Tổng quan về luận án

Bối cảnh chuyển đổi số toàn cầu và sự bùng nổ của hạ tầng điện toán đám mây (Cloud Computing) sau đại dịch COVID-19 đã đặt ra áp lực chưa từng có lên các trung tâm dữ liệu (Data Centers). Theo Gartner Inc., chi tiêu toàn cầu của người dùng cuối cho dịch vụ đám mây công cộng đạt 257,5 tỷ USD năm 2020 và chạm mốc 362,2 tỷ USD vào năm 2022; tại Việt Nam, quy mô thị trường dự báo đạt 500 triệu USD vào năm 2025. Trong mô hình IaaS (Hạ tầng như một dịch vụ), việc hàng triệu yêu cầu (requests/cloudlets) gửi đến đồng thời dễ dẫn đến hiện tượng thắt nút cổ chai, tắc nghẽn cục bộ và phân bổ tài nguyên bất đối xứng. Luận án tiến sĩ kỹ thuật của tác giả Nguyễn Xuân Phi (2022) với đề tài "Nâng cao hiệu năng cân bằng tải trên điện toán đám mây" (Chuyên ngành Hệ thống thông tin, Mã số 9.48.01.04, Học viện Công nghệ Bưu chính Viễn thông) dưới sự hướng dẫn khoa học của PGS. Trần Công Hùng, mang tính tiên phong trong việc giải quyết triệt để bài toán tối ưu hóa điều phối tải động trên các cụm máy ảo (Virtual Machines - VMs).

Khoảng trống nghiên cứu (Research Gap) cốt lõi được luận án chỉ ra là: Các thuật toán cân bằng tải kinh điển như Round Robin, Throttled, Min-Min và Max-Min thường rơi vào hai khiếm khuyết lớn:

  1. Thiếu khả năng nhận biết trạng thái tải thực tế và thời gian hoàn thành dự kiến của từng máy ảo, dẫn đến việc chuyển giao yêu cầu tới các VM khả dụng trên danh nghĩa nhưng không đủ năng lực xử lý tức thời (Sharma et al., 2012; Silva et al., 2013).
  2. Cơ chế tìm kiếm tuần tự toàn bộ danh sách tài nguyên gây tiêu tốn chi phí tính toán ($O(n \times m)$) và lãng phí băng thông trao đổi thông điệp trạng thái (Buyya et al., 2009; Chen et al., 2013).

Câu hỏi và giả thuyết nghiên cứu được xác lập tường minh:

  • Câu hỏi nghiên cứu 1 (RQ1): Làm thế nào để giảm thời gian đáp ứng (Response Time) của hệ thống khi khối lượng yêu cầu đầu vào biến động ngẫu nhiên và phi tuyến tính?
    • Giả thuyết 1 (H1): Tích hợp tham số thời gian hoàn thành dự kiến của từng VM (thuật toán LBAIRT) và ứng dụng mô hình chuỗi thời gian dự báo ARIMA (thuật toán RRTA) sẽ tối ưu hóa tỷ lệ chấp nhận yêu cầu và giảm thiểu độ trễ phản hồi so với thuật toán Throttled và Round Robin.
  • Câu hỏi nghiên cứu 2 (RQ2): Làm thế nào để triệt tiêu thời gian tìm kiếm lặp và cân bằng độ dài thực thi (Makespan/Processing Time) trên hệ thống máy tính không đồng nhất?
    • Giả thuyết 2 (H2): Thiết lập cấu trúc hai bảng chỉ mục trạng thái động (thuật toán TMA) kết hợp cơ chế phân cụm yêu cầu và máy ảo theo phân ngưỡng thời gian thực hiện (thuật toán MMSIA) sẽ giảm đáng kể tổng thời gian xử lý và triệt tiêu trạng thái bế tắc.

Khung lý thuyết của luận án được neo giữ trên nền tảng: Lý thuyết tính toán xấp xỉ cho bài toán NP-Complete (Approximation Scheduling Theory của Kleinberg & Tardos), Lý thuyết hàng đợi phân phối Poisson (Queuing Theory) và Mô hình kinh tế tài nguyên đám mây (Cloud Resource Management Framework).

Đóng góp đột phá của công trình được định lượng thông qua việc phát triển thành công 04 thuật toán mới: LBAIRT (Load Balancing Algorithm to Improve Response time), RRTA (Reduce Response Time Algorithm), TMA (Throttled Modified Algorithm) và MMSIA (Improved Max-Min Scheduling Algorithm), giúp giảm từ 15% đến trên 35% thời gian đáp ứng và thời gian xử lý so với các thuật toán nền tảng. Luận án thực hiện trên phạm vi mô phỏng hệ thống đa cấu hình từ 3 đến 50 VMs, hàng nghìn Cloudlets với tải trọng từ 1.000 đến 50.000 MIPS trong môi trường CloudSim/CloudAnalyst.

Literature Review và Positioning

Tổng quan y văn quốc tế cho thấy các hướng tiếp cận bài toán cân bằng tải trên đám mây phân hóa thành ba dòng tư tưởng chính:

                                  CÁC HƯỚNG TIẾP CẬN CÂN BẰNG TẢI
                                                 │
         ┌───────────────────────────────────────┼───────────────────────────────────────┐
         ▼                                       ▼                                       ▼
1. Phương pháp Giải thuật Xấp xỉ       2. Chiến lược Lập lịch &              3. Tối ưu hóa Tham số
   (Approximation Algorithms)             Phân vùng Tài nguyên                   Động & Dự báo
   - Greedy-Balance: T ≤ 2T*              - Phân vùng Cloud (Xu et al.)          - Time-series ARIMA (Kherani)
   - Sorted-Balance: T ≤ 1.5T*            - Quản lý Skewness (Nagpure)           - Phân cụm & Gom nhóm (Bhatt)
   - Đặt cận dưới Makespan                - Tích hợp DAIRS (Tian et al.)         - Tối ưu hóa lồi (Li et al.)
  1. Dòng nghiên cứu cân bằng tĩnh (Static Scheduling): Tiêu biểu với Round Robin, Min-Min (Freund et al.) và Max-Min (El-Zoghby et al., 2010). Ưu điểm là chi phí thuật toán thấp, trực quan; nhưng nhược điểm chí mạng là "mù trạng thái" (state-agnostic), không thể thích ứng với môi trường điện toán biến động mạnh.
  2. Dòng nghiên cứu cân bằng động dựa trên bầy đàn sinh học (Heuristics/Metaheuristics): Dhinesh Babu & Venkata Krishna (2013) với giải thuật lấy cảm hứng từ bầy ong mật (Honey Bee Behavior - HBB-LB), hay các giải thuật tối ưu hóa đàn kiến (Ant Colony Optimization - ACO). Dù nâng cao thông lượng nhưng độ phức tạp tính toán rất cao, gây ra độ trễ khởi tạo lớn.
  3. Dòng nghiên cứu phân bổ dựa trên kiểm soát tham số và dự báo: Wenhong Tian et al. (2011) với thuật toán DAIRS; Huankai Chen et al. (2013) với thuật toán LBIMM cải tiến Min-Min; Rodrigo N. Calheiros, Rajkumar Buyya et al. (2011) với kiến trúc CloudSim và Green Cloud.

Tranh luận học thuật cốt lõi diễn ra giữa hai quan điểm đối lập:

  • Quan điểm thứ nhất (Proactive/Predictive Allocation): Đại diện bởi Foram Kherani et al. và Agraj Sharma et al. (2012), khẳng định việc liên tục thăm dò trạng thái tài nguyên gây nghẽn băng thông hệ thống, do đó cần sử dụng mô hình dự báo thống kê để phân bổ tải trước khi máy chủ rơi vào trạng thái quá tải.
  • Quan điểm thứ hai (Reactive/State-aware Allocation): Đại diện bởi A. Govardhan et al. và Rashmi S. et al. (2012), lập luận rằng môi trường đám mây có tính ngẫu nhiên rất cao (stochastic), mọi mô hình dự báo đều có sai số, do đó chỉ có cơ chế giám sát tập trung và điều phối thời gian thực mới đảm bảo được Thỏa thuận mức dịch vụ (SLA).

Luận án của Nguyễn Xuân Phi định vị chính xác ở điểm giao thoa giữa hai trường phái: Kết hợp khả năng phản ứng trạng thái động có cấu trúc dữ liệu tối ưu hóa (bảng chỉ mục kép trong TMA, phân nhóm thời gian trong MMSIA) với mô hình chuỗi thời gian dự báo ARIMA (trong RRTA).

So sánh với hai nghiên cứu quốc tế điển hình:

  • So với nghiên cứu của Buyya et al. (2009, 2011): Thay vì chỉ tập trung vào chính sách cấp phát hạ tầng tiết kiệm năng lượng (Green Service Allocator), luận án đi sâu vào chi tiết mức vi mô của vi xử lý ảo hóa (MIPS allocation).
  • So với nghiên cứu của Chen et al. (2013) về LBIMM: Trong khi LBIMM chỉ tối ưu hóa thuật toán Min-Min bằng cách thực thi các tác vụ nhỏ trước, luận án tái cấu trúc toàn diện không gian tìm kiếm của Max-Min (thuật toán MMSIA), giải quyết triệt để hiện tượng các tác vụ nhỏ bị "bỏ đói" (starvation) và giảm thiểu số vòng lặp quét danh sách máy ảo từ $O(n \times m)$ xuống mức tối ưu.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đã mở rộng Lý thuyết lập lịch tính toán xấp xỉ (Approximation Scheduling Theory) của Kleinberg & Tardos trong môi trường ảo hóa không đồng nhất (Heterogeneous Virtualized Environments).

Trong bài toán cân bằng tải tổng quát: Giả sử có $m$ máy ảo $M = {M_1, M_2, \dots, M_m}$ và $n$ công việc $J = {j_1, j_2, \dots, j_n}$ với thời gian xử lý tương ứng là $t_j > 0$. Tổng thời gian máy $M_i$ hoạt động là $T_i = \sum_{j \in A(i)} t_j$. Mục tiêu là cực tiểu hóa Makespan:

$$T = \max_{i} T_i$$

Luận án khẳng định giới hạn cận dưới của giá trị Makespan tối ưu $T^*$ trong không gian phân tán:

$$T^* \ge \frac{1}{m} \sum_{j=1}^{n} t_j \quad \text{và} \quad T^* \ge \max_{j} t_j$$

Nếu số lượng tác vụ $n > m$, cận dưới mở rộng được xác lập:

$$T^* \ge 2 t_{m+1}$$

Thuật toán Greedy-Balance đạt tỷ lệ xấp xỉ $T \le 2T^$, trong khi thuật toán Sorted-Balance đạt $T \le \frac{3}{2}T^$. Luận án chứng minh rằng bằng cách nhóm có điều kiện các yêu cầu đầu vào kết hợp thời gian hoàn thành dự kiến, ta có thể tiệm cận giá trị $T^*$ nhanh hơn với độ phức tạp thuật toán thấp hơn đáng kể.

                           KHUNG PHÂN TÍCH ĐỘC ĐÁO CỦA LUẬN ÁN
┌────────────────────────────────────────────────────────────────────────────────────────┐
│                                LÝ THUYẾT TỔNG HỢP                                      │
├──────────────────────────┬─────────────────────────────┬───────────────────────────────┤
│ 1. Approximation Theory  │ 2. Stochastic Queuing Model │ 3. Time-Series Forecasting    │
│    (Kleinberg & Tardos)  │    (Poisson Arrival)        │    (Box-Jenkins ARIMA)        │
│    Cận dưới Makespan T*  │    Xác suất luồng tải λ(t)  │    Dự báo tải tương lai P(t)  │
└────────────┬─────────────┴──────────────┬──────────────┴───────────────┬───────────────┘
             │                            │                              │
             ▼                            ▼                              ▼
┌────────────────────────────────────────────────────────────────────────────────────────┐
│                           4 THUẬT TOÁN ĐỘT PHÁ CỦA LUẬN ÁN                             │
├──────────────────────────┬─────────────────────────────┬───────────────────────────────┤
│ LBAIRT: Tối ưu thời gian │ RRTA: Dự báo chuỗi ARIMA    │ TMA: Bảng chỉ mục kép         │
│ hoàn thành dự kiến VM    │ định tuyến tải thông minh   │ loại bỏ tìm kiếm tuần tự      │
├──────────────────────────┴─────────────────────────────┴───────────────────────────────┤
│ MMSIA: Phân nhóm ma trận công việc & tài nguyên theo ngưỡng Makespan tối ưu           │
└────────────────────────────────────────────────────────────────────────────────────────┘

Khung phân tích độc đáo

Khung phân tích của luận án là sự hợp nhất của 3 trụ cột lý thuyết:

  1. Lý thuyết hàng đợi ngẫu nhiên (Queuing Theory): Mô hình hóa tốc độ dòng yêu cầu đến trung bình theo phân phối Poisson $\lambda(t)$ tại khe thời gian $t$, xác lập hàm cực tiểu hóa tổng thời gian đáp ứng: $$\min \sum_{i=1}^{N} \frac{\lambda_i(t)}{(K_i^{r(t)} + K_i^{d(t)})\mu_i - \lambda_i(t)}$$ với $\mu_i$ là tỷ lệ dịch vụ của cá thể VM, đảm bảo điều kiện ổn định hàng đợi.
  2. Lý thuyết điều khiển thống kê (Statistical Control Theory): Tích hợp độ lệch chuẩn của tải ($\sigma$) do Dhinesh Babu đề xuất: $$\sigma = \sqrt{\frac{1}{m} \sum_{i=1}^{m} (PT_i - PT)^2}$$ để phân lớp trạng thái hệ thống thành ba miền: Cân bằng (Balanced), Quá tải (Overloaded) và Dưới tải (Underloaded) thông qua ngưỡng $\tau_s \in [0, 1]$.
  3. Mô hình chuỗi thời gian ARIMA (Autoregressive Integrated Moving Average): Tự động học dữ liệu lịch sử tải để dự đoán bước tiếp theo của thời gian đáp ứng, loại bỏ độ trễ phản hồi thụ động.

Điều kiện biên (Boundary Conditions): Mô hình áp dụng tối ưu cho kiến trúc đám mây IaaS tập trung và bán phân tán; các nút máy chủ vật lý đồng nhất về hạ tầng ảo hóa Hypervisor (KVM, Xen, VMware ESXi); kích thước tác vụ có thể ước tính được độ dài chỉ thị (Instruction length tính bằng Million Instructions - MI).

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

  • Triết lý nghiên cứu (Research Philosophy): Thực chứng luận (Positivism) kết hợp Thực tế phản biện (Critical Realism). Luận án xây dựng các mô hình định lượng tất định và ngẫu nhiên, sau đó kiểm chứng thông qua mô phỏng thực nghiệm lặp lại trên quy mô lớn.
  • Thiết kế đa tầng (Multi-level Architecture): Mô hình nghiên cứu bao gồm 3 tầng chuẩn mực theo NIST:
    • Tầng máy chủ vật lý (Physical Server Layer/Host).
    • Tầng ảo hóa và quản lý máy ảo (Virtualization Layer - VMM/Hypervisor).
    • Tầng môi giới dịch vụ và điều phối (Datacenter Broker & Load Balancer Layer).
+-------------------------------------------------------------------------+
|                          NGƯỜI DÙNG / INTERNET                          |
|             (Hàng nghìn Cloudlets / Request luồng Poisson)              |
+-------------------------------------------------------------------------+
                                     │
                                     ▼
+-------------------------------------------------------------------------+
|                  DATACENTER BROKER / LOAD BALANCER                      |
|  ┌───────────────────────────────────────────────────────────────────┐  |
|  │  Cơ chế phân phối: LBAIRT | RRTA (ARIMA) | TMA | MMSIA            │  |
|  └───────────────────────────────────────────────────────────────────┘  |
+-------------------------------------------------------------------------+
                                     │
                                     ▼
+-------------------------------------------------------------------------+
|               VIRTUALIZATION LAYER (Hypervisor / VMM)                   |
|  ┌──────────────────────┐ ┌──────────────────────┐ ┌─────────────────┐  |
|  │  VM 1 (MIPS 1)       │ │  VM 2 (MIPS 2)       │ │  VM m (MIPS m)  │  |
|  └──────────────────────┘ └──────────────────────┘ └─────────────────┘  |
+-------------------------------------------------------------------------+
                                     │
                                     ▼
+-------------------------------------------------------------------------+
|                 PHYSICAL LAYER (Data Center Hardware)                   |
|              (Multi-core CPU, RAM, SAN Storage, High BW)                |
+-------------------------------------------------------------------------+

Quy trình nghiên cứu và công cụ thực nghiệm

Nghiên cứu sử dụng môi trường mô phỏng chuẩn quốc tế CloudSim Toolkit (Calheiros et al., Đại học Melbourne) và công cụ giao diện phân tích CloudAnalyst trên nền tảng Eclipse IDE (Java JDK).

  • Dữ liệu cấu hình thực nghiệm:
    • Datacenter: Thiết lập từ 1 đến 5 Trung tâm dữ liệu ảo, băng thông mạng (Bandwidth) từ 1.000 đến 10.000 Mbps.
    • Cấu hình VM: Số lượng từ 3, 4, 5 VMs (trong thử nghiệm vi mô) đến 20 và 50 VMs (trong thử nghiệm diện rộng); năng lực xử lý từ 250 MIPS đến 2.000 MIPS; RAM từ 512 MB đến 4.096 MB; cơ chế chia sẻ tài nguyên Time-Shared và Space-Shared.
    • Tải yêu cầu (Cloudlets/Requests): Các tập tác vụ từ 100 đến hàng nghìn yêu cầu, độ dài tác vụ biến thiên từ 1.000 MI đến 50.000 MI, kích thước file đầu vào/ra từ 300 KB đến 5.000 KB.
  • Quy trình kiểm chuẩn (Validation & Triangulation): Dữ liệu được đo đạc lặp lại độc lập qua 4 lần chạy thử nghiệm riêng biệt nhằm triệt tiêu sai số ngẫu nhiên do khởi tạo tài nguyên; tính toán độ lệch chuẩn và so sánh trực tiếp đối đầu (Head-to-head benchmarking) với các thuật toán chuẩn: Round Robin, Throttled, Min-Min, Max-Min.

Phát hiện đột phá và implications

Những phát hiện then chốt

"Một thuật toán cân bằng tải lý tưởng giúp sử dụng các tài nguyên có sẵn một cách hiệu quả nhất, bằng cách đảm bảo không có nút nào bị quá tải hoặc dưới tải." (Trích tr. 12 của Luận án).

Nghiên cứu của tác giả Nguyễn Xuân Phi đã mang lại 4 kết quả mang tính đột phá:

+--------------------------------------------------------------------------------------------------+
|                            TỔNG HỢP CÁC PHÁT HIỆN ĐỘT PHÁ                                        |
+------------+-----------------------------------+--------------------+----------------------------+
| Thuật toán | Cơ chế cải tiến cốt lõi           | Đối chứng so sánh  | Kết quả định lượng         |
+------------+-----------------------------------+--------------------+----------------------------+
| 1. LBAIRT  | Bổ sung tham số thời gian hoàn    | Throttled          | Tỷ lệ chấp nhận yêu cầu    |
|            | thành dự kiến của từng VM         |                    | cao hơn, giảm thời gian    |
|            |                                   |                    | tính toán trung bình       |
+------------+-----------------------------------+--------------------+----------------------------+
| 2. RRTA    | Tích hợp mô hình chuỗi thời gian  | 3, 4, 5 VMs        | Triệt tiêu độ trễ phân bổ, |
|            | ARIMA dự báo trước thời gian đáp  | cấu hình chuẩn     | duy trì đáp ứng dưới       |
|            | ứng của VM kế tiếp                |                    | ngưỡng tới hạn             |
+------------+-----------------------------------+--------------------+----------------------------+
| 3. TMA     | Cấu trúc 2 bảng chỉ mục trạng     | Round Robin,       | Xử lý trơn tru kịch bản    |
|            | thái VM, giới hạn hàng đợi        | Throttled          | 20-50 VMs, giảm mạnh thời  |
|            |                                   |                    | gian phản hồi DC Broker    |
+------------+-----------------------------------+--------------------+----------------------------+
| 4. MMSIA   | Phân nhóm ma trận tác vụ và VM    | Max-Min, Min-Min,  | Cải thiện vượt bậc tổng    |
|            | theo ngưỡng Makespan kỳ vọng      | Round Robin        | Makespan qua 4 lần thử     |
|            |                                   |                    | nghiệm độc lập             |
+------------+-----------------------------------+--------------------+----------------------------+
  1. Thuật toán LBAIRT: Khắc phục triệt để nhược điểm của Throttled. Thay vì chỉ kiểm tra cờ nhị phân (Available/Busy), LBAIRT tính toán thời gian hoàn thành dự kiến dựa trên năng lực MIPS và hàng đợi hiện hữu của VM. Khi số lượng Cloudlet tăng cao, LBAIRT duy trì thời gian đáp ứng ổn định, tỷ lệ chấp nhận yêu cầu vượt trội so với Throttled truyền thống.
  2. Thuật toán RRTA: Ứng dụng thành công mô hình chuỗi thời gian ARIMA để dự báo thời gian phản hồi của máy ảo tiếp theo. Thực nghiệm trên các cấu hình 3 VM, 4 VM và 5 VM chứng minh đường cong thời gian đáp ứng dự báo bám sát ngưỡng thực tế, cho phép bộ điều phối chủ động gán tải trước khi tài nguyên chạm ngưỡng quá tải.
  3. Thuật toán TMA: Giải quyết nút thắt cổ chai tìm kiếm trong Throttled bằng cách sử dụng 02 bảng chỉ mục trạng thái VM (bảng VM rảnh rỗi và bảng VM bận rộn được cập nhật tức thời). Kết quả mô phỏng trên 20 VM và 50 VM cho thấy TMA giảm mạnh thời gian phản hồi của Datacenter Broker, phân phối đều số lượng yêu cầu đến từng VM và ngăn chặn tuyệt đối tình trạng tràn hàng đợi.
  4. Thuật toán MMSIA: Khắc phục nhược điểm của Max-Min kinh điển (vốn ưu tiên tác vụ lớn làm tắc nghẽn các tác vụ nhỏ). Bằng cách nhóm các yêu cầu và máy ảo theo thời gian hoàn thành dự kiến và thời gian thực thi tổng thể, MMSIA giảm đáng kể số vòng lặp quét tài nguyên. Qua 4 lần đo lường thời gian xử lý độc lập, MMSIA đều đạt Makespan ngắn nhất so với Max-Min, Min-Min và Round Robin.

Implications đa chiều

  • Ý nghĩa lý thuyết: Chứng minh tính khả thi của việc tích hợp mô hình dự báo chuỗi thời gian (ARIMA) vào lý thuyết lập lịch động trên môi trường ảo hóa. Xác lập phương pháp luận mới trong việc thiết kế cấu trúc dữ liệu chỉ mục kép cho bộ cân bằng tải IaaS.
  • Ý nghĩa phương pháp luận: Cung cấp bộ quy trình chuẩn hóa về việc kiểm thử, đo lường và đánh giá hiệu năng thuật toán cân bằng tải trên nền tảng CloudSim/CloudAnalyst, có thể tái sử dụng cho các nghiên cứu về Edge/Fog Computing.
  • Ý nghĩa thực tiễn và doanh nghiệp: Cung cấp giải pháp kỹ thuật trực tiếp cho các nhà cung cấp dịch vụ đám mây (như Viettel IDC, VNPT Cloud, CMC Telecom, FPT Cloud) tối ưu hóa việc phân bổ máy ảo, tăng chỉ số QoS, tuân thủ cam kết SLA, giảm điện năng tiêu thụ tại các Trung tâm dữ liệu lớn và tối đa hóa doanh thu khai thác phần cứng.

Limitations và Future Research

Luận án thẳng thắn thừa nhận các giới hạn nghiên cứu:

  1. Giới hạn môi trường thực nghiệm: Các kết quả được thu thập trên nền tảng mô phỏng CloudSim/CloudAnalyst. Dù các tham số mô phỏng được thiết lập sát với thực tế, môi trường mạng vật lý có thể phát sinh các biến số ngẫu nhiên phức tạp hơn (jitter, suy hao gói tin đột ngột, độ trễ cáp quang xuyên lục địa).
  2. Giới hạn về loại hình công việc: Luận án tập trung chủ yếu vào các tác vụ độc lập (independent tasks), chưa đi sâu vào các đồ thị luồng công việc phức tạp có ràng buộc phụ thuộc dữ liệu (Directed Acyclic Graph - DAG Workflows).
  3. Mô hình chi phí và năng lượng: Nghiên cứu tập trung tối ưu hóa 2 tham số chính là Thời gian đáp ứng (Response Time) và Thời gian xử lý (Processing Time), chưa tích hợp sâu bài toán đa mục tiêu kết hợp giảm phát thải Carbon và tối ưu hóa chi phí tài chính (Cost-efficient scheduling).

Chương trình nghiên cứu 5–10 năm tới (Future Research Agenda):

  • Triển khai và kiểm chuẩn 4 thuật toán LBAIRT, RRTA, TMA, MMSIA trên các nền tảng đám mây mở thực tế như OpenStack, Kubernetes và hạ tầng lai AWS/Google Cloud.
  • Mở rộng thuật toán cho mô hình Điện toán biên (Edge Computing) và Điện toán sương mù (Fog Computing) với các nút biên có năng lực tính toán siêu hạn chế và tính di động cao.
  • Ứng dụng Học tăng cường sâu (Deep Reinforcement Learning - DRL) và Mạng nơ-ron đồ thị (GNN) để tự động hóa việc cấu hình siêu tham số cho mô hình dự báo ARIMA trong thời gian thực.

Tác động và ảnh hưởng

  • Tác động học thuật: Luận án đóng góp 07 công trình khoa học công bố tại các tạp chí và hội nghị chuyên ngành uy tín (từ CT1 đến CT7). Dự báo các thuật toán này sẽ tạo tiền đề trích dẫn quan trọng cho các nghiên cứu chuyên sâu về tối ưu hóa hệ thống thông tin phân tán.
  • Chuyển đổi công nghiệp: Giúp các kiến trúc sư đám mây (Cloud Architects) và kỹ sư DevOps tại các doanh nghiệp viễn thông - công nghệ số tái cấu trúc module Load Balancer, nâng cao hiệu suất máy chủ ảo từ 20-30% mà không cần nâng cấp phần cứng vật lý tốn kém.
  • Đóng góp chính sách & Quốc gia: Đóng góp trực tiếp vào mục tiêu kỹ thuật của "Chương trình Chuyển đổi số quốc gia đến năm 2025, định hướng đến năm 2030" của Chính phủ Việt Nam, hỗ trợ xây dựng hạ tầng số tự chủ, an toàn và hiệu năng cao.

Đối tượng hưởng lợi

                                    CÁC NHÓM ĐỐI TƯỢNG HƯỞNG LỢI
                                                 │
         ┌───────────────────────────────────────┼───────────────────────────────────────┐
         ▼                                       ▼                                       ▼
1. Nghiên cứu sinh & Giảng viên        2. Doanh nghiệp Cloud / ISP             3. Cơ quan Quản lý &
   - Hệ thống công thức cận dưới          - Tích hợp TMA & MMSIA vào              Nhà hoạch định Chính sách
   - Phương pháp mô phỏng CloudSim          hạ tầng OpenStack / Kube              - Khung kỹ thuật hạ tầng số
   - Hướng mở rộng DAG & DRL              - Tiết kiệm 20-30% CAPEX/OPEX           - Tiêu chuẩn SLA quốc gia
  • Nghiên cứu sinh và Học giả chuyên ngành: Tiếp cận hệ thống chứng minh toán học chặt chẽ về bài toán Makespan, phương pháp luận tích hợp ARIMA và bộ dữ liệu thực nghiệm chuẩn mực trên CloudSim.
  • Doanh nghiệp cung cấp giải pháp Đám mây (Cloud Providers/ISPs): Ứng dụng ngay thuật toán TMA và MMSIA vào phần mềm quản lý hạ tầng ảo hóa (VIM), giảm chi phí đầu tư thiết bị (CAPEX) và chi phí vận hành điện năng (OPEX).
  • Cơ quan quản lý nhà nước về Viễn thông - CNTT: Có căn cứ khoa học định lượng để xây dựng các bộ tiêu chuẩn kỹ thuật quốc gia về chất lượng dịch vụ đám mây công cộng và đám mây chính phủ.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì?

Đó là việc mở rộng Lý thuyết tính toán xấp xỉ của Kleinberg & Tardos trong việc xác lập cận dưới Makespan $T^* \ge 2t_{m+1}$ cho môi trường máy ảo không đồng nhất, đồng thời tích hợp thành công mô hình chuỗi thời gian ngẫu nhiên ARIMA vào cơ chế phân bổ tài nguyên chủ động, biến bộ cân bằng tải từ trạng thái "phản ứng thụ động" (reactive) sang "đón đầu thông minh" (proactive).

2. Điểm mới về phương pháp luận so với các nghiên cứu quốc tế trước đây?

So với nghiên cứu của Chen et al. (2013) về LBIMM và Sharma et al. (2012), luận án đã:

  • Triệt tiêu chi phí duyệt tuần tự $O(n \times m)$ bằng cấu trúc dữ liệu 02 bảng chỉ mục phân tách trong thuật toán TMA.
  • Phân cụm ma trận tác vụ - tài nguyên theo ngưỡng thời gian hoàn thành dự kiến trong MMSIA, loại bỏ hiện tượng các tác vụ nhỏ bị chiếm dụng thời gian vô thời hạn.

3. Phát hiện bất ngờ nhất trong quá trình thực nghiệm là gì?

Việc tăng số lượng máy ảo (từ 3 lên 5 VM, và từ 20 lên 50 VM) không làm tăng độ phức tạp thời gian đáp ứng theo cấp số nhân nếu áp dụng cơ chế phân nhóm dự báo (RRTA và TMA). Ngược lại, thuật toán TMA thể hiện khả năng ổn định vượt trội khi số lượng VM mở rộng lên 50 nút, trong khi thuật toán Throttled và Round Robin bắt đầu xuất hiện độ trễ phân rã và nghẽn hàng đợi nghiêm trọng.

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

Có. Luận án mô tả chi tiết toàn bộ thông số cấu hình DataCenter (Băng thông, RAM, MIPS), cấu hình VM, thông số UserBase và phân phối Cloudlet trong môi trường mã nguồn mở CloudSim/CloudAnalyst, cho phép cộng đồng học thuật độc lập tái lập và kiểm chứng 100% kết quả.

5. Định hướng chương trình nghiên cứu 10 năm tiếp theo được phác thảo như thế nào?

Chuyển dịch trọng tâm từ cân bằng tải trên đám mây tập trung sang cân bằng tải thích ứng trên kiến trúc Lai: Cloud-Fog-Edge Computing; tích hợp Trí tuệ nhân tạo (AI-driven Load Balancing) với Deep Reinforcement Learning để tự tối ưu hóa đa mục tiêu (Thời gian, Năng lượng, Chi phí, Bảo mật).

Kết luận

Luận án tiến sĩ của tác giả Nguyễn Xuân Phi đã hoàn thành xuất sắc các mục tiêu nghiên cứu với những giá trị cốt lõi:

  1. Phát triển thành công 02 thuật toán tối ưu thời gian đáp ứng: LBAIRT (xét thời gian hoàn thành dự kiến của VM) và RRTA (dự báo chuỗi thời gian ARIMA), nâng cao tỷ lệ tiếp nhận tác vụ.
  2. Phát triển thành công 02 thuật toán tối ưu thời gian xử lý: TMA (sử dụng 2 bảng chỉ mục trạng thái VM) và MMSIA (phân nhóm tác vụ và tài nguyên), giảm thiểu triệt để thời gian Makespan hệ thống.
  3. Hoàn thiện mô hình toán học giải thuật xấp xỉ: Cung cấp cơ sở lý thuyết vững chắc cho bài toán phân bổ tài nguyên trên hệ thống tính toán phân tán không đồng nhất.
  4. Kiểm chuẩn thực nghiệm chuẩn mực: Minh chứng tính ưu việt của 4 thuật toán đề xuất thông qua hàng nghìn kịch bản mô phỏng trên CloudSim/CloudAnalyst.
  5. Mở ra 03 hướng nghiên cứu mới: Cân bằng tải dự báo cho Edge/Fog Computing, điều phối đa mục tiêu kết hợp Green Cloud, và tích hợp AI tự trị trong quản lý hạ tầng đám mây.
  6. Giá trị thực tiễn định lượng cao: Đóng góp giải pháp công nghệ trực tiếp phục vụ chiến lược chuyển đổi số và phát triển kinh tế số quốc gia.