m)$ cho phép tích hợp trực tiếp họ thuật toán MinDFT và EMinTRE vào module lập lịch mã nguồn mở như Nova Scheduler trong OpenStack hoặc OpenNebula VIM mà không gây nghẽn cổ chai tính toán (computational bottleneck).
  • Về mặt kinh tế và môi trường: Ứng dụng thuật toán giúp một trung tâm dữ liệu 50 MW tiết kiệm hàng triệu kilowatt-giờ điện mỗi năm, tương đương cắt giảm từ 2,5 đến 3,0 triệu USD chi phí vận hành (OPEX) hàng năm và giảm hàng nghìn tấn phát thải khí nhà kính quyển $CO_2$.

Limitations và Future Research

Nhằm duy trì tính khách quan khoa học và sự trung thực học thuật, các giới hạn nghiên cứu được xác định rõ ràng:

  1. Giả định tính đồng nhất của phần cứng (Hardware Homogeneity): Mô hình toán học và đánh giá mô phỏng hiện tại tập trung trên tập các máy chủ vật lý có cùng cấu hình phần cứng CPU, RAM và công suất $P_{idle}, P_{max}$. Trong các trung tâm dữ liệu thương mại thực tế, hạ tầng thường có tính bất đồng nhất cao (Heterogeneous systems).
  2. Yêu cầu thông tin tiền định (Deterministic Workload Profile): Các giải thuật giả định thời gian bắt đầu $s_i$, thời gian kết thúc $f_i$ và nhu cầu tài nguyên cố định của máy ảo được biết trước chính xác tại thời điểm lập lịch.
  3. Mô hình năng lượng mạng chưa tích hợp: Mô hình công suất tập trung chủ yếu vào vi xử lý CPU và mức độ tiêu thụ của máy chủ, chưa tính toán chi tiết điện năng tiêu thụ động tại các thiết bị chuyển mạch mạng (Top-of-Rack switches, Core routers).

Chương trình nghiên cứu mở rộng 5–10 năm tới bao gồm:

  • Mở rộng họ giải thuật EMinTRE sang môi trường máy chủ bất đồng nhất với hàm mục tiêu đánh đổi đa tiêu chí (Năng lượng - Chi phí - Độ tin cậy phần cứng).
  • Tích hợp các mô hình học máy (Machine Learning / Deep Learning) để dự đoán xác suất khoảng thời gian thực thi $[s_i, f_i]$ cho các máy ảo có tải động (dynamic stochastic workloads).
  • Nghiên cứu kết hợp tối ưu hóa lập lịch thời gian bận rộn với quản trị nhiệt độ phòng máy (Thermal/Cooling-aware scheduling) nhằm tối ưu chỉ số hiệu quả sử dụng điện PUE (Power Usage Effectiveness).

Tác động và ảnh hưởng

  • Tác động học thuật (Academic Impact): Các công trình xuất bản từ luận án trên các tạp chí và kỷ yếu hội thảo chuyên ngành quốc tế có phản biện (như Hội nghị quốc tế ACOMP) đóng góp những tài liệu tham khảo giá trị cho cộng đồng nghiên cứu tính toán lưới và điện toán đám mây.
  • Chuyển đổi công nghiệp (Industry Transformation): Đóng vai trò là tài liệu thiết kế kiến trúc chuẩn cho các nhà cung cấp dịch vụ đám mây tư nhân (Private Cloud) và các trung tâm tính toán hiệu năng cao (HPC Centers) tại Việt Nam và khu vực như dự án Siêu máy tính SuperNode và SuperNode-V tại Đại học Bách khoa ĐHQG-HCM.
  • Lợi ích xã hội và chính sách công: Cung cấp cơ sở khoa học định lượng giúp các cơ quan quản lý nhà nước xây dựng các tiêu chuẩn kỹ thuật quốc gia về "Trung tâm dữ liệu xanh" và các định mức tiêu hao năng lượng trong hạ tầng chuyển đổi số quốc gia.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giới học thuật: Tiếp cận một khung chứng minh toán học hoàn chỉnh về sự tương đương giữa năng lượng và thời gian bận rộn, cùng mã nguồn thuật toán tối ưu đa chiều.
  • Kỹ sư kiến trúc hệ thống đám mây (Cloud Architects & DevOps): Sở hữu giải thuật lập lịch có độ phức tạp thấp $O(n \cdot m)$ dễ dàng cài đặt vào OpenStack/OpenNebula để cắt giảm năng lượng tức thì.
  • Giám đốc vận hành trung tâm dữ liệu (Data Center Managers): Cắt giảm trực tiếp chi phí tiền điện vận hành (OPEX) từ 15% đến 20% mà không cần đầu tư nâng cấp phần cứng đắt đỏ.
  • Nhà hoạch định chính sách môi trường và năng lượng: Nắm giữ số liệu thực chứng để xây dựng chính sách khuyến khích tiết kiệm năng lượng và kiểm toán phát thải carbon trong ngành Công nghệ Thông tin.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và mở rộng lý thuyết nào?

Đóng góp độc đáo nhất là việc hình thức hóa và chứng minh định lý toán học: Bài toán tối thiểu hóa tổng điện năng tiêu thụ của hệ thống trung tâm dữ liệu tương đương với bài toán tối thiểu hóa tổng thời gian bận rộn ($\sum T_j$) của các máy chủ vật lý. Công trình này mở rộng trực tiếp Mô hình Tiêu thụ Năng lượng Tuyến tính của Fan, Weber và Barroso (2007) và Lý thuyết Lập lịch MINBUSY của Khandekar et al. (2010), giải quyết bài toán đa tài nguyên có ràng buộc khoảng thời gian cố định $[s_i, f_i]$.

2. Sự đổi mới về phương pháp luận so với các nghiên cứu quốc tế tiền nhiệm?

So với thuật toán PABFD của Beloglazov & Buyya (2012) chỉ xem xét việc đóng thùng tĩnh một chiều CPU và phụ thuộc vào di dời máy ảo, và thuật toán Tian-MFFDE của Tian & Yeo (2013) chỉ giải quyết đơn tài nguyên, phương pháp luận của luận án mang tính đột phá khi đề xuất độ đo đa chiều TRE tích hợp đồng thời bình phương tỉ lệ giãn nở thời gian bận rộn $(\Delta T_j / T_{max})^2$ và chuẩn Euclid của vector tài nguyên dư thừa $|\vec{R}_{residual, j}|^2$, đạt độ phức tạp tính toán tối ưu $O(n \cdot m)$.

3. Phát hiện bất ngờ nhất từ dữ liệu thực nghiệm là gì?

Phát hiện bất ngờ nhất là việc chứng minh bằng thực nghiệm và phản chứng rằng: Chiến lược dồn máy ảo để sử dụng ít máy vật lý nhất không phải là giải pháp tối ưu năng lượng. Dữ liệu chứng minh một lịch phân bổ kích hoạt 3 máy chủ nhưng có thời gian bận rộn đồng pha ngắn (102 giờ) lại tiết kiệm hơn 40,3% điện năng so với lịch phân bổ nén vào 2 máy chủ nhưng kéo dài thời gian chạy rải rác (200 giờ).

4. Luận án có cung cấp quy trình tái lập thực nghiệm (Replication Protocol) không?

Có. Quy trình tái lập thực nghiệm được cung cấp chi tiết:

  • Phần mềm mô phỏng: CloudSim Simulator.
  • Bộ thông số thực nghiệm: 5.000 PM, cấu hình máy chủ IBM Server x3250 ($P_{idle}=175\text{W}, P_{max}=250\text{W}$).
  • Tải công việc chuẩn hóa: Log-trace từ kho lưu trữ quốc tế Parallel Workload Archive (PWA) với các mô hình Lublin99, Feitelson, Downey97.
  • Thuật toán đối chuẩn công khai: PABFD, Tian-MFFDE, VBP-Norm-L1, VBP-Norm-L2.

5. Chương trình nghị sự nghiên cứu 10 năm tới được phác thảo như thế nào?

Chương trình nghiên cứu 10 năm tập trung vào bốn trụ cột:

  1. Phát triển giải thuật phân bổ nhận thức năng lượng trên hệ thống máy chủ siêu bất đồng nhất (Heterogeneous CPU-GPU-TPU Cloud).
  2. Xây dựng mô hình học sâu dự báo thời gian thực thi của tác vụ đám mây bất định.
  3. Tích hợp mô hình tối ưu hóa đồng thời năng lượng tính toán và năng lượng làm mát trung tâm dữ liệu (Thermal-aware Dynamic Scheduling).
  4. Chuẩn hóa module lập lịch mở rộng cho các hệ điều hành đám mây quy mô lớn thế hệ mới.

Kết luận

Luận án tiến sĩ của tác giả Nguyễn Quang Hùng là một công trình nghiên cứu khoa học xuất sắc, hoàn chỉnh và có tính đột phá cao trong lĩnh vực Khoa học Máy tính và Kỹ thuật Phần mềm phân tán. Sáu đóng góp cụ thể của công trình bao gồm:

  1. Hình thức hóa toàn diện bài toán lập lịch máy ảo đa chiều tài nguyên, không nhường quyền, không di dời với khoảng thời gian thực thi cố định hướng hiệu quả năng lượng trong CVDC.
  2. Chứng minh thành công định lý tương đương toán học: tối thiểu hóa tổng điện năng tiêu thụ tương đương với tối thiểu hóa tổng thời gian bận rộn của các máy chủ vật lý dưới mô hình công suất tuyến tính.
  3. Thiết lập chặn trên tỷ số xấp xỉ lý thuyết của giải thuật đề xuất không vượt quá $g$ lần so với lời giải tối ưu $OPT$.
  4. Sáng tạo họ giải thuật MinDFT dựa trên thời gian hoàn thành vi phân với độ phức tạp thời gian đa thức tối ưu $O(n \cdot m)$.
  5. Phát triển họ giải thuật EMinTRE ứng dụng độ đo không gian - thời gian TRE đột phá, vượt qua giới hạn của các thuật toán chuẩn quốc tế PABFD và Tian-MFFDE.
  6. Thực nghiệm kiểm chứng quy mô lớn trên CloudSim với 5.000 máy chủ và hơn 10.000 máy ảo từ dữ liệu PWA, khẳng định mức tiết kiệm năng lượng vượt trội lên đến 20,5%.

Công trình đã tạo nên một bước tiến quan trọng về mặt nhận thức luận trong lĩnh vực tính toán xanh, mở ra các hướng nghiên cứu mới về quản trị tài nguyên không gian - thời gian đồng thời và để lại giá trị ứng dụng lâu dài cho hạ tầng đám mây bền vững toàn cầu.