Thuận toán Mode giải bài toán lập lịch luồng công việc

Bài toán lập lịch luồng công việc là một bài toán

đã được nghiên cứu từ những năm 1950, và bài toán

này đã được chứng minh thuộc lớp NP-Khó. Trong

những năm gần đây đã có rất nhiều ứng dụng khoa

học được mô hình hóa bởi dạng đồ thị luồng công việc

như ứng dụng Montage [1], CyberShake [2],

Epigenomics [3], LIGO [4], v.v. một trong những

thách thức của bài toán lập lịch luồng công việc là

phải hoàn thành luồng công việc với thời gian nhỏ

nhất trong điều kiện giới hạn về nguồn tài nguyên. Sự

phát triển của môi trường điện toán đám mây (Cloud

Computing) đã tạo ra các cơ hội cho việc giải quyết

bài toán lập lịch luồng công việc, với khả năng về tài

nguyên dự phòng và luôn sẵn dùng sẽ giúp giảm bớt

thời gian chờ đợi giữa các tác vụ trong luồng công

việc, khả năng cung cấp tài nguyên theo nhu cầu

khách hàng cũng là một lợi thế lớn của điện toán đám

mây, khả năng này sẽ cho phép các ứng dụng dạng

luồng công việc có thể bắt đầu được thực hiện ngay

khi chỉ có một phần tài nguyên được đáp ứng mà

không cần phải chờ đợi cho đến khi đủ tất cả các tài

nguyên cần thiết. Ngoài ra, khả năng co giãn trong

môi trường điện toán đám mây cũng là một đặc trưng

hữu ích với các ứng dụng dạng luồng công việc vì nó

cho phép các hệ thống luồng công việc dễ dàng tăng,

giảm các tài nguyên của ứng dụng theo nhu cầu. Bản

chất của vấn đề lập lịch luồng công việc trong môi

trường điện toán đám mây là gán các tác vụ của luồng

công việc vào thực thi trên các tài nguyên của đám

mây sao cho thời gian hoàn thành luồng công việc

(Makespan) là nhỏ nhất.

pdf 8 trang kimcuc 8400
Bạn đang xem tài liệu "Thuận toán Mode giải bài toán lập lịch luồng công việc", để tải tài liệu gốc về máy hãy click vào nút Download ở trên

Tóm tắt nội dung tài liệu: Thuận toán Mode giải bài toán lập lịch luồng công việc

Thuận toán Mode giải bài toán lập lịch luồng công việc
Các công trình nghiên cứu phát triển CNTT và Truyền thông Tập V-1, Số 17 (37), tháng 6/2017 
- 51 - 
Thuận toán MODE giải bài toán lập lịch luồng 
công việc 
An Algorithm MODE for Workflow Scheduling 
Phan Thanh Toàn, Nguyễn Thế Lộc, Nguyễn Doãn Cƣờng 
Abstract: Cloud computing is a new trend of 
information and communication technology that 
enables resource distribution and sharing at a large 
scale. The Cloud consists of a collection of virtual 
machine that promise to provision on-demand 
computational and storage resources when needed. 
End-users can access these resources via the Internet 
and have to pay only for their usage. Scheduling of 
scientific workflow applications on the Cloud is a 
challenging problem that has been the focus of many 
researchers for many years. In this work, we propose 
a novel algorithm for workflow scheduling that is 
derived from the Opposition-based Differential 
Evolution method. This algorithm does not only 
ensure fast convergence but it also averts getting 
trapped into local extrema. Our CloudSim-based 
simulations show that our algorithm is superior to its 
predecessors. Moreover, the deviation of its solution 
from the optimal one is negligible. 
Keyword: Workflow scheduling, Opposition-Based 
Differential Evolution, cloud computing, Differential 
Evolution. 
I. GIỚI THIỆU 
Bài toán lập lịch luồng công việc là một bài toán 
đã được nghiên cứu từ những năm 1950, và bài toán 
này đã được chứng minh thuộc lớp NP-Khó. Trong 
những năm gần đây đã có rất nhiều ứng dụng khoa 
học được mô hình hóa bởi dạng đồ thị luồng công việc 
như ứng dụng Montage [1], CyberShake [2], 
Epigenomics [3], LIGO [4], v.v. một trong những 
thách thức của bài toán lập lịch luồng công việc là 
phải hoàn thành luồng công việc với thời gian nhỏ 
nhất trong điều kiện giới hạn về nguồn tài nguyên. Sự 
phát triển của môi trường điện toán đám mây (Cloud 
Computing) đã tạo ra các cơ hội cho việc giải quyết 
bài toán lập lịch luồng công việc, với khả năng về tài 
nguyên dự phòng và luôn sẵn dùng sẽ giúp giảm bớt 
thời gian chờ đợi giữa các tác vụ trong luồng công 
việc, khả năng cung cấp tài nguyên theo nhu cầu 
khách hàng cũng là một lợi thế lớn của điện toán đám 
mây, khả năng này sẽ cho phép các ứng dụng dạng 
luồng công việc có thể bắt đầu được thực hiện ngay 
khi chỉ có một phần tài nguyên được đáp ứng mà 
không cần phải chờ đợi cho đến khi đủ tất cả các tài 
nguyên cần thiết. Ngoài ra, khả năng co giãn trong 
môi trường điện toán đám mây cũng là một đặc trưng 
hữu ích với các ứng dụng dạng luồng công việc vì nó 
cho phép các hệ thống luồng công việc dễ dàng tăng, 
giảm các tài nguyên của ứng dụng theo nhu cầu. Bản 
chất của vấn đề lập lịch luồng công việc trong môi 
trường điện toán đám mây là gán các tác vụ của luồng 
công việc vào thực thi trên các tài nguyên của đám 
mây sao cho thời gian hoàn thành luồng công việc 
(Makespan) là nhỏ nhất. 
Nội dung tiếp theo của bài báo gồm những phần 
chính như sau. Phần II trình bày một số công trình liên 
quan đến bài toán lập lịch luồng công việc. Phần III 
mô tả bài toán và trình bày mô hình toán học, sau đó 
phát biểu bài toán và chứng minh rằng nó thuộc lớp 
NP-Khó. Phần IV giới thiệu thuật toán đề xuất - 
MODE. Để kiểm chứng hiệu năng của thuật toán 
MODE, Phần V trình bày quá trình thực nghiệm trên 
một số luồng công việc khoa học mẫu trong môi 
trường đám mây thông qua công cụ mô phỏng 
CloudSim và gói thư viện Jswarm [5] và phân tích số 
liệu thu được, từ đó đưa ra những nhận xét so sánh. 
Phần VI trình bày kết luận và hướng nghiên cứu tiếp 
theo. 
Các công trình nghiên cứu, phát triển và ứng dụng CNTT-TT Tập V-1, Số 17 (37), tháng 6/2017 
 - 52 - 
II. NHỮNG CÔNG TRÌNH LIÊN QUAN 
Bài toán lập lịch luồng công việc đã được chứng 
minh là thuộc lớp NP-Khó [6] nghĩa là thời gian để 
tìm ra lời giải tối ưu tăng rất nhanh theo kích cỡ dữ 
liệu đầu vào, vì vậy đã có nhiều công trình nghiên cứu 
nhằm tìm ra lời giải gần đúng trong thời gian ngắn. 
Sadhasivam đã đề xuất thuật toán lập lịch luồng 
công việc dựa trên sự cân bằng tải trong môi trường 
điện toán đám mây [7]. Thuật toán không chỉ đáp ứng 
các yêu cầu từ người sử dụng mà còn cung cấp khả 
năng sử dụng tài nguyên một cách hiệu quả. Đây là 
thuật toán theo hướng nâng cao hiệu quả dịch vụ dựa 
trên Meta-heuristic. Burya đã trình bày một cách tóm 
tắt về các chức năng của công cụ mô phỏng CloudSim 
[8] - môi trường mô phỏng cho phép cài đặt và thực 
nghiệm các thuật toán lập lịch luồng công việc trong 
môi trường điện toán đám mây. Guo-Ning đã đề xuất 
một thuật toán lập lịch luồng công việc dựa trên giải 
thuật di truyền [9]. Trong đó đưa vào nhiều ràng buộc 
dịch vụ khác nhau như thời gian hoàn thành, băng 
thông, chi phí, độ tin cậy. Tác giả đã sử dụng kết hợp 
với giải thuật luyện thép sau pha lựa chọn, trao đổi 
chéo, đột biến nhằm tăng cường khả năng tìm kiếm 
cục bộ của giải thuật di truyền. 
Các tác giả trong bài báo [10] đã đề xuất thuật toán 
EGA (Enhanced Genetic Algorithm) lập lịch bằng 
phương pháp di truyền. Trong công trình các tác giả 
sử dụng thuật toán Enhanced Max Min trong bước 
khởi tạo quần thể nhằm tìm ra các cá thể tốt cho quá 
trình tiến hóa. 
Pandey [11] đã đề xuất thuật toán lập lịch luồng 
công việc PSO Heuristic (Particle Swarm 
Optimization Heuristic – PSO_H) trong môi trường 
điện toán đám mây dựa trên chiến lược tối ưu bày đàn. 
Rajkumar đã đề xuất một thuật toán lập lịch phân cấp 
[12] và đưa vào các tham số dịch vụ khác nhau, chẳng 
hạn như thời gian đáp ứng. Thuật toán sử dụng tham 
số này như một quyền ưu tiên để lựa chọn các tác vụ 
lập lịch. Cao và các đồng nghiệp đã trình bày thuật 
toán lập lịch dựa trên giải thuật ABC (Activity Based 
Costing) [13]. Thuật toán này gán mức ưu tiên cho 
mỗi tác vụ trong luồng công việc theo các tham số về 
thời gian, không gian, các tài nguyên và chi phí, quá 
trình lập lịch sẽ sử dụng mức ưu tiên này để quyết 
định các tác vụ được chọn trong quá trình lập lịch. 
Selvi đã đề xuất thuật toán lập lịch luồng công việc 
trong môi trường điện toán lưới (Grid) [14], tác giả đã 
vận dụng thuật toán tiến hóa vi phân (DE) vào giải bài 
toán lập lịch luồng công việc trên môi trường điện 
toán lưới nhằm cực tiểu thời gian hoàn thành luồng 
công việc (makespan). Tác giả đã chỉ ra giá trị 
Makespan tìm được bởi thuật toán đề xuất là nhỏ hơn 
so với thuật toán PSO. Xu đã đề xuất thuật toán 
COODE [15] (Current Optimum Opposition-based 
Differential Evolution) nhằm tìm giá trị tối ưu cho các 
hàm số dựa theo phương pháp tiến hóa vi phân đối 
xứng, tác giả đã đề xuất công thức tìm điểm đối xứng 
của một điểm dựa theo giá trị tối ưu hiện tại nhằm 
thay đổi toán tử đột biến trong phương pháp tiến hóa 
vi phân và tác giả đã so sánh thuật toán COODE với 
các thuật toán DE và ODE. Kết quả cho thấy thuật 
toán đề xuất COODE tốt hơn các thuật toán đối sánh. 
Các công trình nêu trên đều chưa hướng tới mục 
tiêu duy nhất là giảm thiểu thời gian hoàn thành của 
luồng công việc với các cấu trúc phức tạp và sự đa 
dạng về dữ liệu truyền qua lại giữa các tác vụ trong 
luồng công việc và chưa trình bày rõ ràng về mô hình 
toán học của bài toán lập lịch luồng công việc. 
III. MÔ HÌNH LÝ THUYẾT 
Hệ thống tính toán 
Giả thiết cho trước hệ thống tính toán bao gồm: 
 Tập hợp N máy chủ trong môi trường điện toán 
đám mây S = {S1, S2, ... SN}. 
 Luồng công việc cần thực hiện biểu diễn bởi đồ thị 
có hướng, không có chu trình G = (V, E), mỗi đỉnh 
biểu thị một tác vụ, mỗi cạnh biểu diễn mối quan 
hệ cha-con giữa một cặp tác vụ. 
 Tập các tác vụ T = {T1, T2, ... TM} với M là số 
lượng tác vụ. 
 Khối lượng tính toán của tác vụ Ti ký hiệu là Wi , 
đo bằng đơn vị flop (floating point operations: 
phép tính trên số thực dấu phảy động). 
Các công trình nghiên cứu, phát triển và ứng dụng CNTT-TT Tập V-1, Số 17 (37), tháng 6/2017 
 - 53 - 
 Tốc độ tính toán của máy tính, đo bằng đơn vị 
flop/s (số phép tính thực hiện được trên giây), ký 
hiệu P( ), là hàm số được định nghĩa như sau: 
P: S R+ 
Si P(Si) 
 Mọi cặp máy chủ (Si, Sk) bất kỳ đều có đường 
truyền để trao đổi dữ liệu với nhau (1 ≤ i, k ≤ N). 
 Băng thông của đường truyền, ký hiệu B( ), là tốc 
độ truyền dữ liệu giữa các máy chủ, đo bằng đơn vị 
bit trên giây (bps), là hàm số được định nghĩa như 
sau: 
B: S S R+ 
(Si, Sk) B(Si, Sk) 
 Hàm băng thông B( ) tuân theo các ràng buộc sau: 
+ B(Si, Si) = : thời gian truyền từ một máy chủ tới 
chính nó bằng 0, nghĩa là nếu tác vụ cha và tác vụ con 
được bố trí trên cùng một máy chủ thì không mất thời 
gian để truyền dữ liệu giữa chúng vì dữ liệu đó được 
lưu trữ và sử dụng ngay tại chỗ. 
+ B(Si, Sk ) = B(Sk, Si): kênh truyền hoạt động từ hai 
đầu với tốc độ tương đương nhau. 
 Khối lượng dữ liệu cần truyền giữa hai tác vụ Ti và 
Tk, ký hiệu là Dik, là các giá trị cho trước, Dik 0 
khi và chỉ khi Ti là tác vụ cha của Tk, trong trường 
hợp ngược lại Dik = 0. 
Khái niệm lịch biểu 
Một phương án xếp lịch F, còn gọi là lịch biểu F, 
được xác định bởi hai hàm (ts , proc) trong đó 
 ; ts(Ti) là thời điểm mà tác vụ n T bắt 
đầu được thực hiện. 
 ; proc(Ti) là máy tính được phân công 
thực hiện tác vụ Ti T. 
Từ các giả thiết trên suy ra thời gian tính toán của 
tác vụ Ti là: 
 i
i
TprocP
W (i = 1, ... , M) (1) 
Thời gian truyền dữ liệu giữa tác vụ Ti và Tk là: 
 ki
ik
TprocTprocB
D
,
 (i,k = 1, ... , M) (2) 
Makespan của lịch biểu F biểu diễn theo như sau: 
 ( ) { ( )} * ( )+ 
(3) 
với tf(Ti) là thời điểm kết thúc và ts(Ti) là thời điểm 
bắt đầu thực hiện của tác vụ Ti 
Mục tiêu của bài toán 
Mục tiêu của bài toán là tìm lịch biểu F sao cho 
 ( ) 
Phát biểu và chứng minh độ phức tạp 
Bài toán đang xét, từ đây ký hiệu là WSP - 
Workflow Scheduling Problem, được phát biểu như 
sau: giả sử cho trước tài nguyên của đám mây bao 
gồm tập máy chủ S với tốc độ tính toán và băng thông 
được biểu diễn như trên. Giả sử tập tác vụ T được 
biểu diễn bởi đồ thị G = (V, E) như trên. Hàm mục 
tiêu đặt ra là cực tiểu thời gian hoàn thành luồng 
công việc 
makespan → min 
Bổ đề: WSP là bài toán thuộc lớp NP-Khó 
Chứng minh: 
Xét bài toán SCHED [16] sau đây: giả sử cho trước 
tập máy chủ và tập tác vụ gồm các thành phần như đã 
định nghĩa ở bài toán WSP trên đây, ngoài ra bổ sung 
thêm điều kiện là tập S gồm các máy chủ giống hệt 
nhau về tốc độ tính toán. 
Sinnen đã chứng mình rằng bài toán SCHED thuộc 
lớp NP-Khó [16]. Quay về bài toán WSP đang xét, dễ 
thấy rằng bài toán SCHED chỉ là một trường hợp 
riêng của bài toán WSP khi bổ sung thêm điều kiện 
ràng buộc sau đây: P(Si) = P(Sj) i, j = 1..N. 
Vì vậy, rõ ràng bài toán WSP cũng thuộc lớp NP-
Khó. 
IV. GIẢI PHÁP ĐỀ XUẤT 
Thuật toán tiến hóa vi phân dựa trên thông tin đối 
xứng (Opposition-based differential evolution – ODE) 
được đề xuất bởi Storn và Price [17]. Tương tự như 
các thuật toán tiến hóa khác, thuật toán ODE gồm hai 
bước chính: khởi tạo quần thể và sinh quần thể mới 
bằng cách áp dụng các toán tử di truyền như đột biến, 
trao đổi chéo và lựa chọn tự nhiên. Tuy nhiên, thuật 
toán ODE nâng cao hiệu năng tìm kiếm trong hai bước 
này bằng cách tìm kiếm thêm lời giải trong phần đối 
Các công trình nghiên cứu, phát triển và ứng dụng CNTT-TT Tập V-1, Số 17 (37), tháng 6/2017 
 - 54 - 
xứng của không gian tìm kiếm hiện tại. Để giải quyết 
bài toán lập lịch luồng công việc đã đề xuất trong mô 
hình phần III, chúng tôi sẽ đề xuất phương pháp tìm 
phần tử đối xứng trong quần thể và kết hợp với 
phương pháp bánh xe quay vòng dựa trên hạng cá thể 
nhằm tìm ra các cá thể tốt cho quá trình đột biến qua 
đó nâng cao hiệu năng của thuật toán. 
Định nghĩa 1: Giả sử x là số thực và x [a, b], khi 
đó phần tử đối xứng của x kí hiệu là ̅ và được tính 
như sau: 
 ̅ (3) 
Định nghĩa 2: Gọi P(x1, x2,..,xD) là một véc tơ D-
chiều, với xi [ai, bi]; i = 1, 2, , D. Khi đó, véc tơ 
đối xứng của P kí hiệu là ̅ ( ̅̅ ̅ ̅̅ ̅ ̅̅̅̅ ) và được 
tính như sau: 
 ̅ (4) 
IV.1. Biểu diễn cá thể 
Mỗi cá thể trong quần thể được biểu diễn bởi một 
vec tơ có độ dài bằng số tác vụ trong luồng công việc. 
Giá trị tương ứng với mỗi vị trí i trong véc tơ biểu 
diễn số hiệu của máy chủ thực thi tác vụ i. 
Ví dụ: Xét luồng công việc với 5 tác vụ T = {T1, 
T2,,T5}, tập máy chủ gồm 3 máy S = {S1, S2, S3}. 
Khi đó cá thể xi = (1, 2, 1, 3, 2) được biểu diễn như 
sau: 
T1 T2 T3 T4 T5 
S1 S2 S1 S3 S2 
IV.2. Phƣơng pháp tính đối xứng cho cá thể 
Trong phương pháp ODE, ta cần phải tìm cá thể 
đối xứng cho mỗi cá thể trong quần thể hiện tại. Trong 
bài báo này, chúng tôi đề xuất phương pháp tìm cá thể 
đối xứng như sau: 
Gọi a = Max{P(Si)} và b = Min{P(Si)};  i = 1, 2, 
.., N; với P(Si) là tốc độ tính toán của máy chủ Si 
Giả sử ta có cá thể xi = (Si (1), Si (2),,Si (M)); Si (j) 
 S,  j = 1, 2, .., M; cá thể đối xứng của xi kí hiệu là 
 ̅ 
và ̅ ( ( ) ̅̅ ̅̅ ̅̅ ̅̅ ( )̅̅ ̅̅ ̅̅ ̅ ( )̅̅ ̅̅ ̅̅ ̅̅ ); (5) 
 ( )̅̅ ̅̅ ̅̅ ( ) 
Sau đó sẽ gán các giá trị tương ứng với mỗi vị trí j 
trong véc tơ ̅ bởi số hiệu máy chủ có tốc độ tính toán 
gần giá trị ( )̅̅ ̅̅ ̅̅ ̅ nhất: 
 ̅̅ ̅ | ( ) ( )̅̅ ̅̅ ̅̅ | | ( ) ( )| (6) 
Algorithm: OP_Algorithm 
Input: population p = (x1, x2,,xPopSize) 
Output: opposite of population OP 
1. for i=1 to PopSize do 
2. ̅ ( ) ( ) 
3. Gán số hiệu máy chủ cho các vị trí 
j của véc tơ ̅ theo(6) 
4. end for 
return OP 
IV.3. Phƣơng pháp bánh xe quay vòng dựa trên 
hạng cá thể 
Bánh xe quay vòng dựa trên hạng cá thể là một 
phương pháp lựa chọn cá thể cho các thế hệ kế tiếp. 
Trong phương pháp này, mỗi cá thể được xếp hạng 
theo một hàm xác định, sau đó sẽ tính xác suất lựa 
chọn các cá thể theo hạng của chúng. Trong bài báo 
này, chúng tôi đề xuất hàm tính hạng cho các cá thể 
như sau: 
 ( ) ( ( ) 
) 
 (7) 
Trong đó: 1.0 SP 2.0; pos: vị trí cá thể cần tính 
hạng 
Algorithm: RBRWS algorithm 
Input: population p = (x1, x2,,xPopSize) 
Output: particle ps 
Begin 
1. Sắp xếp các cá thể theo chiều tăng 
dần của hàm mục tiêu fi 
2. for i=1 to PopSize do 
3. pos[i]  PopSize – 1 
4. for i=1 to PopSize do 
5. calculate ranki by equation (7) 
6. rand  Random(0,SP) 
7. s  PopSize 
8. while(rank[s] 0)s— 
return xs 
End. 
Các công trình nghiên cứu, phát triển và ứng dụng CNTT-TT Tập V-1, Số 17 (37), tháng 6/2017 
 - 55 - 
IV.4. Thuật toán MODE 
Kết hợp các nội dung trên chúng tôi đề xuất thuật 
toán lập lịch luồng công việc trong môi trường điện 
toán đám mây dựa trên thông tin đối xứng và gọi là 
MODE như sau: 
Algorithm MODE ( ) 
Input: T, S, size of workload W[1×M], P[1×N], B[N×N], 
D[M×M], the constant K, the deviation , the number of 
particle NoP 
Output: the best position gbest 
1. Khởi tạo quần thể P gồm PopSize cá 
thể một cách ngẫu nhiên 
2. OP  OP_Algorithm ; tính quần thể 
đối xứng của quần thể hiện tại 
3. Chọn PopSize cá thể tốt nhất từ P 
 OP 
4. while(Điều kiện lặp)do 
5. for i=1 to PopSize do 
6. Lựa chọn cá thể p1 theo thuật 
toán RBRWS 
7. Lựa chọn cá thể p2 theo thuật 
toán RBRWS 
8. F  Random(1,0) 
9. vi  pbest + F (p1 – p2) 
10. Gán số hiệu máy chủ cho mỗi vị 
trí j của véc tơ vi theo (6) 
11. randi,j  Random(0,1) 
12. Irand  random(1,M) 
13. {
14. if (makespan(ui) < makespan(xi)) 
15. xi  ui 
16. end if 
17. end for 
18. rand  Random(0,1) 
19. if(rand < Jr) 
20. OP  OP_Algorithm 
21. Lựa chọn PopSize cá thể tốt nhất 
tử P  OP 
22. end if 
23. End while 
Return gbest; 
Bước khởi tạo: khởi tạo ngẫu nhiên quần thể P gồm 
PopSize cá thể, quần thể đối xứng OP của P theo (5), 
(6), chọn ra PopSize cá thể tốt nhất từ P  OP. 
Trong mỗi bước lặp chọn ra hai cá thể p1, p2 theo 
phương pháp bánh xe quay vòng dựa trên hạng các cá 
thể. Véc tơ đột biến của mỗi cá thể i được tính theo 
công thức: vi  pbest + F (p1 – p2) 
Trong đó: pbest là cá thể tốt nhất hiện tại 
Sau bước đột biến toán tử trao đổi chéo được áp 
dụng cho mỗi cá thể xi để sinh ra cá thể mới ui 
 {
Trong đó randi,j [0,1], Irand [1,M], CR [0,1]. 
Toán tử lựa chọn được áp dụng để quyết định cá 
thể nào được sống sót cho thế hệ kế tiếp 
 {
 ( ) ( )
} 
Sau khi trao đổi chéo và lựa chọn, tính quần thể đối 
xứng OP của P theo (5), (6) và chọn ra PopSize cá thể 
tốt nhất từ P  OP. 
Quá trình tiến hóa của quần thể sẽ được thực hiện 
qua các toán tử đột biến, trao đổi chéo và lấy đối xứng 
quần thể. Sau mỗi thế hệ chúng ta sẽ tính giá trị hàm 
mục tiêu (Makespan) của các phương án xếp lịch và 
đối sánh với giá trị tốt nhất trong cá thể gbest, nếu có 
một cá thể cho giá trị makespan tốt hơn thì cá thể đó 
sẽ thay thế cá thể gbest hiện tại. 
V. KẾT QUẢ THỰC NGHIỆM 
Để kiểm chứng thuật toán đề xuất MODE chúng 
tôi đã sử dụng công cụ mô phỏng Cloudsim [5] để tạo 
lập môi trường đám mây. Đối tượng so sánh là thuật 
toán tiến hóa mạnh như PSO Heuristic [14], và thuật 
toán Random [18], và EGA [10]. 
Các chương trình mô phỏng được viết bằng ngôn 
ngữ Java và chạy trên máy tính cá nhân với bộ vi xử lý 
Intel Core i5 2.2 GHz, RAM 4 GB, hệ điều hành 
Windows 7 Ultimate. 
V.1. Phân nhóm dữ liệu thực nghiệm 
Dữ liệu sử dụng trong các thực nghiệm bao gồm: 
 Dữ liệu về tốc độ tính toán của các máy chủ và 
băng thông giữa các máy chủ được lấy từ các công 
ty cung cấp dịch vụ cloud như Amazon [19]. 
 Dữ liệu luồng công việc được lấy từ các bộ dữ liệu 
thử nghiệm được xây dựng theo độ trù mật khác 
Các công trình nghiên cứu, phát triển và ứng dụng CNTT-TT Tập V-1, Số 17 (37), tháng 6/2017 
 - 56 - 
nhau và các luồng công việc từ các ứng dụng thực 
tế như ứng dụng Montage [1]. 
 Dựa theo tính chất của môi trường điện toán đám 
mây, đây là một môi trường tính toán không đồng 
nhất, tốc độ tính toán các máy chủ và băng thông 
không đồng đều, đồng thời cũng dựa theo tính chất 
các luồng công việc, số lượng tác vụ, độ trù mật 
của đồ thị luồng công việc chúng tôi đã tiến hành 
phân loại dữ liệu theo các nhóm với quan hệ về tốc 
độ tính toán các máy chủ và băng thông khác nhau, 
độ trù mật của đồ thị luồng công việc cũng được 
thử nghiệm qua hệ số khác nhau. Chi tiết các 
nhóm dữ liệu theo số lượng máy chủ N, số tác vụ 
M và hệ số như sau: 
 Nhóm 1: M = 5, N = 3; Nhóm 2: M = 10, N = 3, 
Nhóm 3: M = 20, N = 8, Nhóm 4: M = 25, N = 8 
 Mỗi nhóm lại bao gồm ba thực nghiệm khác nhau 
về tỷ lệ số cạnh trên số đỉnh của đồ thị luồng công 
việc, ký hiệu là và tính bởi công thức: 
| |
 ( ) 
V.2. Tham số cấu hình 
Các tham số cấu hình của đám mây được thiết lập 
trong miền giá trị như sau: 
 Tốc độ tính toán P của các máy chủ: từ 1 đến 250 
(million instructions/s); khối lượng dữ liệu D giữa 
các tác vụ: từ 1 đến 1000 (MB); băng thông giữa 
các máy chủ B:từ 10 đến 100 (Mega bit/s). 
 Hệ số vi sai F = 0.5; hệ số trao đổi chéo CR = 0.9; 
Jr = 0.3; PopSize = 50; : từ 0.2 tới 0.7. 
V.3. Quá trình tiến hành thực nghiệm 
Để đánh giá hiệu năng của thuật toán đề xuất 
MODE chúng tôi đã tiến hành thực nghiệm và so sánh 
kết quả của MODE với các thuật toán tiến hóa mạnh 
hiện nay như PSO_H và Random. Dữ liệu thực 
nghiệm được lấy từ ứng dụng Montage và các luồng 
công việc ngẫu nhiên theo độ trù mật khác nhau, các 
tham số băng thông, tốc độ tính toán của máy chủ 
được thiết lập thống nhất cho tất cả các thực nghiệm. 
Với mỗi bộ dữ liệu chúng tôi tiến hành chạy chương 
trình 30 lần độc lập. Kết quả thực nghiệm được trình 
bày chi tiết trong Bảng 1, 2 và các Hình 1, 2. Các hình 
này đã chỉ ra kết quả so sánh giữa giá trị trung bình 
tính được bởi thuật toán MODE với các thuật toán đối 
sánh, trong hầu hết các trường hợp thuật toán MODE 
đều cho kết quả tốt hơn các thuật toán đối sánh, giá trị 
trung bình tìm được bởi MODE nhỏ hơn giá trị trung 
bình tìm được bởi PSO_H từ 8% - 29% và nhỏ hơn 
giá trị trung bình tìm được bởi thuật toán EGA từ 6% 
- 25%. 
Hình 1, 2 cũng so sánh giữa giá trị tốt nhất tìm 
được bởi thuật toán MODE với các thuật toán đối 
sánh, qua đó ta thấy giá trị tốt nhất tìm được bởi 
MODE nhỏ hơn giá trị tốt nhất tìm được bởi PSO_H 
từ 3% - 19%, chỉ duy nhất trong bộ dữ liệu thực 
nghiệm thứ 5 thuật toán MODE có giá trị tốt nhất nhỏ 
hơn giá trị tốt nhất tìm được bởi PSO_H là 0.25%, giá 
trị tốt nhất tìm được bởi MODE nhỏ hơn giá trị tốt 
nhất tìm được bởi EGA từ 2% - 20%.
Bảng 1. Kết quả thực hiện các thuật toán với luồng công việc Montage (đơn vị tính: phút) 
M N MODE PSO_H RANDOM EGA 
Best Mean STD Best Mean STD Best Mean STD Best Mean STD 
20 8 0.15 29.1 31.0 1.0 35.90 44.2 5.2 56.3 63.3 3.8 35.6 42.0 3.7 
20 8 0.31 29.9 31.7 1.2 37.1 44.7 6.1 51.6 67.6 6.8 37.5 42.5 3.2 
25 8 0.2 218.0 219.7 1.2 225.0 239.0 8.3 238.0 304.9 33.0 222.4 235.5 4.7 
50 8 0.1 81.2 86.3 3.1 95.0 108.0 6.3 110.5 196.8 32.8 96.4 103.5 3.3 
Bảng 2. Kết quả thực hiện các thuật toán với luồng công việc Epigenomics (đơn vị tính: giờ) 
M N MODE PSO_H RANDOM EGA 
Best Mean STD Best Mean STD Best Mean STD Best Mean STD 
100 10 0.25 38.7 40.9 1.2 38.8 44.9 2.8 49.4 75.7 12.5 39.2 41.9 1.4 
100 20 0.12 23.0 27.3 1.9 34.1 40.5 3.4 42.9 73.1 14.9 34.4 37.7 1.9 
Các công trình nghiên cứu, phát triển và ứng dụng CNTT-TT Tập V-1, Số 17 (37), tháng 6/2017 
 - 57 - 
Hình 1, 2, cũng so sánh giữa độ lệch chuẩn tìm 
được bởi thuật toán MODE với các thuật toán đối 
sánh. Giá trị độ lệch chuẩn của MODE luôn nhỏ hơn 
độ lệch chuẩn của tất cả các thuật toán đối sánh, 
chứng tỏ thuật toán MODE có chất lượng lời giải tốt 
hơn các thuật toán đối sánh và độ ổn định trong các 
lần chạy cũng tốt hơn. 
Hình 1. So sánh các thuật toán với M=50, N=8 
Hình 2. So sánh các thuật toán với M=100, N=20 
VI. KẾT LUẬN 
Lập lịch luồng công việc là một vấn đề phức tạp 
nhưng rất quan trọng vì nó quyết định hiệu năng của 
đám mây điện toán. Để đạt được mục tiêu lập lịch là 
tối thiểu hóa thời gian thực thi, bài báo đã trình bày 
những kết quả chính sau đây: 
 Đề xuất một mô hình lý thuyết cho bài toán lập lịch 
luồng công việc trong môi trường điện toán đám 
mây. 
 Đề xuất phương pháp tính đối xứng cho các cá thể. 
 Dựa trên phương pháp đó, bài báo đề xuất thuật 
toán MODE hoạt động theo thuật toán tiến hóa vi 
phân kết hợp với phương pháp đối xứng nhằm tìm 
ra phương án thực thi tốt nhất. 
Tiếp theo chúng tôi dự định sẽ cải tiến phương 
pháp lựa chọn cá thể và cơ chế lai ghép nhằm tìm ra 
cá thể tốt hơn cho các thế hệ kế tiếp. 
TÀI LIỆU THAM KHẢO 
[1] G. B. Berriman, et al, Montage: A Grid Enabled 
Engine for Delivering Custom Science-Grade Mosaics 
On Demand", in SPIE Conference, 2004. 
[2] P. Maechling, et al, SCEC CyberShake 
Workflows, Automating Probabilistic Seismic Hazard 
Analysis Calculations”, Springer, 2006. 
[3] "USC Epigenome Center".  
[Online].  
[4] LIGO Project. LIGO - Laser Interferometer 
Gravitational Wave Observatory. [Online]. 
[5] R. N. Calheiros, R. Ranjan, A. 
Beloglazov, Cesar A. F. De Rose, and R. 
Buyya, CloudSim: A Toolkit for Modeling and 
Simulation of Cloud Computing Environments and 
Evaluation of Resource Provisioning Algorithms, 
Software: Practice and Experience, volume 41, 
Number 1, Pages: 23-50, Wiley Press, USA, 2011 
[6] J.D. Ullman, NP-complete scheduling problems, 
Journal of Computer and System Sciences, pages 384-
393, volume 10, issue 3, 1975 
[7] R. Rajkumar, T. Mala, Achieving Service Level 
Agreement in Cloud Environment using Job 
Prioritization in Hierarchical Scheduling, Proceeding 
of International Conference on Information System 
Design and Intelligent Application, 2012, vol 132, pp 
547-554. 
[8] R. Burya, R. Calheiros, Modeling and 
Simulation of Scalable Cloud Environment and the 
Cloud Sim Toolkit: Challenges and Opportunities, 
IEEE publication 2009,pp1-11. 
[9] G. Guo-Ning and H. Ting-Lei, Genetic Simulated 
Annealing Algorithm for Task Scheduling based on 
Cloud Computing Environment, Proceedings of 
International Conference on Intelligent Computing and 
Integrated Systems, 2010, pp. 60-63 
0
50
100
150
200
Best
Mean
STD
0
20
40
60
80
Best
Mean
STD
Các công trình nghiên cứu, phát triển và ứng dụng CNTT-TT Tập V-1, Số 17 (37), tháng 6/2017 
 - 58 - 
[10] S. Singh, M.Kalra, Task scheduling optimization 
of independent tasks in cloud computing using 
enhanced genetic algorithm, International Journal of 
Application or Innovation in Engineering & 
Management, V.3, Issue 7, 2014. 
[11] S. Pandey, L. Wu1, S. M. Guru, R. Buyya1, A 
Particle Swarm Optimization (PSO)-based Heuristic 
for Scheduling Workflow Applications in Cloud 
Computing Environments, Proc. of 24th IEEE 
International Conference on Advanced Information 
Networking and Applications (AINA), pages 400-407, 
2010 
[12] R. Rajkumar, T. Mala, Achieving Service Level 
Agreement in Cloud Environment using Job 
Prioritization in Hierarchical Scheduling, Proceeding 
of International Conference on Information System 
Design and Intelligent Application, 2012, vol 132, pp 
547-554. 
[13] Q. Cao, W. Gong and Z. Wei, An Optimized 
Algorithm for Task Scheduling Based On Activity 
Based Costing in Cloud Computing, In Proceedings of 
Third International Conference on Bioinformatics and 
Biomedical Engineering, 2009, pp.1-3 
[14] S.Selvi, Dr. D.Manimegalai, 
Dr.A.Suruliandi, Efficient Job Scheduling on 
Computational Grid with Differential Evolution 
Algorithm, , International Journal of Computer Theory 
and Engineering, Vol. 3, No. 2, April, 2011 
[15] Q. XU, L.WANG, HE. Baomin, N.WANG, 
Modified Opposition-Based Differential Evolution for 
Function Optimization, Journal of Computational 
Information Systems, pp. 1582-1591, 2011. 
[16] O. Sinnen, Task Scheduling for Parallel Systems, 
John Wiley & Sons, 2007, pp. 83 
[17] R. Storn and K. Price, Differential Evolution-A 
Simple and Efficient Heuristic for Global Optimization 
over Continuous Spaces, Journal of Global 
Optimization, 1997, pp. 341-359. 
[18] M. Mitzenmacher, E. Upfal, Probability and 
Computing: Randomized Algorithms and Probabilistic 
Analysis, Cambridge University Press (2005) 
[19] J. V. Vliet, F. Paganelli, Programming Amazon 
EC2, O'Reilly Media, ISBN 1449393683, 2011 
Nhận bài ngày: 21/04/2016 
SƠ LƢỢC VỀ TÁC GIẢ 
PHAN THANH TOÀN 
Sinh năm 1974 tại Thái Nguyên. 
Tốt nghiệp ĐH và Thạc sĩ tại 
trường ĐH Bách khoa Hà Nội, 
nghiên cứu sinh năm 2012 tại 
Học viện Khoa học Công nghệ 
Quân sự. 
Hiện đang công tác tại trường ĐH Sư phạm Hà Nội 
Lĩnh vực nghiên cứu: các phương pháp gần đúng giải 
bài toán lập lịch luồng công việc trong môi trường 
điện toán đám mây, xử lý song song và phân tán. 
Điện thoại : 0912.069.762 
E-mail: pttoan@hnue.edu.vn 
NGUYỄN THẾ LỘC 
Tốt nghiệp ĐH khoa Toán Tin, ĐH 
Sư phạm Hà Nội năm 1993, Tốt 
nghiệp Thạc sĩ CNTT tại trường 
ĐH Bách khoa Hà Nội, nhận bằng 
tiến sỹ tại Viện Nghiên cứu Khoa 
học Công nghệ Nhật Bản JAIST 
năm 2007. 
Lĩnh vực nghiên cứu: mạng máy 
tính và truyền thông, xử lý song song và phân tán 
Điện thoại : 0988.765.837 
E-mail: locnt@hnue.edu.vn 
NGUYỄN DOÃN CƢỜNG 
Sinh năm 1977 tại Tuyên Quang. 
Tốt nghiệp ĐH tại Học viện Kỹ 
thuật Quân sự, nghiên cứu sinh tại 
Trường ĐH Tổng hợp Kỹ thuật 
điện Quốc gia Saint-Peterburg - 
CHLB Nga năm 2006. 
Hiện đang công tác tại Viện CNTT-
Viện Khoa học Công nghệ Quân sự. 
Lĩnh vực nghiên cứu: Công nghệ phần mềm, Data 
Mining and Knowledge Discovery, cơ sở dữ liệu lớn, 
cơ sở dữ liệu chuỗi thời gian, bảo mật. 
Điện thoại : 0976.210.686 
E-mail: cuongvncntt@yahoo.com 

File đính kèm:

  • pdfthuan_toan_mode_giai_bai_toan_lap_lich_luong_cong_viec.pdf