Nghiên cứu một số vấn đề lập lịch trên môi trường tính toán đám mây (TT)

ĐẠI HỌC HUẾ
TRƯỜNG ĐẠI HỌC KHOA HỌC

NGUYỄN HOÀNG HÀ

NGHIÊN CỨU MỘT SỐ VẤN ĐỀ LẬP LỊCH
TRÊN MÔI TRƯỜNG TÍNH TOÁN ĐÁM MÂY

CHUYÊN NGÀNH: KHOA HỌC MÁY TÍNH
MÃ SỐ: 62.48.01.01

LUẬN ÁN TIẾN SĨ KHOA HỌC MÁY TÍNH

Người hướng dẫn khoa học:
1. PGS.TS. Lê Văn Sơn
2. PGS.TS. Nguyễn Mậu Hân

HUẾ, NĂM 2016


Công trình được hoàn thành tại: Trường Đại học Khoa học, Đại học Huế.

Người hướng dẫn khoa học:
1. PGS.TS. Lê Văn Sơn.
2. PGS.TS. Nguyễn Mậu Hân.
Phản biện 1:
....................................................................................................................................
....................................................................................................................................
....................................................................................................................................
Phản biện 2:
....................................................................................................................................

....................................................................................................................................
....................................................................................................................................
Phản biện 3:
....................................................................................................................................
....................................................................................................................................
....................................................................................................................................
Luận án sẽ được bảo vệ tại Hội đồng chấm luận án cấp Đại học Huế họp tại:
....................................................................................................................................
....................................................................................................................................
....................................................................................................................................
Vào hồi ... giờ ... ngày ... tháng ... năm ......
Có thể tìm hiểu luận án tại thư viện:
....................................................................................................................................
....................................................................................................................................
....................................................................................................................................


Nghiên cứu một số thuật toán lập lịch trên môi trường tính toán đám mây

MỞ ĐẦU
1. Lý do chọn đề tài
Tính toán đám mây (TTĐM) ra đời xuất phát từ nhu cầu tính toán và yêu cầu
dịch vụ với chi phí thấp của người sử dụng. Thực tế, để giải quyết công việc các
tổ chức cần tìm ra năng lực tính toán mạnh mẽ và chi phí thấp hơn. Hiện nay có
2 cách cơ bản để giải quyết vấn đề này. Thứ nhất: nâng cấp cơ sở hạ tầng để tính
toán, cách này sẽ tốn chi phí và nhân lực lớn; Thứ hai: tận dụng nguồn tài nguyên
nhàn rỗi trong các tổ chức hoặc thuê các nguồn tài nguyên từ bên ngoài. Cách giải
quyết thứ hai này chính là mục tiêu của TTĐM.
TTĐM là sự phát triển của tính toán phân tán, vì vậy nó gặp phải nhiều thách
thức lớn cần phải giải quyết. Hiện nay, ngày càng nhiều nhà cung cấp dịch vụ trên

TTĐM, mỗi nhà cung cấp có chính sách quản lý tài nguyên khác nhau. Các tài
nguyên này rất đa dạng, không đồng nhất và khác nhau về mặt kiến trúc, giao diện,
khả năng xử lý, v.v.. Sử dụng hiệu quả các nguồn tài nguyên này hoàn toàn không
dễ dàng. Tại mỗi thời điểm có thể có rất nhiều người dùng yêu cầu dịch vụ trên
TTĐM, mỗi người dùng có các yêu cầu về ràng buộc khác nhau. Vì vậy, làm sao
để đưa ra một lịch trình tối ưu cho người dùng và đem lại lợi ích lớn nhất cho nhà
cung cấp là một thách thức lớn cần phải giải quyết.
Bài toán lập lịch trên TTĐM phức tạp hơn nhiều so với bài toán lập lịch truyền
thống vì việc lập lịch trên TTĐM phải xét trong môi trường phân tán, động, các tài
nguyên từ nhiều nhà cung cấp khác nhau, các yêu cầu của người dùng có các ràng
buộc chất lượng dịch vụ khác nhau, v.v.. Mô hình ứng dụng trong TTĐM cũng đa
dạng hơn rất nhiều so với các mô hình tính toán truyền thống, do đó phải nghiên
cứu những thuật toán cụ thể để đáp ứng nhu cầu cho những dạng ứng dụng cụ thể.
Chính vì vậy, bài toán kiểm soát đầu vào và lập lịch cho yêu cầu người dùng trên
TTĐM là một bài toán khó, chúng ta phải tìm ra các thuật toán tối ưu để giải
quyết các bài toán này.
Các nghiên cứu trước đây chủ yếu nghiên cứu lập lịch công việc theo hướng hiệu
năng về hệ thống, nhằm mục đích tận dụng tối đa hiệu năng của hệ thống. Trên
TTĐM, các nhà nghiên cứu tập trung nghiên cứu lập lịch công việc theo hướng hiệu
năng về kinh tế nhằm đem lại lợi nhuận cho nhà cung cấp, thời gian thực hiện nhỏ
nhất cho người dùng đồng thời phải thỏa mãn các ràng buộc đặt ra của nhà cung
cấp và người dùng. Các thuật toán lập lịch trên TTĐM thường là các thuật toán
lập lịch động. Vì vậy, làm sao tối ưu thời gian đưa ra lịch trình là vấn đề mà các
nhà khoa học hiện nay đang quan tâm và nghiên cứu.
Xuất phát từ việc tìm hiểu, nghiên cứu các đặc điểm và các thách thức về các
vấn đề lập lịch trên TTĐM, chúng tôi chọn đề tài “Nghiên cứu một số thuật

1

Nghiên cứu một số thuật toán lập lịch trên môi trường tính toán đám mây

toán lập lịch trên môi trường tính toán đám mây”.
2. Đối tượng và phạm vi nghiên cứu
Đối tượng nghiên cứu: các tác nhân và hệ thống lập lịch trong TTĐM.
Phạm vi nghiên cứu: luận án tập trung nghiên cứu mô hình của tác nhân
PaaS và xây dựng các thuật toán kiểm soát đầu vào và lập lịch ở mức nền tảng.
3. Phương pháp nghiên cứu
Luận án sử dụng 3 phương pháp: phương pháp tổng hợp và mô hình hóa, phương
pháp hệ thống hóa, phương pháp thực nghiệm khoa học.
4. Ý nghĩa khoa học và thực tiễn
Ý nghĩa khoa học
• Đề xuất các thuật toán lập lịch công việc thời gian thực áp dụng cho lớp các
bài toán song song trên TTĐM. Luận án đưa thêm tham số chi phí, kết hợp
việc phân nhóm tài nguyên và xử lý song song để đưa ra lịch trình tối ưu về
chi phí và thời gian cho các yêu cầu người dùng.
• Xây dựng mô hình toán học cho nhà cung cấp PaaS và đề xuất các thuật toán
kiểm soát đầu vào và lập lịch theo hướng tối ưu đa mục tiêu trên TTĐM. Áp
dụng 2 heuristic ACO và PSO, luận án xây dựng công thức để tính thông tin
heuristic và xác xuất của mỗi con kiến; xây dựng hàm thích nghi, vị trí tối ưu
cục bộ của mỗi cá thể và vị trí tối ưu toàn cục của cả bầy đàn. Từ đó, xây
dựng bài toán và đề xuất các thuật toán kiểm soát đầu vào và lập lịch theo
hướng tối ưu đa mục tiêu về chi phí và thời gian.
Ý nghĩa thực tiễn: kết quả nghiên cứu nếu được áp dụng trên thực tế sẽ đem lại
lợi nhuận cho nhà cung cấp SaaS, tổng thời gian thực hiện thấp và thỏa mãn các
ràng buộc QoS của người dùng. Luận án có thể được sử dụng làm tài liệu tham
khảo cho sinh viên và học viên cao học ngành Công nghệ Thông tin thực hiện đề
tài về lập lịch công việc trong hệ phân tán và nghiên cứu các heuristic về bầy đàn.
5. Bố cục của luận án
Luận án được trình bày trong 107 trang, ngoài phần mở đầu (4 trang), kết luận

(2 trang), danh mục các công trình khoa học của tác giả liên quan đến luận án (1
trang) và tài liệu tham khảo (8 trang), luận án được chia thành 3 chương. Chương
1 (25 trang) trình bày tổng quan về các vấn đề lập lịch trên tính toán đám mây.
Chương 2 (28 trang) xây dựng bài toán và các thuật toán lập lịch công việc thời
gian thực trên tính toán đám mây áp dụng cho lớp bài toán song song. Chương 3
(39 trang) xây dựng mô hình, bài toán và thuật toán lập lịch công việc theo hướng
tối ưu đa mục tiêu trong tính toán đám mây.

2


Nghiên cứu một số thuật toán lập lịch trên môi trường tính toán đám mây

Chương 1.
TỔNG QUAN VỀ CÁC VẤN ĐỀ LẬP LỊCH TRÊN
TÍNH TOÁN ĐÁM MÂY
1.1. Tổng quan về tính toán đám mây
1.1.1. Giới thiệu
TTĐM là sự phát triển của tính toán phân tán, tính toán song song và tính toán lưới.
R. Buyya và I. Foster đều định nghĩa TTĐM là một hệ phân tán, cung cấp các dạng tài
nguyên ảo dưới dạng các dịch vụ theo nhu cầu của người dùng trên môi trường Internet.

1.1.2. Đặc điểm của tính toán đám mây
Các dịch vụ trên TTĐM có những đặc điểm chung như sau: giá rẻ, khả năng co giãn
lớn, độ tin cậy cao, dùng chung tài nguyên và độc lập vị trí, khả năng ảo hóa, truy cập
diện rộng, dùng bao nhiêu trả bấy nhiêu, độc lập thiết bị và nhiều người thuê.

1.1.3. Kiến trúc của tính toán đám mây
Kiến trúc TTĐM được Ian Foster chia thành 4 tầng bao gồm: tầng tác chế, tầng tài
nguyên hợp nhất, tầng nền tảng và tầng ứng dụng.

1.1.4. Các mô hình trên tính toán đám mây
Theo NIST, TTĐM bao gồm 3 mô hình dịch vụ: SaaS, PaaS và SaaS và 4 mô hình
triển khai: đám mây công cộng, đám mây riêng, đám mây cộng đồng và đám mây lai.

1.1.5. Các thách thức trên tính toán đám mây
Bên cạnh những lợi ích to lớn, TTĐM hiện nay gặp một số thách thức về bảo mật, lập
lịch công việc và tắt nghẽn mạng khi lượng khách hàng lớn.

1.2. Công cụ mô phỏng trên tính toán đám mây
1.2.1. Giới thệu
Các nhà nghiên cứu thường sử dụng công cụ mô phỏng để giảm chi phí cũng như tùy
biến trong quá trình nghiên cứu.

1.2.2. Một số công cụ mô phỏng trên tính toán đám mây
Hiện nay, các nhà nghiên cứu đã xây dựng 4 công cụ mô phỏng trên TTĐM như
sau: DCSim, CloudSim, GroudSim và TeachCloud. Theo đánh giá của Rahul Malhotra
và Parveen Kumar thì CloudSim là công cụ tổng quát nhất, giúp cho người dùng tự xây
dựng một đám mây hoàn chỉnh.

3


Nghiên cứu một số thuật toán lập lịch trên môi trường tính toán đám mây

1.2.3. Công cụ mô phỏng CloudSim
CloudSim là bộ công cụ mô phỏng có khả năng mở rộng rất cao. CloudSim cung cấp
các công cụ để tạo ra cơ sở hạ tầng, các dịch vụ, các sự kiện điều khiển, v.v. Người lập
trình có thể hoàn toàn tạo ra đám mây theo mục đích của mình.

1.3. Bài toán lập lịch trên tính toán đám mây
1.3.1. Giới thiệu
Theo P. Brukner lớp các bài toán lập lịch là một bộ ba < R, T, γ >, trong đó: R, T , γ
là tập tài nguyên, yêu cầu và tiêu chí tối ưu của bài toán. Một lịch trình được xác định
bởi hàm f : T → R, trong đó mỗi yêu cầu ti ∈ T được ánh xạ vào tài nguyên rj ∈ R.

1.3.2. Mô hình tổng quát để lập lịch trên các trung tâm dữ liệu
Mô hình tổng quát để lập lịch trên TTĐM bao gồm các tác nhân và hệ thống lập lịch.
Các tác nhân bao gồm người dùng, nhà cung cấp dịch vụ SaaS, PaaS và IaaS. Hệ thống
lập lịch bao gồm các chức năng ở mức ứng dụng và ở mức nền tảng.

1.3.3. Các phương pháp lập lịch
Bài toán lập lịch được giải quyết bằng bốn phương pháp: phương pháp liệt kê, phương
pháp heuristic, phương pháp nới giảm tham số và phương pháp xấp xỉ.

1.3.4. Mô hình kinh tế cho bài toán lập lịch
Trong mô hình kinh tế, chủ yếu tập trung lập lịch trên hai chiến lược: dựa trên thị
trường (market-based) và lập lịch dựa trên đấu giá (auction-based).

1.4. Các nghiên cứu liên quan đến lập lịch trên tính toán đám mây
Lập lịch trong các hệ phân tán như tính toán lưới và TTĐM có hai cách tiếp cận chính:
hướng hiệu năng về hệ thống và hướng đến hiệu năng về kinh tế. Y. Chawla đã chia lập
lịch công việc trên TTĐM thành các 5 loại: lập lịch tĩnh, lập lịch động, lập lịch heuristic,
lập lịch luồng công việc và lập lịch công việc thời gian thực.

1.4.1. Lập lịch tĩnh và động
Năm 2010, S. Pandey đã đề xuất thuật toán lập lịch cho các bài toán có khối lượng
công việc lớn. Tuy nhiên, các thuật toán này bỏ qua chi phí tính toán chỉ quan tâm đến
chi phí truyền thông. Năm 2013, S.Nagadevi đã liệt kê các kỹ thuật lập lịch tĩnh, các kỹ
thuật này chỉ áp dụng cho các yêu cầu độc lập, các máy ảo chỉ thực hiện tuần tự và thời

gian sẵn sàng của mỗi máy ảo được cập nhật sau khi yêu cầu được hoàn thành.
Năm 2012, Z. Lee và M. Choudhary đã đề xuất các thuật toán lập lịch ưu tiên động,
các thuật toán xem xét trên cả nhà cung cấp dịch vụ, nhà cung cấp tài nguyên và khách
hàng để đưa ra thuật toán nhằm đem lại thời gian và chi phí nhỏ nhất nhưng không xem
xét trên các ràng buộc thời hạn và ngân sách của các yêu cầu. Từ năm 2010 đến 2013, J.
Deng, Lee và HanZhao đã đưa ra mô hình lập lịch cho các yêu cầu trên TTĐM với mục
4


Nghiên cứu một số thuật toán lập lịch trên môi trường tính toán đám mây

tiêu đem lại lợi nhuận cho nhà cung cấp dịch vụ nhưng chỉ xem xét đến chi phí tính toán,
chưa xem xét đến chi phí truyền thông và thời gian gối đầu giữa các yêu cầu.

1.4.2. Lập lịch heuristic
Từ năm 2010 đến 2012, R. Buyya và các đồng sự đã đề xuất các thuật toán lập lịch
các công việc trên TTĐM theo hướng hiệu năng về hệ thống. Nhóm tác giả đã kết hợp
với xử lý song song, heuristics động và P SO để xử lý các công việc với khối lượng lớn.
Tuy nhiên các thuật toán chỉ áp dụng cho các lớp bài toán có khối lượng lớn, thời gian
truyền dữ liệu lớn hơn nhiều so với thời gian tính toán. K. Li (2011) và S. Zhan (2012)
sử dụng các heuristic về bầy đàn để đưa ra lịch trình tối ưu về thời gian thực hiện, không
quan tâm đến ràng buộc QoS của người dùng. Để tối ưu về thời gian thực hiện, K. Liu
(2009), X. Song(2011), Z. Bo(2011), V. D. Bossche (2012) sử dụng các heuristic ACO,
GA nhằm đưa ra lịch trình với mục tiêu đem lại thời gian hoàn thành nhỏ nhất cho hệ
thống nhưng vẫn thỏa mãn ràng buộc QoS của người dùng. Các nghiên cứu này chỉ tập
trung vào ràng buộc về thời gian, không quan tâm đến chi phí của hệ thống.

1.4.3. Lập lịch luồng công việc
Năm 2008, Z. Yu đề xuất thuật toán lập lịch trên đa luồng. Thuật toán này lập lịch
cho các yêu cầu dựa trên độ ưu tiên của mỗi yêu cầu nhưng không xem xét đến ràng buộc

QoS của người dùng. Năm 2012, S. K. Jayadivya tập trung lập lịch trên đa luồng, dựa
vào ràng buộc QoS của người dùng. Các thuật toán này đưa ra lịch trình có thời gian
thực hiện và chi phí thấp nhưng không quan tâm đến ngân sách của các yêu cầu.

1.4.4. Lập lịch công việc thời gian thực
Từ năm 2010 đến 2011, S. Liu, Y.Gu và Zhu tập trung lập lịch trên các công việc thời
gian thực thỏa mãn các ràng buộc QoS của người dùng. Tuy nhiên, các thuật toán này
chưa áp dụng kỹ thuật xử lý song song để tận dụng hết khả năng của máy ảo, chưa tận
dụng được khoảng thời gian gối đầu giữa các yêu cầu để tiết kiệm chi phí. Năm 2013, N.
Ramkumar nghiên cứu lập lịch trên các yêu cầu thời gian thực đã sử dụng hàng đợi ưu
tiên để ánh xạ yêu cầu vào tài nguyên nhưng chỉ tập trung lập lịch để giải quyết công
việc một cách nhanh nhất thỏa mãn thời hạn của yêu cầu mà không quan tâm đến chi
phí và ngân sách của nó.

1.5. Mục tiêu của đề tài
Mục tiêu nghiên cứu chính của luận án: xây dựng mô hình và bài toán để lập lịch công
việc thời gian thực áp dụng cho lớp bài toán song song; xây dựng mô hình và bài toán
lập lịch công việc trên nhà cung cấp PaaS theo hướng tối ưu đa mục tiêu về chi phí và
thời gian; đề xuất các thuật toán lập lịch công việc thời gian thực áp dụng cho lớp bài
toán song song và các thuật toán kiểm soát đầu vào và lập lịch công việc theo hướng tối
ưu đa mục tiêu.

5


Nghiên cứu một số thuật toán lập lịch trên môi trường tính toán đám mây

Chương 2.
LẬP LỊCH CÔNG VIỆC THỜI GIAN THỰC
TRONG TÍNH TOÁN ĐÁM MÂY

2.1. Mô hình lập lịch truyền thống
Các nghiên cứu trước đây, bài toán lập lịch giả thuyết rằng số lượng các công việc và
số lượng các máy tham gia tính toán là cố định. M. L. Pinedo đã đưa ra mô hình của bài
toán lập lịch bao gồm 3 thành phần: mô hình các máy tham gia lập lịch, mô hình công
việc và mục tiêu của bài toán.

2.2. Mô hình lập lịch công việc thời gian thực
Mục tiêu chính của lập lịch công việc thời gian thực là tăng công suất, tận dụng tối đa
hiệu năng của hệ thống sao cho thỏa mãn thời hạn cho các công việc. Luận án xây dựng
bài toán lập lịch với các ràng buộc của người dùng trong các ứng dụng song song và xem
xét việc lựa chọn tài nguyên theo hai mục tiêu: thời gian hoàn thành các công việc là nhỏ
nhất nhưng vẫn thỏa mãn thời hạn và ngân sách của các yêu cầu; chi phí thực hiện là
nhỏ nhất nhưng thỏa mãn ràng buộc QoS cho các yêu cầu.

2.2.1. Mô tả bài toán
Ứng dụng bao gồm tập các yêu cầu T , mỗi yêu cầu ti ∈ T có thời điểm đến là ai , thời
hạn là di (chỉ rõ bằng phút) và ngân sách (budget) là bi (chỉ rõ bằng $) và khối lượng
công việc là wi . Khối lượng công việc của mỗi yêu cầu được song song hóa vào các đơn
vị nhỏ hơn (yêu cầu con), kích cỡ nhỏ nhất của yêu cầu con là p. R là tập tài nguyên có
sẵn và có thể thực hiện song song. Mỗi tài nguyên rj ∈ R có tốc độ tính toán sj và tương
ứng chi phí cj để thuê máy ảo. Tốc độ sj là số chu kỳ của tài nguyên có thể hoàn thành
trên phút. Người dùng trả chi phí cj để thuê tài nguyên rj trong khoảng D phút liên tục,
D là đơn vị nhỏ nhất để thuê.
Bài toán thứ nhất có thể mô tả như sau: “Tìm một ánh xạ từ tập yêu cầu T vào một
tập con của tập tài nguyên R để tối thiểu tổng thời gian thực hiện trong khi vẫn thỏa mãn
thời hạn và ngân sách của các yêu cầu trong T ”. Bài toán thứ 2: “Tìm một ánh xạ từ tập
yêu cầu T vào một tập con của tập tài nguyên R để nhỏ nhất toàn bộ chi phí trong khi
vẫn thỏa mãn thời hạn và ngân sách của các yêu cầu trong T ”

2.2.2. Mô hình toán học cho bài toán

Luận án mở rộng mô hình của K.H. Kim và K. Kumar, ngoài thời hạn chúng ta phải
xem xét ngân sách của các yêu cầu, đảm bảo các yêu cầu được thực hiện trước thời hạn và
không vượt quá ngân sách của nó. Gọi R = {r1 , r2 , ..., rM } là tập M tài nguyên tính toán,

6


Nghiên cứu một số thuật toán lập lịch trên môi trường tính toán đám mây

các tài nguyên này có thể thực hiện song song. Mỗi tài nguyên rj ∈ R là bộ <sj ,cj >,
trong đó sj là tốc độ tính toán tính trên phút, cj là chi phí để thuê tài nguyên trong
khoảng thời gian D phút. Các tài nguyên này là nguồn tính toán cho N yêu cầu độc lập,
được biểu diễn bởi tập T = {t1 , t2 , . . . , tN }, mỗi yêu cầu ti ∈ T là một bộ 4 <ai ,di ,bi ,wi >.
Gọi amin , dmax là thời điểm đến nhỏ nhất và thời hạn lớn nhất của tất cả các yêu cầu.
Ký hiệu α(j, k, x) để thể hiện việc chọn tài nguyên:

1 nếu tại phút x, tài nguyên rj được sử dụng từ 1 đến k lần.
α(j, k, x) =
0 nếu tại phút x, tài nguyên r không được sử dụng.

(2.1)

j

Tổng chi phí của các tài nguyên tại phút thứ x (x = amin ..dmax ) được tính như sau:
M

y

Scost (x) =

j=1 k=1

cj
× α(j, k, x)
D

Trong đó, M là số tài nguyên trong R, y =

C
p

(2.2)

với:

N

C=

wi

(2.3)

i=1

p = min{sj , j = 1..M }

(2.4)

Tổng số chu kỳ thực hiện tại phút thứ x được xác định như sau:

M

y

sj × α(j, k, x)

Scycle (x) =

(2.5)

j=1 k=1

2.2.3. Mục tiêu tối ưu về chi phí
Để đạt được mục tiêu nhỏ nhất về chi phí thì phải tìm cực tiểu tổng chi phí:
dmax

Scost (x) → min

(2.6)

x=amin

Để đạt mục tiêu như công thức (2.6) thì phải thỏa mãn hai ràng buộc của yêu cầu ti ∈ T :
di

Scost (x) ≤ bi

(2.7)

Scycle (x) ≥ wi

(2.8)

x=ai
di

x=ai

2.2.4. Mục tiêu tối ưu về thời gian
Để đạt được mục tiêu tối ưu về thời gian thực hiện cho các yêu cầu thì phải tìm cực
đại tổng số chu kỳ:
dmax

Scycle (x) → max
x=amin

Để đạt được mục tiêu trên thì phải thỏa mãn hai ràng buộc ở (2.7) và (2.8).
7

(2.9)


Nghiên cứu một số thuật toán lập lịch trên môi trường tính toán đám mây

2.3. Tối ưu về kinh tế
Mỗi máy ảo của nhà cung cấp IaaS được thuê trong D-phút và nhà cung cấp SaaS
phải trả một chi phí cố định trong D-phút được thuê, nếu họ không sử dụng hết D-phút
thì họ cũng phải trả chi phí cho toàn bộ D-phút. Luận án tận dụng khoảng thời gian còn
hiệu lực trong vòng D-phút được thuê của yêu cầu này để thực hiện cho yêu cầu khác
nhằm đem lại lợi nhuận cao nhất cho nhà cung cấp SaaS.

Gọi Ti là tập các yêu cầu trong cùng một nhà cung cấp với yêu cầu ti và gối đầu lên
yêu cầu ti , các yêu cầu này có thể chia sẻ cùng 1 máy ảo. Ti được xác định như sau:
Ti = tl |dl ≥ di và al < di

(2.10)

Gọi tiljx là thời gian còn hiệu lực để tính toán cho yêu cầu tl sau khi đã thực hiện xong
yêu cầu ti trên máy ảo vmjx . tiljx được xây dựng như sau:


min(D − Uiljx , dl − al ) nếu al − ai ≥ swijxi



tiljx = D − Uiljx nếu al − ai < swi và dl − ai ≥ D
ijx



d − (a + U )nếu a − a < wi và d − a < D
l

Trong đó: Uiljx =

wi
sijx

i

iljx

l

i

l

sijx

(2.11)

i

+ max(al − di , 0) và sijx là tốc độ của vmjx được ánh xạ vào ti .

Nếu xét trên một nhà cung cấp IaaS thì công thức (2.11) được xây dựng lại như sau:


min(D − Uilj , dl − al ) nếu al − ai ≥ swiji



tilj = D − Uilj nếu al − ai < swi và dl − ai ≥ D
(2.12)
ij



d − (a + U )nếu a − a < wi và d − a < D
l

i

ilj

l

i

sij

l

i

2.4. Thuật toán lập lịch trên các hệ thống thời gian thực
2.4.1. Thuật toán lập lịch tối ưu về thời gian
Các thuật toán này được sử dụng để giải quyết bài toán thứ nhất.

2.4.1.1. Thuật toán CT O
Các bước của Thuật toán CT O được mô tả ở Thuật toán 2.1
Nhận xét: mặc dù thuật toán CT O tối ưu về thời gian, đảm bảo các yêu cầu hoàn
thành trước thời hạn của nó, nhưng thuật toán này còn một số hạn chế: thuật toán CT O
chỉ xem xét số tài nguyên (máy ảo) trên một nhà cung cấp, nếu xét trên nhiều nhà cung
cấp thì độ phức tạp của thuật toán sẽ lớn; các yêu cầu luôn hoàn thành trước thời hạn
nhưng có thể không thỏa mãn ngân sách của nó; thời gian thuê tài nguyên là D phút
nhưng có thể có nhiều yêu cầu không sử dụng hết D phút.

2.4.1.2. Thuật toán M IN C
Để khắc phục các hạn chế của thuật toán CT O, chúng tôi xây dựng thuật toán M IN C

nhằm tận dụng khoảng thời gian còn hiệu lực giữa các yêu cầu với mục tiêu tối ưu về chi
8


Nghiên cứu một số thuật toán lập lịch trên môi trường tính toán đám mây

Thuật toán 2.1: CTO
Đầu vào:
• T = {t1 , t2 , . . . , tN }, ∀ti ∈ T là một bộ 4 < ai , di , bi , wi >;
• R = {r1 , r2 , ..., rM }, ∀rj ∈ R là bộ <sj ,cj >
Đầu ra : Mảng kết quả Result chứa số lượng các tài nguyên cho mỗi yêu cầu;
Phương pháp:
1

Chọn ngưỡng ρ ∈ N : 1 ≤ ρ ≤ p, p được xác định như công thức (2.4);

2

Sắp xếp các tài nguyên theo thứ tự giảm dần của tốc độ;

3

Dựa vào ngưỡng ρ để nhóm các tài nguyên theo tốc độ;

4

G :=số nhóm tài nguyên nhóm được;

5

RG := {g1 , g2 , ..., gG }, gl ∈ G chứa các tài nguyên của nhóm;

6

Trên mỗi nhóm, sắp xếp các tài nguyên theo thứ tự tăng dần của chi phí;

7

Result:= CalculateParallel(RG,T );

Function CalculateParallel(RG,T )
1

Tạo G luồng (thread) chạy đồng thời: T H := {th1 , th2 , ..., thG }, thj ∈ T H tìm kiếm
tài nguyên tương ứng trên nhóm gj ∈ RG;

2
3

foreach thj ∈ T H do
foreach ti ∈ T do

4

Tính số lượng của tài nguyên đầu tiên r1 ∈ gj cho ti : sli :=

5

if wi > (di − ai ) × s1 và |gj | = 1 then

6
7
8
9

10

wi
;
(di − ai ) × s1

sli := sli + 1;
else
if wi > (di − ai ) × s1 then
Tính số lượng các tài nguyên còn lại của nhóm gj cho ti ;
Result[j, i] := Số lượng và tên tài nguyên trong gj được thực hiện cho ti ;

phí. Thuật toán M IN C bao gồm các bước được mô tả ở Thuật toán 2.2.

2.4.1.3. Phân tích thuật toán CT O và M IN C
• Đầu vào của thuật toán CT O và M IN C: tập R được xác định vì tại thời điểm lập
lịch dựa vào thông tin của hệ thống ta có thể xác định được số lượng tài nguyên
trên trung tâm dữ liệu. Sự hình thành của tập T và U ST trong thuật toán CT O
và M IN C được giới hạn vì các yêu cầu được lập lịch theo lô và theo một chu kỳ.
• Đối với thuật toán CT O: sau khi thực hiện từ câu lệnh 1 đến câu lệnh 6, ta có G
nhóm tài nguyên độc lập, các tài nguyên đầu tiên của mỗi nhóm sẽ có chi phí thấp

9

Nghiên cứu một số thuật toán lập lịch trên môi trường tính toán đám mây

Thuật toán 2.2: MINC
Đầu vào:
• U ST := T ;
• Mảng Result ;

/* tập các yêu cầu chưa lập lịch */
/* Mảng kết quả là đầu ra của thuật toán CT O. */

Đầu ra : ST là lịch trình để ánh xạ các yêu cầu vào các tài nguyên;
Phương pháp:
1

ST := ∅;

2

if tìm thấy ti ∈ U ST thỏa mãn thời hạn và ngân sách trong Result then

3

k:= vị trí của dòng trên Result tìm thấy ti ;

4

P U SH(ti ); U ST := U ST \ {ti }; ST := ST ∪ {ti → Result [k, i]};

5

while (U ST = ∅) do

6

ti := P OP () ;

7

Tìm Ti := tl |dl ≥ di và al < di ;

8

Tính tilj trên tài nguyên cuối cùng được ánh xạ bởi yêu cầu ti như công thức

wi


 min (D − Uilj , dl − al ) nếu al − ai ≥ sij
;
(2.12): tilj :=
D − Uilj nếu al − ai < swiji và dl − ai ≥ D


 d − (a + U ) nếu a − a < wi và d − a < D

/* Lấy ti từ ngăn xếp */

l

i

il

l

i

sijx

l

i

Dựa trên tilj tính được trong Ti để cập nhật lại khối lượng cho các yêu cầu

9

trong Ti và tìm ra yêu cầu tl ∈ Ti có khoảng thời gian gối đầu lớn nhất vừa
thỏa mãn thời hạn và ngân sách;
if tìm thấy tl then

10
11

P U SH(tl ); U ST := U ST \ {tl };

12

ST := ST ∪ {tl → Result [k, l]};
else

13

Lặp lại bước 2 để tìm yêu cầu tiếp theo;

14

15
16

else
Thông báo các yêu cầu ti ∈ U ST bị từ chối;

nhất so với các tài nguyên còn lại của nhóm và các tài nguyên của nhóm đầu tiên
sẽ có tốc độ lớn nhất. Vì G nhóm tài nguyên này độc lập nên ta có thể áp dụng mô
hình lập trình chia xẻ bộ nhớ để tạo ra G luồng chạy đồng thời, mỗi luồng sẽ tính
toán tài nguyên trên mỗi nhóm tương ứng. Trên mỗi luồng sẽ ưu tiên ánh xạ yêu
cầu vào tài nguyên đầu tiên của mỗi nhóm, điều này sẽ làm giảm chi phí cho cả hệ
thống. Vì thuật toán sử dụng G luồng chạy đồng thời nên sẽ tối ưu thời gian đưa
ra các lịch trình của thuật toán.
• Thời gian thuê tài nguyên là D-phút, do đó có thể một yêu cầu nào đó hoàn thành

10


Nghiên cứu một số thuật toán lập lịch trên môi trường tính toán đám mây

công việc của mình với thời gian ít hơn D-phút nhưng phải trả chi phí trong vòng
D-phút. Thuật toán M IN C tận dụng khoảng thời gian còn hiệu lực này để thực
hiện cho yêu cầu tiếp theo, điều này dẫn đến chi phí thực hiện cho cả hệ thống giảm

xuống và đem lại lợi ích cho nhà cung cấp SaaS.
• Độ phức tạp của thuật toán CT O là O(max(M × log2M , G, N × M )). Nếu N > log2M
thì độ phức tạp của CT O là O(N × M ), ngược lại thì độ phức tạp của CT O là
O(M × log2M ). Độ phức tạp của thuật toán M IN C là O(max(N 2 , N × G)), trường
hợp xảy ra nhiều nhất là N > G thì độ phức tạp của M IN C là O(N 2 ), ngược lại
thì độ phức tạp của M IN C là O(N × G).

2.4.1.4. Mô phỏng và đánh giá thuật toán
Các thuật toán được cài đặt mô phỏng bằng công cụ CloudSim 2.0, sử dụng 1 DataCenter, 2 host, 50 máy ảo, số yêu cầu thay đổi từ 100 đến 250. Lịch trình đưa ra của
thuật toán CT O và M IN C được so sánh với thuật toán tham lam EDF .

(a) So sánh tổng thời gian của 3 thuật toán khi thay(b) So sánh tổng chi phí của 3 thuật toán khi thay
đổi số yêu cầu

đổi số yêu cầu

(c) So sánh tổng thời gian thực hiện của 3 thuật toán(d) So sánh tổng chi phí của 3 thuật toán khi thay
khi thay đổi ρ

đổi ρ

Hình 2.1: So sánh tổng chi phí và thời gian khi thay đổi số yêu cầu và ngưỡng
Phân tích tổng thời gian và chi phí thực hiện khi thay đổi số yêu cầu
11


Nghiên cứu một số thuật toán lập lịch trên môi trường tính toán đám mây

Hình 2.1(a) và (b) trình bày tổng thời gian thực hiện và tổng chi phí của các thuật
toán khi ρ = 5, D = 60, sử dụng 50 máy ảo và các yêu cầu thay đổi từ 100 đến 250.

Phân tích tổng thời gian và tổng chi phí khi thay đổi số ngưỡng ρ
Chúng tôi thay đổi ngưỡng ρ từ 1 đến 5, D = 60, sử dụng 250 yêu cầu và 50 máy ảo, kết
quả của các thuật toán được thể hiện ở Hình 2.1(c) và Hình 2.1(d).

2.4.2. Thuật toán lập lịch tối ưu về chi phí
2.4.2.1. Thuật toán T CO
Các bước của Thuật toán T CO được mô tả trong thuật toán 2.3.
Thuật toán 2.3: TCO
Đầu vào:
• T = {t1 , t2 , . . . , tN }, ∀ti ∈ T là một bộ 4 < ai , di , bi , wi >;
• R = {r1 , r2 , ..., rM }, ∀rj ∈ R là bộ <sj ,cj >
Đầu ra : Mảng Result để xác định số lượng các tài nguyên cho mỗi yêu cầu;
Phương pháp:
1

Chọn ngưỡng ρ ∈ (0, 1] ;

2

Sắp xếp các tài nguyên theo thứ tự tăng dần của chi phí;

3

Dựa vào ngưỡng ρ để nhóm các tài nguyên theo chi phí;

4

G := số nhóm tài nguyên nhóm được;

5

RG := {g1 , g2 , ..., gG }, gl ∈ G chứa các tài nguyên của nhóm;

6

Trên mỗi nhóm, sắp sếp các tài nguyên theo thứ tự giảm dần của tốc độ;

7

Result:= CalculateParallel(RG, T );

2.4.2.2. Mô phỏng và đánh giá thuật toán
Giống như thuật toán CT O, thuật toán T CO được cài đặt mô phỏng bằng công cụ
CloudSim 2.0, sử dụng 1 DataCenter, 2 host, 50 máy ảo, số yêu cầu thay đổi từ 100 đến
250. Lịch trình đưa ra của thuật toán T CO và M IN C được so sánh với thuật toán tham
lam EDF .
Phân tích tổng chi phí và thời gian thực hiện khi thay đổi số yêu cầu
Hình 2.2 (a) và (b) trình bày tổng chi phí và tổng thời gian thực hiện của 3 thuật toán
T CO, M IN C và EDF khi ρ=0.5, D=60, sử dụng 50 máy ảo và các yêu cầu thay đổi từ
100 đến 250.
Phân tích tổng chi phí và tổng thời gian khi thay đổi ngưỡng ρ
Hình 2.2 (c) và (d) trình bày kết quả của các thuật toán khi thay đổi ngưỡng ρ từ 0.1
đến 0.5, D = 60, sử dụng 200 yêu cầu và 50 máy ảo.

12


Nghiên cứu một số thuật toán lập lịch trên môi trường tính toán đám mây

(a) So sánh tổng chi phí của 3 thuật toán khi thay(b) So sánh tổng thời gian của 3 thuật toán khi thay

đổi số yêu cầu

đổi số yêu cầu

(c) So sánh tổng chi phí của 3 thuật toán khi thay(d) So sánh tổng thời gian thực hiện của 3 thuật toán
đổi ρ

khi thay đổi ρ

Hình 2.2: So sánh tổng chi phí và thời gian khi thay đổi số yêu cầu và ngưỡng

2.5.

Tiểu kết Chương 2

Chương này tập trung mô tả và xây dựng mô hình cho bài toán lập lịch thời gian thực
trong các ứng dụng song song. Kết hợp với xử lý song song và phân nhóm, luận án đưa
ra 3 thuật toán CT O, M IN C và T CO để giải quyết 2 bài toán:
• Bài toán lập lịch trên các hệ thống thời gian thực theo hướng tối ưu về thời gian.
• Bài toán lập lịch trên các hệ thống thời gian thực theo hướng tối ưu về chi phí.

13


Nghiên cứu một số thuật toán lập lịch trên môi trường tính toán đám mây

Chương 3.
LẬP LỊCH CÔNG VIỆC THEO HƯỚNG TỐI ƯU
ĐA MỤC TIÊU TRONG TÍNH TOÁN ĐÁM MÂY
3.1. Mô hình lập lịch theo hướng tối ưu đa mục tiêu

Trong TTĐM, mỗi tác nhân đều có yêu cầu dịch vụ hoặc cung cấp dịch vụ với các
mục tiêu khác nhau như nhà cung cấp SaaS cần đem lại lợi ích lớn nhất cho mình; nhà
cung cấp PaaS cần tận dụng tài nguyên một cách hiệu quả, v.v.

3.1.1. Mô hình người dùng
Luận án mở rộng mô hình người dùng của R. Buyya bằng cách phát triển thêm các
thuộc tính như thời hạn, ngân sách, v.v. Xét trên N yêu cầu dịch vụ T = {t1 , t2 , . . . , tN },
mỗi yêu cầu ti ∈ T là một bộ 7 < ai , di , bi , αi , wi , ini , outi >, trong đó: ai : thời điểm đến
của yêu cầu; thời hạn di ; ngân sách bi ; tỉ lệ lãi suất phạt αi ; khối lượng công việc wi ;
kích cỡ file đầu vào và đầu ra của yêu cầu: ini và outi

3.1.2. Mô hình nhà cung cấp IaaS
Xem xét trên Y nhà cung cấp IaaS: X = {1, 2, .., Y }. Mỗi nhà cung cấp x ∈ X
cung cấp Mx máy ảo cho các nhà cung cấp SaaS, được biểu diễn bởi tập V Mx =
{vm1x , vm2x , . . . , vmMx x }. Theo mô hình IaaS của R. Buyya, mỗi máy ảo vmjx ∈ V Mx
là một bộ 5 < tjx , pjx , sjx , dtpjx , dtsjx >, trong đó: thời gian khởi tạo tjx ; giá pjx ; tốc độ
xử lý sjx ; giá tính theo dung lượng truyền dtpjx ; tốc độ truyền dtsjx

3.1.3. Mô hình nhà cung cấp PaaS
Luận án đề xuất mô hình nhà cung cấp PaaS là bộ ba: < R, npmtn, Cmin > và
< R, npmtn, Tmin >. Trong đó, R là tập các nhà cung cấp IaaS độc lập và tài nguyên
trong các nhà cung cấp có thể thực hiện song song, npmtn là tập N yêu cầu độc lập
không theo thứ tự ưu tiên (non-preemptive). Mục đích của chúng tôi là lập lịch cho các
yêu cầu người dùng trên tập tài nguyên của các nhà cung cấp IaaS theo hướng tối ưu về
chi phí và tối ưu về thời gian nghĩa là phải tìm ra Cmin và Tmin .
Gọi Cijx là chi phí để xử lý yêu cầu ti ∈ T trên máy ảo vmjx ∈ V Mx . Theo mô
hình của người dùng và mô hình của nhà cung cấp IaaS, chi phí Cijx được tính như sau:
Cijx = CPijx + CT Dijx + CIijx + CRijx , trong đó:
wi
CPijx = pjx ×

sjx
CT Dijx = dtpjx ×

ini + outi
dtsjx

CIijx = tijx × pijx

14

(3.1)
(3.2)
(3.3)


Nghiên cứu một số thuật toán lập lịch trên môi trường tính toán đám mây

CRijx = αi × βijx

(3.4)

Gọi Tijx là thời gian để xử lý yêu cầu ti ∈ T trên máy ảo vmjx ∈ V Mx :
Tijx = CTijx + DTijx + T Iijx + βijx

(3.5)

Trong đó:
wi
sjx

(3.6)

ini + outi
dtsjx

(3.7)

CTijx =
DTijx =

T Iijx : thời gian khởi tạo máy ảo đã có. βijx : thời gian vượt thời hạn.
Hàm mục tiêu về chi phí cho yêu cầu ti ∈ T được biểu diễn như sau:
fcost (ti ) =

min

x=1..Y, j=1..Mx

{Cijx }

(3.8)

và mục tiêu của nhà cung cấp SaaS là tìm cực đại của tổng lợi nhuận:
N

(bi − fcost (ti )) → max

(3.9)

i=1

và thỏa mãn 2 ràng buộc cho yêu cầu ti :
Cijx < bi

(3.10)

Tijx ≤ di + βijx

(3.11)

Hàm mục tiêu về thời gian cho yêu cầu ti ∈ T được biểu diễn như sau:
ftime (ti ) =

min

x=1..Y, j=1..Mx

{Tijx }

(3.12)

và mục tiêu của người dùng là tìm cực tiểu tổng thời gian thực hiện:
N

(ftime (ti )) → min

(3.13)

i=1

và thỏa mãn 2 ràng buộc ở công thức (3.10) và (3.11).

3.2. Xây dựng bài toán theo hướng tối ưu đa mục tiêu
Trong phần này chúng tôi nghiên cứu các phương pháp heuristic ACO và P SO để xây
dựng bài toán nhằm đạt được mục tiêu cho người dùng và nhà cung cấp SaaS.

3.2.1. Tối ưu hóa đàn kiến (ACO)
Thuật toán ACO dựa trên hành vi của đàn kiến trong tự nhiên được Marco Dorigo
giới thiệu, để áp dụng thuật toán ACO vào bài toán cụ thể, luận án xây dựng các thông
tin: hàm cực tiểu F , thông tin heuristic η, cập nhật lại mùi và xác suất P như sau:
Với mục tiêu tối ưu về chi phí, hàm cực tiểu F và thông tin heuristic để yêu cầu ti ∈ T
tìm ra máy ảo vmx ∈ V Mx được xác định như sau:
F (ti ) =

min

x=1..Y, j=1..Mx

15

{Cijx }

(3.14)


Nghiên cứu một số thuật toán lập lịch trên môi trường tính toán đám mây

ηijx =

1

Cijx

(3.15)

Với mục tiêu tối ưu về thời gian, hàm cực tiểu F và ηijx được xác định như sau:
F (ti ) =

min

x=1..Y, j=1..Mx

ηijx =

{Tijx }

(3.16)

1
Tijx

(3.17)

Cập nhật lại mùi để lại khi kiến đi qua:
τijx = (1 − ρ)τijx + ∆τijx

(3.18)

Xác suất để yêu cầu ti ∈ T chọn máy ảo vmjx ∈ V Mx :
τijx ηijx
Pijx = Y

Mx
x=1
j=1 τijx ηijx

(3.19)

Với mục tiêu tối ưu về chi phí, xác suất để ti ∈ T chọn vmjx ∈ V Mx được tính như sau:
(1 − ρ)τijx +
Pijx =

Y
x=1

Mx
j=1

1−ρ
F (ti )

(1 − ρ)τijx +

1
Cijx
1−ρ
F (ti )

1

(3.20)

Cijx

Với mục tiêu tối ưu về thời gian, xác suất để ti ∈ T chọn vmjx ∈ V Mx :
(1 − ρ)τijx +
Pijx =

Y
x=1

Mx
j=1

1−ρ
F (ti )

(1 − ρ)τijx +

1
Tijx
1−ρ
F (ti )

1

(3.21)

Tijx

3.2.2. Tối ưu hóa bầy đàn (P SO)
Thuật toán P SO dựa trên kinh nghiệm của bầy đàn được đề xuất bởi Eberhart và

Kennedy. Để áp dụng thuật toán P SO vào bài toán cụ thể, luận án xây dựng các thông
tin: vị trí, vận tốc, hàm thích nghi, vị trí tối ưu cục bộ của từng cá thể và vị trí tối ưu
toàn cục của cả bầy đàn như sau:
M.Clerc đã đưa ra công thức để cập nhật lại vị trí và vận tốc sau mỗi thế hệ như sau:
vxj+1 = K ωvxj + c1 z1 (P bestx − posjx ) + c2 z2 (Gbest − posjx )

(3.22)

posj+1
= posjx + vxj+1
x

(3.23)

Trong đó: K là hệ số hội tụ, posjx : vị trí hiện tại của cá thể thứ x tại chiều j; posj+1
x : vị
trí của cá thể x tại chiều j + 1; c1 ,c2 : hệ số gia tốc; z1 ,z2 : là số ngẫu nhiên giữa 0 và 1;
vxj : vận tốc của cá thể x tại chiều j; P bestx : vị trí cục bộ tốt nhất của cá thể x; Gbest: vị
trí tốt nhất toàn cục của toàn bộ bầy đàn.
Hàm thích nghi về chi phí để cá thể x chọn máy ảo vmjx ∈ V Mx cho yêu cầu ti ∈ T :
1
Fcost (posjix ) =
(3.24)
Cijx
Vị trí tối ưu cục bộ về chi phí của cá thể x tại chiều j + 1 cho ti được xác định:

16


Nghiên cứu một số thuật toán lập lịch trên môi trường tính toán đám mây

pbj+1
ix =

j
pbj+1
nếu Fcost (posj+1
ix
ix ) ≥ Fcost (posix ) và Cijx ≤ bi và Tijx ≤ di + βijx

pbjix ngược lại
(3.25)

Vị trí tối ưu cục bộ (P bestx ) được xác định:
P bestx =

max

x=1..Y, j=1..Mx

{pbjix }

(3.26)

Vị trí tối ưu toàn cục của cả đàn (Gbest) xác định như sau:
Gbest = max {P bestx }
x=1..Y

(3.27)

3.3. Thuật toán lập lịch tối ưu đa mục tiêu dựa trên ACO
3.3.1. Phát biểu bài toán
Ứng dụng bao gồm N yêu cầu dịch vụ, được biểu diễn bởi tập T = {t1 , t2 , . . . , tN },
mỗi yêu cầu ti ∈ T là một bộ 7 < ai , di , bi , αi , wi , ini , outi > được gửi lên nhà cung cấp
SaaS bao gồm các thuộc tính và các ràng buộc QoS như thể hiện ở phần 3.1.1. Nhà cung
cấp SaaS thuê các tài nguyên từ Y nhà cung cấp IaaS. Mỗi nhà cung cấp x (x = 1..Y )
cung cấp Mx máy ảo, mỗi máy ảo vmjx ∈ V Mx là một bộ 5 < tjx , pjx , sjx , dtpjx , dtsjx >
như thể hiện ở phần 3.1.2. Khi nhận được tập các yêu cầu của người dùng, nhà cung cấp
PaaS tiến hành tính toán chi phí và thời gian thực hiện như mô hình ở phần 3.1.3. Từ
đó, ra quyết định từ chối hay chấp nhận yêu cầu người dùng. Nếu yêu cầu nào được chấp
nhận thì bộ lập lịch sẽ ánh xạ vào tài nguyên hợp lý.

3.3.2. Thuật toán lập lịch tối ưu đa mục tiêu về chi phí
3.3.2.1. Thuật toán ACACO
Mục tiêu của thuật toán ACACO nhằm đem lại lợi ích lớn nhất cho nhà cung cấp
SaaS. Các bước của thuật toán được mô tả trong Thuật toán 3.1.

3.3.2.2.

Thuật toán lập lịch M P rof it

Thuật toán M P rof it tận dụng khoảng thời gian còn hiệu lực trong vòng D-phút được
thuê của các yêu cầu nằm trong cùng một nhà cung cấp để đem lại lợi nhuận cao nhất
cho nhà cung cấp SaaS. Các bước của thuật toán M prof it được mô tả ở thuật toán 3.2.

3.3.2.3.

Phân tích thuật toán ACACO và M prof it

• Thomas Stutzle, Marco Dorigo đã chứng minh tính hội tụ của thuật toán ACO điều

này đảm bảo tính hội tụ của thuật toán ACACO đề xuất.
• Giống như thuật toán CT O, tại thời điểm lập lịch tập dữ liệu đầu vào X, V Mx và
T hoàn toàn được xác định.
• Thuật toán ACACO ánh xạ yêu cầu ti ∈ T vào máy ảo vmjx ∈ V Mx dựa vào xác
suất Pijx như công thức (3.20). Vì vậy, khi chi phí của máy ảo vmjx càng bé thì
17


Nghiên cứu một số thuật toán lập lịch trên môi trường tính toán đám mây

Thuật toán 3.1: ACACO
Đầu vào:
• T = {t1 , t2 , . . . , tN }, ∀ti ∈ T là một bộ 7 < ai , di , bi , αi , wi , ini , outi > ;
• X = {1, 2, ..., Y }, V Mx = {vm1x , vm2x , . . . , vm(M x)x }, ∀x ∈ X;
Đầu ra : Một lịch trình S = {ti → vmjx , ti ∈ T, vmjx ∈ V Mx };
Phương pháp:
1

S := ∅;

2

foreach ti ∈ T do

3

si := T est(ti , X, V Mx );

4

if si = ∅ then
Thông báo cho người dùng yêu cầu đã bị từ chối ;

5
6

else
S := S ∪ {si };

7

8

return S;

Function Test(ti ∈ T, X, V Mx )
1

ST := ∅;

2

foreach con kiến thứ k do

3

foreach nhà cung cấp x ∈ X do
Tính thông tin heuristic cho yêu cầu ti trên các máy ảo vmjx :

4

ηijx :=

1
;
CPijx +CT Dijx +CIijx +CRijx

5

Tìm ra giá trị của mùi hiện tại: τijx ;

6

Tính thời gian thực hiện của ti trên các máy ảo vmjx như công thức (3.5):
Cập nhật lại mùi: như công thức (3.18): τijx := (1 − ρ)τijx +

1−ρ
;
F (ti )

7

Tính xác suất để ti ánh xạ vào vmjx như công thức (3.20);

8

Dựa vào xác suất tính được để tìm ra máy ảo vmjx có xác suất lớn nhất và
thỏa mãn các ràng buộc như công thức (3.10) và (3.11);
if tìm thấy vmjx then

9

ST := ST ∪ {ti → vmjx } ;

10

11

if ti ∈
/ ST then

12

return ∅;

13
14

else
Tìm ra giải pháp có thể tối ưu nhất si bằng cách phân tích các con kiến trong
danh sách lập lịch ST ;

15

return si

18


Nghiên cứu một số thuật toán lập lịch trên môi trường tính toán đám mây

Thuật toán 3.2: Mprofit
Đầu vào: U ST := S ;
Đầu ra : Một lịch trình tối ưu ST để ánh xạ các yêu cầu vào các máy ảo;
Phương pháp:
1

ST:= ∅ ;

2

Sắp xếp các ánh xạ trong U ST theo nhà cung cấp;

3

G := {g1 , .., gY }, gx ∈ G là nhóm các ánh xạ trên nhà cung cấp x;

4

Tạo ra Y luồng chạy đồng thời T H := {th1 , .., thY }, thx ∈ T H tìm kiếm tài nguyên
trên nhóm gx ∈ G;

5

foreach thx ∈ T H do
/* ti là ánh xạ đầu tiên trong nhóm gx ∈ G */

6

P U SH(ti ) ;

7

ST := ST ∪ {ti }; gx := gx \ {ti };

8

while gx = ∅ do

9

ti := P OP () ;

/* Lấy ti từ ngăn xếp */

10

Tìm Ti := tl |dl ≥ di và al < di và tl nằm cùng một nhóm với ti ;

11

Tính tiljx của các yêu cầu trong Ti như công thức (2.11);

12

Dựa vào max(tiljx ) để tìm ra tl ;

13

if tl thỏa mãn thời hạn như ràng buộc (3.11) then

14

Tính lại wl và cập nhật lại các trạng thái cho tl ;

15

else

16

if |gx | > 0 then

17

tl := ti+1 ;

18
19

20

21

/* ti+1 là ánh xạ chưa xét đến trong nhóm gx */

else
break ;
P U SH(tl ); ST := ST ∪ {tl }; gx := gx \ {ti };
Dựa vào ST để đưa ra lịch trình ánh xạ các yêu cầu vào các tài nguyên;

thông tin heuristic càng lớn, điều này dẫn đến mùi để lại và xác suất chọn máy ảo
vmjx càng lớn. Do đó, khi ánh xạ yêu cầu vào máy ảo có chi phí thấp sẽ làm cho
tổng chi phí của toàn bộ hệ thống giảm xuống.
• Đối với thuật toán M prof it: sau khi sắp xếp các yêu cầu theo nhà cung cấp sẽ tạo
ra G nhóm, mỗi nhóm sẽ chứa các yêu cầu được chấp nhận trên từng nhà cung cấp.
Vì vậy, ta có thể áp dụng mô hình lập trình chia xẻ bộ nhớ để tạo ra G luồng chạy
đồng thời, điều này sẽ tối ưu thời gian đưa ra lịch trình cho thuật toán.
Thuật toán ACACO chấp nhận hoặc từ chối các yêu cầu của khách hàng. Trong
các yêu cầu đã chấp nhận thì có thể có nhiều yêu cầu thực hiện không hết thời gian
thuê, do đó thuật toán M prof it xét trên từng nhà cung cấp IaaS để tận dụng
19


Nghiên cứu một số thuật toán lập lịch trên môi trường tính toán đám mây

khoảng thời gian còn hiệu lực này nhằm thực hiện cho yêu cầu tiếp theo. Điều này
sẽ đem lại lợi ích cho nhà cung cấp SaaS.
• Độ phức tạp của thuật toán ACACO là: O(N × Y × Mx )
• Độ phức tạp của thuật toán M P rof it là O(N 2 ).

3.3.2.4.

Mô phỏng và đánh giá thuật toán

Các thuật toán được cài đặt mô phỏng bằng ngôn ngữ Java, gói công cụ CloudSim với
các thông số sau: sử dụng 4 Datacenter, 10 host vật lý, số máy ảo thay đổi từ 100 đến
500 và số yêu cầu thay đổi từ 1000 đến 5000. Thuật toán ACACO và M prof it được so
sánh với thuật toán tham lam EDF và tuần tự.
Hình 3.1 (a) và (b) trình bày kết quả về tổng chi phí và tổng số yêu cầu bị phạt của

ba thuật toán khi thay đổi số lượng yêu cầu từ 1000 yêu cầu đến 5000 và cố định số máy
ảo là 100. Hình 3.1 (c) và (d) trình bày kết quả về tổng chi phí và tổng số thời gian của
ba thuật toán khi cố định số yêu cầu là 1000 và thay đổi số máy ảo từ 100 đến 500.

(a) Tổng chi phí khi thay đổi yêu cầu

(b) Số yêu cầu bị phạt khi thay đổi yêu cầu

(c) Tổng chi phí khi thay đổi số máy ảo

(d) Tổng thời gian khi thay đổi đổi số máy ảo

Hình 3.1: Tổng chi phí và tổng số yêu cầu bị phạt khi thay đổi số yêu cầu và máy ảo

3.3.3. Thuật toán lập lịch tối ưu đa mục tiêu về thời gian
Mục tiêu của thuật toán nhằm đem lại thời gian thực hiện nhỏ nhất cho người dùng.
20


Nghiên cứu một số thuật toán lập lịch trên môi trường tính toán đám mây

3.3.3.1. Thuật toán kiểm soát đầu vào và lập lịch ACT ACO
Ý tưởng của thuật toán này giống như thuật toán ACACO nhưng thay đổi mục tiêu
và sử dụng các công thức (3.16), (3.17), (3.18) và (3.21) để xác định thông tin hàm cực
tiểu F , thông tin heuristic ηijx , cập nhật lại mùi và xác suất P .

3.3.3.2. Mô phỏng và đánh giá thuật toán
Hình 3.2 (a) và (b) trình bày kết quả về tổng thời gian và tổng chi phí của các thuật
toán khi sử dụng 1000 yêu cầu và 100 máy ảo. Hình 3.2 (c) và (d) trình bày kết quả của
các thuật toán khi sử dụng 100 máy ảo và số yêu cầu thay đổi từ 1000 đến 5000.

(a) Tổng thời gian khi cố định số yêu cầu

(b) Tổng chi phí khi cố định số yêu cầu

(c) Tổng thời gian khi thay đổi số yêu cầu

(d) Tổng chi phí khi thay đổi số yêu cầu

Hình 3.2: Kết quả mô phỏng của các thuật toán

3.4. Thuật toán lập lịch tối ưu đa mục tiêu dựa trên P SO
Trong phần này, luận án áp dụng heuristic P SO để tìm kiếm tài nguyên cho các yêu
cầu người dùng và đề xuất các thuật toán dựa trên bài toán được xây dựng ở phần 3.2.2

3.4.1. Phát biểu bài toán
Bài toán được mô tả như trong phần 3.3.1

3.4.2. Thuật toán tối ưu ACP SO
21


Nghiên cứu một số thuật toán lập lịch trên môi trường tính toán đám mây

3.4.2.1. Thuật toán ACP SO
Thuật toán 3.3: ACPSO
Đầu vào:
• T = {t1 , t2 , . . . , tN }, ∀ti ∈ T là một bộ 7 < ai , di , bi , αi , wi , ini , outi > ;
• X = {1, 2, ..., Y }. ∀x ∈ X, V Mx = {vm1x , vm2x , . . . , vm(M x)x }, ∀vmjx ∈ V Mx là
một bộ 5 < tjx , pjx , sjx , dtpjx , dtsjx > ;

Đầu ra : Một lịch trình S = {ti → vmjx , ti ∈ T, vmjx ∈ V Mx } ;
Phương pháp:
1

Khởi tạo: vị trí, vận tốc của mỗi cá thể, S, P bestx , Gbest, hệ số K và ϕ;

2

Tạo ra Y luồng chạy đồng thời T H := {th1 , .., thY }, mỗi luồng thx ∈ T H tìm kiếm
tài nguyên trên mỗi nhà cung cấp x ∈ X;

3
4

foreach ti ∈ T do
foreach thx ∈ T H do

5

Tính hàm thích nghi như công thức (3.24);

6

Tìm vị trí tối ưu cục bộ của cá thể x tại chiều j + 1 như công thức (3.25)

7

Tính P bestj như công thức (3.26); Tính Gbesti như công thức (3.27);

8

Dựa vào Gbesti , tìm ra máy ảo vmjx thỏa mãn các ràng buộc (3.10) và (3.11);

9

if tìm thấy vmjx then

10
11
12

S := S ∪ {ti → vmjx } ;
else
Thông báo cho người dùng yêu cầu đã bị từ chối;

13

foreach thx ∈ T H do

14

for j:=1 to Mx do

15

vxj+1 := K (ωvxj + c1 z1 (P bestx − posjx ) + c2 z2 (Gbest − posjx ));

16

posj+1

:= posjx + vxj+1 ;
x

3.4.2.2. Phân tích thuật toán ACP SO
• M. Clerc đã chứng minh tính hội tụ của thuật toán P SO. Điều này đảm bảo tính
hội tụ của thuật toán ACP SO.
• Giống như thuật toán ACACO, đầu vào của thuật toán ACP SO tại thời điểm lập
lịch có thể xác định được tập T , X, V Mx .
• Đối với thuật toán ACP SO: đầu vào của thuật toán là Y nhà cung cấp độc lập với
nhau, vì vậy ta có thể tạo ra Y luồng chạy đồng thời, mỗi luồng thx ∈ T H là một
cá thể tìm kiếm trên tập máy ảo của nhà cung cấp tương ứng. Điều này sẽ giảm độ
phức tạp và tối ưu thời gian đưa ra lịch trình của thuật toán.

22


Nghiên cứu một số thuật toán lập lịch trên môi trường tính toán đám mây

Mỗi cá thể (luồng) tập trung ánh xạ yêu cầu ti ∈ T vào máy ảo vmjx ∈ V Mx
dựa vào hàm thích nghi như công thức (3.24). Vì vậy, khi chi phí Cijx càng bé thì
hàm thích nghi càng cao, nên xác suất để yêu cầu ti chọn máy ảo vmjx càng lớn.
Do đó, khi ánh xạ yêu cầu vào máy ảo có chi phí thấp sẽ làm cho tổng chi phí của
toàn bộ hệ thống giảm xuống.
• Độ phức tạp của thuật toán ACP SO là O(N × Mx ).

3.4.2.3. Mô phỏng và đánh giá thuật toán
Các tham số trong mô phỏng được xác định trong phần 3.3.2.4. Hình 3.3 (a) và (b)
trình bày kết quả so sánh về tổng chi phí và tổng lợi nhuận khi cố định số 1000 yêu cầu
và 150 máy ảo. Hình 3.3 (c) và (d) trình bày kết quả khi thay đổi số yêu cầu và sử dụng
150 máy ảo.

(a) Tổng chi phí khi cố định yêu cầu

(b) Tổng lợi nhuận khi cố định yêu cầu

(c) Tổng chi phí khi thay đổi yêu cầu

(d) Tổng lợi nhuận khi thay đổi yêu cầu

Hình 3.3: Kết quả mô phỏng của các thuật toán

3.5.

Tiểu kết Chương 3

Chương này tập trung xây dựng 4 thuật toán ACACO, ACT ACO, M prof it và ACP SO
để giải quyết lớp các bài toán đa mục tiêu về chi phí và thời gian cho nhà cung cấp và
người dùng.
23