Giải pháp nhận dạng và xử lý lỗi trong hạ tầng điện toán đám mây

ĐẠI HỌC QUỐC GIA TP. HỒ CHÍ MINH

TRƯỜNG ĐẠI HỌC BÁCH KHOA

BÙI THANH KHIẾT

GIẢI PHÁP NHẬN DẠNG VÀ XỬ LÝ LỖI TRONG

HẠ TẦNG ĐIỆN TOÁN ĐÁM MÂY

LUẬN ÁN TIẾN SĨ

TP. HỒ CHÍ MINH - NĂM 2022

ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH

TRƯỜNG ĐẠI HỌC BÁCH KHOA

BÙI THANH KHIẾT

GIẢI PHÁP NHẬN DẠNG VÀ XỬ LÝ LỖI TRONG

HẠ TẦNG ĐIỆN TOÁN ĐÁM MÂY

Chuyên ngành: Khoa học máy tính

Mã số chuyên ngành: 62480101

Phản biện độc lập:

Phản biện độc lập:

Phản biện: PGS. TS. Huỳnh Trung Hiếu

Phản biện: PGS. TS. Nguyễn Đình Thuân

Phản biện: PGS. TS. Quản Thành Thơ

NGƯỜI HƯỚNG DẪN:

1. PGS.TS. Trần Công Hùng

2. PGS.TS. Phạm Trần Vũ

i

LỜI CAM ĐOAN

Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi. Các kết quả được viết

chung với các tác giả khác đều được sự đồng ý của đồng tác giả trước khi đưa vào

luận án. Các kết quả nêu trong luận án là trung thực và chưa từng được công bố trong

các công trình nào khác.

Người cam đoan

Bùi Thanh Khiết

ii

TÓM TẮT LUẬN ÁN

Dịch vụ hạ tầng Điện toán đám mây (ĐTĐM) mang lại sự tiện lợi thiết thực,

giúp người dùng triển khai các ứng dụng một cách linh hoạt, đơn giản hóa quá trình

thuê, giải phóng tài nguyên trong khi chi phí thuê tài nguyên được tính dựa trên sự

phân bổ trong mỗi lần sử dụng (sử-dụng-bao-nhiêu-trả-bấy-nhiêu). Tuy nhiên, lỗi trên

dịch vụ hạ tầng ĐTĐM là khó có thể tránh khỏi vì quy mô và hệ thống mạng khổng

lồ của trung tâm dữ liệu ĐTĐM cùng với kiến trúc phức tạp gồm hàng ngàn máy chủ

vật lý (Physical machine, viết tắt PM) với độ tin cậy khác nhau. Với tính mở, linh

hoạt và cấu trúc phức tạp của ĐTĐM dẫn đến nhiều loại lỗi khác nhau từ hệ thống cơ

sở hạ tầng, nền tảng đến các ứng dụng trên đó. Lỗi có thể xảy ra ở bất kỳ một tầng cụ

thể của ĐTĐM và nó sẽ ảnh hưởng lên tầng trên nó. Nếu lỗi xảy ra ở hệ điều hành

của tầng dịch vụ nền tảng có thể dẫn đến các ứng dụng trên dịch vụ phần mềm bị lỗi.

Trong khi đó nếu lỗi xảy ra ở ổ cứng của máy chủ vật lý, nó sẽ ảnh hưởng lên tầng

dịch vụ cơ sở hạ tầng và tiếp tục dẫn đến lỗi sẽ xảy ở hệ điều hành của tầng dịch vụ

nền tảng và tiếp tục ảnh hưởng đến lỗi xảy ra ở ứng dụng của tầng dịch vụ phần mềm.

Có thể thấy rằng, lỗi ở dịch vụ hạ tầng đặc biệt là phần cứng sẽ ảnh hưởng, gây thiệt

hại lớn đến hệ thống. Việc phát hiện các lỗi phần cứng điển hình và phát triển các kỹ

thuật kháng lỗi tương ứng là một vấn đề cấp thiết. Theo đó, ĐTĐM cần có khả năng

nhận diện và hành xử hợp lý để đảm bảo tính thông suốt, chất lượng dịch vụ, tránh

mất mát dữ liệu ngay cả khi lỗi xảy ra. Khả năng này được xem là khả năng kháng

lỗi (Fault Tolerance) trên hạ tầng ĐTĐM.

Có hai chiến lược chính trong kháng lỗi trên ĐTĐM gồm kháng lỗi thụ động

và kháng lỗi chủ động. Kháng lỗi thụ động nhằm giảm bớt hậu quả do lỗi gây trong

quá trình hoạt động, thực thi các ứng dụng, hoặc các dịch vụ của hệ thống. Mô hình

này dựa trên sự phản ứng lại khi đã có lỗi xảy ra hơn là phản ứng dựa trên dự báo.

Ảnh hưởng của lỗi thường được loại bỏ bằng cách sử dụng hệ thống bảo trì. Bên cạnh

đó, chiến lược kháng lỗi chủ động nhằm giữ ứng dụng hoặc dịch vụ thực thi đúng

bằng cách tránh các lỗi tiềm ẩn thông qua biện pháp ngăn chặn. Từ chủ động trong

iii

ngữ cảnh kháng lỗi được định nghĩa là khả năng của hệ thống ở trạng thái chuẩn bị

và được kiểm soát trước khi lỗi xảy ra. Trạng thái hệ thống được theo dõi liên tục và

khả năng xảy ra lỗi được ước tính bằng các phương pháp thống kê, mô hình toán học.

Các hành động cần thiết sau đó được thực hiện để ngăn chặn lỗi xảy ra. Mặc dù những

phương pháp kháng lỗi thụ động vẫn phổ biến trong giới nghiên cứu cho đến nay, tuy

nhiên, do sự tiến bộ vượt bậc của học máy, trí tuệ nhân tạo, thiết bị ngày càng trở nên

thông minh hơn làm gia tăng phạm vi nghiên cứu về khả năng kháng lỗi chủ động.

Các khung kháng lỗi ngày càng được mong đợi thông minh hơn để đưa ra các chiến

lược khác nhau cho các ngữ cảnh khác nhau của lỗi trong hệ thống nhằm kháng được

các dạng lỗi khác nhau. Một cơ chế của điều phối dịch vụ một cách linh hoạt trong

ĐTĐM hướng đến kháng lỗi là rất cần thiết. Nói một cách khác, cần xây dựng một

khung kháng lỗi đảm bảo cả độ sẵn sàng cao cũng như hiệu quả về việc quản lý, khai

thác tài nguyên. Từ đó, luận án tập trung nghiên cứu chiến lược kháng lỗi chủ động

nhằm xây dựng một khung kháng lỗi cho hạ tầng hệ thống ĐTĐM. Theo đó, khung

kháng lỗi gồm hai thành phần chính gồm bộ phát hiện lỗi trên máy chủ của hạ tầng

ĐTĐM và bộ di trú tài nguyên hiệu quả. Trong đó, bộ phát hiện lỗi dựa trên bất

thường được đề xuất đảm bảo cho hệ thống kháng lỗi hoạt động chính xác và tăng

khả năng phản ứng của hệ thống khi tình huống sắp có lỗi xảy ra. Từ kết quả của

thành phần phát hiện lỗi, việc tránh các ảnh hưởng lỗi sẽ được giải quyết thông qua

bộ di trú tài nguyên ảo hóa đảm bảo việc sử dụng, khai thác tài nguyên hiệu quả. Để

nâng cao khả năng phản ứng linh hoạt cho chiến lược di trú máy ảo, luận án đề xuất

bộ điều khiển di trú máy ảo kháng lỗi có khả năng học tăng cường. Đóng góp chính

của luận án bao gồm:

 Xây dựng khung kháng lỗi chủ động cho hạ tầng ĐTĐM dựa trên cấu trúc vòng

lặp MAPE-K của hệ thống tự trị gồm thành phần giám sát, phân tích lỗi PM, xây

dựng chiến lược chiến lược di trú VM kháng lỗi có khả năng học tăng cường, thực

thi điều phối tài nguyên PM của hạ tầng ĐTĐM.

 Đề xuất mô hình phát hiện lỗi của PM trên hạ tầng ĐTĐM dựa trên chỉ số vận

hành bất thường. Chỉ số vận hành bất thường được xác định từ giá trị biên quyết

iv

định của mô hình Fuzzy One Class Support Vector Machine (FOCSVM) – là sự

kết hợp của logic mờ và máy vector hỗ trợ một lớp (One Class Support Vector

Machine, viết tắt OCSVM) để giảm ảnh hưởng nhiễu xuất hiện trong tập dữ liệu

huấn luyện. Logic mờ được sử dụng để tính toán các hệ số phạt của OCSVM nhằm

cải thiện hoạt động linh hoạt trong thời gian thực thi cũng như tận dụng kiến thức

của chuyên gia. Đề xuất phương pháp phát hiện lỗi đựa trên chỉ số vận hành bất

thường, có tên là EWMA-FOCSVM, dựa trên sự theo dõi biến động đột ngột của

giá trị biên quyết định trong FOCSVM bằng biểu đồ kiểm soát trung bình trượt

có trọng số hàm mũ (Exponentially Weighted Moving Average, viết tắt EWMA).

Các mẫu dữ liệu giám sát được dán nhãn bình thường/lỗi bằng cách sử dụng

EWMA-FOCSVM trong thời gian thực để tạo thành bộ dữ liệu huấn luyện có

nhãn cho vấn đề phân tích thông số hiệu năng của máy chủ vật lý liên quan đến

lỗi. Việc phân tích thông số hiệu năng của máy chủ vật lý liên quan đến lỗi được

đưa về bài toán lựa chọn đặc trưng và được giải quyết bằng cách sử dụng thuật

toán RFE-RF – là sự kết hợp thuật toán loại bỏ thuộc tính hồi quy (Recursive

Feature Elimination, viết tắt RFE) và thuật toán rừng nẫu nhiên (Random Forest,

viết tắt RF). Các thông số đáng ngờ được xác định thông qua việc xếp hạng thuộc

tính của tập dữ liệu.

 Đề xuất mô hình xây dựng chiến lược di trú máy ảo kháng lỗi dựa trên điều khiển

mờ học tăng cường Fuzzy Q-Learning. Việc điều khiển di trú VM để tránh ảnh

hưởng từ PM sắp bị lỗi và đảm bảo PM sau khi tiếp nhận VM có chỉ số vận hành

bất thường thấp cũng như mức độ sử dụng giữa các tài nguyên trong PM được cân

bằng. Thêm vào đó, để nâng cao khả năng thực thi của bộ điều khiển di trú VM

kháng lỗi, thành phần tập luật được cập nhật theo cơ chế học tăng cường ngay cả

khi bắt đầu hệ thống với tập luật chưa đầy đủ. Đề xuất giải thuật V2PFQL cho

việc điều khiển di trú VM kháng lỗi dựa trên Fuzzy Q-Learning. Một trong những

sức mạnh của hệ suy diễn mờ là khả năng chuyển đổi tri thức của con người thành

các luật trực quan dưới dạng NẾU-THÌ. Tuy nhiên, trong quá trình thiết kế hệ suy

diễn mờ, người thiết kế có thể gặp vấn đề khó khăn khi định nghĩa tập luật như

v

không thể thiết kế tập luật vì không có sẵn tri thức của vấn đề, hoặc chỉ có thể

định nghĩa một phần của tập luật, hoặc có thể định nghĩa tập luật nhưng không

hiệu quả do dư thừa tập luật hoặc do tập luật không chắc chắn (đúng trong một số

trường hợp nhưng lại sai trong một số trường hợp khác). Để giải quyết vấn đề này,

luận án đề xuất thuật toán huấn luyện tập luật cho vấn đề di trú máy ảo, được đặt

tên V2PFQL-AS, dựa trên sự kết hợp giữa thuật toán V2PFQL và Hệ kiến để hoàn

thiện tập luật trong giai đoạn thiết kế hệ suy diễn mờ. Luận án đánh giá hiệu quả

của V2PFQL sau khi cập nhật tri thức từ kết quả của quá trình huấn luyện theo

thuật toán V2PFQL-AS. Giá trị hàm mục tiêu của bài toán di trú VM kháng lỗi

của thuật toán V2PFQL được so sánh với giải thuật RoundRobin (RR), giải thuật

tối ưu đàn kiến Inverse Ant System (iAS), giải thuật hệ kiến Ant System (AS),

giải thuật Max-Min Ant System (MMAS), giải thuật tối ưu bầy đàn Particle swarm

optimization (PSO), giải thuật luyện kim Simulated Annealing (SA).

vi

ABSTRACT

Cloud computing infrastructure services bring practical convenience, help

users to deploy applications flexibly, simplify the rental process, and release

resources while renting resources calculated based on use-pay-as-you-go. However,

faults on the cloud infrastructure service are unavoidable because of the large scale

and network system of the cloud data center along with the complex architecture of

thousands of physical servers with different reliability. With the openness, flexibility

and complex structure of cloud computing, it leads to many different types of faults

from the infrastructure system, the platform to the application. Faults can occur at

any particular layer of the cloud and it will affect above layers. If the fault occurs in

the operating system of the platform service layer, it can lead to applications on

software services to fail. If a fault occurs in the hardware of physical servers, it will

affect the infrastructure service layer and continues to lead to the failure in the

operating system of the platform service layer, continues to affect the infrastructure

service layer, and then software service layer application failures. It can be seen that

faults in infrastructure services, especially hardware, will affect and cause great

damage to the system. It is imperative to detect typical hardware faults and develop

corresponding fault toletrance techniques. Accordingly, cloud computing needs to be

able to identify and behave appropriately to ensure transparency, quality of service,

and avoid data loss even when faults occur. This ability is known as fault tolerance

on cloud infrastructure.

Existing fault tolerance (FT) approaches can be classified into two basic

categories, viz. reactive and proactive approaches. The reactive FT approaches handle

the faults after their appearance through using system maintenance programs. They

are built on responsiveness rather than predictability. They are also conservative by

nature, so there’s no need to inspect the system’s behavior. As a result, they do not

have any unnecessary overhead. Proactive FT approaches, on the other hand, are

described as the capacity of the system to be in an active state to avoid potential

vii

faults/errors/failures before they occur. Statistics, machine learning, and artificial

intelligence approaches are used to continually monitor the system’s health and

anticipate the likelihood of a fault occurring. The system handles fault occurrence by

taking essential actions. A FT approach is an incorporated action of fault detection

and fault recovery (reactive FT approach) or fault forecasting and fault prevention

(proactive FT approach). Although reactive FT frameworks are popular among

researchers till now, the scope of research in proactive FT frameworks is increasing

because of ongoing advancements in machine learning and artificial intelligence.

Therefore, this thesis focuses on researching proactive FT strategies to build a

FT framework for infrastructure of cloud computing. Accordingly, the FT framework

consists of two main components including physical server fault detection of the

cloud infrastructure and virtual machine migration. In particular, the proposed

anomaly-based fault detector ensures the FT system to work correctly and increases

the system's ability to react when a fault occurs. From the results of the fautl detection

model, the avoidance of fautl effects will be solved through a virtual machine

migration. To improve the responsiveness of the virtual machine migration strategy,

this study proposes a virtual machine migration controller capable of reinforcement

learning. The main contributions of the thesis include:

 Building a proactive FT framework for cloud computing infrastructure based on

the MAPE-K loop structure of the autonomous system, including the monitoring

component, PM fault analysis, seft-learning VM migration, and resources

coordination executing.

 The combination of fuzzy logic and OCSVM (namedFOCSVM) is proposed to

improve the abnormal detection when outliers appear in the dataset. By using

fuzzy logic for calculating penalty factors of OCSVM model, fault detection

approach improves flexible operations in real time as well as takes advantage of

experts’ knowledge. Based on the FOCSVM abnormal detection model, the fault

detection and diagnosis approach is proposed including abnormal detection, fault

detection, and analysis of suspicious parameters. For fault detection problem, the

viii

exponentially weighted moving average (EWMA) chart is then used to identify

abrupt changes if there is any fault to occur, named EWMA-FOCSVM. And then,

the fault diagnosis problem is abstracted to feature selection problem with the

training dataset which are labeled by EWMA-FOCSVM. The analysis of physical

server performance parameters related to the faults is brought to the feature

selection problem and solved using the RFE-RF model - which is a combination

of the Recursive Feature Elimination (RFE) model and the Recursive Feature

Elimination (RFE) model and Random Forest (RF). Suspicious parameters are

identified through the feature ranking of the data set.

 The self-learning VM migration component is designed by applying Fuzzy Q￾Learning algorithm to enhance the performance of fuzzy inference system. One

of the strengths of fuzzy inference systems is their ability to convert human

knowledge into intuitive IF-THE rules. VM migration strategies are considered as

internal knowledge of the cloud controller which shows capable of learning in the

execution environment. To implement the self-learning VM migration controller,

a rule set is continually explored during execution time through self-learning rule

component which shows ability of self-learning to complete the rule set in run￾time without prior knowledge. The migration controller observes the

infrastructure state and manipulates the migration plans. The PMs which allocate

to cloud-hosted applications are monitored by load balance and abnormal score

metrics. The V2PQL algorithm is proposed to migrate VM in order to avoid the

influence of deteriorating PMs as well as keep load balance and abnormal score

for all the safe PMs. The analysis results from the migration controller go to the

self-learning rule component for updating it. Learning mechanism of VM

migration rule, named V2PQL-AS, is designed based on a combination of

V2PQL algorithm and Ant System algorithm. In general, the problem of VM

migration is expressed in the form of one n VMs that need to be migrated into m

PM. After migrating VMs, the system ensures at least the level of load balancing

between resources in each PM, ensure a minimum of anomalies for each PM,

ix

avoid overloading any PM that could lead to degraded performance, and ensure a

VM is migrated to only one PM. Therefore, to evaluate the result of the objective

function of V2PFQL algorithm, it is necessary to consider at the time of

completing the migration of n VMs into m PM. The objective function results of

VM migration of V2PFQL algorithm with those of meta-heuristic class including

RoundRobin, inverse Ant System (iAS), Ant System (AS), MaxMin Ant System

(MMAS), Simulated Annealing (SA), Particle swarm optimization (PSO)

algorithms.

x

LỜI CẢM ƠN

Tôi xin trân trọng cám ơn PGS.TS Trần Công Hùng và PGS.TS. Phạm Trần Vũ đã

tận tình hướng dẫn tôi thực hiện nghiên cứu. Tôi cũng xin cảm ơn các thầy/cô tại bộ

môn Hệ Thống & Mạng Máy Tính, khoa Khoa Học & Kỹ Thuật Máy Tính, phòng

Đào tạo Sau đại học trường Đại học Bách Khoa – Đại học Quốc Gia Tp. Hồ Chí

Minh, các thầy cô và các nhà khoa học đã phản biện, đóng góp ý kiến cho Luận án

Tiến sĩ này.

Thực hiện luận án tiến sĩ là một thử thách lớn, đòi hỏi sự kiên trì và tập trung cao độ.

Tôi thực sự hạnh phúc với kết quả đạt được trong đề tài nghiên cứu của mình. Những

kết quả đạt được không chỉ là nỗ lực cá nhân, mà còn có sự hỗ trợ, giúp đỡ, cổ vũ,

động viên tạo điều kiện cho tôi hoàn thành luận án của các thầy hướng dẫn, nhà

trường, bộ môn, đồng nghiệp. Tôi muốn bày tỏ tình cảm của mình đến với họ.

Con chân thành gửi đến ba mẹ sự biết ơn sinh thành, dưỡng dục. Tôi cũng gửi lời

cảm ơn đến vợ và ba con Bùi Trương Minh Thư, Bùi Trương Khiết My và Bùi Trương

Anh Khôi đã đồng hành cùng tôi trong thời gian qua.

xi

MỤC LỤC

LỜI CAM ĐOAN ....................................................................................................... i

TÓM TẮT LUẬN ÁN ............................................................................................... ii

LỜI CẢM ƠN .............................................................................................................x

DANH MỤC CÁC BẢNG...................................................................................... xiv

DANH MỤC CÁC HÌNH VẼ...................................................................................xv

DANH MỤC CÁC TỪ VIẾT TẮT ....................................................................... xvii

CHƯƠNG 1 GIỚI THIỆU ....................................................................................1

1.1 Giới thiệu .......................................................................................................1

1.2 Tính cấp thiết của luận án..............................................................................3

1.3 Mục tiêu và tầm vực nghiên cứu .................................................................11

1.4 Nội dung nghiên cứu ...................................................................................12

1.5 Đóng góp chính của luận án ........................................................................12

1.6 Bố cục của luận án.......................................................................................14

CHƯƠNG 2 PHÁT HIỆN VÀ XỬ LÝ LỖI TRONG HẠ TẦNG ĐIỆN TOÁN

ĐÁM MÂY ........................................................................................................17

2.1 Cơ sở lý thuyết.............................................................................................17

2.1.1 Điện toán đám mây ...............................................................................17

2.1.2 Lỗi trên điện toán đám mây ..................................................................19

2.1.3 Phương pháp phát hiện lỗi và chẩn đoán lỗi.........................................22

2.1.4 Kháng lỗi trên điện toán đám mây........................................................27

2.2 Hạ tầng điện toán đám mây .........................................................................31

2.2.1 Vai trò của ảo hóa trong điện toán đám mây ........................................31

2.2.2 Ứng dụng triển khai trên hạ tầng điện toán đám mây...........................32

2.2.3 Lỗi trên hạ tầng điện toán đám mây......................................................34

2.3 Khảo sát các phương pháp phát hiện lỗi trên hạ tầng điện toán đám mây ..36

2.3.1 Phát hiện lỗi dựa trên mẫu dữ liệu lỗi đã biết trước..............................36

2.3.2 Phát hiện lỗi dựa trên bất thường..........................................................37

2.3.3 Nhận xét và hướng tiếp cận ..................................................................39

2.4 Khảo sát các khung kháng lỗi trong hạ tầng điện toán đám mây................43

2.4.1 Khung kháng lỗi thụ động.....................................................................43

xii

2.4.2 Khung kháng lỗi chủ động....................................................................44

2.4.3 Nhận xét và hướng tiếp cận ..................................................................44

2.5 Kiến trúc khung kháng lỗi chủ động cho hạ tầng điện toán đám mây ........50

2.6 Kết luận chương 2........................................................................................52

CHƯƠNG 3 PHÂN TÍCH LỖI MÁY CHỦ VẬT LÝ TRÊN HẠ TẦNG ĐIỆN

TOÁN ĐÁM MÂY...................................................................................................54

3.1 Đặt vấn đề ....................................................................................................54

3.2 Chỉ số vận hành bất thường của máy chủ vật lý..........................................57

3.2.1 Mô hình One-class Support Vector Machine .......................................57

3.2.2 Mô hình Fuzzy One-Class Support Vector Machine............................59

3.2.3 Thuật toán huấn luyện mô hình bất thường SMO ................................62

3.3 Phát hiện lỗi máy chủ vật lý dựa trên chỉ số vận hành bất thường..............67

3.4 Phân tích thông số hiệu năng của máy chủ vật lý liên quan đến lỗi............70

3.5 Đánh giá hiệu quả mô hình phát hiện lỗi và thông số hiệu năng của máy

chủ vật lý liên quan đến lỗi ...................................................................................75

3.5.1 Quá trình huấn luyện mô hình phát hiện lỗi .........................................76

3.5.2 Đánh giá mô hình dựa trên dữ liệu thực nghiệm ..................................77

3.5.3 Đánh giá mô hình trên dữ liệu Google Cluster Trace...........................87

3.6 Kết luận chương 3........................................................................................93

CHƯƠNG 4 XÂY DỰNG CHIẾN LƯỢC DI TRÚ MÁY ẢO KHÁNG LỖI

TRÊN HẠ TẦNG ĐIỆN TOÁN ĐÁM MÂY..........................................................95

4.1 Đặt vấn đề ....................................................................................................95

Bài toán di trú máy ảo kháng lỗi.................................................................98

4.3 Điều khiển di trú một máy ảo ....................................................................101

4.3.1 Mô hình điều khiển mờ.......................................................................101

4.3.2 Quá trình quyết định Markov cho di trú máy ảo.................................103

4.3.3 Tập luật di trú máy ảo học tăng cường ...............................................110

4.3.4 Thuật toán điều khiển di trú máy ảo V2PFQL....................................112

4.4 Huấn luyện tập luật di trú máy ảo..............................................................113

4.4.1 Mô hình huấn luyện tập luật di trú máy ảo .........................................113

4.4.2 Thuật toán huấn luyện tập luật di trú máy ảo V2PFQL-AS ...............115

4.5 Đánh giá thuật toán điều khiển di trú máy ảo............................................117

4.5.1 Kịch bản và cấu hình hệ thống mô phỏng ..........................................117

4.5.2 Đánh giá thuật toán huấn luyện tập luật di trú máy ảo V2PFQL-AS.119

xiii

4.5.3 Đánh giá thuật toán điều khiển di trú máy ảo V2PFQL .....................124

4.6 Kết luận chương 4......................................................................................128

CHƯƠNG 5 TỔNG KẾT..................................................................................130

5.1 Tóm tắt.......................................................................................................130

5.2 Hướng nghiên cứu mở rộng.......................................................................134

DANH MỤC CÁC CÔNG TRÌNH CÔNG BỐ .....................................................135

TÀI LIỆU THAM KHẢO.......................................................................................136