BỘ GIÁO DỤC VÀ ĐÀO TẠO ĐẠI HỌC ĐÀ NẴNG *** PHẠM NGUYỄN MINH NHỰT CUNG CẤP TÀI NGUYÊN CHO DỊCH VỤ ẢO HÓA DỰA TRÊN NỀN TẢNG MÁY CHỦ CHIA SẺ TRONG TÍNH TỐN ĐÁM MÂY LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐÀ NẴNG, 2018 BỘ GIÁO DỤC VÀ ĐÀO TẠO ĐẠI HỌC ĐÀ NẴNG *** PHẠM NGUYỄN MINH NHỰT CUNG CẤP TÀI NGUYÊN CHO DỊCH VỤ ẢO HÓA DỰA TRÊN NỀN TẢNG MÁY CHỦ CHIA SẺ TRONG TÍNH TỐN ĐÁM MÂY CHUN NGÀNH: KHOA HỌC MÁY TÍNH MÃ SỐ: 62.48.01.01 LUẬN ÁN TIẾN SĨ KỸ THUẬT Người hướng dẫn khoa học: PGS TS LÊ VĂN SƠN PGS TS ĐOÀN VĂN BAN ĐÀ NẴNG, 2018 LỜI CAM ĐOAN Tôi xin cam đoan: Luận án công trình nghiên cứu thực cá nhân tơi, thực Trường Đại học Bách khoa, Đại học Đà Nẵng hướng dẫn khoa học PGS.TS Lê Văn Sơn PGS.TS Đoàn Văn Ban Các kết quả, kết luận nghiên cứu trình bày luận án trung thực chưa cơng bố cơng trình tác giả khác Tôi xin chịu trách nhiệm lời cam đoan Nghiên cứu sinh Phạm Nguyễn Minh Nhựt i LỜI CẢM ƠN Luận án "Cung cấp tài nguyên cho dịch vụ ảo hóa dựa tảng máy chủ chia sẻ tính tốn đám mây " hồn thành hướng dẫn tận tình, yêu cầu nghiên cứu nghiêm túc PGS.TS Lê Văn Sơn PGS.TS Đoàn Văn Ban Các Thầy truyền đạt nhiều kiến thức chuyên môn quý báu kinh nghiệm nghiên cứu khoa học thời gian nghiên cứu để viết luận án Tôi xin bày tỏ lòng biết ơn chân thành kính trọng sâu sắc Thầy Để hồn thành luận án này, tiếp nhận kiến thức quý giá, đóng góp ý kiến quan tâm chân tình từ q Thầy, Cơ Khoa Công nghệ Thông tin, Trường Đại học Bách khoa Đà Nẵng Quý Thầy, Cô tạo điều kiện thuận lợi cho trình học tập, nghiên cứu khoa học, tham gia hội thảo trao đổi chuyên môn, tiếp xúc với chuyên gia Tôi xin chân thành cảm ơn quan tâm, động viên hỗ trợ nhiệt tình tất q Thầy, Cơ Xin chân thành cảm ơn tác giả tài liệu, báo công bố nghiên cứu khoa học mà tơi có sử dụng tham khảo, trích dẫn đề tài nghiên cứu Tôi xin cảm ơn bạn bè, đồng nghiệp có nhiều động viên đóng góp ý kiến để luận án hoàn chỉnh Nghiên cứu sinh Phạm Nguyễn Minh Nhựt ii DANH MỤC VIẾT TẮT Viết tắt Dạng đầy đủ Diễn giải ý nghĩa API Application Programming In- Giao diện lập trình ứng dụng terface ACO Ant Colony Optimization Tối ưu đàn kiến Ant System Hệ kiến ACS Ant Colony System Hệ đàn kiến BW BandWidth Băng thông BWAS Best-Worst Ant System Hệ kiến Best-Worst CPU Center Processing Unit Đơn vị xử lý trung tâm CIS Cloud Information Service Dịch vụ thông tin đám mây DC Data Center Trung tâm liệu Energy Consumption Resource Cung cấp tài nguyên với mục Allocation for Virtual Services tiêu ràng buộc lượng tiêu AS ECRAVS thụ cho dịch vụ ảo hóa FFD Firt Fit Decreasing Thuật tốn Firt Fit Decreasing GA Genetic Algorithm Thuật toán Di truyền HaaS Hardware as a Service Phần cứng dịch vụ IaaS Infrastructure as a Service Cơ sở hạ tầng dịch vụ I/O Input/Output Thiết bị vào/ra MDRAVS Multi-Dimensional Resource Cung cấp tài nguyên đa chiều Allocation for Virtual Services cho dịch vụ ảo hóa MMAS Max-Min Ant System Hệ kiến Max-Min MORA Multi-Objective Resource Al- Cung cấp tài nguyên đa mục location tiêu NSDV Năng suất dịch vụ Năng suất dịch vụ OS Operation System Hệ điều hành PSO Particle Swarm Optimization Tối ưu bầy đàn PaaS Platform as a Service Nền tảng dịch vụ PM Physical Machine Máy vật lý RBAS Rank-Based Ant System Hệ kiến Rank-Based RAM Random Access Memory Bộ nhớ truy xuất ngẫu nhiên RaaS Resource as a Service Tài nguyên dịch vụ iii Viết tắt Dạng đầy đủ Diễn giải ý nghĩa SaaS Software as a Service Phần mềm dịch vụ QoS Quality of Service Chất lượng dịch vụ SLA Service Level Agreement Thỏa thuận mức dịch vụ SA Simulated Annealing Mô luyện kim VM Virtual Machine Máy ảo VMM Virtual Machine Manager Bộ giám sát máy ảo VMCS Virtual Cấu trúc giám sát máy ảo Machine Control Structure iv DANH MỤC CÁC KÝ HIỆU Ký hiệu VS Diễn giải ý nghĩa Tập dịch vụ ảo hóa i Dịch vụ ảo hóa thứ i N Số lượng dịch vụ ảo hóa PM Tập máy vật lý j Máy vật lý thứ j M Số lượng máy vật lý D Tập loại tài nguyên D Số loại tài nguyên rik Nhu cầu tài nguyên dịch vụ ảo hóa thứ i với loại tài nguyên k Q+ Tập số hữu tỷ dương R Tập số thực xij Biến nhị phân, có giá trị dịch vụ ảo hóa i cấp tài nguyên từ máy vật lý j ngược lại aik Biến nhị phân, có giá trị rik nhu cầu tất yếu, rik nhu cầu tùy biến bij Năng suất dịch vụ dịch vụ ảo hóa i máy vật lý j yj Biến nhị phân, có giá trị máy vật lý j sử dụng để cung cấp tài nguyên cho dịch vụ ảo hóa có giá trị ngược lại pij Xác suất để kiến chọn dịch vụ ảo hóa i dịch vụ để cung cấp tài nguyên từ máy vật lý j hành τij Vệt mùi để kiến dựa vào chọn dịch vụ ảo hóa i dịch vụ ảo hóa để cung cấp tài nguyên từ máy vật lý hành j τijmax Vệt mùi cực đại τijmin Vệt mùi cực tiểu α, β Hệ số nhằm làm bật mùi thông tin heuristic VStemp Tập dịch vụ ảo hóa hội đủ điều kiện chọn để cung cấp tài nguyên từ máy vật lý hành j v Ký hiệu Diễn giải ý nghĩa ri∗ Vector nhu cầu tất yếu dịch vụ ảo hóa i ri∗∗ Vector nhu cầu tùy biến dịch vụ ảo hóa i Loadj Tải máy vật lý hành j Cj Vector lực tài nguyên máy vật lý j ηij Thông tin heuristic ∆τijbest Tổng mùi tăng cường sinh từ kiến có giải pháp tốt lần lặp ρ BIN ARY Độ bay vệt mùi nA eij f (S best ) S best p best Ma trận lưu giải pháp Biểu diễn ánh xạ từ dịch vụ ảo hóa i đến máy vật lý j Hàm tính giải pháp tốt Giải pháp tốt Tham số điều chỉnh biên vệt mùi S best−vong−lap Giải pháp tốt vòng lặp S best−toan−cuc Giải pháp tốt toàn cục P (numLoop) Xác suất tìm thấy giải pháp thuật tốn Hệ kiến Max-Min sau numLoop bước lặp Ce Vector tài nguyên thành phần cejk a Phần tử đơn lẻ loại tài nguyên k máy vật lý j C Vector tài nguyên tổng hợp cajk Phần tử tổng hợp loại tài nguyên k máy vật lý j Re Vector nhu cầu tài nguyên tất yếu thành phần R a e rik Vector nhu cầu tài nguyên tất yếu tổng hợp Phần tử nhu cầu tất yếu thành phần loại tài nguyên k dịch vụ ảo hóa i a rik Phần tử nhu cầu tất yếu tổng hợp loại tài nguyên k dịch vụ ảo hóa i Fe Vector nhu cầu tùy biến thành phần e fik Phần tử nhu cầu tùy biến thành phần loại tài nguyên k dịch vụ ảo hóa i Fa Vector nhu cầu tài nguyên tùy biến tổng hợp a fik Phần tử nhu cầu tài nguyên tùy biến tổng hợp loại tài nguyên k dịch vụ ảo hóa i Q Vector hệ số bổ sung qij Hệ số bổ sung nhu cầu tùy biến dịch vụ ảo hóa i máy vật lý j vi Ký hiệu Diễn giải ý nghĩa Pj (uj ) Điện tiêu thụ máy vật lý j Pjmax Công suất máy vật lý j tương ứng trạng thái sử dụng tiện ích tài nguyên tối đa Pjidle Công suất máy vật lý j tương ứng trạng thái trạng thái không hoạt động uj Tổng tiện ích sử dụng tất loại tài nguyên máy vật lý j E(t) Năng lượng tiêu thụ M máy vật lý cung cấp tài nguyên cho N dịch vụ ảo hóa khoảng thời gian ∆t Vp Vận tốc partical Xp Vị trí partical t Fijk Tổng tài nguyên loại k mà dịch vụ ảo hóa i cung cấp tài nguyên từ máy vật lý j FjP SO Làm thích nghi partical EF F D Năng lượng tiêu thụ hệ thống sử dụng thuật toán FFD E ∗ Năng lượng tiêu thụ hệ thống sử dụng thuật tốn ECRAVS-PSO hay thuật tốn ECRAVS-SA Rj Tài ngun lại máy vật lý j cung cấp tài nguyên cho dịch vụ ảo hóa R Giá trị tài ngun trung bình lại tất máy vật lý E(s0 ) Năng lượng tiêu thụ giải pháp s0 σ(s0 ) Độ lệch chuẩn giải pháp s0 ηijσ Thông tin heuristic cho mục tiêu cân tải ηijE Thông tin heuristic cho mục tiêu tối thiểu lượng tiêu thụ E(s best ) σ(sbest ) E RoundRobin Năng lượng tiêu thụ tương ứng với giải pháp tốt toàn cục Độ lệnh chuẩn tương ứng với giải pháp tốt toàn cục Năng lượng tiêu thụ hệ thống sử dụng thuật toán RoundRobin E M ORA−ACS Năng lượng tiêu thụ hệ thống sử dụng thuật toán M ORA − ACS vii MỤC LỤC Lời cam đoan i Lời cảm ơn ii Danh mục viết tắt iii Danh mục ký hiệu v Mục lục viii Danh mục bảng, biểu xi Danh mục hình vẽ xii Mở đầu Chương Tổng quan đề xuất toán cung cấp tài ngun cho dịch vụ ảo hóa 1.1 Hệ thống tính toán đám mây 1.1.1 Đặc điểm hệ thống tính tốn đám mây 1.1.2 Mô hình dịch vụ hệ thống tính tốn đám mây 1.1.3 Mô hình triển khai hệ thống tính tốn đám mây 1.2 Yêu cầu thách thức hệ thống tính tốn đám mây 1.2.1 Yêu cầu hệ thống tính tốn đám mây 1.2.2 Thách thức hệ thống tính tốn đám mây 1.3 Máy ảo 1.4 Công nghệ ảo hóa 1.4.1 Ảo hóa máy chủ 1.4.2 Ảo hóa tích hợp 1.5 Công cụ mô hệ thống tính tốn đám mây 1.5.1 Khảo sát công cụ mô 1.5.2 Công cụ mô CloudSim 1.6 Cung cấp tài ngun hệ thống tính tốn đám mây 1.6.1 Mơ hình cung cấp tài ngun 1.6.2 Cung cấp ứng dụng 1.6.3 Cung cấp máy ảo 1.6.4 Cung cấp tài nguyên vật lý 1.7 Các nghiên cứu liên quan đến cung cấp tài nguyên cho dịch vụ ảo hóa 1.7.1 Mơ hình hệ thống cung cấp tài ngun cho dịch vụ ảo hóa 1.7.2 Mơ hình cung cấp tài ngun cho dịch vụ ảo hóa với mục tiêu 6 7 10 10 11 12 13 13 14 15 15 17 19 19 20 21 23 24 24 tối thiểu số lượng máy vật lý dùng Mơ hình cung cấp tài nguyên cho dịch vụ ảo hóa với mục tiêu 25 tối thiểu lượng tiêu thụ 26 1.7.3 viii cung cấp tài nguyên (tài nguyên máy vật lý) tiêu thụ lượng khả cân tải hệ thống tốt sử dụng thuật toán Round Robin - Tuy nhiên, thời gian thực thuật toán MORA-ACS lớn Round Robin, nguyên nhân MORA- ACS có sử dụng tham số lần lặp numLoop, số kiến numAnt để tìm kiếm tối ưu tồn cục (khơng gian tìm kiếm lớn) thể độ phức tạp thuật tốn O(numLoop × numAnt × N × M ) Đây hạn chế chung thuật toán Tối ưu bầy đàn Hơn nữa, tốn kích thước lớn (trường hợp số lượng dịch vụ ảo hóa lớn), sử dụng thuật toán tối ưu truyền thống khơng đủ mặt thời gian tính tốn, chí khơng tìm giải pháp tối ưu Do đó, thuật toán thuộc lớp Meta-Heuristic thuật toán MORA-ACS phù hợp để giải tốn kích thước lớn tìm giải pháp tối ưu gần tối ưu thời gian đa thức 4.4 Tiểu kết Chương Nội dung chương nghiên cứu xây dựng toán phần Bộ cung cấp tài ngun, định nghĩa mơ hình tốn học đề xuất thuật toán để cung cấp tài nguyên đa chiều (nhiều loại tài nguyên, như: CPU, RAM, Disk, băng thông I/O, ) từ tảng máy chủ chia sẻ không đồng cho dịch vụ ảo hóa với 02 mục tiêu: tối thiểu lượng tiêu thụ hệ thống đảm bảo cân tải máy vật lý cung cấp tài nguyên Kết trình bày cơng trình số Áp dụng phương pháp tối ưu đa mục tiêu Pareto thuật toán Hệ đàn kiến [28], đề xuất thuật toán MORA-ACS để cài đặt, đánh giá thông qua liệu thực tế trình bày tài liệu [33], [6] Sử dụng công cụ mô đám mây CloudSim [14] để triển khai thực nghiệm, thời gian thực thuật tốn đo máy tính đơn có vi xử lý Intel(R) Core(TM) i5-3235M 2.60 GHz, RAM 4Gb Kết thực nghiệm cho thấy rằng: lượng tiêu thụ khả cân tải thực thuật toán MORA-ACS tốt thuật toán Round Robin [79] Mặc dù, thời gian thực thuật toán đề xuất lớn thuật toán Round Robin đảm bảo độ phức tạp thời gian đa thức áp dụng hệ thống tính tốn đám mây thực tế 95 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Kết luận Sự phát triển cơng nghệ ảo hóa (Virtualization Technology) giúp cho q trình triển khai hệ thống tính tốn đám mây trở nên dễ dàng, đem lại nhiều lợi ích cho người dùng thuận lợi cho nhà cung cấp dịch vụ đám mây Tuy nhiên, thách thức việc tối ưu hệ thống cung cấp tài nguyên cần quan tâm nghiên cứu, như: tiết kiệm tài nguyên để giảm chi phí, tiết kiệm lượng tiêu thụ để giảm khí thải CO2 , khả cân tải để tăng hiệu suất hệ thống, Trong nội dung đề tài, luận án nghiên cứu mơ hình hệ thống cung cấp tài ngun cho dịch vụ ảo hóa từ tảng máy chủ chia sẻ (Shared Hosting Platform) Mark Stillwell trình bày [100], xây dựng toán phần Bộ cung cấp tài nguyên hệ thống để cung cấp tài nguyên đa chiều (xét nhiều loại tài nguyên, như: CPU, RAM, Disk, ) máy vật lý (Physical Machine) cho dịch vụ ảo hóa (Virtual Service), dịch vụ ảo hóa ánh xạ tài nguyên từ máy vật lý đến máy ảo (Virtual Machine), dựa tảng máy chủ chia sẻ đồng (Homogeneous Shared Hosting Platform) không đồng (Heterogeneous Shared Hosting Platform) với mục tiêu: (1) tối thiểu số lượng máy vật lý cần dùng; (2) tối thiểu lượng tiêu thụ (3) đảm bảo cân tải máy vật lý Luận án đạt số kết cụ thể sau: Dựa mơ hình hệ thống cung cấp tài ngun cho dịch vụ ảo hóa Mark Stillwell [100] đề xuất đặc tính tài nguyên máy vật lý, nhu cầu tài ngun dịch vụ ảo hóa từ cơng bố [99] cho tảng máy chủ chia sẻ đồng Trên sở đó, đề xuất mơ hình tốn học vấn đề cung cấp tài nguyên đa chiều cho dịch vụ ảo hóa từ tảng máy chủ chia sẻ đồng nhất, với mục tiêu tối thiểu số lượng máy vật lý cần dùng (thể Bài toán MDRAVS) Áp dụng thuật toán Hệ kiến Max-Min (Max-Min Ant System-MMAS)[105], đề xuất thuật toán MDRAVS-MMAS để ước lượng toán so sánh với thuật toán Firt Fit, Best Fit [63], [72] thông qua 02 thước đo: số lượng máy vật lý cần dùng thời gian thực thuật tốn Chương trình mơ thuật tốn thực ngôn ngữ C++ thời gian thực thuật tốn đo máy tính đơn có vi xử lý Intel Core Duo 1.86 GHz, RAM 2Gb Kết thực nghiệm nhận thấy rằng: thuật toán đề xuất MDRAVS-MMAS cho giá trị số lượng máy vật lý cần dùng thuật 96 tốn First Fit, Best Fit (tức là, tiết kiệm tài nguyên hơn) Độ phức tạp thuật toán thực thời gian đa thức Dựa mơ hình hệ thống cung cấp tài nguyên cho dịch vụ ảo hóa Mark Stillwell [100] đề xuất đặc tính tài nguyên máy vật lý, nhu cầu tài nguyên dịch vụ ảo hóa từ cơng bố [101] cho tảng máy chủ chia sẻ không đồng cải tiến mô hình lượng tiêu thụ Eugen Feller [36] để đề xuất mơ hình tốn học cho vấn đề cung cấp tài nguyên đa chiều cho dịch vụ ảo hóa từ tảng máy chủ chia sẻ không đồng với mục tiêu tối thiểu lượng tiêu thụ hệ thống (thể Bài toán ECRAVS) Cải tiến thuật toán Tối ưu bầy đàn (Particle Swarm Optimization-PSO)[31] để đề xuất thuật tốn ECRAVS-PSO, áp dụng thuật tốn Mơ luyện kim (Simulated Annealing-SA) [59] để đề xuất thuật toán ECRAVS-SA nhằm ước lượng toán so sánh với thuật tốn Firt Fit Decreasing (FFD) [101] thơng qua 02 thước đo: lượng tiêu thụ thời gian thực thuật tốn Sử dụng cơng cụ mơ đám mây CloudSim [14] để triển khai thực nghiệm Thời gian thực thuật tốn đo máy tính đơn có vi xử lý Intel(R) Core(TM) i5-3235M 2.60 GHz, RAM 4Gb Kết thực nghiệm nhận thấy rằng: giá trị lượng tiêu thụ tìm từ 02 thuật tốn đề xuất ECRAVS-PSO ECRAVS-SA thuật toán FFD (tức là, tiết kiệm lượng tiêu thụ hơn) Độ phức tạp thuật toán thực thời gian đa thức Trên sở mô hình hệ thống, mơ hình tài ngun nhu cầu tài nguyên toán cung cấp tài nguyên từ tảng máy chủ chia sẻ không đồng nhất, xây dựng mơ hình tốn học cho việc cung cấp tài nguyên đa chiều đa mục tiêu, gồm: mục tiêu cân tải máy vật lý mục tiêu tối thiểu lượng tiêu thụ (thể Bài toán MORA) Áp dụng thuật toán Hệ đàn kiến (Ant Colony System ACS)[28], đề xuất thuật toán MORA-ACS để ước lượng toán so sánh với thuật toán Round Robin [79] thông qua 03 thước đo: lượng tiêu thụ, độ lệch chuẩn thời gian thực thuật tốn Sử dụng cơng cụ mơ đám mây CloudSim [14] để triển khai thực nghiệm Thời gian thực thuật tốn đo máy tính đơn có vi xử lý Intel(R) Core(TM) i5-3235M 2.60 GHz, RAM 4Gb Kết thực nghiệm nhận thấy rằng: lượng tiêu thụ khả cân tải thuật toán đề xuất MORA-ACS tốt thuật toán Round Robin Độ phức tạp thuật toán thực thời gian đa thức Các kết luận án công bố 07 cơng trình khoa học đăng hội nghị tạp chí chuyên ngành ngồi nước Trong đó, có 01 đăng kỷ yếu hội thảo quốc gia, 02 đăng tạp chí chuyên ngành 97 nước, 02 đăng tạp chí quốc tế 02 đăng hội thảo quốc tế chuyên ngành Những vấn đề cần tiếp tục nghiên cứu Cung cấp tài nguyên vật lý cho dịch vụ ảo hóa có 02 loại, là: cung cấp tài nguyên tĩnh cung cấp tài nguyên động Trong đó, cung cấp tài nguyên tĩnh trình cung cấp tài nguyên mà nhu cầu tài ngun cho dịch vụ ảo hóa khơng thay đổi Ngược lại, cung cấp tài nguyên động nhu cầu cầu tài nguyên dịch vụ ảo hóa thay đổi trình cung cấp tài nguyên Tuy nhiên, luận án tập trung giải toán cung cấp tài nguyên tĩnh Vì thế, hướng mở rộng luận án nghiên cứu toán cung cấp tài nguyên động cho dịch vụ ảo hóa hệ thống tính tốn đám mây Ngồi ra, thuật tốn mà luận án đề xuất, hàm mục tiêu đạt tốt số thuật tốn cơng bố trước đây, thời gian thực thi thuật tốn lớn Việc nghiên cứu, đề xuất thuật toán rút ngắn thời gian thực thuật toán vấn đề cần quan tâm thời gian đến 98 DANH MỤC CÁC CƠNG TRÌNH KHOA HỌC CỦA TÁC GIẢ LIÊN QUAN ĐẾN LUẬN ÁN Phạm Nguyễn Minh Nhựt, Đồn Văn Ban, Lê Văn Sơn Mơ hình tảng máy chủ chia sẻ toán Vector Packing cung cấp tài nguyên cho dịch vụ ảo hóa, Tạp chí Tin học Điều khiển học, 30(1):63-72, 2014 Phạm Nguyễn Minh Nhựt, Lê Văn Sơn, Đoàn Văn Ban Thuật toán Max-Min Ant System cung cấp tài nguyên cho dịch vụ ảo hóa từ tảng máy chủ chia sẻ Hội thảo quốc gia lần thứ XVII: Một số vấn đề chọn lọc Công nghệ thông tin Truyền thông, trang 331-336, 2014 Nguyen Minh Nhut Pham, Thu Huong Nguyen, Van Son Le Resource Allocation for Virtual Service Based on Heterogeneous Shared Hosting Platforms In the 8th Asian Conference Intelligent Information and Database Systems, 9622:51-60 Springer, 2016 Phạm Nguyễn Minh Nhựt, Lê Văn Sơn, Hồng Bảo Hùng Thuật tốn PSO cải tiến cung cấp tài nguyên cho dịch vụ ảo hóa dựa tảng máy chủ chia sẻ không đồng Chun san Các cơng trình nghiên cứu, phát triển ứng dụng Công nghệ thông tin Truyền thông, 2(36):80-95, 2016 Nguyen Minh Nhut Pham, Van Son Le Applying Ant Colony System Algorithm in Multi-Objective Resource Allocation for Virtual Services Journal of Information and Telecommunication, 1(4):319-333 Taylor & Francis, 2017 Nguyen Minh Nhut Pham, Van Son Le, Ha Huy Cuong Nguyen Energy-Efficient Resource Allocation for Virtual Service in Cloud Computing Environment In the 4th International conference on information system design and intelligent applications, Advances in Intelligent Systems and Computing, vol 672: 126-136 Springer, 2018 Nguyen Minh Nhut Pham, Van Son Le, Ha Huy Cuong Nguyen Energy Efficient Resource Allocation for Virtual Service Based on Heterogeneous Shared Hosting Platforms in Cloud Computing Cybernetics and Information Technologies, 17(3): 47-58 BAS, 2017 99 TÀI LIỆU THAM KHẢO [1] R Ansar, W Stefan, and L Bert Towards portability and interoperability support in middleware for hybrid clouds In the 2014 IEEE Conference on Computer Communications Workshops, pages 7–12 IEEE, 2014 [2] M Aron, P Druschel, and W Zwaenepoel Cluster reserves: A mechanism for resource management in cluster-based network servers In the 2000 International Conference on Measurement and Modeling of Computer Systems, pages 90–101 ACM, 2000 [3] L Badger, T Grance, R Corner, and J Voas DRAFT: Cloud computing synopsis and recommendations Technical report, National Institute of Technology, 2011 [4] D Balouek and et al Adding virtualization capabilities to the Grid’5000 testbed In Cloud Computing and Services Science, pages 3–20 Springer Publishing, 2013 [5] P Barham and et al Xen and the Art of virtualization ACM SIGOPS Operating Systems Review, 37(5):164–177, 2003 [6] A Beloglazov and R Buyya Optimal online deterministic algorithms and adaptive heuristics for energy and performance efficient dynamic consolidation of virtual machines in cloud data centers Concurrency and Computation: Practice and Experience, 24(13):1397–1420, 2012 [7] M Bessedik and et al Ant colony system for graph coloring problem In the International Conference on Computational Intelligence for Modelling, Control and Automation, pages 786–791 IEEE, 2005 [8] S D Borislav, P J Slobodan, and V Timcenko Cloud computing in Amazon and Microsoft Azure platforms: Performance and service comparison In the 22nd Telecommunications Forum Telfor, pages 931–934 IEEE Computer Society, 2014 [9] J Branke and et al Multiobjective Optimization: Interactive and Evolutionary Approaches Springer Berlin Heidelberg, 2008 [10] J Brito and et al An ACO hybrid metaheuristic for close–open vehicle routing problems with time windows and fuzzy constraints Applied Soft Computing, 32:154 – 163, 2015 [11] B Bullnheimer, R F Hartl, and C Strauss A new Rank-Based version of the Ant System: A computational study Central European Journal for Operations Research and Economics, 7(1):25 – 38, 1999 100 [12] R Buyya and M Murshed GridSim: A toolkit for the modeling and simulation of distributed resource management and scheduling for grid computing Concurrency and Computation: Practice and Experience, 14(13-15):1175–1220, 2002 [13] N M Calcavecchia and et al VM placement strategies for cloud scenarios In the 15th International Conference on Cloud Computing, pages 852–859 IEEE Computer Society, 2012 [14] R N Calheiros and et al CloudSim: a toolkit for modeling and simulation of cloud computing environments and evaluation of resource provisioning algorithms Software: Practice and Experience, 41(1):23–50, 2011 [15] R N Calheiros and et al EMUSIM: an integrated emulation and simulation environment for modeling, evaluation, and validation of performance of cloud computing applications Software: Practice and Experience, 43(5):595–612, 2013 [16] R N Calheiros, R Ranjan, and R Buyya Virtual machine provisioning based on analytical performance and QoS in cloud computing environments In the 2011 International Conference on Parallel Processing, pages 295–304 IEEE, 2011 [17] Z Cao and S Dong Dynamic VM consolidation for energy-aware and SLA violation reduction in cloud computing In the 13th International Conference on Parallel and Distributed Computing, Applications and Technologies, pages 363–369 IEEE, 2012 [18] R Chi, Z Qian, and S Lu A heuristic approach for scalability of multi-tiers web application in clouds In the 2011 11th International Conference on Innovative Mobile and Internet Services in Ubiquitous Computing, pages 28–35 IEEE, 2011 [19] N Chohan and et al AppScale: Scalable and Open AppEngine Application Development and Deployment Springer Berlin Heidelberg, 2010 [20] V Constantino, H Eduardo, S M Ruben, and M L Ignacio On the use of clouds for grid resource provisioning Future Generation Computer Systems, 27(5):600 – 605, 2011 [21] D W Corne, J D Knowles, and M J Oates The Pareto envelope-based selection algorithm for multiobjective optimization In Parallel Problem Solving from Nature PPSN VI: 6th International Conference, pages 839–848 Springer Berlin Heidelberg, 2000 [22] A K Das and et al An intelligent approach for virtual machine and QoS provisioning in cloud computing In the 2013 International Conference on Information Networking, pages 462–467 IEEE, 2013 101 [23] K Deb and D Kalyanmoy Multi-Objective Optimization Using Evolutionary Algorithms John Wiley & Sons, Inc., New York, USA, 2001 [24] B Dennis, K Ellen, and BEP Guide for reducing data center physical infrastructure energy consumption in federal data centers Technical report, Data Center Science Center, Schneider Electric USA, Inc, 2010 [25] G Deqiang, D Keping, and Q Yonghua Remote sensing algorithm platform in Windows Azure In the 20th International Conference on Geoinformatics, pages 1–6 IEEE, 2012 [26] T Dillon, C Wu, and E Chang Cloud computing: Issues and challenges In the 24th IEEE International Conference on Advanced Information Networking and Applications, pages 27–33 IEEE, 2010 [27] S Dirk, T Christian, W Andreas, M Dieter, and H B Christian How to Scale Nested OpenMP applications on the ScaleMP vSMP architecture In the 2010 IEEE International Conference on Cluster Computing, pages 29–37 IEEE Computer Society, 2010 [28] M Dorigo and L M Gambardella Ant Colony System: a cooperative learning approach to the traveling salesman problem IEEE Transactions on Evolutionary Computation, 1(1):53–66, 1997 [29] M Dorigo, V Maniezzo, and A Colorni Ant System: optimization by a colony of cooperating agents IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), 26(1):29–41, 1996 [30] K L Du and M N S Swamy Particle swarm optimization In Search and Optimization by Metaheuristics: Techniques and Algorithms Inspired by Nature, pages 153–173 Springer International Publishing, 2016 [31] R Eberhart and K Kennedy A new optimizer using particle swarm theory In the Sixth International Symposium on Micro Machine and Human Science, pages 39–43 IEEE, 1995 [32] R Eglese Simulated annealing: A tool for operational research European Journal of Operational Research, 46(3):271 – 281, 1990 [33] A Ehsan, T Hassan, and S Saeed Novel energy and SLA efficient resource management heuristics for consolidation of virtual machines in cloud data centers Computers & Electrical Engineering, 47:222–240, 2015 [34] A Engelbrecht Particle swarm optimization In the 2014 Annual Conference on Genetic and Evolutionary Computation, pages 381–406 ACM, 2014 102 [35] F Farahnakian and et al Energy-aware dynamic VM consolidation in cloud data centers using ant colony system In the IEEE 7th International Conference on Cloud Computing, pages 104–111 IEEE, 2014 [36] E Feller, L Rilling, and C Morin Energy-aware Ant Colony based workload placement in clouds In the IEEE/ACM 12th International Conference on Grid Computing, pages 26–33 IEEE, 2011 [37] W Feng, X Feng, and R Ge Green supercomputing comes of age IT Professional, 10(1):17–23, 2008 [38] F Fittkau, S Frey, and W Hasselbring CDOSim: Simulating cloud deployment options for software migration support In the IEEE 6th International Workshop on the Maintenance and Evolution of Service-Oriented and Cloud-Based Systems, pages 37–46 IEEE, 2012 [39] L Flavio and D P Roberto Secure virtualization for cloud computing Journal of Network and Computer Applications, 34(4):1113 – 1122, 2011 [40] M Fleischer Simulated annealing: past, present, and future In Winter Simulation Conference Proceedings, pages 155–161 IEEE, 1995 [41] W Gentzsch Sun grid engine: Towards creating a compute power grid In the 1st International Symposium on Cluster Computing and the Grid, pages 35–36 IEEE Computer Society, 2001 [42] R P Goldberg and G Popek Formal requirements for virtualizable third generation architectures Communication ACM, 17(7):412–421, 1974 [43] Grenke https://www.grenkeleasing.co.uk/en.html, accessed 04-November-2017 [44] G grid The green grid consortium 2011 https://www.thegreengrid.org, accessed 04November-2017 [45] V Hahanov, E Litvinova, W Gharibi, and S Chumachenko iCloud traffic control and monitoring In the 16th International Conference on Computer Modelling and Simulation, pages 159–162 IEEE Computer Society, 2014 [46] F Heppner and U Grenander A stochastic nonlinear model for coordinated bird flocks The ubiquity of chaos, 31(3):233 – 238, 1990 [47] Hetzner https://www.hetzner.com/, accessed 04-November-2017 [48] N Huber, F Brosig, and S Kounev Model-based self-adaptive resource allocation in virtualized environments In the 6th International Symposium on Software Engineering for Adaptive and Self-Managing Systems, pages 90–99 ACM, 2011 103 [49] K Imran, R Habib-ur, and A Zahid Design and deployment of a Trusted Eucalyptus cloud In the 2011 IEEE International Conference on Cloud Computing, page 380–387 IEEE, 2011 [50] W Iqbal, M N Dailey, and D Carrera SLA-driven dynamic resource management for multi-tier web applications in a cloud In the 10th IEEE/ACM International Conference on Cluster, Cloud and Grid Computing, pages 832–837 IEEE, 2010 [51] P M Jaison and S Yedhu A comparative study of OpenStack and CloudStack In the Fifth International Conference on Advances in Computing and Communications, pages 81–84 IEEE, 2015 [52] R Jansen and P R Brenner Energy efficient virtual machine allocation in the cloud In the 2011 International Green Computing Conference and Workshops, pages 1–8 IEEE, 2011 [53] D Johnson and A M Lyle The traveling salesman problem: A case study in local optimization In Local Search in Combinatorial Optimization, pages 215–310 John Wiley & Sons, Chichester, UK, 1997 [54] J Jung and H Kim MR-Cloudsim: Designing and implementing mapreduce computing model on cloudsim In the 2012 International Conference on ICT Convergence, pages 504–509 IEEE, 2012 [55] G S K and R Buyya NetworkCloudSim: Modelling parallel applications in cloud simulations In the 4th IEEE International Conference on Utility and Cloud Computing, pages 105–113 IEEE, 2011 [56] A Karve and et al Dynamic placement for clustered web applications In the 15th International Conference on World Wide Web, pages 595–604 ACM, 2006 [57] J Kennedy Particle swarm optimization In Encyclopedia of Machine Learning, pages 760–766 Springer US, 2010 [58] E Kijsipongse and S Vannarat Autonomic resource provisioning in rocks clusters using eucalyptus cloud computing In the International Conference on Management of Emergent Digital EcoSystems, pages 61–66 ACM, 2010 [59] S Kirkpatrick Optimization by simulated annealing: Quantitative studies Journal of Statistical Physics, 34(5):975–986, 1984 [60] D Kliazovich and et al GreenCloud: A packet-level simulator of energy-aware cloud computing data centers In the 2010 IEEE Global Telecommunications Conference GLOBECOM, pages 1–5 IEEE, 2010 104 [61] D Kliazovich and et al GreenCloud: A packet-level simulator of energy-aware cloud computing data centers In the 2010 IEEE Global Telecommunications Conference GLOBECOM 2010, pages 1–5 IEEE, 2010 [62] J Koomey Growth in data center electricity use 2005 to 2010 Technical report, Stanford University, The New York Times, 2011 [63] L T Kou and G Markowsky Multidimensional Bin Packing algorithms IBM Journal of Research and Development, 21(5):443–448, 1977 [64] C Koulamas, S Antony, and R Jaen A survey of simulated annealing applications to operations research problems Omega, 22(1):41 – 56, 1994 [65] H Lei, Y Peng, and Z Hongxiu Geoprocessing in Google cloud computing: Case studies In the 2012 International Conference on Agro-Geoinformatics, pages 1–6 IEEE Computer Society, 2012 [66] J Li and et al Performance model driven QoS guarantees and optimization in clouds In the 2009 ICSE Workshop on Software Engineering Challenges of Cloud Computing, pages 15–22 IEEE Computer Society, 2009 [67] S H Lim and et al MDCSim: A multi-tier data center simulation, platform In the 2009 IEEE International Conference on Cluster Computing and Workshops, pages 1–9 IEEE, 2009 [68] P Lindberg and et al Comparison and analysis of greedy energy-efficient scheduling algorithms for computational grids In Energy-Efficient Distributed Computing Systems, pages 189–214 John Wiley & Sons, 2012 [69] J Liu, F Zhao, X Liu, and W He Challenges towards elastic power management in internet data centers In the 29th IEEE International Conference on Distributed Computing Systems Workshops, pages 65–72 IEEE, 2009 [70] I Makoto and et al Performance evaluation of an intelligent CAC and routing framework for multimedia applications in broadband networks Journal of Computer and System Sciences, 72(7):1183 – 1200, 2006 [71] V Maniezzo and A Colorni The Ant System applied to the quadratic assignment problem IEEE Transactions on Knowledge and Data Engineering, 11(5):769–778, 1999 [72] K Maruyama, S K Chang, and D T Tang A general packing algorithm for multidimensional resource requirements International Journal of Computer and Information Sciences, 6(2):131–149, 1977 105 [73] P Mell and T Grance The nist definition of cloud computing Technical report, National Institute of Standards and Technology, 2011 [74] Microsoft Live Mesh https://www.infoworld.com/article/2626347/iaas/windows-livemesh-out-of-sync.html, accessed 04-November-2017 [75] D Mitra, F Romeo, and V A Sangiovanni Convergence and finite-time behavior of simulated annealing Advances in Applied Probability, 18(3):747–771, 1986 [76] NERSC National Energy Research Scientific Computing Center https://www.nersc.gov/, accessed 04-November-2017 [77] C Newcombe, T Rath, F Zhang, B Munteanu, M Brooker, and M Deardeuff How Amazon web services uses formal methods Communication of the ACM, 58(4):66–73, 2015 [78] H Nguyen Van, F Dang Tran, and J M Menaud Autonomic virtual resource management for service hosting platforms In the 2009 ICSE Workshop on Software Engineering Challenges of Cloud Computing, pages 1–8 IEEE, 2009 [79] K A Nuaimi and et al A survey of load balancing in cloud computing: Challenges and algorithms In the 2012 Second Symposium on Network Cloud Computing and Applications, pages 137–142 IEEE, 2012 [80] C Oscar, I Viana, and F Herrera Analysis of the Best-Worst Ant System and its variants on the QAP In the Third International Workshop on Ant Algorithms, pages 228–234 Springer Verlag, 2002 [81] S Ostermann and et al GroudSim: An event-based simulation framework for computational grids and clouds In Euro-Par 2010 Parallel Processing Workshops: HeteroPar, HPCC, HiBB, CoreGrid, UCHPC, HPCF, PROPER, CCPI, VHPC, pages 305–313 Springer Berlin Heidelberg, 2011 [82] D Pandit and et al Resource allocation in cloud using simulated annealing In the 2014 Applications and Innovations in Mobile Computing, pages 21–27 IEEE, 2014 [83] H Parmar and T Champaneria Comparative study of OpenNebula, Eucalyptus, OpenStack and CloudStack International Journal of Advanced Research in Computer Science and Software Engineering, 4(2):714–721, 2014 [84] R S Parpinelli, H S Lopes, and A A Freitas Data mining with an ant colony optimization algorithm IEEE Transactions on Evolutionary Computation, 6(4):321– 332, 2002 106 [85] D Petcu and et al Experiences in building an event-driven and deployable platform as a service In the 13th International Conference on Web Information Systems Engineering, pages 666–672 Springer Berlin Heidelberg, 2012 [86] D M Quan and et al Energy efficient resource allocation strategy for cloud data centres In Computer and Information Sciences II: 26th International Symposium on Computer and Information Sciences, pages 133–141 Springer London, 2012 [87] B Rajkumar Grid computing and distributed systems laboratory and the Gridbus project In Annual Report - 2008, pages 1–36 Department of Computer Science and Software Engineering, The University of Melbourne, Australia, 2008 [88] I Rodero and et al Energy-efficient application-aware online provisioning for virtualized clouds and data centers In International Conference on Green Computing, pages 31–45 IEEE, 2010 [89] F Romeo and V A Sangiovanni A theoretical framework for simulated annealing Algorithmica, 6(1):302, 1991 [90] H H Rong and C Y Shun Enhancement of Job Shop Scheduling with time windows using a wise select Ant Colony Optimization Journal of Statistics and Management Systems, 18(1-2):57–83, 2015 [91] N Sadashiv and S M D Kumar Cluster, grid and cloud computing: A detailed comparison In the 6th International Conference on Computer Science Education, pages 477–482 IEEE, 2011 [92] R Schoonderwoerd and et al Ant-based load balancing in telecommunications networks Adaptive Behavior, 5(2):169–207, 1996 [93] V Sebastien, P Valentin, and B Pascal Amazon Elastic Compute Cloud vs inHouse HPC platform: a cost analysis In the 9th International Conference on Cloud Computing, pages 284–293 IEEE Computer Society, 2016 [94] T Setzer and A Stage Decision support for virtual machine reassignments in enterprise data centers In the 2010 IEEE/IFIP Network Operations and Management Symposium Workshops, pages 88–94 IEEE, 2010 [95] S Shalmali and S Shilpa Comparing Openstack and VMware In the 2014 International Conference on Advances in Electronics, Computers and Communications, pages 1–4 IEEE, 2014 [96] Y Shi and R C Eberhart Parameter selection in particle swarm optimization In the 7th International Conference on Evolutionary Programming, pages 591–600 Springer Berlin Heidelberg, 1998 107 [97] Y Shoaib and O Das Using layered bottlenecks for virtual machine provisioning in the clouds In the 15th International Conference on Utility and Cloud Computing, pages 109–116 IEEE, 2012 [98] S Sotiriadis and et al SimIC: Designing a new inter-cloud simulation platform for integrating large-scale resource management In the 27th International Conference on Advanced Information Networking and Applications, pages 90–97 IEEE, 2013 [99] M Stillwell and et al Resource allocation algorithms for virtualized service hosting platforms Journal of Parallel and Distributed Computing, 70(9):962 – 974, 2010 [100] M Stillwell, D Schanzenbach, F Vivien, and H Casanova Resource allocation using virtual clusters In the 9th IEEE/ACM International Symposium on Cluster Computing and the Grid, pages 260–267 IEEE, 2009 [101] M Stillwell, F Vivien, and H Casanova Virtual machine resource allocation for service hosting on heterogeneous distributed platforms In the 26th International Parallel and Distributed Processing Symposium, pages 786–797 IEEE Computer Society, 2012 [102] T Stutzle and et al Parameter adaptation in ant colony optimization In Autonomous Search, pages 191–215 Springer Berlin Heidelberg, 2012 [103] B Suman and P Kumar A survey of simulated annealing as a tool for single and multiobjective optimization Journal of the Operational Research Society, 57(10):1143– 1160, 2006 [104] K C Tan, T H Lee, and E F Khor Evolutionary algorithms with dynamic population size and local exploration for multiobjective optimization IEEE Transactions on Evolutionary Computation, 5(6):565–588, 2001 [105] S Thomas and H H Holger MAX–MIN Ant System Future Generation Computer Systems, 16(8):889 – 914, 2000 [106] T Tighe and et al DCSim: A data centre simulation tool for evaluating dynamic virtualized resource management In the 8th international conference on network and service management, pages 385–392 IEEE, 2012 [107] R Uhlig, G Neiger, and D Rodgers Intel virtualization technology Computer, 38(5):48–56, 2005 [108] B Urgaonkar and et al Agile dynamic provisioning of multi-tier internet applications ACM Transactions on Autonomous and Adaptive Systems, 3(1):1–39, 2008 [109] B Urgaonkar, P Shenoy, and T Roscoe Resource overbooking and application profiling in shared hosting platforms ACM SIGOPS Operating Systems Review, 36(SI):239– 254, 2002 108 [110] F Van den Bergh and A P Engelbrecht A convergence proof for the particle swarm optimiser Fundamenta Informaticae, 105(4):341–374, 2010 [111] D A V Veldhuizen and G B Lamont On measuring multiobjective evolutionary algorithm performance IEEE Transactions on Evolutionary Computation, 1(6):204– 211, 2000 [112] F Vigliotti and D M Batista Energy-efficient virtual machines placement In the 2014 Brazilian Symposium on Computer Networks and Distributed Systems, pages 1–8 IEEE, 2014 [113] VMware vCloud Suite https://www.vmware.com/products/vcloud-suite/, accessed 04-November-2017 [114] B Wickremasinghe, R N Calheiros, and R Buyya CloudAnalyst: A cloudsim-based visual modeller for analysing cloud computing environments and applications In the 24th IEEE International Conference on Advanced Information Networking and Applications, pages 446–452 IEEE, 2010 [115] Z Xiao, W Song, and Q Chen Dynamic resource allocation using virtual machines for cloud computing environment IEEE Transactions on Parallel and Distributed Systems, 24(6):1107–1117, 2013 [116] Z H Zhan and et al Adaptive particle swarm optimization IEEE Transactions on Systems and Cybernetics, 39(6):1362–1381, 2009 [117] Q Zhang, L Cheng, and R Boutaba Cloud computing: state-of-the-art and research challenges Journal of Internet Services and Applications, 1(1):7–18, 2010 [118] T Zheng Model-based dynamic resource management for multi tier information systems PhD thesis, Carleton University, 2007 [119] U Zoha and S Shailendra A survey of virtual machine placement techniques in a cloud data center Procedia Computer Science, 78:491 – 498, 2016 [120] F Zongqin, S Hong, W Yanbo, and L Yidong Simulated-annealing load balancing for resource allocation in cloud environments In the 2013 International Conference on Parallel and Distributed Computing, Applications and Technologies, pages 1–6 IEEE Computer Society, 2013 109 ... thụ cần thiết Đó mục đích đề tài: "Cung cấp tài nguyên cho dịch vụ ảo hóa dựa tảng máy chủ chia sẻ tính tốn đám mây " Hơn nữa, cung cấp tài nguyên cho dịch vụ ảo hóa toán tối ưu tổ hợp (Combinatorial... nguyên cho dịch vụ ảo hóa từ tảng máy chủ chia sẻ đồng Dựa mơ hình hệ thống cung cấp tài nguyên cho dịch vụ ảo hóa Mark Stillwell [100] đặc tính tài nguyên máy vật lý, nhu cầu tài nguyên dịch vụ ảo. .. cứu Cung cấp tài ngun hệ thống tính tốn đám mây phân thành 03 lớp toán: toán cung cấp ứng dụng, toán cung cấp máy ảo toán cung cấp tài nguyên vật lý (máy vật lý) cho dịch vụ ảo hóa để tạo máy ảo