Bilan
Nous avons montr´e dans ce chapitre aux travers de diverses exp´erimentations que les choix propos´es dans cette th`ese pour la gestion dynamique des tˆaches et l’am´elioration de l’utilisation des ressources dans les grappes ´etaient pertinents. Notre approche permet le d´eveloppement de strat´egies utilisant une gestion dynamique des tˆaches qui am´eliorent l’utilisation des ressources des grappes compar´e `a des approches standards tout en impliquant un impact sur les performances raisonnable. Nous avons ´evalu´e les diff´erents modules composant notre prototype Entropy en mesurant d’abord l’impact de diff´erents crit`eres sur le processus de r´esolution des probl`emes VMPP et VMRP ; ainsi que la qualit´e des configurations calcul´ees en terme respectivement de nombre de nœuds et de temps de reconfiguration. La comparaison de ces r´esultats avec ceux obtenus par l’heuristique FFD a montr´e que notre approche am´eliore sensiblement la qualit´e des configurations obtenues avec VMPP dans le cadre de la consolidation dynamique et surpasse largement la qualit´e des plans de reconfiguration obtenus avec VMRP avec des coˆuts au moins 90%
moindre. Ces gains n´ecessitent en contre-partie des temps de calcul plus long. Cependant, nos diff´erentes exp´erimentations sur grappes ont montr´e que ces temps suppl´ementaires (de l’ordre de la minute) ´etaient compens´es par la r´eduction du temps d’ex´ecution des plans de reconfiguration (de l’ordre de 5 minutes).
Finalement, notre ´evaluation du module de d´ecision d´edi´e `a l’ordonnancement de tˆaches a ´egalement montr´e l’int´erˆet de notre approche pour le d´eveloppement d’algorithmes d’ordonnancement efficaces bas´es sur une gestion dynamique des tˆaches.
10.3. Conclusion 97
Perspectives
De nouvelles exp´erimentations permettraient de compl´eter l’´evaluation d’Entropy. Nous avons d’abord montr´e que la boucle d’auto-adaptation se devait d’ˆetre la plus rapide possible afin de supporter les besoins changeants des machines virtuelles. Il serait alors pertinent de r´ealiser de nouvelles exp´eriences o`u l’on ferait varier la fr´equence de changement de phases des applications afin d’observer avec pr´ecision les limites de la r´eactivit´e d’Entropy. Nous avons ´egalement observ´e que l’´evaluation du module d´edi´e
`
a l’ordonnancement est plus d´elicate que l’´evaluation du module d´edi´e `a la consolidation dynamique.
L’´evaluation actuelle ne montre pas les limites des possibilit´es de notre module et pour ´evaluer plus finement celui-ci, il serait pertinent de se servir de traces r´eelles d’ex´ecution de tˆaches. Plusieurs sites proposent de telles traces [PWA, GWA] mais celles-ci ne sont pas r´eellement exploitables dans notre situation : sans connaissances de l’utilisation r´eelle des ressources des diff´erentes tˆaches, nous devons nous borner `a supposer une utilisation constante de celles-ci. Dans ce cas, l’int´erˆet d’une gestion dynamique des tˆaches d´epend des sp´ecificit´es de l’ordonnanceur. Si celui-ci ex´ecute les tˆaches s´equentiellement dans un ordre de type FCFS par exemple, alors nous ne pourrons utiliser que la migration de machines virtuelles pour am´eliorer la consolidation. Avec des traces plus compl`etes, indiquant la charge des tˆaches en fonction du temps, il serait possible de r´e-ex´ecuter ces traces, sur un simulateur ou sur une grappe, en comparant leur ex´ecution avec diff´erentes strat´egies d’ordonnancement pour Entropy.
Finalement, une limitation actuelle de notre ´evaluation provient du d´ecalage important dans la taille des probl`emes trait´es dans les micro-´evaluations et l’´evaluation sur grappes. Dans les micro-´evaluations des modules VMPP et VMRP, nous utilisons des configurations poss´edant jusqu’`a 400 machines virtuelles et 200 nœuds, les exp´erimentations sur grappes utilisent des configurations contenant au plus 35 nœuds de calcul et autant de machines virtuelles. Les premi`eres exp´erimentations sur grappes d’Entropy ont ´et´e r´ealis´ees en aoˆut 2008 sur la plateforme Grid’5000. `A ce moment, le d´eploiement des hyperviseurs Xen sur les nœuds n’´etait pas support´e officiellement et seules 2 grappes le permettaient. Aujourd’hui, la totalit´e des sites supportent le d´eploiement de cet hyperviseur et des exp´eriences `a plus large ´echelle peuvent ˆetre r´ealis´ees afin d’harmoniser les diff´erentes ´evaluations.
Si nous nous focalisons sur les capacit´es de passage `a l’´echelle d’Entropy et plus sp´ecialement du probl`eme VMRP, nous pensons que le calcul de plans de reconfiguration sur des grappes poss´edant plus de quelques centaines de nœuds n´ecessitera un temps de calcul trop long. Si nous souhaitons am´eliorer ce passage `a l’´echelle, il importe de revoir le mod`ele architectural d´ecrivant les diff´erents nœuds. Une solution consisterait `a proposer un mod`ele de r´esolution hi´erarchique poss´edant un grain variable. Un premier module se focaliserait sur le placement de tˆaches sur des ensembles de nœuds (repr´esentant une armoire, une grappe ou un site par exemple). Puis pour chacun de ces ensembles, un sous-module se focaliserait sur l’affectation des machines virtuelles composant les tˆaches sur les nœuds composant l’ensemble. Si une tˆache ne peut ˆetre h´eberg´ee enti`erement sur un ensemble, alors celle-ci serait d´ecoup´ee pour ˆetre h´eberg´ee sur plusieurs ensembles si les contraintes de placement l’autorisent. Nous pensons que cette d´ecomposition du probl`eme de placement global en plusieurs sous-probl`emes am´eliorerait le passage
`a l’´echelle d’Entropy en d´egradant faiblement ces performances. D’autant plus que ce changement de granularit´e offrirait gratuitement une distribution et une parall´elisation du calcul des affectations dans les diff´erents sous-ensembles.