Tổng quan về luận án

Sự phát triển bùng nổ của hạ tầng mạng viễn thông thế hệ mới, hệ thống tính toán phân tán đám mây và các dây chuyền sản xuất tự động hóa hiện đại đã đặt ra yêu cầu cấp thiết về việc phân tích, dự báo và tối ưu hóa hiệu năng vận hành. Trong khoa học tính toán và toán học ứng dụng, lý thuyết hàng đợi (Queueing Theory) và mạng hàng đợi (Queueing Networks) đóng vai trò là công cụ toán học nền tảng để mô hình hóa các luồng dữ liệu và tiến trình xử lý ngẫu nhiên. Tuy nhiên, phần lớn các mô hình mạng hàng đợi kinh điển đều bị ràng buộc bởi các giả thiết lý tưởng hóa nghiêm ngặt: dòng job vào mạng phải tuân theo quá trình Poisson, thời gian phục vụ tại các nút mạng có phân phối mũ (Exponential Distribution), và toàn bộ hệ thống phải vận hành ở trạng thái cân bằng dừng (Steady-state Equilibrium).

Khoảng trống nghiên cứu (Research Gap) cốt lõi được luận án chỉ rõ qua nhận định trực tiếp từ tài liệu: "Đối với mạng hàng đợi với giả thiết dòng vào tổng quát, thời gian phục vụ của các nút mạng là các biến ngẫu nhiên có phân phối bất kỳ, các tác giả mới dừng lại ở việc xác định phân phối xác suất gần đúng của trạng thái mạng hàng đợi trong một số điều kiện nhất định." Thực tiễn mạng truyền thông phức hợp đa dịch vụ hiện đại đòi hỏi phải giải phóng các giả thiết hạn chế này để tiến tới mô hình mạng hàng đợi dạng tổng quát $G/G/J$ với dòng vào tùy ý, phân phối thời gian phục vụ bất kỳ, cơ chế ưu tiên động và ma trận xác suất định tuyến biến thiên theo thời gian.

Luận án tiến sĩ toán học với đề tài "Một số dạng hàng đợi và các nguyên lý xử lý", chuyên ngành Cơ sở toán học cho tin học (mã số 9460110), do nghiên cứu sinh Nguyễn Trung Dũng thực hiện tại Viện Khoa học và Công nghệ Quân sự phối hợp cùng Bộ Tư lệnh 86 dưới sự hướng dẫn của NCVCC. Nguyễn Hồng Hải và TS. Trần Quang Vinh (2018), đã tập trung giải quyết triệt để hai câu hỏi nghiên cứu và giả thuyết trung tâm:

  • Câu hỏi nghiên cứu 1 (RQ1): Làm thế nào để xác định chính xác theo thời gian rời rạc lưu lượng dòng job luân chuyển giữa các nút mạng và giữa các mạng thành phần trong một mạng hàng đợi đa lớp tổng quát mà không cần giả thiết về tính dừng hay phân phối Poisson?
  • Câu hỏi nghiên cứu 2 (RQ2): Những điều kiện giải tích nào đảm bảo quá trình trạng thái tại từng nút mạng $X_j(n)$ và quá trình trạng thái của toàn bộ mạng hàng đợi $X(n)$ thỏa mãn tính chất Markov, và làm thế nào để thiết lập công thức tường minh cho các tham số hiệu năng như thông lượng, độ dài hàng đợi trung bình và xác suất vượt ngưỡng dung lượng?
  • Giả thuyết nghiên cứu 1 (H1): Một mạng hàng đợi đa lớp tổng quát có thể được phân rã một cách toán học thành tập hợp các mạng thành phần độc lập $L_i$, cho phép thiết lập thuật toán phân rã - tổng hợp đệ quy để tính toán chính xác lưu lượng dòng job tại bước $n \ge 1$.
  • Giả thuyết nghiên cứu 2 (H2): Phân phối xác suất chuyển trạng thái của nút mạng qua $k$ bước tuân theo hệ phương trình giải tích mở rộng từ phương trình Chapman-Kolmogorov khi các điều kiện biên và tính thuần nhất thời gian được xác lập.

Khung lý thuyết (Theoretical Framework) của luận án tích hợp không gian đo Borel $(\mathbb{R}, \mathcal{B})$, lý thuyết xích Markov thời gian rời rạc (Discrete-Time Markov Chains - DTMC), lý thuyết giải tích quá trình ngẫu nhiên, mạng hàng đợi Jackson, mạng hàng đợi đa lớp Kelly và lý thuyết xấp xỉ khuếch tán cho hàng đợi $G/G/1/\infty$-FIFO. Phạm vi nghiên cứu bao quát mạng hàng đợi tổng quát gồm $J$ nút phục vụ song song, không gian trạng thái $E_j$, dung lượng đệm $N_j$, và số lượng lớp job $R$ luân chuyển theo ma trận chuyển tiếp đa chiều.

Literature Review và Positioning

Lịch sử nghiên cứu mạng hàng đợi ghi nhận những bước tiến lớn từ các công trình kinh điển về mạng đơn lớp Markovian. Mở đầu bằng các nghiên cứu của Koenigsberg (1958) trên các hệ thống hàng đợi vòng tròn và nối tiếp $M/M/1$, Reich (1957) và Burke (1956) đã chứng minh thuộc tính cơ bản Poisson-In và Poisson-Out gắn liền với tính khả nghịch thời gian (Time-Reversibility). Đột phá mang tính nền tảng xuất hiện khi Jackson (1957, 1963) công bố mô hình mạng hàng đợi mở và đóng, chứng minh rằng phân phối trạng thái cân bằng của mạng có dạng tích phân tách (Product-Form Distribution): $$\pi(x) = \prod_{i=1}^J P(X_i = x_i)$$ Gordon và Newell (1967) độc lập tái khẳng định cấu trúc nghiệm tích cho mạng đóng, đặt nền móng vững chắc cho lý thuyết phân tích hiệu năng.

Giai đoạn tiếp theo chứng kiến sự mở rộng sang mạng hàng đợi đa lớp (Multi-Class Queueing Networks). Harrison (1986, 1988), Harrison và Reiman (1981), Reiman (1984) đã phát triển mô hình mạng đa lớp trong điều kiện mật độ tải cao (Heavy-Traffic Analysis) và xấp xỉ chuyển động Brown phản xạ. Harrison và Williams (1987) nghiên cứu phân phối ổn định của mạng Feed-Forward và điều kiện để quá trình trạng thái là tựa khả nghịch (Quasi-Reversible). Kelly (1979) và sau đó là Chen và Yao (2001) đã chuẩn hóa mô hình mạng đa lớp Kelly, trong đó job thuộc lớp $r$ tại nút $i$ sau khi phục vụ chuyển sang nút $j$ thành job lớp $s$ với xác suất chuyển $p_{ir, js}$. Song song đó, các nghiên cứu xấp xỉ cho mạng tổng quát $G/G/1/\infty$-FIFO được Bolch, Greiner, de Meer, Trivedi (2006) và Kobayashi (1974, 1983) đề xuất dựa trên phân phối dừng gần đúng: $$P(K = k) \approx (1 - \hat{\rho})\hat{\rho}^{k-1}$$ với tham số $\hat{\rho} = \exp\left( \frac{-2(1-\rho)}{\rho c_A^2 + c_B^2} \right)$, phụ thuộc hệ số biến thiên thời gian đến $c_A$ và thời gian phục vụ $c_B$.

Trong y văn tồn tại cuộc tranh luận học thuật sâu sắc giữa hai trường phái:

  • Trường phái giải tích đóng (Exact Analytical Closed-Form): Tiêu biểu bởi Jackson (1957), Kelly (1979) và Ferreira (2013), khẳng định chỉ có các mạng thỏa mãn dòng Poisson, phân phối mũ hoặc tính chất tựa khả nghịch mới có thể giải chính xác bằng phương trình cân bằng chi tiết.
  • Trường phái xấp xỉ tiệm cận (Asymptotic & Diffusion Approximations): Dẫn đầu bởi Harrison (1986), Kobayashi (1983) và Marzolla (2011), lập luận rằng các hệ thống thực tế đều phi Poisson nên bắt buộc phải chấp nhận nghiệm xấp xỉ khuếch tán hoặc mô phỏng Monte Carlo/GPSS.

Vị trí học thuật của luận án (Positioning) được xác lập ngay tại giao điểm quan trọng này: Luận án không dừng lại ở việc áp dụng công thức xấp xỉ tiệm cận, cũng không tự giới hạn trong khuôn khổ đóng kín của phân phối Poisson/mũ. Luận án tiên phong đề xuất giải pháp giải tích trực tiếp thông qua việc thiết lập toán tử phân rã - tổng hợp mạng và xây dựng hệ phương trình chuyển trạng thái theo từng bước rời rạc $n \ge 1$ cho mạng tổng quát $G/G/J$.

So sánh với các nghiên cứu quốc tế đương đại:

  • So với nghiên cứu của Charles Sutton và Michael I. Jordan (2011): Trong khi Sutton và Jordan sử dụng kỹ thuật suy diễn Bayesian phi tham số để ước lượng biến ẩn về số lần job vào/ra trên các cụm máy chủ web của Google, Yahoo, Amazon, luận án của Nguyễn Trung Dũng chọn hướng tiếp cận cấu trúc tiền định ngẫu nhiên (Deterministic-Stochastic Structure), mô hình hóa toán học tường minh thông qua ma trận định tuyến $P^c(n)$ và ma trận chuyển lớp nội nút $S_i(n)$, loại bỏ sai số suy diễn thống kê.
  • So với nghiên cứu của Manuel Alberto M. Ferreira (2013) và Daniel Ciuiu (2011): Trong khi Ferreira chỉ phân tích mạng đa lớp với thời gian phục vụ có phân phối mũ và các lớp job không đổi trong suốt quá trình luân chuyển, và Ciuiu áp dụng mạng Jackson với độ đo Poisson vào mô hình hóa rủi ro ngân hàng, luận án đã mở rộng mô hình cho phép job vừa chuyển đổi lớp ngẫu nhiên tại từng nút mạng, vừa vận hành dưới phân phối thời gian phục vụ tổng quát $G$.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đã mở rộng và tái định hình các lý thuyết kinh điển của Jackson (1957), Kelly (1979) và Harrison (1986) thông qua các đóng góp giải tích đột phá:

  1. Xác lập mô hình toán học giải quyết trọn vẹn hai lớp bài toán cơ bản: Trích dẫn trực tiếp từ luận án: "Tập trung vào hai lớp bài toán: Lớp bài toán xác định quá trình dòng job luân chuyển trong mạng hàng đợi và lớp bài toán liên quan đến các quá trình trạng thái tại các nút mạng và của mạng hàng đợi."
  2. Hình thành hệ phương trình cân bằng động cho dòng job luân chuyển đa lớp: Thay vì dựa vào phân phối dừng tĩnh tại vô hạn, mô hình thiết lập hệ quan hệ vector động tại bước $n \ge 1$: $$a_i^c(n) = v_i^c(n) + \sum_{j} b_j^c(n-1) p_{ji}^c(n)$$ $$b_i^c(n) = \sum_{d \in L_i} a_i^d(n) S_i^{d,c}(n)$$ $$d_i(n) = \sum_{c \in L_i} b_i^c(n) s_i^c(n)$$ trong đó $v_i^c(n)$ là dòng job ngoại sinh vào mạng thành phần $c$, $a_i^c(n)$ là tổng lưu lượng đến nút $i$, $b_i^c(n)$ là lưu lượng xử lý tại nút $i$ của mạng thành phần $c$, $S_i^{d,c}(n)$ là xác suất chuyển từ lớp $d$ sang lớp $c$, và $d_i(n)$ là dòng job thoát khỏi mạng.
  3. Mở rộng phương trình Chapman-Kolmogorov cho quá trình trạng thái tại nút mạng: Thiết lập hệ thức tính ma trận xác suất chuyển trạng thái $k$ bước $Q_i(n, n+k) = \prod_{m=0}^{k-1} Q_i(n+m)$, chứng minh sự hội tụ về phân phối dừng $\pi_j = \lim_{n \to \infty} p_{ij}^{(n)}$ thỏa mãn $\pi_j = \sum_{k \in E} \pi_k p_{kj}$ khi và chỉ khi xích Markov thỏa mãn tính chất ergodic không phụ thuộc vào trạng thái khởi tạo ban đầu $\pi^{(0)}$.
graph TD
    ExtArrival["Dòng job ngoại sinh v_i^c(n)"] --> NodeArrival["Lưu lượng đến nút a_i^c(n)"]
    InternalFeedback["Dòng luân chuyển b_j^c(n-1) P_ji^c(n)"] --> NodeArrival
    NodeArrival --> ClassSwitching["Toán tử chuyển lớp nội nút S_i(n)"]
    ClassSwitching --> NodeTraffic["Lưu lượng xử lý tại nút b_i^c(n)"]
    NodeTraffic --> Outflow["Dòng job rời mạng d_i(n)"]
    NodeTraffic --> NextStepRouting["Định tuyến bước n+1 P^c(n+1)"]
    NextStepRouting --> InternalFeedback

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp liên ngành giữa ba trụ cột lý thuyết:

  • Lý thuyết xác suất và độ đo Borel: Định nghĩa biến ngẫu nhiên $X: (\Omega, \mathcal{F}, P) \to (\mathbb{R}, \mathcal{B})$ cùng các moment trung tâm cấp $k$, thiết lập hàm phân phối tích lũy $F(x) = P(X < x)$ cho thời gian đến và thời gian phục vụ.
  • Lý thuyết mạng hàng đợi đa lớp tổng quát: Phân tầng cấu trúc mạng tổng thể thành tập hợp các mạng thành phần $L = {c = (h, l)}$, trong đó mỗi mạng thành phần biểu diễn một cấu hình định tuyến của một lớp job cụ thể.
  • Lý thuyết tối ưu hóa và giải thuật tính toán số: Thuật toán phân rã và tổng hợp mạng (Decomposition and Aggregation Algorithm) cho phép khử ghép nối (Decoupling) không gian trạng thái đa chiều phức tạp thành các bài toán thành phần cục bộ có thể tính toán tuần tự.

Điều kiện biên (Boundary Conditions) được kiểm soát chặt chẽ: Dung lượng hàng đợi $N_j < \infty$ hoặc vô hạn, tính bảo toàn xác suất $\sum_{j} p_{ij}^c(n) + s_i^c(n) = 1$, và điều kiện ổn định của hệ thống phục vụ $\rho_i = \lambda_i / \mu_i < 1$ tại mọi nút $i \in {1, \dots, J}$.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

  • Triết lý nghiên cứu (Research Philosophy): Chủ nghĩa thực chứng diễn dịch (Deductive Positivism) và chủ nghĩa hiện thực toán học (Mathematical Realism), kết hợp chặt chẽ giữa suy diễn định lý giải tích và chứng minh thuật toán tính toán số.
  • Thiết kế đa cấp độ (Multi-Level Design):
    • Cấp độ vi mô (Micro-level): Trạng thái đơn lẻ tại từng nút mạng $X_j(n) \in E_j = {0, 1, \dots, N_j}$.
    • Cấp độ trung mô (Meso-level): Cấu trúc mạng thành phần $c \in L_i$ chứa nút $i$ và tương tác chuyển đổi job liên lớp.
    • Cấp độ vĩ mô (Macro-level): Trạng thái toàn cục $X(n) = (X_1(n), X_2(n), \dots, X_J(n))$ và vector lưu lượng dòng job tổng thể.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được triển khai theo 4 giai đoạn chuẩn mực khoa học:

  1. Mô hình hóa hình thức (Formal Mathematical Modeling): Trích dẫn phương pháp luận từ luận án: "Sử dụng các phương pháp của lý thuyết hàng đợi và mạng hàng đợi, kết hợp với một số phương pháp của lý thuyết xác suất và thống kê toán học để nghiên cứu và giải quyết một số bài toán quan trọng trong mô hình mạng hàng đợi tổng quát."
  2. Xây dựng cấu trúc ma trận định tuyến và chuyển lớp: Thiết lập ma trận xác suất định tuyến $P^c(n) = [p_{ij}^c(n)]$ kích thước $J \times J$ cho từng mạng thành phần $c$, và ma trận chuyển lớp nội nút $S_i(n) = [S_i^{c,d}(n)]$ kích thước $|L_i| \times |L_i|$.
  3. Phát triển thuật toán phân rã và tổng hợp: Thiết kế lưu đồ thuật toán tính toán luân chuyển dòng job qua các bước $n=1, 2, \dots$, phân tách ma trận chuyển trạng thái tổng thể thành các tích ma trận ngẫu nhiên (Stochastic Matrices).
  4. Kiểm chứng độ tin cậy và tính hợp lệ (Validity & Verification): Kiểm chứng tính đúng đắn toán học qua sự bảo toàn dòng lưu lượng, đối chiếu kết quả giới hạn dừng với công thức tích Jackson khi phân phối suy biến về hàm mũ.
flowchart LR
    A["Thiết lập tham số ban đầu: v_i(n), P^c(n), S_i(n)"] --> B["Phân rã mạng tổng quát thành các mạng thành phần L_i"]
    B --> C["Tính lưu lượng dòng job đến a_i^c(n) tại bước n"]
    C --> D["Tính lưu lượng xử lý b_i^c(n) qua ma trận S_i(n)"]
    D --> E["Tổng hợp lưu lượng thoát d_i(n) và cập nhật bước n+1"]
    E --> F["Đánh giá phân phối trạng thái Q_j(n) và thông lượng gamma"]

Data và phân tích

  • Tập số liệu thực nghiệm số: Dữ liệu tham số đầu vào được thiết kế đa dạng với cấu hình mạng phức hợp gồm nhiều nút mạng ($J \ge 4$), nhiều phân lớp job, các ma trận định tuyến thực nghiệm $P^c(n)$ và vector luồng vào $v_i(n)$ được lập bảng chi tiết (Bảng 2.1, Bảng 2.2, Bảng 2.3, Bảng 2.4 trong luận án).
  • Phần mềm và công cụ cài đặt: Thuật toán tổng hợp mạng được lập trình và hiện thực hóa thông qua module phần mềm chuyên dụng (Chương trình phần mềm tính toán lưu lượng dòng job luân chuyển trong mạng hàng đợi tổng quát, Phụ lục P12), đối chuẩn với các công cụ mô phỏng chuẩn quốc tế như JMT (Java Modelling Tools) và GPSS (General Purpose Simulation System).
  • Kỹ thuật phân tích toán cao cấp: Sử dụng đại số ma trận ngẫu nhiên, giải phương trình sai phân trạng thái, tính toán giá trị riêng (Eigenvalues) của ma trận chuyển $Q_i(n)$, đánh giá độ hội tụ và phân tích khoảng tin cậy của kỳ vọng toán học $E[X_j(n)]$ và phương sai $Var(X_j(n))$.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án mang lại 5 phát hiện then chốt có ý nghĩa bước ngoặt:

  1. Thuật toán phân rã - tổng hợp dòng job xác định chính xác theo bước thời gian: Lần đầu tiên đưa ra thuật toán số học tường minh tính toán chính xác vector lưu lượng dòng job $b_i(n)$ và dòng thoát $d_i(n)$ tại từng nút và từng mạng thành phần tại bước $n \ge 1$, khắc phục hoàn toàn sự phụ thuộc vào các phép xấp xỉ liên tục.
  2. Xác lập hệ phương trình phân phối xác suất chuyển trạng thái $k$ bước: Chứng minh rằng phân phối xác suất của trạng thái nút mạng sau $k$ bước được tính chính xác thông qua tích của $k$ ma trận xác suất chuyển trạng thái bước đơn: $$P(X_j(n+k) = v \mid X_j(n) = u) = [Q_j(n, n+k)]_{uv}$$
  3. Phát hiện điều kiện cần và đủ để quá trình trạng thái duy trì tính Markov: Chỉ ra rằng trong mạng tổng quát, quá trình trạng thái của một nút riêng lẻ $X_j(n)$ không tự động là xích Markov trừ khi ma trận xác suất định tuyến và dòng vào thỏa mãn các điều kiện triệt tiêu tương quan chéo (Cross-Correlation Cancellation) giữa các nút tiền bối.
  4. Thiết lập công thức giải tích cho xác suất vượt ngưỡng dung lượng: Đưa ra công thức tính toán tường minh cho xác suất quá tải tại nút $j$: $$P(X_j(n) \ge K_{threshold}) = \sum_{u = K_{threshold}}^{N_j} P(X_j(n) = u)$$ cùng thông lượng thực tế của toàn mạng $\gamma(n) = \sum_{i=1}^J d_i(n)$.
  5. Đề xuất phương pháp phân chia dòng job tối ưu: Xây dựng thuật toán phân bổ luồng job ngoại sinh vào các mạng thành phần nhằm giảm thiểu xác suất tắc nghẽn và cực đại hóa thông lượng toàn hệ thống.

Implications đa chiều

  • Ý nghĩa lý thuyết: Cung cấp một cầu nối toán học vững chắc giữa lý thuyết xác suất rời rạc hiện đại và lý thuyết mạng viễn thông; mở rộng biên giới của lý thuyết hàng đợi vượt ra khỏi các ràng buộc Markov cổ điển của thế kỷ 20.
  • Ý nghĩa phương pháp luận: Khung thuật toán phân rã - tổng hợp có khả năng tái sử dụng cao, áp dụng được cho bất kỳ hệ thống phân tán nào có cấu trúc topo dạng đồ thị định hướng có trọng số.
  • Ứng dụng thực tiễn trong mạng viễn thông và máy tính: Cung cấp công cụ trực tiếp để phân tích kỹ thuật lưu lượng (Traffic Engineering) trên các tầng của mô hình tham chiếu OSI (Open Systems Interconnection):
    • Tầng vật lý & Tầng mạng: Giải bài toán khóa luồng (Blocking) và tối ưu hóa bộ định tuyến (Routers).
    • Tầng liên kết dữ liệu: Mô hình hóa hàng đợi gói tin, hỗ trợ thuật toán quản lý hàng đợi tích cực (AQM - Active Queue Management) và định hình lưu lượng gáo rò (Leaky Bucket / Token Bucket).
  • Ứng dụng an ninh quốc phòng: Triển khai trực tiếp vào việc thiết kế cấu hình mạng thông tin chỉ huy tác chiến điện tử và bảo vệ an toàn thông tin tại các trung tâm điều hành của Bộ Tư lệnh 86.

Limitations và Future Research

Mặc dù đạt được những đột phá căn bản, luận án cũng chỉ rõ các giới hạn học thuật khách quan:

  • Độ phức tạp tính toán đa chiều: Khi số lượng nút mạng $J$, số phân lớp job $R$ và dung lượng đệm $N_j$ tăng lên cực lớn, kích thước không gian trạng thái của mạng tổng thể bùng nổ tổ hợp, đòi hỏi tài nguyên tính toán ma trận đáng kể.
  • Giả thiết về tính đồng bộ bước thời gian: Mô hình giả định các bước chuyển trạng thái diễn ra theo các lát cắt thời gian rời rạc đồng bộ $[n-1, n]$, chưa bao quát hoàn toàn các hệ thống thời gian thực liên tục bất đồng bộ sâu sắc.
  • Dữ liệu ma trận định tuyến cố định từng bước: Ma trận xác suất định tuyến $P^c(n)$ và chuyển lớp $S_i(n)$ được xem là tham số đã biết hoặc đo kiểm được tại mỗi bước $n$, chưa tích hợp phản hồi thích nghi học sâu theo thời gian thực.

Chương trình nghiên cứu tương lai (Future Research Agenda):

  1. Mở rộng mô hình sang quá trình nửa Markov (Semi-Markov Processes) với thời gian lưu (sojourn time) liên tục bất kỳ.
  2. Ứng dụng thuật toán học tăng cường (Deep Reinforcement Learning) để tự động học ma trận chuyển tiếp tối ưu $P^c(n)$ trong môi trường mạng vô tuyến động 5G/6G.
  3. Nghiên cứu hiện tượng dòng job có tính chất đuôi nặng (Heavy-tailed Distributions) như phân phối Pareto và Weibull trong lưu lượng dữ liệu lớn.
  4. Tối ưu hóa tính toán song song phân tán cho thuật toán phân rã - tổng hợp trên nền tảng GPU/TPU.

Tác động và ảnh hưởng

  • Tác động học thuật: Thiết lập khung lý thuyết mới về mạng hàng đợi đa lớp tổng quát tại Việt Nam, đóng góp các bài báo chất lượng cao được công bố trên các kỷ yếu hội nghị khoa học toán học quốc gia (Đại hội Toán học Việt Nam lần thứ 8 tại Nha Trang) và các tạp chí chuyên ngành uy tín.
  • Chuyển đổi công nghệ và công nghiệp: Cung cấp mô hình toán định lượng giúp các kỹ sư viễn thông (VNPT, Viettel, MobiFone) và quản trị viên trung tâm dữ liệu (Data Center) cấu hình kích thước hàng chờ máy chủ proxy HTTP, tối ưu hóa băng thông truyền dẫn và giảm trễ truyền gói tin.
  • Tác động an ninh - quốc phòng: Góp phần nâng cao năng lực tính toán phân tích hiệu năng cho mạng thông tin quân sự thuộc Bộ Quốc phòng, đảm bảo tính sẵn sàng chiến đấu và khả năng truyền tin thông suốt trong điều kiện tác chiến không gian mạng phức tạp.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và học giả chuyên ngành Toán ứng dụng / Khoa học máy tính: Tiếp cận một phương pháp luận giải tích mới để mô hình hóa các quá trình ngẫu nhiên rời rạc phức tạp và phát triển các đề tài luận án chuyên sâu.
  • Giảng viên và chuyên gia lý thuyết xác suất - hàng đợi: Sử dụng làm tài liệu tham khảo mẫu mực về kỹ thuật mở rộng phương trình Chapman-Kolmogorov và xử lý ma trận ngẫu nhiên đa lớp.
  • Kỹ sư R&D viễn thông và mạng máy tính: Ứng dụng trực tiếp thuật toán phân rã - tổng hợp vào việc thiết kế bộ đệm router, tối ưu hóa lưu lượng đa dịch vụ và kiểm soát chất lượng dịch vụ (QoS).
  • Chuyên gia hoạch định hạ tầng công nghệ thông tin: Có cơ sở khoa học định lượng vững chắc để dự báo ngưỡng tắc nghẽn, lập kế hoạch đầu tư nâng cấp đường truyền và trung tâm dữ liệu một cách hiệu quả.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết kinh điển nào?

Đóng góp độc đáo nhất là việc thiết lập thuật toán phân rã - tổng hợp cùng hệ phương trình đệ quy tính toán lưu lượng dòng job luân chuyển $b_i^c(n)$ và phân phối xác suất chuyển trạng thái $k$ bước $Q_i(n, n+k)$ trong mạng hàng đợi đa lớp tổng quát $G/G/J$. Công trình này mở rộng trực tiếp lý thuyết mạng mở Jackson (1957) và mạng đa lớp Kelly (1979) từ không gian Markovian phân phối mũ sang không gian phân phối tổng quát với ma trận định tuyến biến thiên theo thời gian $P^c(n)$ và toán tử chuyển đổi lớp ngẫu nhiên nội nút $S_i(n)$.

2. Sự đổi mới về phương pháp luận của luận án khi so sánh với ít nhất 2 công trình quốc tế?

  • So với mô hình xấp xỉ khuếch tán của Bolch, Greiner, de Meer, Trivedi (2006): Luận án không sử dụng các công thức xấp xỉ liên tục Allen-Cunneen cho trạng thái cân bằng dừng, mà phát triển thuật toán giải tích rời rạc chính xác theo từng bước $n \ge 1$.
  • So với phương pháp suy diễn Bayes của Sutton và Jordan (2011): Luận án tiếp cận dựa trên cấu trúc cân bằng lưu lượng toán học tiền định thông qua đại số ma trận xác suất chuyển, cung cấp kết quả tính toán chính xác tuyệt đối mà không gặp phải sai số lấy mẫu MCMC hay xấp xỉ biến phân.

3. Phát hiện bất ngờ nhất trong luận án được chứng minh bằng dữ liệu toán học là gì?

Phát hiện bất ngờ nhất là quá trình trạng thái tại một nút mạng $X_j(n)$ trong mạng tổng quát không bảo toàn tính Markov một cách độc lập nếu mạng thành phần có sự phụ thuộc phản hồi vòng lặp (Feedback Loops). Tính Markov chỉ được bảo toàn trên toàn mạng hoặc tại các nút khi ma trận định tuyến thỏa mãn điều kiện triệt tiêu tương quan lịch sử, chứng minh rằng không thể phân tích đơn lẻ từng nút mà bắt buộc phải sử dụng toán tử tổng hợp liên lớp $S_i(n)$.

4. Luận án có cung cấp quy trình tái tạo (Replication Protocol) hoàn chỉnh không?

Hoàn toàn đầy đủ và chi tiết. Luận án cung cấp toàn bộ hệ thống ký hiệu hình thức, sơ đồ khối thuật toán tổng hợp mạng hàng đợi (Hình 2.1), bảng chỉ số hóa các mạng thành phần (Bảng 2.1), bộ số liệu tham số thử nghiệm ma trận định tuyến (Bảng 2.2 - 2.4), và đặc biệt là mã nguồn chương trình phần mềm tính toán lưu lượng dòng job được đính kèm chi tiết tại Phụ lục P12.

5. Chương trình nghiên cứu 10 năm được phác thảo từ nền tảng luận án gồm những hướng nào?

Chương trình nghiên cứu dài hạn bao gồm: (1) Phát triển lý thuyết điều khiển tối ưu động cho ma trận chuyển lớp $S_i(n)$ dựa trên Game Theory; (2) Tích hợp mô hình mạng $G/G/J$ vào tối ưu hóa kiến trúc tính toán biên (Edge Computing) và mạng truyền thông lượng tử; (3) Giải quyết bài toán suy biến kích thước không gian trạng thái lớn bằng giải tích xấp xỉ ten-xơ (Tensor Decomposition).

Kết luận

Luận án tiến sĩ toán học của tác giả Nguyễn Trung Dũng đã mang lại những đóng góp khoa học đặc biệt xuất sắc:

  1. Hoàn thiện hệ thống lý thuyết mạng hàng đợi đa lớp tổng quát $G/G/J$ bằng cách giải phóng hoàn toàn các giả thiết hạn chế về dòng Poisson và phân phối thời gian phục vụ hàm mũ.
  2. Phát triển thành công thuật toán phân rã và tổng hợp mạng, cho phép tính toán chính xác lưu lượng dòng job tại từng nút và giữa các mạng thành phần theo từng bước thời gian $n \ge 1$.
  3. Thiết lập công thức giải tích tường minh cho phương trình chuyển trạng thái $k$ bước và xác định chính xác các điều kiện bảo toàn tính chất Markov và ergodic của hệ thống.
  4. Xây dựng hệ thống công thức tính toán các tham số hiệu năng cốt lõi: thông lượng toàn mạng $\gamma(n)$, độ dài hàng đợi trung bình $E[X_j(n)]$ và xác suất vượt ngưỡng tắc nghẽn $P(X_j(n) \ge K_{threshold})$.
  5. Đề xuất phương pháp luận phân chia dòng job tối ưu, mở ra giải pháp công nghệ nâng cao hiệu năng cho mạng viễn thông, mạng máy tính quân sự và dân sự.
  6. Mở ra 3 hướng nghiên cứu mới: Lý thuyết hàng đợi nửa Markov thích nghi, mạng ngẫu nhiên tích hợp trí tuệ nhân tạo, và tối ưu hóa luồng dữ liệu thời gian thực trong kỷ nguyên số.