Author : Tom Guérout
Publisher :
ISBN 13 :
Total Pages : 0 pages
Book Rating : 4.:/5 (926 download)
Book Synopsis Ordonnancement sous contraintes de qualité de service dans les clouds by : Tom Guérout
Download or read book Ordonnancement sous contraintes de qualité de service dans les clouds written by Tom Guérout and published by . This book was released on 2014 with total page 0 pages. Available in PDF, EPUB and Kindle. Book excerpt: Ces dernières années, de nouvelles problématiques sont nées au vu des considérations écologiques de plus en plus présentes dans notre société. Dans le domaine de la technologie de l'Information, les centres de calcul consomment actuellement environ 1.5% de l'électricité mondiale. Cela ne cesse d'augmenter en raison de l'évolution de nombreux domaines et particulièrement du Cloud Computing. Outre cet aspect environnemental, le contrôle de la consommation d'énergie fait désormais partie intégrante des paramètres de Qualité de Service (QoS) incombant aux fournisseurs de services de Cloud Computing. En effet, ces fournisseurs de services à la demande proposent à leurs utilisateurs un contrat de QoS, appelé SLA (Service Level Agreement), qui définit de manière précise la qualité de service qu'ils s'engagent à respecter. Le niveau de QoS proposé influence directement la qualité d'utilisation des services par les utilisateurs, mais aussi la consommation et le rendement général de l'ensemble des ressources de calcul utilisées, impactant fortement les bénéfices des fournisseurs de services.Le Cloud Computing étant intrinsèquement lié à la virtualisation des ressources de calcul, une élaboration de modèles d'architecture matérielle et logicielle est proposée afin de définir les caractéristiques de l'environnement considéré. Ensuite, une modélisation détaillée de paramètres de QoS en termes de performance, de sûreté de fonctionnement, de sécurité des données et de coûts est proposée. Des métriques associées à ces paramètres sont définies afin d'étendre les possibilités d'évaluation des SLA. Ces modélisations constituent la première contribution de cette thèse.Il convient alors de démontrer comment l'utilisation et l'interprétation de plusieurs métriques de QoS ouvrent la possibilité d'une analyse plus complexe et plus fine de la perspicacité des algorithmes de placement. Cette approche multi-critères leur apporte des informations importantes sur l'état de leur système qu'ils peuvent analyser afin de gérer le niveau de chaque paramètre de QoS. Ainsi, quatre métriques antagonistes, incluant la consommation énergétique, ont été sélectionnées et utilisées conjointement dans plusieurs algorithmes de placement de manière à montrer leur pertinence, l'enrichissement qu'elles apportent à ces algorithmes, et comment un fournisseur de service peut tirer profit des résultats d'une optimisation multi-objectifs. Cette seconde contribution présente un algorithme génétique (GA) ainsi que deux algorithmes gloutons. L'analyse du comportement de l'algorithme génétique a permis de démontrer différents intérêts d'une optimisation multi-critères appliquée à des métriques de QoS habituellement ignorées dans les études dédiées au Cloud Computing.La troisième contribution de cette thèse propose une étude de l'impact de l'utilisation des métriques de QoS sur l'ordonnancement de machines virtuelles au cours du temps. Pour cela, le simulateur CloudSim a été exploité et étendu afin d'améliorer ses fonctionnalités de gestion de consommation énergétique. Tout d'abord par l'ajout du DVFS (Dynamic Voltage & Frequency Scaling) apportant une gestion dynamique très précise des fréquences de fonctionnement CPU, puis la possibilité de reconfiguration de machines virtuelles et enfin par la gestion dynamique des évènements. Les simulations effectuées mettent en jeu l'ensemble de ces outils énergétiques ainsi que les algorithmes de placement et évaluent chacune des métriques de QoS sélectionnées. Ces simulations donnent une vision temporelle de l'évolution de celles-ci, en fonction des algorithmes utilisés et de plusieurs configurations d'optimisation du GA. Cela permet d'analyser sous différents angles le comportement des algorithmes gloutons, l'impact des optimisations du GA, et l'influence des métriques les unes par rapport aux autres.Une collaboration a pu être établie avec le laboratoire CLOUDS Laborartory de Melbourne, dirigé par Prof. Rajkumar Buyya.
