Đang tải... (xem toàn văn)
Xây dựng phương pháp kháng lỗi chủ động trong Cloud ComputingXây dựng phương pháp kháng lỗi chủ động trong Cloud ComputingXây dựng phương pháp kháng lỗi chủ động trong Cloud ComputingXây dựng phương pháp kháng lỗi chủ động trong Cloud ComputingXây dựng phương pháp kháng lỗi chủ động trong Cloud ComputingXây dựng phương pháp kháng lỗi chủ động trong Cloud ComputingXây dựng phương pháp kháng lỗi chủ động trong Cloud ComputingXây dựng phương pháp kháng lỗi chủ động trong Cloud ComputingXây dựng phương pháp kháng lỗi chủ động trong Cloud ComputingXây dựng phương pháp kháng lỗi chủ động trong Cloud ComputingXây dựng phương pháp kháng lỗi chủ động trong Cloud ComputingXây dựng phương pháp kháng lỗi chủ động trong Cloud Computing
HỌC VIỆN CÔNG NGHỆ BƢU CHÍNH VIỄN THÔNG - ĐẶNG MINH ÚC LUẬN VĂN THẠC SĨ KỸ THUẬT TP HỒ CHÍ MINH – 2016 HỌC VIỆN CÔNG NGHỆ BƢU CHÍNH VIỄN THÔNG - ĐẶNG MINH ÚC XÂY DỰNG PHƢƠNG PHÁP KHÁNG LỖI CHỦ ĐỘNG TRONG CLOUD COMPUTING Chuyên ngành: Hệ Thống Thông Tin Mã số: 60.48.01.04 LUẬN VĂN THẠC SĨ KỸ THUẬT NGƢỜI HƢỚNG DẪN KHOA HỌC: TS VÕ THỊ KIỀU LOAN TP.HỒ CHÍ MINH - 2016 i LỜI CAM ĐOAN Tôi cam đoan công trình nghiên cứu riêng Các số liệu, kết nêu luận văn trung thực chƣa đƣợc công bố công trình khác TP Hồ Chí Minh, ngày 20 tháng năm 2016 Học viên thực luận văn Đặng Minh Úc ii LỜI CẢM ƠN Lời đầu tiên, xin cám ơn Ban Giám Hiệu Học Viện Công nghệ Thông Tin thầy cô khoa Công Nghệ Thông Tin tạo điều kiện cho đƣợc học tập, truyền đạt kiến thức kinh nghiệm mình, góp ý cho từ ngày đầu làm đề cƣơng luận văn hôm Xin cám ơn TS Võ Thị Kiều Loan, hƣớng dẫn hoàn thành luận văn Xin cám ơn PSG.TS Trần Công Hùng nhiệt tình bảo trình học tập làm luận văn Kính chúc Cô Loan, Thầy Hùng gia đình có nhiều sức khỏe thành công sống Tôi xin cám ơn lời dẫn anh Bùi Đình Mão giúp có thêm nhìn mới, hiểu sâu vấn đề luận văn Cuối cùng, xin dành lời cảm ơn cho gia đình, bạn bè đồng nghiệp tôi, không ngừng động viên tôi, tạo điều kiện tốt cho đƣợc nghiên cứu học tập năm qua TP Hồ Chí Minh, ngày 20 tháng năm 2016 Học viên thực luận văn Đặng Minh Úc iii MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN ii MỤC LỤC iii DANH MỤC CÁC THUẬT NGỮ, CHỬ VIẾT TẮT v DANH MỤC CÁC HÌNH VẼ vi DANH SÁCH BẢNG vii MỞ ĐẦU .1 Chƣơng 1- TỔNG QUAN VỀ KHÁNG LỖI TRONG CLOUD… 1.1.Giới thiệu .3 1.2.Thách thức việc kháng lỗi cloud computing 1.3.Yếu tố đo lƣờng phƣơng pháp kháng lỗi cho cloud computing .6 1.4.Kết luận chƣơng Chƣơng 2- PHƢƠNG PHÁP KHÁNG LỖI CHỦ ĐỘNG TRONG CLOUD COMPUTING .8 2.1.Giới Thiệu .8 2.1.1.Hồi Sinh phần mềm (software rejuvenation) 2.1.2.Self-Healing .8 2.1.3.Di trú ƣu tiên .9 2.2.Hệ phát lỗi 12 2.3.Kết luận chƣơng .14 Chƣơng 3- SỬ DỤNG SUPPORT VECTOR MACHINE TRONG KHÁNG LỖI 15 3.1.Tổng quan support vector machine 15 3.1.1.Giới thiệu 15 iv 3.1.2.Chiến lƣợc phân loại đa lớp SVM 17 3.2.Cơ sở hạ tầng điện toán đám mây .19 3.3.Lỗi cloud IaaS 21 3.4.Đề xuất phƣơng pháp kháng lỗi 23 3.4.1.Đề xuất phƣơng pháp dùng support vector machine .23 3.4.2.Xây dựng ứng dụng 27 3.4.3.Kết đánh giá .35 3.5.Kết luận hƣớng phát triển .39 DANH MỤC TÀI LIỆU THAM KHẢO 41 v DANH MỤC CÁC THUẬT NGỮ, CHỬ VIẾT TẮT Viết tắt Tiếng Anh Tiếng Việt SVM Function Hàm mục tiêu SVM Weight parameter Véctơ trọng số x1, x2 … Vectors Tập véctơ {t1,…,tN} Labels Tập nhãn Kernel function Hàm nhân Vector space Không gian véctơ Parameter Tham số Function Các hàm số Lagrange Funtion Hàm lagrange Epsilon Tham số epsilon CPU Central Processing Unit Bộ xử lý trung tâm HDD Hard Disk Drive Ổ cứng IaaS Infrastructure as a Service Hạ tầng nhƣ dịch vụ KKT Karush-Kuhn-Tucker Điều kiện Karush-Kuhn- Condition Tucker OAO One against one Một đối OAR One against rest Một đối tất OS Operation System Hệ điều hành QoS Quality of Service Chất lƣợng dịch vụ RAM Random Access Memory Bộ nhớ truy cập ngẫu ( ) ( ) , , , ( ), ( ) ̃( ) nhiên Sequential Minimal Tối ƣu bƣớc Optimization nhỏ SVM Support Vector Machine Máy Véctơ hỗ trợ VM Virtual Machine Máy ảo SMO vi DANH MỤC CÁC HÌNH VẼ Hình 1.1: Các phƣơng pháp kháng lỗi .4 Hình 2.1: Tín hiệu heartbeat công thức phát lỗi 14 Hình 3.1: SVM phân loại lớp 15 Hình 3.2: Chiến lƣợc phân lớp One against Rest 18 Hình 3.3: Chiến lƣợc phân lớp OAR (trái) chiến lƣợc phân lớp OAO .19 Hình 3.4: Mô hình điện toán đám IaaS 21 Hình 3.5: Mô hình hệ thống kháng lỗi sử dụng SVM 24 Hình 3.6: Các module chức Fault detector 25 Hình 3.7: Các máy chủ hệ thống Openstack 28 Hình 3.8: Monitor hệ thống với Ganglia 29 Hình 3.9: Dữ liệu lấy từ Ganglia 29 Hình 3.10: Module vector hóa .30 Hình 3.11: Module phân lớp SVM 31 Hình 3.12: Module sách kháng lỗi .35 vii DANH SÁCH BẢNG Bảng 3.1: Các loại lỗi Compute node Máy hƣớng xử lý 22 Bảng 3.2: Tình trạng mã tình trạng máy chủ vật lý 31 Bảng 3.3: Phân loại tình trạng mã tình trạng Máy Ảo 33 Bảng 3.4: Phân loại tình trạng nguyên nhân lỗi Máy ảo 33 Bảng 3.5: Chính sách lỗi Compute 34 Bảng 3.6: Chính sách xử lý lỗi máy ảo 34 Bảng 3.7: Bảng liệu training .36 Bảng 3.8: Độ xác độ phủ phân loại lỗi với máy chủ 37 Bảng 3.9: Độ xác độ phủ phân loại lỗi với Máy ảo 37 Bảng 3.10: Độ xác độ phủ phân loại lỗi Máy Chủ định 38 Bảng 3.11: Độ xác độ phủ phân loại lỗi Máy ảo – định 39 29 Hình 3.8: Monitor hệ thống với Ganglia Hình 3.9: Dữ liệu lấy từ Ganglia Module thu thập liệu: - Module có tác dụng kết nối với ganglia thu thập liệu, lọc trƣờng liệu cần thiết cho việc phân loại - Dữ liệu output trƣờng liệu tƣơng ứng cho đối tƣợng hệ thống Module Vector hóa: 30 - Đầu vào trƣờng liệu đối tƣợng - Chuẩn hóa trƣờng liệu thành vector với giá trị trƣờng nằm khoảng [0 1] Đối với liệu đơn vị phần trăm nhƣ CPU Utilization, Memory Utilization, Network Utilization, chia 100 quy đoạn [0 1] Đối với Respone Time, cho maximum Respone time 200ms, 0s Ta scale giá trị đoạn [0 1] Đối với Disklatency, cho maximum giá trị 70ms, 0ms, ta scale giá trị đoạn [0 1] Hình 3.10: Module vector hóa Module phân lớp SVM: - Module phân lớp SVM với đầu vào (input) vector trạng thái đối tƣợng (máy chủ compute, máy ảo) - Thuật toán xử lý module phân lớp SVM sử dụng thuật toán SMO SVM theo chiến lƣợc One against One Sử dụng phân lớp 31 riêng, cho máy dịch vụ (compute/ neutron/ controller) cho máy ảo - Đầu module loại lỗi vector (hay tình trạng đối tƣợng) Hình 3.11: Module phân lớp SVM Các lớp tình trạng vector: Việc phân lớp dựa dấu hiệu việc nhận dạng lỗi dựa hƣớng xử lý lỗi xảy Ví dụ nhận dạng lỗi IO thƣờng truy xuất IO có thời gian trể cao (Disk latency cao), nhƣng nhận dạng lỗi Network thƣờng dấu hiệu hiệu Network cao bất hƣờng với response time tăng cao… Nhận dạng độ trễ hardware máy Compute (hypervisor) ta thƣờng phải di trú máy ảo sang server có trạng thái Normal Trong máy chủ Compute bị lỗi hệ điều hành (OS Fault ) cần restart lại máy chủ Chi tiết đƣợc giới thiệu module Chính sách kháng lỗi Đối với máy chủ Compute (hypervisor) máy dịch vụ khác (Controller, Neutron), có lớp tình trạng nhƣ sau: Bảng 3.2: Tình trạng mã tình trạng máy chủ vật lý (compute, neutron, controller) Tình Trạng Mã Số CPU/RAM Fault IO Fault (lỗi truy xuất IO, disk bị lỗi, hƣ…) Network Fault OS Fault Normal (tình trạng bình thƣờng không lỗi) 32 Đối với máy ảo, ta có lớp tình trạng nhƣ sau: Máy ảo tiến trình đƣợc chạy máy Compute, chia sẻ tài nguyên CPU, RAM, Disk, Network, nhƣng chạy hệ điều hành riêng, có vùng nhớ riêng độc lập với máy ảo khác Do máy ảo có lỗi giống nhƣ máy thật lỗi phần mềm (OS fault) Máy ảo gặp lỗi phần cứng thƣờng phần cứng máy thật bị lỗi tiến trình chạy máy ảo có lỗi Các lỗi phần cứng máy ảo server hypervisor lỗi đƣợc phân lớp xử lý nên không cần nhận dạng xử lý lỗi (CPU/RAM) Tuy nhiên máy ảo lại xuất thêm lỗi Driver fault (lỗi ảo hóa thiết bị), lỗi nguyên tiến trình chạy máy ảo Compute (hypervisor) lỗi (có thể lỗi hardware, tranh chấp tài nguyên, lỗi bất thƣờng ….) dẫn dến hoạt động không nhƣ mong muốn Đối với Disk, máy ảo sử dụng storage dùng chung nhƣ SAN, NAS …, thiết bị đƣợc kết nối với máy ảo thông qua driver kết nối SAN, NAS máy chủ Compute ,không thuộc sử quản lý máy chủ Compute, chúng xảy lỗi, máy chủ compute hoạt động đƣợc bình thƣờng, có mảy ảo không hoạt động đƣợc, nên cần đƣợc phân lớp riêng Đối với tài nguyên Network, máy ảo môi trƣờng Openstack sử dụng neutron làm gateway ảo hóa network, nên lỗi Network lỗi Network Compute, lỗi Network máy chủ Neutron, lỗi dịch vụ neutron, lỗi driver máy ảo lỗi OS máy ảo Do cần phải kiểm tra lỗi máy ảo 33 Bảng 3.3: Phân loại tình trạng mã tình trạng Máy Ảo Tình trạng Mã Số OS Driver Fault (driver hardware máy ảo bị lỗi) IO Fault (lỗi truy xuất IO, disk bị lỗi, hƣ…) Network Fault OS Fault Normal (tình trạng bình thƣờng không lỗi) Bảng 3.4: Phân loại tình trạng nguyên nhân lỗi Máy ảo Tên Lỗi Nguyên nhân Mã lỗi OS Driver Fault Hardware Compute lỗi Process Compute service lỗi Os máy ảo lỗi IO Fault (lỗi truy xuất Hardware Compute lỗi IO, disk bị lỗi, hƣ…) Thiết bị cung cấp đĩa cứng ảo SAN/NAS lỗi Driver kết nối SAN/NAS compute lỗi Network Fault Lỗi Network Fault Driver máy ảo Compute lỗi Lỗi kết nối driver dịch vụ Nova Neutron Lỗi Network Fault Neutron Lỗi dịch vụ Neutron máy chủ Neutron OS Fault Lỗi hardware máy ảo Lỗi máy ảo Module Chính sách kháng lỗi (Fault tolerance Policy): - Đầu vào mã lỗi đối tƣợng (máy ảo, máy chủ dịch vụ) - Dựa vào rule đƣợc định nghĩa bảng 3.5 3.6 để xử lý lỗi 34 Đầu hành động xử lý lỗi (restart máy chủ, restart dịch vụ, di - trú máy ảo) Bảng 3.5: Chính sách lỗi Compute Tình Trạng Hƣớng xử lý CPU/RAM Fault Di trú tất máy ảo sang server Normal IO Fault Di trú tất máy ảo sang server Normal Network Fault Di trú tất máy ảo sang server Normal OS Fault Di trú tất máy ảo sang server Normal Normal Bảng 3.6: Chính sách xử lý lỗi máy ảo Tên Lỗi Nguyên nhân - Nếu đồng thời Compute node OS Driver - Hardware Compute lỗi Fault (driver - Process Compute service lỗi hardware máy ảo bị Chính sách kháng lỗi có lỗi Di Trú - Nếu - Compute Node bình thƣờng Restart Máy ảo OS máy ảo lỗi Restart Compute Service lỗi) Vẫn lỗi Di Trú - Nếu đồng thời Compute node IO Fault (lỗi - Hardware Compute lỗi truy xuất - Thiết bị cung cấp đĩa cứng ảo IO, disk bị có lỗi Di Trú - Nếu Compute lỗi SAN/NAS lỗi lỗi, hƣ…) Restart dịch vụ glance/cinder, - Driver kết nối SAN/NAS Restart Compute Service, compute lỗi lỗi -> email admin - Nếu dịch vụ Glance/Cinder có lỗi Email Admin Network - Fault Lỗi Network Compute - Fault - Có lỗi Compute Node Di trú Driver máy ảo Compute - Nếu Có lỗi Neutron Node 35 lỗi - Email Admin Lỗi kết nối driver dịch vụ - Nếu lỗi Compute Neutron node Restart Nova Neutron - Lỗi Network Fault Neutron - Neutron Service Compute Service Lỗi dịch vụ Neutron máy chủ Neutron OS Fault - Lỗi hardware máy ảo - Lỗi máy ảo - Nếu có lỗi Compute Di Trú - Nếu compute lỗi Restart máy ảo Hình 3.12: Module sách kháng lỗi 3.4.3 Kết đánh giá Phần trình bày bƣớc huấn luyện, chọn tham số, kernel kiểm thử dùng cho thuật toán SVM: 36 Tập huấn luyện mẫu: Với mục đích nghiên cứu áp dụng thuật toán SVM việc nhận dạng lỗi kháng lỗi chủ động, khuôn khổ luận văn này, tự xây dựng cho tập liệu với trƣờng nhƣ mô tả phần mô hình hóa lỗi nhãn Tập liệu đƣợc sinh dựa mô hình phân phối Gauss Tập liệu có dạng: Bảng 3.7: Bảng liệu training CPU RAM ResponeTime DiskLatency NetworkUtilization Nhãn 0.589635 0.416983 0.638457 0.421889 0.630967 0.610679 0.508955 0.624018 0.318029 0.754012 0.72925 0.291366 0.709774 0.665489 0.393173 0.578048 0.33805 0.480658 0.481508 0.371155 0.526686 0.703051 0.38714 0.342678 0.450485 0.390788 0.612571 0.349074 0.52768 0.536922 0.497738 0.297942 0.477974 0.697429 0.594498 0.185966 0.909465 0.509855 0.378635 0.415463 0.574165 0.365226 0.59097 0.346713 0.485082 0.359258 0.195399 0.759568 0.527994 0.490518 0.596052 0.705073 0.129012 0.436749 0.615887 0.40669 0.395322 0.739712 0.174147 0.729391 0.41909 0.368416 0.228569 0.408245 0.72914 Hàm kernel: Hàm kernel hàm số dùng để chuyển vector sang không gian vector khác nhiều chiều hơn, để giúp SVM dễ dàng tạo mặt phẳng phân biệt hết tất điểm Hàm kernel tốt đƣợc đánh giá qua phƣơng pháp: curve fitting, error function, confidence degree [24][25] Luận văn sử dụng hàm Polynominal kernel (hàm kernel đa thức): Polynominal kernel: ( ) 37 Kernel đa thức phù hợp cho liệu đƣợc chuẩn hóa, giá trị trƣờng nhỏ Tuy nhiên nhƣợc điểm kernel tràn số tính toán với hàm mũ, tốc độ tính toán lâu, tốn Tuy nhiên chọn tham số vừa phải hàm Polykernel cho kết tốt tốc độ hợp lý Phương pháp kiểm thử: Để đánh giá kết phân loại model SVM, nhằm tinh chỉnh giá trị C, chọn kernel tinh chỉnh giá trị tham số kernel (với kernel đa thức giá trị d), luận văn sử dụng phƣơng pháp ten-fold cross-validation Trong phƣơng pháp ten-fold cross-validation: ngƣời ta chia tập liệu đào tạo thành 10 phần, cách ngẫu nhiên sử dụng phần để làm tập liệu kiểm thử, phần lại đƣợc sử dụng làm tập liệu đào tạo Ngƣời ta lập lại trình 10 lần, để đảm bảo tất điểm đƣợc kiểm thử, sau tính độ xác trung bình lần [26] Kết quả: Kết phân loại với tham số C=10.8, kernel Poly d=4.2 Bảng 3.8: Độ xác độ phủ phân loại lỗi với máy chủ (Compute Node) Tình Trạng Độ xác Độ phủ CPU/RAM Fault 0.848 0.899 IO Fault 0.878 0.825 Network Fault 0.83 0.945 OS Fault 0.872 0.885 Normal 0.953 0.805 Độ xác trung bình lỗi 87.2% Bảng 3.9: Độ xác độ phủ phân loại lỗi với Máy ảo (Virtual Machine) Tình Trạng Độ xác Độ phủ OS Driver Fault 0.867 0.773 IO Fault 0.822 0.893 Network Fault 0.948 0.91 38 OS Fault 0.946 0.95 Normal 0.872 0.925 Độ xác trung bình lỗi là: 89% So sánh với phương pháp phân loại dùng Cây định: Trong lĩnh vực máy học, định kiểu mô hình dự báo (predictive model), nghĩa ánh xạ từ quan sát vật/hiện tƣợng tới kết luận giá trị mục tiêu vật/hiện tƣợng Cây định biểu đồ phát triển có cấu trúc dạng Mỗi nút (internal node) tƣơng ứng với biến; đƣờng nối với nút thể giá trị cụ thể cho biến Mỗi nút đại diện cho giá trị dự đoán biến mục tiêu, cho trƣớc giá trị biến đƣợc biểu diễn đƣờng từ nút gốc tới nút Một định đƣợc tạo cách chia tập hợp nguồn thành tập dựa theo kiểm tra giá trị thuộc tính Quá trình đƣợc lặp lại cách đệ quy cho tập dẫn xuất Quá trình đệ quy hoàn thành tiếp tục thực việc chia tách đƣợc nữa, hay phân loại đơn áp dụng cho phần tử tập dẫn xuất Ngƣời ta dùng định lĩnh vực học máy, khai phá liệu, phân loại … Kết phân loại sử dụng định với thuật toán C4.5 với C=4.5 số instance nhỏ Bảng 10: Độ xác độ phủ phân loại lỗi với Máy Chủ – định Tình Trạng Độ xác Độ phủ CPU/RAM Fault 0.753 0.814 IO Fault 0.692 0.685 Network Fault 0.852 0.831 OS Fault 0.827 0.79 Normal 0.79 0.79 Độ xác trung bình là: 78.2% 39 Bảng 3.11: Độ xác độ phủ phân loại lỗi với Máy ảo – định Tình Trạng Độ xác Độ phủ OS Driver Fault 0.712 0.719 IO Fault 0.733 0.711 Network Fault 0.86 0.86 OS Fault 0.88 0.915 Normal 0.8 0.784 Độ xác trung bình lỗi là: 79.8% Dễ thấy độ xác thực dùng SVM cao so với sử dụng phƣơng pháp định, mức độ xác trung bình nhƣ loại lỗi 3.5 Kết luận hƣớng phát triển Qua năm học hỏi nghiên cứu, đặc biệt khoảng thời gian làm luận văn, tác giả hoàn thiện luận văn với mục tiêu ban đầu đề Cụ thể luận văn đạt đƣợc kết sau: - Trình bày phƣơng pháp kháng lỗi điện toán đám mây - Giới thiệu phƣơng pháp phân loại sử dụng Support Vector Machine toán phân loại nhiều lớp Support Vector Machine - Xây dựng hệ thống điện toán đám mây IaaS Openstack cài đặt kháng lỗi cho phép kháng lỗi, đánh giá độ xác việc phân loại lỗi Một số vấn đề luận văn cần tiếp tục tìm hiểu nghiên cứu nhƣ sau: - Sử dụng phƣơng pháp cải tiến SVM nhƣ Fuzzy SVM, SVM kết hợp Nearest Neighbor (SVM NN) để tăng độ xác cho thuật toán phân loại - Cần bổ sung tập liệu huấn luyện cho SVM để thuật toán trở nên tin cậy, xác 40 - Tiếp tục phát triển theo hƣớng trở thành dịch vụ kháng lỗi điện toán đám mây Fault tolerance as a service - Kết hợp với phƣơng pháp kháng lỗi dùng check point để giảm thiểu rủi ro tăng tính hiểu việc kháng lỗi 41 DANH MỤC TÀI LIỆU THAM KHẢO [1]Arvind Kumar, Rama Shankar Yadav, Ranvijay, Ajali Jain (2011), “Fault Tolerance in Real Time Distributed System” (IJCSE) International Journal of Computer Science and Engineer Vol No [2]Anju Bala, Inderveer Chana (2012), “Fault Tolerance -Challenges, Tecnigques and implementation in cloud computing” (IJCSI) International Journal of Computer Science Issue, Vol.9 Issue [3] Vishonika Kaushal and Mrs.Anju Bala (2011), “Autonomic Fault Tolerance using HAProxy in Cloud Environment” SSN: 2230-7818, http://www.ijaest.iserp.org [4]M.Armbrust, A.Fox, R Griffit (2010), et al., “A view of cloud computing” Communication of the ACM, vol 53, no.4, pp.50-58 [5] Imad M Abbadi (2010), “Self-Managed Services Conceptual Model in Trustworthy Clouds' Infrastructure” [6] Yang Zhang1, Anirban Mandal2, Charles Koelbel1 and Keith Cooper (2010), “Combined Fault Tolerance and Scheduling Techniques for Workflow Applications on Computational Grids” 9th IEEE/ACM international symposium on clustering and grid [7] S Hwang, C Kesselman (2003), “Grid Workflow: A Flexible Failure Handling Framework for the Grid”,12th IEEE international Symposium on Zigh Performance Distributed Computing (HPDC’03) [8] Michael Armbrust, Armando Fox,Rean Griffith (2009), Above the Clouds: A Berkeley View of Cloud Computing, Electrical Engineering and Computer Sciences University of California at Berkeley [9] Zeeshan Amin, Nisha Sethi, Harshpreet Singh (Apirl 2015), Review on fault tolerance tecniques in cloud computing, International Journal of computer applications, Volume 116 –No 18 42 [10] Yennun Huang and Chandra Kintala, Nick Lolettis (1995), “Software rejuvenation: analysis, Module and application” IEEE 1995 [11] Ruben Salvador, Andres Otero, Javier Mora (2011), “Fault Tolerance analysis and self-healing strategy of autonomous” IEEE, pp 164 – 169 [12]C Angeli, A Chatzinikolaou (2004), “On-Line Fault Detection Techniques for Technical Systems: A Survey” International Journal of Computer Science & Applications Vol I No 1, pp 12 – 30 [13] Passino K., Yurkovich S (1998), Fuzzy control, Addison Wesley [14]: TS Nguyễn Công Vịnh (2008), Ứng dụng điều khiển logic mờ (fuzzy logic controller) máy lái tự động tàu biển [15] Chen, W., Toueg, S., & Aguilera, M K (2002), “ On the quality of service of failure detectors”, Computers, IEEE Transactions on 51(5), pp 561-580 [16] Zeeshan Amin, Nisha Sethi (2015), “Review on Fault Tolerance Techniques in Cloud”, Computing, International Journal of Computer Applications (0975 – 8887) Volume 116 – No 18, April 2015 [17] Christopher M Bishop (2006), Pattern Recognition and Machine Learning, Springer [18] https://vi.scribd.com/document/179836903/SVM2-docx, truy cập ngày 3/2/2016 [19] John C Platt (Microsoft Research 1999), Fast Training of Support Vector Machines using Sequential Minimal Optimization Microsoft Research 1999 [20] Chih-Wei Hsu and Chih-Jen Lin, A Comparison of Methods for Multiclass Support Vector Machines, National Taiwan University [21] Johannes F¨urnkranz (2002), “Pairwise Classification as an Ensemble Technique” the 13th European Conference on Machine Learning, pp.97-110 [22] Johannes F¨urnkranz (2001), “Round Robin Rule Learning” the 18th Interneational Conference on Machine Learning (ICML-01), pp 146-153 [23] http://fta.scem.uws.edu.au/index.php?n=Main.DataSets , truy cập ngày 6/4/2016 43 [24] JING LEI, “Classification with Confidence” Biometrika (2014), pp 1– 15 [25] Gurley, Numerical Methods Lecture - Curve Fitting Techniques [26] http://www.openml.org/a/estimation-procedures/1 , truy cập 6/5/2016 ... quan kháng lỗi Cloud IaaS: Trình bày sơ lƣợc lỗi ƣu nhƣợc điểm phƣơng pháp kháng lỗi cloud IaaS - Chƣơng 2: Phƣơng pháp kháng lỗi chủ động Cloud Computing: Trình bày phƣơng pháp kháng lỗi chủ động. .. pháp kháng lỗi Cloud IaaS khác nhƣ hƣớng kháng lỗi bị động hƣớng kháng lỗi chủ động Trong hƣớng kháng lỗi chủ động có nhiều ƣu điểm hơn, nhiên có nhƣợc điểm xác việc phát lỗi, tự động kháng lỗi. .. để nhận dạng lỗi cloud IaaS Từ kết nghiên cứu phƣơng pháp nhận dạng qua SVM lỗi cloud IaaS mô hình lỗi cloud IaaS để cài đặt, xây dựng thử nghiệm chƣơng trình Kháng lỗi chủ động cloud IaaS Nội