Ordonnancement et analyse de données dans le Cloud Computing

Abstract

Dans cette thèse de doctorat, nous nous intéressons à plusieurs problèmes liés aux Cloud Computing, à savoir l’ordonnancement de tâches, l’allocation de ressources et l’analyse de données. Nous analysons les nouvelles technologies du Cloud Computing et indiquons les principaux défis pour leur développement futur, parmi lesquels le problème d’ordonnancement et d’allocation des ressources se distinguent et attire notre attention. En combinant les théories d’ordonnancement actuelles, nous proposons un nouveau système d’ordonnancement opportuniste et de consolidation des ressources basé sur un modèle économique lié à différentes classes de SLA (Service Level Agreements). Nous proposons aussi de contrôler le passage à l’échelle à travers un processus automatique, implémenté dans l’orchestrateur du cloud. Ce composant fait automatiquement un choix raisonnable sans l’intervention de l’utilisateur final, il est également couplé avec le calcul dynamique des ressources nécessaires pour toute demande. Le modèle sélectionne automatiquement une demande dans la file d’attente des demandes selon un algorithme de décision multicritères, puis calcule la quantité de ressources pour la requête sélectionnée, alloue la requête sur un serveur, et enfin consolide les serveurs sur la base d’une métrique de scalabilité. Nous avons ensuite étendu ce schéma dans deux autres contextes, le premier est les tranches réseaux ou "Slice Network" et le deuxième est le contrôle du placement des Chaîne de Fonctions de Service "Service Function Chain" avec dépendances. L’objectif est de répondre au problème des entreprises qui gèrent une infrastructure privée du Cloud, et qui souhaitent optimiser l’ordonnancement de plusieurs requêtes soumises en ligne par des utilisateurs. L’exécution de ces requêtes dans le Cloud génère une immense quantité de fichiers "log" qui offre la possibilité de vérifier le bon fonctionnement des jobs et la robustesse des ressources du Cloud. Dans cette thèse, nous présentons aussi une nouvelle approche qui détecte automatiquement les anomalies en se basant sur le principe du "Portfolio". L’idée est d’exécuter plusieurs algorithmes de détection d’anomalies et ensuite consolider les résultats en fonction de la similarité des anomalies détectées par chaque algorithme. Pour aller plus loin dans l’analyse, nous proposons d’ajouter une métrique de santé qui nous permettra de comparer le comportement du Cloud à des instants différents, ce qui nous permettrait de déclencher des actions pour remédier aux problèmes d’anomalies. Mots clés : Ordonnancement, allocation de ressources, algorithme de décision multicritères, détection d’anomalie, les algorithmes Portfolio, Cloud Computing.