Nghiên cứu thuật toán tự động điều phối tài nguyên trong điện toán đám mây (tt)

HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG
---------------------------------------

Mai Hoàng Xuân Lâm

NGHIÊN CỨU THUẬT TOÁN TỰ ĐỘNG
ĐIỀU PHỐI TÀI NGUYÊN TRONG ĐIỆN TOÁN
ĐÁM MÂY
Chuyên ngành: Hệ thống thông tin
Mã số: 848.01.04

TÓM TẮT LUẬN VĂN THẠC SĨ

TP. Hồ Chí Minh– 2018


Luận văn được hoàn thành tại:
HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG

Người hướng dẫn khoa học:PGS. TS. TRẦN CÔNG HÙNG
(Ghi rõ học hàm, học vị)

Phản biện 1:
……………………………………………………………………
Phản biện 2:
……………………………………………………………………

Luận văn sẽ được bảo vệ trước Hội đồng chấm luận văn thạc sĩ tại
Học viện Công nghệ Bưu chính Viễn thông
Vào lúc: ....... giờ ....... ngày ....... tháng ....... năm ...............

Có thể tìm hiểu luận văn tại:
- Thư viện của Học viện Công nghệ Bưu chính Viễn thông


1
MỞ ĐẦU
Ngày nay, điện toán đám mây (ĐTĐM) là một trong
những xu hướng, quan tâm hàng đầu của những thành tựu về
công nghệ thông tin. Các dịch vụ công nghệ hiện nay đều dựa
trên các nguồn tài nguyên, cơ cấu vận hành cũng như việc lưu
trữ, phân phối và xử lý thông tin của ĐTĐM.
Theo định nghĩa của NIST: ”ĐTĐM là một mô hình phổ
biến, thuận lợi, có khả năng truy cập Internet để chia sẻ cấu
hình về nguồn tài nguyên một cách nhanh chóng và bắt đầu với
một chi phí tối thiểu hoặc tương tác các dịch vụ được cung cấp”
+ Tự phục vụ theo yêu cầu: người sử dụng có thể chủ
động trong quá trình cung cấp khả năng tính toán mà không đòi
hỏi có sự tương tác giữa con người với nhà cung cấp dịch vụ.
+ Độ co giãn cao: là khả năng mở rộng và thu hẹp tài
nguyên theo nhu cầu cụ thể của khách hàng ở mỗi thời điểm
khác nhau.
Khả năng tự động điều phối tài nguyên (auto - scaling)
là một trong những đặc trưng hết sức quan trọng của ĐTĐM,
đòi hỏi tốc độ thay đổi luôn ở mức cao thích nghi liên tục với
biến động của thị trường, khả năng mềm dẻo, đáp ứng cho
nhiều loại nhu cầu khác nhau trong thời gian ngắn. Một số ứng
dụng, cần tính toán về dữ liệu và tài nguyên theo yêu cầu đó là:
các hệ CSDL, các ứng dụng di động các ứng dụng y khoa thời
gian thực…Các ứng dùng trên có tải biến động nên cần xử lý
tài nguyên linh động, tùy biến theo yêu cầu và vẫn duy trì chất

lượng dịch vụ QoS ở mức cao.
Các quyết định của bộ điều chỉnh tự động (autosacler)
phải đảm bảo mong muốn giữa các bên liên quan. Đối vối


2
khách hàng, họ mong muốn chi phi thuê dịch thấp trong khi đó
đối với nhà cung cấp dịch vụ mong muốn mang lại tối đa lợi
nhuận. Mô hình định giá thuê tài nguyên có thể bao gồm các
loại máy ảo, chi phí theo đơn vị thời gian (mỗi phút, mỗi giờ).
Bộ điều chỉnh tự động cũng phải bảo đảm chức năng của ứng
dụng được thực thi đúng bằng cách duy trì chất lượng dịch vụ
(QoS). QoS thường phụ thuộc vào hai loại của thỏa thuận mức
dịch vụ (SLA): SLA ứng dụng là hợp đồng giữa khách hàng
(chủ sở hữu ứng dụng) và người dùng cuối; và SLA tài nguyên,
được nhà cung cấp và khách hàng đồng ý. Cả hai loại SLA
thường được trộn lẫn, để thỏa mãn SLA ứng dụng, nhà cung
cấp cần phải tuân thủ SLA tài nguyên. Tuy nhiên, việc xác định
đúng lượng tài nguyên để cho thuê và đáp ứng mức thỏa thuận
dịch vụ (SLA) yêu cầu trong khi vẫn giữ được mức chi phí tổng
thể thấp là một thách thức lớn. Đã có nhiều thuật toán tự động
điều phối tài nguyên đã được phát triển nhưng không có một
thuật toán nào là thích hợp cho tất cả các ứng dụng. Trong môi
trường điện toán đám mây, khách hàng và nhà cung cấp dịch vụ
thường có những yêu cầu khác nhau và có thể mâu thuẫn với
nhau. Do vậy, việc điều chỉnh tự động tài nguyên trên điện toán
đám mây là một thách thức lớn. Giải pháp cho vấn đề này
thường dựa trên đặc tính cụ thể của từng bài toán từ đó áp dụng
các giải thuật như vét cạn (exhaustive algorithm), xác định

3
(deterministic algorithm) hoặc metaheuristic. Trong thực
nghiệm, hầu như các giải thuật xác định tốt hơn các giải thuật
vét cạn. Tuy nhiên các giải thuật xác định lại không hiệu quả
trong môi trường dữ liệu phân tán từ đó dẫn đến không thích
hợp cho các vấn đề lập lịch trong môi trường tính mở rộng.
Trong khi đó, điện toán đám mây là môi trường có dữ liệu phân
tán, đòi hỏi có khả năng mở rộng, khả năng đáp ứng yêu cầu
người dùng cao do vậy có thể tiếp cận vấn đề điều chỉnh tự
động máy ảo trên điện toán đám mây theo hướng metaheuristic
là khả thi mặc dù các giải thuật metaheuristic có thể cho kết quả
gần tối ưu trong thời gian chấp nhận được.
Trong nghiên cứu này, tôi đưa ra giải pháp điều chỉnh tự
động tài nguyên đảm bảo mục tiêu chất lượng dịch và chi phí
thuê tài nguyên dựa trên lý thuyết trò chơi và dùng giải thuật
metaheuristic cụ thể là thuật toán tối ưu bày đàn Particle Swarm
Optimizarion (PSO) để tìm được giải pháp điều chỉnh tự động
máy ảo tối ưu hoặc gần tối ưu dựa trên cân bằng Nash.
Luận văn được bố cục như sau:
Chương 1 – Cơ sở lý luận.
Chương 2 – Các công trình liên quan.
Chương 3 – Xây dựng thuật toán tự động điều phối tài
nguyên trong điện toán đám mây dựa trên thuật toán PSO
Chương 4 – Mô phỏng và đánh giá.
Kết luận và đáng giá


4
CHƯƠNG 1 - CƠ SỞ LÝ LUẬN

1.1 Tổng quan về điện toán đám mây
1.1.1 Giới thiệu chung
Cloud computing (ĐTĐM) có khá nhiều định nghĩa. Có
nhiều loại khác nhau và các mô hình cung cấp của nó cũng
không giống nhau. ĐTĐM không chỉ đơn thuần là máy chủ ảo
và máy chủ ảo cũng không phải là bộ phận cấu thành thiết yếu
của một ĐTĐM. Tuy nhiên nó chính là bộ phận chủ chốt để
một vài loại ĐTĐM có thể hoạt động.
Có thể nói một trong những định nghĩa chính xác và liên
quan nhất về ĐTĐM đã được xuất bản bởi National Institude of
Standards and Technology (NIST). Tài liệu tổng quát này đã
giải thích rõ ràng về ý nghĩa của ĐTĐM. ĐTĐM là một tập hợp
các nguồn tính toán đã được chia sẻ và có thể dễ dàng truy cập
và sử dụng mọi lúc mọi nơi. Một ĐTĐM sẽ mang những đặc
điểm như sau:
Tự phục vụ: Sử dụng giao diện đơn giản, khách hàng
(hoặc nhà kinh doanh) có thể đăng kí dịch vụ đám máy và triển
khai các tài nguyên thông tin cần sử dụng. Lợi ích rõ nhất của
việc tự cung cấp dịch vụ này là họ có thể nhanh chóng tự cung
cấp nguồn tài nguyên mà không cần nhờ tới bộ phận IT, nhờ đó
mà doanh nghiệp có thể nắm bắt cơ hội hoặc ứng biến với các
thử thách tốt hơn.
Mạng lưới truy cập rộng lớn: người tiêu dùng được sử
dụng các loại thiết bị và công nghệ chưa từng thấy để truy cập
vào các dịch vụ kinh doanh. Một đám mây phải cho phép người
dùng truy cập vào thiết bị một cách an toàn và đáng tin cậy từ
nhiều mạng lưới khác nhau. Một trong những cách tốt nhất để
làm cho các ứng dụng đến tay người dùng trên một diện rộng

5
các thiết bị là phải tăng cường sức mạnh của Web và công nghệ
như là HTML.
Hệ thống triển khai dịch vụ riêng của nhà cung cấp thì
giao diện và hệ thống xử lí phải được tự động hóa. Mỗi một
khách hàng sử dụng tài khoản trên ĐTĐM đều phải được đảm
bảo độc lập và bảo mật với các khác hàng trong hệ thống.
Tài nguyên được chia sẻ: Các nhà cung cấp điện toán
đám mây có thể sử dụng nhiều nguồn để cung cấp dịch vụ cho
khách hàng một cách nhanh chóng mà không cần tốn nhiều chi
phí.
Tính linh hoạt nhanh: các máy chủ triển khai phải
được lên kế hoạch sử dụng tối đa hiệu suất. Một nhà cung cấp
phải triển khai càng nhiều máy càng tốt để đáp ứng với khối
lượng công việc khổng lồ của những khách hàng đa dạng.. Một
đám mây phải giải quyết được vấn đề này bằng việc mở khả
năng cung cấp dịch vụ.
Với khía cạnh công nghệ, việc này có nghĩa là phải tập
trung hóa mật độ server đã được thiết kế và quản lí. Tỉ lệ server
và quản trị viên tăng lên. Hệ thống quản lí tự động và quản trị
chất lượng trở nên rất quan trọng.
1.1.2 Các dịch vụ điện toán đám mây
Có rất nhiều loại dịch vụ của điện toán đám mây. Tuy
nhiên các dịch vụ cơ bản của nó bao gồm: Dịch vụ cơ sở hạ
tầng ( Infrastructure as a Service – IaaS), dịch vụ nền tảng (
Platform as a Service – PaaS), dịch vụ phần mềm (Software as
a Service – SaaS), dịch vụ phần cứng (Hardware as a Service)
1.1.3 Những mô hình triển khai của ĐTĐM
Private Cloud
Private Cloud hoàn toàn thuộc về nhu cầu của một cá

nhân doanh nghiệp nào đó. Nó có thể là trong hạ tầng cơ sở


6
(on-premises) hoặc ngoài hạ tầng cơ sở (off-premises). Private
Cloud chỉ thuộc về một doanh nghiệp sẽ thường trú trong
phòng máy của chủ sở hữu hoặc data center và được quản lí bởi
đội ngũ IT của doanh nghiệp. Với quyền sở hữu duy nhất của
đám mây trong hạ tầng cơ sở, doanh nghiệp được toàn quyền
điều khiển data center, hệ thống hạ tầng và network. Về phía
Private Cloud ngoài hạ tầng cơ sở, nó thừa hưởng cơ sở vật
chất có sẵn và kiến thức chuyên môn từ các đơn vị outsourcing
như là chức năng trung tâm dữ liệu máy chủ. Private Cloud
ngoài cơ sở hạ tầng này khá lí tưởng cho các doanh nghiệp
không muốn hoặc không có đủ khả năng xây dựng phòng máy
hoặc trung tâm dữ liệu riêng.
Public Cloud
Public Cloud dành cho nhiều người sử dụng. Public
Cloud có nhiều dạng và tồn tại dưới nhiều hình thức như là
Windows Azure, Microsoft Office 365 và Amazon Elastic
Compute Cloud… Bạn cũng có thể tìm thấy các dịch vụ với
quy mô nhỏ hơn với những dịch vụ khách hàng phù hợp với
nhu cầu cá nhân.
Ưu điểm lớn nhất của Public Cloud chính là nó luôn
được sẵn sàng để sử dụng nhanh chóng. Một ứng dụng kinh
doanh mới nhất có thể được triển khai chỉ trong vòng vài phút.
Hybrid Cloud
Mô hình Hybrid Cloud sử dụng mô hình Private Cloud
và mô hình Public Cloud cùng một lúc với các dịch vụ được
triển khai mở rộng.

Community Cloud
Community Cloud là đám mây được chia sẻ giữa các
doanh nghiệp với nhau. Community Cloud này có thể sử dụng
nhiều công nghệ, và nó thường được sử dụng bởi các doanh


7
nghiệp liên doanh cùng thực hiện các công trình nghiên cứu
khoa học. Community Cloud hỗ trợ người dùng các tính năng
của cả Private Cloud và Public Cloud. Chúng có thể cùng nhau
hoạt động để đảm bảo tính bảo mật và thống nhất nhưng đồng
thời cũng mang nhiều rủi ro trong quá trình chia sẻ. Chúng còn
có thể truy cập vào các nguồn tính toán lớn hơn giúp mở rộng
cấu trúc lũy tiến của mình.
1.2 Tổng quan về tự động điều phối tài nguyên trong
điện toán đám mây (Auto-scaling)
1.2.1 Giới thiệu về tự động điều phối tài nguyên trong
điện toán đám mây (Auto-scaling)
Auto-scaling đã được định nghĩa từ nhiều quan điểm
của các học giả và các nhà cung cấp dịch vụ ĐTĐM trong các
bối cảnh đa dạng. Auto-scaling là một đặc trưng quan trọng của
hệ thống ĐTĐM, cho phép hệ thống có thể tự động mở rộng
hay thu nhỏ khả năng; hoặc lựa chọn máy ảo nào có tài nguyên
lớn nhất một cách tự động để đảm bảo tài nguyên được sử
dụng một cách hiệu quả nhất và đảm bào tính sẳn sàng cho các
ứng dụng.
Auto-scaling cũng đảm bào rằng các máy ảo được phân
chia các yêu cầu khách hàng một cách nhất quán và hạn chế
hiện tượng quá tải hoặc thiếu tài nguyên.
1.2.2 Mục đích tự động điều phối tài nguyên trong

điện toán đám mây (Auto-scaling)
Mục đích của tự động điều phối tài nguyên là cải thiện
hiệu năng của toàn bộ hệ thống một cách cơ bản; giảm thiểu
thời gian chờ của công việc; duy trì sự ổn định và thích ứng sự
biến đổi trong tương lai của hệ thống; đảm bảo những công
việc nhỏ không bị đợi trong thời gian dài; đồng thời cũng phải
đảm bảo hạn chế tình trạng một nút có nhiều tài nguyên đang


8
sử dụng những nút khác chỉ rất ít tài nguyên đang được sử
dụng. Vì vậy, nhiều thuật toán tự động điều phối tài nguyên đã
được phát triển trong nhiều năm qua nhưng không có một thuật
toán nào là thích hợp cho tất cả các ứng dụng, các hệ thống
tính toán phân tán. Việc lựa chọn một thuật toán tự động điều
phối tài nguyên tương ứng phụ thuộc thông số các ứng dụng
cũng như các thông số sử dụng tài nguyên.
1.3 Giải thuật toán tối ưu bầy đàn (PSO)
Giải thuật tối ưu hóa theo bầy đàn (Particle Swarm
Optimization - PSO) là một kỹ thuật tối ưu hóa ngẫu nhiên dựa
trên một quần thể được phát triển bởi Eberhart và Kennedy,
phỏng theo hành vi của các bầy chim hay các đàn cá. Cũng
giống như giải thuật di truyền, PSO tìm kiếm giải pháp tối ưu
bằng việc cập nhật các thế hệ. Tuy nhiên, không giống như
giải thuật di truyền, PSO không có các thao tác tiến hóa như là
lai ghép hay đột biến.
Năm 1987, quan sát quá trình chuyển động của các
theo bầy đàn (bầy chim, đàn cá), Reynolds đưa ra nhận ra ba
quy luật: Tách biệt; Sắp hàng và Liên kết. Từ nghiên cứu của
Renolds, Eberhart và Kennedy đưa thêm giả thuyết về quá

trình tìm về tổ của bầy đàn theo các quy luật:
i. Tất cả các phần tử trong bầy đàn đều có xu
hướng chuyển động về tổ.
ii. Mỗi phần tử đều ghi nhớ vị trí gần tổ nhất nó
đã đạt tới.
Tương tự như vậy, hai ông đưa giả thuyết về quá trình
tìm mồi của bầy đàn trong một vùng không gian mà các phần
tử trong bầy đàn đều biết thông tin về thức ăn cách bao xa và
lưu giữ vị trí gần thức ăn nhất mà chúng đã đạt tới. Khi đó,
cách tốt nhất để tìm thức ăn là theo sau những con phần tử đầu


9
đàn - những con trong bầy gần chỗ thức ăn nhất. Từ đó, hai
ông đề xuất thuật toán PSO phỏng theo kịch bản này và sử
dụng nó để giải các bài toán tối ưu.
Trong PSO, mỗi giải pháp đơn là một phần tử (particle)
trong kịch bản trên. Mỗi phần tử được đặc trưng bởi hai tham
số là vị trí hiện tại của phần tử - present[] và vận tốc – v[] .
Đây là hai vectơ trên trường số Rn với n là số chiều của phần tử
được xác định từ bài toán cụ thể. Đồng thời mỗi phần tử có một
giá trị thích nghi (fitness value), được đánh giá bằng hàm đo độ
thích nghi (fitness function). Tại thời điểm xuất phát, bầy đàn,
hay chính xác là vị trí của mỗi phần tử được khởi tạo một cách
ngẫu nhiên (hoặc theo một cách thức nào đó dựa vào tri thức
biết trước về bài toán). Trong quá trình chuyển động, mỗi phần
tử chịu ảnh hưởng bởi hai thông tin: thông tin thứ nhất, gọi là
pBest, là vị trí tốt nhất mà phần tử đó đã đạt được trong quá
khứ; thông tin thứ hai, gọi là gBest, là vị trí tốt nhất mà cả bầy
đàn đã đạt được trong quá khứ. Trong nguyên bản do Eberhart

và Kennedy đưa ra, các phần tử trong PSO sẽ duyệt không gian
bài toán bằng cách theo sau các phần tử có điều kiện tốt nhất
hiện thời (độ thích nghi lớn nhất). Cụ thể là sau mỗi khoảng
thời gian rời rạc, vận tốc và vị trí của mỗi phần tử được cập
nhật theo các công thức (1.1) và (1.2) được định nghĩa như sau.
v[] = v[] + c 1 .rand()*(pbest[] —
present[] )
+
c2.
Rand()
*
(gbest[] — present[] )(1.1)
present [ ] = pe sent [ ] + V [ ]
(1.2)
Trong đó, rand() là một số ngẫu nhiên trong khoảng ( 0
, 1 ) ; c1, c2 là các hệ số học, chúng thường được chọn là c1= c2
=2.


10
Trong đó, một số điều kiện dừng phổ biến là: số lần cập
nhật, số lần cập nhật bầy đàn mà không đưa lại kết quả tốt hơn,
số lần cập nhật mà lượng thay đổi giữa hai lần cập nhật liên
tiếp nhỏ hơn một ngưỡng nào đó... Ngoài ra điều kiện dừng có
thể được xác định từ bài toán cụ thể. Phiên bản ban đầu của
PSO được trình bày ở trên được gọi là phiên bản “tốt nhất toàn
cục” (global best), trong đó vận tốc của mỗi phần tử đều chỉ bị
ảnh hưởng bởi hai yếu tố là: yếu tố nội tại - vị trí tốt nhất nó đã
từng đạt được - và yếu tố toàn cục - vị trí tốt nhất cả bầy đã đạt
được. Các cải tiến của PSO đưa vào yếu tố “cục bộ”, tức là vận

tốc của mỗi phần tử trong quá trình chuyển động còn bị tác
động bởi vị trí tốt nhất đã đạt được trong số những hàng xóm
của nó lbest [ ] . Khi đó, công thức cập nhật vận tốc được định
nghĩa trong (1.3).
v[ ] = v[ ] + c1. rand()*(pbest[] — presen[])
+ c2.rand()* (gbest[]] — present[])
+ c 3 .rand() * (lbest[] — present[] )
Theo nghiên cứu của M. Clerc,việc chỉ sử dụng yếu tố
cục bộ (được gọi là phiên bản “tốt nhất cục bộ” của PSO)
thường đem lại hiệu quả tốt hơn so với việc sử dụng yếu tố
toàn cục hoặc sử dụng cả hai yêu tố (cục bộ và toàn cục). Để
thống nhất trong việc sử dụng PSO, các nhà nghiên cứu đã
thống nhất đưa ra phiên bản PSO chuẩn và bản chuẩn mới nhất
hiện nay là Standard PSO 2011 (SPSO-11). Thông tin về các
phiên bản chuẩn, các biến thể và những ứng dụng của PSO có
thể tìm thấy tại.


11
CHƯƠNG 2 - CÁC CÔNG TRÌNH LIÊN QUAN
Trong nghiên cứu của Trần Công Hùng, Bùi Thanh
Khiết đăng trên Tạp chí ICCASA 2016, các tác giả đã đề xuất
giải pháp dành cho các máy ảo nhằm đảm bảo cân bằng các
mục tiêu mà các nhà sử dụng cần bao gồm các nhà cung cấp
dịch vụ và khách hàng của họ dựa trên lý thuyết trò chơi. Ý
tưởng chủ đạo là sử dụng thuật toán meta-heuristic Ant Colony
Optimization (ACO) dựa trên trạng thái cân bằng Nash.
Nghiên cứu của Phạm Nguyễn Minh Nhựt, Lê Văn
Sơn đăng trên Tạp chí Khoa học & Công nghệ. Đại học Đà
Nẵng 2014, bài báo trình bày vấn đề cấp tài nguyên tĩnh, đa

chiều dựa trên nền tảng máy chủ chia sẻ đồng nhất cho dịch vụ
ảo hóa với ràng buộc tối ưu và đảm bảo yêu cầu về QoS và
hướng nghiên cứu mở rộng của đề tài là bài toán cung cấp tài
nguyên động trong môi trường không đồng nhất.
Với nghiên cứu của Nguyễn Hoàng Hà, Lê Văn
Sơn, Nguyễn Mậu Hân đã đưa ra nhữngthuật toán lập lịch động
trong môi trường điện toán đám mây dựa trên Heuristic sau:(1)
thuật toán MET (Minimun Execution Time) phân phối các yêu
cầu hoặc công việc vào các tài nguyên có khả năng thực thi
công việc nhanh nhất, không quan tâm đến thời điểm bắt đầu và
kết thúc của yêu cầu hoặc công việc trên tài nguyên đó.
(2)Thuật toán Min – Min dựa trên khái niệm thời gian hoàn
thành nhỏ nhất (MCT) của các tác vụ. Thời gian hoàn thành
được tính bằng thời gian thực thi của tác vụ cộng với thời gian
sẵn sàng của tài nguyên. Việc dựa trên thời gian hoàn thành
nhỏ nhất sẽ giúp hệ thống điều phối tài nguyên tốt hơn.(3)Thuật
toán Max – Min tương tự thuật toán Min – Min, tuy nhiên thuật
toán Max –Min cho phép các tác vụ có MCT lớn hơn được ưu


12
tiên chọn host để thực thi trước. Thuật toán này được đánh giá
tốt hơn và cân bằng hơn Min – Min vì trong khi các tác vụ lớn
hơn được ưu tiên chọn tài nguyên tốt để thực thị trước, các tác
vụ nhỏ có thể luân phiên thực thi ở các tài nguyên có năng lực
yếu hơn. Các tác vụ lớn không phải mất thời gian chờ các tác
nhỏ hơn như ở thuật toán Min – Min.(4)Thuật toán Suffragelấy
ý tưởng từ thuật toán Max- Min đề ra trước đó. Thuật toán
Suffrage tính toán MCT thấp nhất và thấp nhì đối với từng tác
vụ trong hệ thống. Nghiên cứu của Rakesh Kumar Mishra và

các đồng sự được công bố năm 2014đưa ra 2 thuật toán để phân
phối các yêu cầu trên máy ảo theo vòng tròn luân phiên:
(1)Thuật toán Round-Robin cố gắng phân phối yêu cầu đến các
máy ảo theo thứ tự vòng tròn luân phiên công bằng. Ý tưởng
của Round-Robin là tất cả các máy ảo trong danh sách FIFO
điều nhận được yêu cầu như nhau theo thứ tự vòng tròn mà
không cần quan tâm đến năng lực xử lý của chúng khi phân
phối yêu cầu đến.. (2)Thuật toán Weighted Round-Robin thực
hiện ưu điểm phân phối vòng tròn luân phiên của thuật toán
Round-Robin và cách phân bổ yêu cầu ưu tiên hơn dựa vào
năng lực của mỗi máy ảo được thể hiện bằng một trọng số của
nó. Các yêu cầu xử lý hay ứng dụng dịch vụ được phân phối
đến máy ảo theo thứ tự vòng tròn luân phiên. Nhưng nó còn kết
hợp khả năng xử lý của từng máy ảo dựa trên “trọng số”.
Trong nghiên cứu của Jyoti Sahni và các cộng sự được
công bố năm 2016 các tác giả đã đưa rachính sách điều phối tài
nguyên mới là trong thuật toán này mở rộng tài nguyên một
cách tự động trong khi đó vẫn duy trì chất lượng dịch vụ. Thuật
toán sử dụng phương pháp online profiling của tài nguyên điện
toán đám mây và lịch sử tải để ước lượng yêu cầu tài nguyên
trong tương lai. Sau đó tìm giải pháp dựa trên heuristic. Chiến


13
lược greedy heuristic được áp dụng vào thuật toán adaptive
auto- scaling cho phép heterogeneous scaling với chi phí tới ưu
mà vẫn duy trì đảm bảo chất lượng dịch vụ QoS trong môi
trường điện toán đám mây.
Trong nghiên cứu Tania Lorido-Botran và các cộng sự
công bố năm 2014[17] đã tổng hợp lại các kỹ thuật tự động

điều phối cho các ứng dụng đàn hồi trong môi trường đám mây.
Các tác giả đã định nghĩa vấn đề của quy trình tự động thay đổi
với các giai đoạn khác nhau và phân loại cho kỹ thuật tự động
điều phối, cùng với mô tả của từng loại và các ưu và khuyết
điểm của nó. Theo nghiên cứu đã quyết định áp dụng lý thuyết
cơ bản hoặc các kỹ thuật đã được sử dụng để làm tiêu chuẩn
phân loại các kỹ thuật tự động điều phối. Điều này sẽ giúp
người đọc hiểu rõ hơn các khái niệm cơ bản của một nhóm
hoặc nhóm chuyên biệt, bao gồm những ưu điểm và hạn chế
của chúng. Gồm có 5 kỹ thuật sau đây
+ Threshold-based rules (rules)
+ Reinforcement learning (RL)
+ Queuing theory (QT)
+ Control theory (CT)
+ Time series analysis (TS)


14

CHƯƠNG 3 -XÂY DỰNG THUẬT TOÁN TỰ
ĐỘNG ĐIỀU PHỐI TÀI NGUYÊN TRONG ĐTĐM DỰA
TRÊN THUẬT TOÁN PSO
3.1 Mạng xếp hàng theo tầng (Layered Queueing
Networks - LQN)
3.1.1 Giới thiệu LQN
Mạng xếp hàng theo tầng (LQN) các mô hình phân tích
dựa trên sự mở rộng Queueing Networks (QNs) và được thiết
kế để loại bỏ các thiếu sót nói trên của QN. Trong trường hợp
của các cuộc gọi thủ tục từ xa (RPC), xếp hàng xảy ra ở các
tầng thấp hơn do sự cạnh tranh về phần mềm bao gồm trong

thời gian phản ứng của tầng trên cùng của mô hình LQN. Hơn
nữa, chúng cũng có thể mô hình RPC lồng nhau. Thực hiện
song song của phần mềm và máy chủ gửi "trả lời sớm" cũng có
thể được mô hình . Chúng rất thích hợp để miêu tả cả các ứng
dụng phần mềm phức tạp và các tài nguyên phần cứng mà các
thực thể phần mềm này chạy trên . Với khả năng để kết hợp các
mức độ chi tiết khác nhau trong mô hình, mô hình hiệu suất
LQN có thể dễ dàng được tích hợp với Software Development
Life Cycle (SDLC). LQNs lý tưởng cho đại diện cho các liên
hành động và sự phức tạp của ứng dụng đa tầng
Trong luận văn này một mô hình thực hiện LQN cung
cấp các chỉ số hiệu suất như thông lượng trạng thái ổn định và
thời gian phản hồi.
3.1.2 Mô hình LQN
Đầu vào cho mô hình LQN là các nguồn lực phần cứng,
cường độ công việc của khách hàng và nhu cầu dịch vụ của
khách hàng đối với mô hình các thành phần ở mỗi giai


15
đoạn. Các chỉ số hoạt động chính có sẵn từ LQN đánh giá mô
hình là thông tin trạng thái ổn định, thời gian phản hồi và sử
dụng các thành phần mô hình.
3.2 Lý thuyết trò chơi
Lý thuyết trò chơi là một kỹ thuật được dùng để phân
tích các tình huống dành cho hai hoặc nhiều cá nhân mà kết
cục của một hành động được một trong số họ thực hiện không
chỉ phụ thuộc và hành động cụ thể của chính cá nhân đó mà
còn phụ thuộc vào hành động của (những) cá nhân còn lại
trong trò chơi. Trong những trường hợp này, các kế hoạch

hoặc chiến lược của những cá nhân liên quan sẽ phụ thuộc vào
các dự kiến về những gì mà người khác đang làm. Do đó,
những cá nhân trong tình huống này không ra quyết định một
cách biệt lập, mà việc ra quyết định của họ có quan hệ phụ
thuộc lẫn nhau. Điều này được gọi là sự tương thuộc chiến
lược và những tình huống như thế thường được gọi là trò chơi
chiến lược, hoặc đơn giản là trò chơi, và những người tham
gia trong các trò chơi như thế được gọi là những người chơi.
Trong các trò chơi chiến lược, hành động của một cá nhân
hoặc một nhóm tác động lên những người chơi khác và quan
trọng hơn các cá nhân ấy nhận thức được điều này.
Lý thuyết của trò chơi được biểu diễn dưới dạng những
tổ hợp chiến lược có nhiều khả năng đạt được mục tiêu của
các người chơi nhất căn cứ vào thông tin sẵn có cho họ. Các lý
thuyết gia trò chơi tập trung vào các tổ hợp chiến lược được
gọi là các chiến lược cân bằng (equilibrium strategy) của
người chơi. Nếu người chơi chọn các chiến lược cân bằng của
họ, họ đang hành động tốt nhất có thể căn cứ vào các chọn lựa
của những người chơi khác. Trong những tình huống này,
không có bất kỳ người chơi nào có động cơ thay đổi kế hoạch


16
hành động của mình. Sự cân bằng của một trò chơi diễn tả
những chiến lược mà các người chơi duy lý được tiên đoán là
sẽ chọn khi họ tương tác với nhau. Việc tiên đoán các chiến
lược mà các người chơi trong một trò chơi có khả năng lựa
chọn hàm ý rằng chúng ta cũng đang tiên đoán thu hoạch của
họ.
3.3 Xây dựng mô hình bài toán

Giả sử trong cơ sở hạ tầng ĐTĐM có M máy vật lý.
Nhờ công nghệ ảo hóa, máy vật lý có thể triển khai các VM
trên chính nó. Hệ thống ĐTĐM cung cấp tài nguyên VM cho
tập ứng dụng đa tầng 𝐴 = {𝐴1 , 𝐴2 , … , 𝐴𝑛 }. Một vector phân bổ
nguồn lực Φ = {Φ1 , Φ2 , … , Φ𝑛 } định nghĩa số lượng các bản
sao máy ảo được phân bổ cho từng ứng dụng ở tất cả các máy
chủ vậy lý. Chiến lược cấp phát VM cho từng ứng dụng
𝐴𝑖 ∀ 𝑖 ∈ được biểu diễn bằng ma trận Φ𝑖 không âm của hàng 𝑘
cho mỗi tầng và 𝑚 cột cho mỗi máy vật lý như sau:
𝑖
𝑖
𝑖
𝑣11
𝑣12
⋯ 𝑣1𝑚
𝑖
𝑖
𝑖
Φ𝑖 = 𝑣21 𝑣22 ⋯ 𝑣2𝑚 ,
⋮
⋮
⋱
⋮
𝑖
𝑖
𝑖
(𝑣𝑘1 𝑣𝑘2 ⋯ 𝑣𝑘𝑚 )
𝑖
trong đó 𝑣𝑘𝑚
> 0 là số lượng máy ảo được cấp phát cho

ứng dụng thứ 𝑖 ở cho tầng thứ 𝑘 trên máy vật lý thứ 𝑚.
Một ứng dụng đa tầng 𝐴𝑖 sẽ phục vụ cho 𝑇𝑖 =
{𝑡𝑖1 , 𝑡𝑖2 , … , 𝑡𝑖𝑦 } công việc, 𝑦 là số công việc. Để đảm bảo chất
lượng dịch vụ cho người dùng của ứng 𝐴𝑖 , chúng tôi xem xét
mức độ sự thõa mãn yêu cầu của người dùng dựa trên thời gian
đáp ứng công việc, được trình bày như sau:


17
𝑦

𝑅𝑖 = ∑ 1 −
𝑗=1

1
𝑇

1 + 𝑒 𝑟𝑖𝑗−

𝑟𝑖𝑗

, (3.1)

trong đó, 𝑟𝑖𝑗 thời gian đáp ứng của ứng dụng thứ 𝑖 cho
công việc thứ 𝑗, 𝑟𝑖𝑗𝑇 là thời gian đáp ứng mong đợi của ứng dụng
thứ 𝑖 cho công việc thứ 𝑗. Bằng cách áp dụng LQN, 𝑟𝑖𝑗 được
tính toán như sau:
𝑘

𝛼

𝑠𝑖𝑗

𝑟𝑖𝑗 = ∑
𝛼=1 1

−

𝑤𝛼
∑𝑦𝛽=1 𝑚 𝑖𝛽 𝑖
∑
𝑣

𝛿=1 𝛽𝛿

, (3.2)
𝛼
𝑠𝑖𝛽

trong đó:
𝛼
𝑠𝑖𝑗
là thời gian phục vụ trung bình của
ứng dụng 𝑖 cho công việc thứ 𝑗 tại tầng thứ 𝛼 ∈,
𝛼
𝑠𝑖𝛽
là thời gian phục vụ trung bình của
ứng dụng 𝑖 cho công việc thứ 𝛽 ∈ tại tầng thứ 𝛼 ∈,
𝛼
𝑤𝑖𝛽
là tải của công việc 𝛽 tại tầng 𝛼 của

ứng dụng 𝑖,
-

𝑖
𝑣𝛽𝛿
là số lượng máy ảo của ứng dụng thứ

𝑖 tại tầng thứ 𝛽 được cấp phát tại máy 𝛿 ∈ []
Trong nghiên cứu này chúng tôi tính chi phí thuê dịch
vụ dựa trên số lượng CPU cấp phát cho ứng dụng. Giả sử, 𝑥 là
số lượng tài nguyên đã được cấp phát của máy chủ vật lý thứ 𝑖.
Nếu nguồn tài nguyên được sử dụng nhiều hơn thì khách hàng
phải trả chi phí nhiều hơn. Chi phí tỷ lệ thuận với việc sử dụng
tài nguyên và thời gian để hoàn thành công việc. Vì vậy, chi phí
thuê 𝑥 của được biểu diễn như sau:
𝑝𝑖 (𝑥) = 𝑎𝑥 + 𝑏 (0 < 𝑥 < 𝑐𝑖 )(3.3)


18
trong đó, 𝑎, 𝑏 là hằng số, 𝑐𝑖 là tổng số lượng CPU của
máy vật lí thứ 𝑖.
Những quyết định điều chỉnh tự động tài nguyên dựa
trên lấy những thông tin của tài nguyên từ trung tâm giám sát
môi trường đám mây. Chúng ta xem việc điều chỉnh tự động tài
nguyên như một trò chơi và khách hàng như những người chơi
(player). Mỗi người chơi cố gắng tăng tối đa việc khai thác tài
nguyên bằng cách điều chỉnh chiến lược 𝜙 𝑖 . Các người chơi
biết được các thông tin chiến lược và điểm quyết định của nhau
nên ta có thể thiết lập thành trò chơi hợp tác và có thông tin
hoàn hảo. Từ đó ta tiếp cận đến khái niệm cân bằng Nash đạt

hiệu quả Pareto của trò chơi là điểm mà không có người chơi
nhận được thu hoạch nhiều hơn bằng cách thay đổi chiến lược
của mình. Để biểu diễn sự đánh đổi giữa chất lượng dịch vụ và
chi phí, hàm lợi nhuận (playoff) đem lại cho người chơi thứ 𝑖
khi được phục vụ máy ảo được biểu diễn như sau:
𝑚

𝑘

𝑖
𝐹𝑖 = 𝜏𝑅𝑖 + (1 − 𝜏) ∑ ∑ 𝑝𝑥 (𝑣𝑦𝑥
) ∀ 𝜏 ∈ [0,1] (3.4)
𝑥=1 𝑦=1

Giả sử mỗi người chơi có thể thay đổi chiến lược phân
bổ chỉ bằng một trong 3 hành động sau:
𝑖
𝑣𝑦𝑥
+1
𝑖
−1
𝑎𝑖 = { 𝑣𝑦𝑥
𝑖
𝑖
𝑣𝑦𝑥
+ 1, 𝑣𝑘𝑧
−1
𝑖
trong đó, 𝑣𝑦𝑥
+ 1 là hành động điều chỉnh thêm một

máy ảo cho ứng dụng thứ 𝑖 tại tầng thứ y trên máy vật lý x,
𝑖
ngược lại 𝑣𝑦𝑥
− 1 là hành động điều chỉnh bớt một máy ảo và
𝑖
𝑖
𝑣𝑦𝑥
+ 1, 𝑣𝑘𝑧
− 1 là hành động điều chỉnh di trú máy ảo từ máy
vật lý 𝑥 sang máy vật lý 𝑧.


19
Trong trò chơi này, hàm lợi ích của trò chơi có ảnh
hưởng quan trọng đến một quyết định chiến lược của người
chơi và kết quả của trò chơi. Mỗi người chơi sẽ chọn chiến lược
nhằm tối đa hóa thu hoạch của họ, do vậy hàm mục tiêu như
sau:
𝑀𝑖𝑛 ∑𝑛𝑖=1 𝐹 𝑖 (𝛷)
𝑘
𝑖
sao cho ∑𝑛𝑖=1 ∑𝑚
𝑥=1 ∑𝑦=1(𝑣𝑦𝑥 ) ≤ 𝑐𝑥 .
Điểm cân bằng Nash của trò chơi là chiến lược mà ở đó
không một người chơi nào có thể tăng lợi nhuận khi những
người chơi khác đã cố định chiến lược. Khi đó, nếu chiến lược
của người chơi thứ i là chiến lược tối ưu được kí hiệu 𝑝𝑖∗ , chiến
∗
lược tối ưu của những người chơi khác được ký hiệu là 𝑝−𝑖
thì

∗
cân bằng Nash của chiến lược 𝑝𝑖 sẽ tuân thủ theo điều kiện,
như sau:
∗
∗
𝐹𝑖 (𝑝−𝑖
, 𝑝𝑖∗ ) ≥ 𝐹𝑖 (𝑝−𝑖
, 𝑝𝑖 )(3.5)
từ đó tìm ra được một quyết định công bằng và hiệu quả
cũng chính là cân bằng Nash của trò chơi Φ∗ =
∗
Φ1∗ , Φ2∗ , … , Φ𝑛∗ có nghĩa là 𝐹(Φ1 , Φ2 , Φ𝑘 , … , Φ𝑘 ) >
′

𝐹(Φ1 , Φ2 , Φ𝑛 , … , 𝐴Φ𝑘 ).
Trong môi trường multi agent system, có thể điểm cân
bằng sẽ không ổn định (stable). Ngoài ra, khó có thể tìm được
Pareto-efficiency của cân bằng Nash. Để giải quyết vấn đề này
đa phần các giải thuật được dựa trên các giải thuật
metaheuristic. Các phương án gán máy ảo vào các máy vật lý
khả thi được tìm dựa trên giải thuật tối ưu đàn kiến. Từ tập
phương án khả thi đó dựa vào điều kiện cân bằng Nash sẽ chọn
ra phương án tốt nhất. Điều kiện dừng của thuật toán được tính
theo Siar như sau:


20
𝑛
2

∑(𝐹 𝑖𝑡𝑟 − 𝐹 𝑖𝑡𝑟−1 ) < 𝜀 (3.6)
𝑖=1

3.4 Ứng dụng thuật toán PSO
Trong PSO, mỗi giải pháp đơn trên mỗi cá thể đươc gọi
𝑖
là particle, cụ thể trong môi trường ĐTĐM đó là 𝑣𝑦𝑥
trên ứng
𝑖
dụng Ai. Mỗi 𝑣𝑦𝑥
có một giá trị thích nghi được đáng giá bằng
hàm mục tiêu (3.4) và một vận tốc định hướng việc bay tìm
𝑖
kiếm của nó. Các 𝑣𝑦𝑥
sẽ duyệt không gian bài toán bằng các
𝑖
theo sau các 𝑣𝑦𝑥
có giá trị thích nghi tốt nhất hiện thời.
𝑖
PSO được khởi tạo bởi một nhóm ngẩu nhiên các 𝑣𝑦𝑥
,
sau đó tìm kiếm giải pháp tối ưu bằng việc cập nhật các thế hệ.
𝑖
Trong mỗi thế hệ, mỗi 𝑣𝑦𝑥
được cập nhật bởi hai giá trị: giá trị
thứ nhất là pBest (là nghiệm tốt nhất đạt được cho tới thời điểm
𝑖
hiện tại) hay là giá trị tiện ích của 𝑣𝑦𝑥
trong thế hệ hiện tại. Giá
𝑖

trị thứ 2, gọi là gBest ( là nghiệm tốt nhất mà 𝑣𝑦𝑥
lân cận
𝑖
𝑣𝑦𝑥
này đạt được cho tới thời điểm hiện tại). hay là giá trị tiện
ích trong tất cả thế hệ từ trước đến hiện tại. Nói cách khác, mỗi
𝑖
𝑣𝑦𝑥
trong cập nhật vị trí của nó theo vị trì tốt nhất của nó và
𝑖
𝑣𝑦𝑥
khác trong ứng dụng Ai tại thời điểm hiện tại. Quá trình cập
𝑖
nhật các 𝑣𝑦𝑥
dựa trên công thức (1.1), (1.2).


21

Thuật toán: PSOVM
Input: 𝑃𝑟𝑜𝑏𝑙𝑒𝑚𝑠𝑖𝑧𝑒 , 𝑃𝑜𝑝𝑢𝑙𝑎𝑡𝑖𝑜𝑛𝑠𝑖𝑧𝑒
Output: 𝑃𝑔_𝑏𝑒𝑠𝑡 //giải pháp điều chỉnh máy ảo tốt
nhất
𝑃𝑜𝑝𝑢𝑙𝑎𝑡𝑖𝑜𝑛 ← ∅
𝑃𝑔_𝑏𝑒𝑠𝑡 ← ∅
For(𝑖 = 0 To
𝑃𝑜𝑝𝑢𝑙𝑎𝑡𝑖𝑜𝑛𝑠𝑖𝑧𝑒 )
𝑃𝑣𝑒𝑙𝑜𝑐𝑖𝑡𝑦 ←RandomVelocity()
𝑃𝑝𝑜𝑠𝑖𝑡𝑖𝑜𝑛 ←RandomPosition(𝑃𝑜𝑝𝑢𝑙𝑎𝑡𝑖𝑜𝑛𝑠𝑖𝑧𝑒 )
𝑃𝑝_𝑏𝑒𝑠𝑡 ← 𝑃𝑝𝑜𝑠𝑖𝑡𝑖𝑜𝑛

If (Cost(𝑃𝑝_𝑏𝑒𝑠𝑡 ) < Cost(𝑃𝑔_𝑏𝑒𝑠𝑡 ))
𝑃𝑔_𝑏𝑒𝑠𝑡 ← 𝑃𝑝_𝑏𝑒𝑠𝑡
End
End
While (¬StopCondition())
For ( 𝑃 ∈ Population)
𝑃𝑣𝑒𝑙𝑜𝑐𝑖𝑡𝑦 ←UpdateVelocity(𝑃𝑣𝑒𝑙𝑜𝑐𝑖𝑡𝑦 , 𝑃𝑔_𝑏𝑒𝑠𝑡 , 𝑃𝑝_𝑏𝑒𝑠𝑡 )
𝑃𝑝𝑜𝑠𝑖𝑡𝑖𝑜𝑛 ←UpdatePosition(𝑃𝑝𝑜𝑠𝑖𝑡𝑖𝑜𝑛 , 𝑃𝑣𝑒𝑙𝑜𝑐𝑖𝑡𝑦 )
If (Cost(𝑃𝑝𝑜𝑠𝑖𝑡𝑖𝑜𝑛 ) ≤ Cost(𝑃𝑝_𝑏𝑒𝑠𝑡 ))
𝑃𝑝_𝑏𝑒𝑠𝑡 ← 𝑃𝑝𝑜𝑠𝑖𝑡𝑖𝑜𝑛
If (Cost(𝑃𝑝_𝑏𝑒𝑠𝑡 ) ≤ Cost(𝑃𝑔_𝑏𝑒𝑠𝑡 ))
𝑃𝑔_𝑏𝑒𝑠𝑡 ← 𝑃𝑝_𝑏𝑒𝑠𝑡
End
End
End
End
Return (𝑃𝑔_𝑏𝑒𝑠𝑡 )


22

Ví dụ: Hệ thống có 5 máy chủ vật lý phục vụ giả sử có 3
ứng dụng 𝐴 = {𝐴1 , 𝐴2 , 𝐴3 }, mỗi ứng dụng có 3 tầng. Thông
qua mỗi bước thuật toán ở trên có thể tìm ra được các chiến
lược có thể cấp phát cho yêu cầu người dùng như sau:
Chiến lược 1
Chiến lược 2
0 2 0 1 1
1 2 4 1 2
1

1
Φ = 1 0 1 0 2
Φ = 1 1 1 0 1
1 0 0 3 0
0 0 0 1 0
0
Φ = 1
2
2

0 0
1 0
2 1

1 1
1 1
1 1

0
Φ = 0
0
2

2 4 0
1 1 1
0 1 0

2
1
0

0 0 0 1 1
1 2 4 1 2
3
Φ = 1 1 0 1 1
Φ = 0 1 1 1 1
2 2 0 1 1
0 0 0 1 0
Với mỗi bước của thuật toán có thể tìm ra giải pháp điều
chỉnh tài nguyên tốt dựa trên viêc tính toán hàm mục tiêu ở
công thức (3.5)
3


23
CHƯƠNG 4 - MÔ PHỎNG VÀ ĐÁNH GIÁ
4.1 Môi trường giả lập
Môi trường xây dựng thuật toán và thực nghiệm dựa
trên công cụ CloudSim 3.0 toolkit. Chúng tôi xây dựng một
datacenter có 70 máy chủ vật lý.
Tham số đầu vào:
+ Số lượng ứng dụng
+ Số lượng máy chủ vật lý
+ Số tầng ứng dụng
Yêu cầu đặt ra thông qua mỗi bước thuật toán ở trên có
thể tìm ra được các chiến lược cấp phát cho yêu cầu người dùng
và chọn ra 1 chiến lược tối ưu theo hàm mục tiêu.
4.2 Kết quả
Trong thực nghiệm này chúng tôi quan tâm tới vấn đề
đáp ứng chất lượng dịch vụ của ứng dụng và chi phí thuê dịch

vụ của ứng dụng đó. Để đánh giá hiệu quả của thuật toán, thực
nghiệm được thực hiện trên các ứng dựng được cấp phát tài
nguyên một cách ngẫu nhiên sau đó thông qua thuật toán PSO
tạo ra các chiến lược cấp phát tài nguyên một cách tự động dựa
trên hàm mục tiêu sau đó chọn ra chiến lược tối ưu. Với thuật
toán PSO, kết quả sắp xỉ phụ thuộc vào các tham số 𝜺, số
lượng cá thể trong đàn 𝒔𝒘𝒂𝒓𝒎𝒔𝒊𝒛𝒆𝒔 = 𝟑𝟎, hệ số đánh đổi giữa
chất lượng dịch vụ và chi phí thuê máy ảo 𝝉 .Do vậy, trong các
thực nghiệm dưới đây, chúng tôi tìm những thông số thích hợp
cho hệ thống cũng như đánh giá việc điều chỉnh tài nguyên máy
ảo cho ứng dụng thông qua chất lượng dịch vụ trong công thức
(3.2) và chi phí thuê tài nguyên theo công thức (3.3).
Chọn 𝜀 trong trường hợp theo yêu cầu người dùng
hướng xử lý, hướng lưu trữ dữ liệu, và cả hai. Thực nghiệm