Conclusion

In document L UNIVERSITÉ BORDEAUX I (Page 143-149)

CHAPITRE

8.6 Conclusion

Dans ce chapitre, nous avons d´etaill´e l’impl´ementation de notre approche. Un descriptif des diff´erentes ´etapes d’ex´ecution de l’algorithme de diagnostic a ´et´e fait dans un premier temps. Nous avons pr´esent´e ensuite les diff´erents ´el´ements utilis´es dans le cadre de cette d´emonstration de faisabilit´e.

L’impl´ementation de notre approche a ´et´e r´ealis´ee sur une plateforme IMS, et nous avons montr´e que notre algorithme d’auto-diagnostic pourrait ˆetre utilis´e pour un exemple de service VoIP. Les r´esultats obtenus correspondent bien `a ce qui est attendu. Notre approche a ensuite ´et´e ´etendu au service IPTV.

CHAPITRE

9 Conclusion et pers-pectives

Les r´eseaux autonomes repr´esentent une rupture technologique qui permet d’of-frir aux op´erateurs des possibilit´es de r´eductions des coˆuts de gestion et d’int´ egra-tion des r´eseaux et services, ainsi qu’une int´egration rapide de nouveaux services.

Cette approche est d’autant plus int´eressante que les r´eseaux ne cessent de devenir complexes, en particulier l’h´et´erog´en´eit´e des technologies de communication (fixe, mobile, filaire et sans fils), la vari´et´e des ´equipements terminaux voulant commu-niquer ensemble et la multiplication des services ayant des exigences de qualit´e de service. Le concept de r´eseaux autonomes aura donc pour objectif de r´esoudre le probl`eme de la complexit´e de la gestion du r´eseau et de permettre de contrˆoler les

´

equipements autonomes par des politiques de haut niveau.

Dans ce contexte, la fonction d’auto-r´eparation est primordiale. La tˆache d’auto-diagnostic est complexe car une fois qu’une panne ou qu’une erreur s’est produite, il est possible qu’elle se propage dans le r´eseau entier. Ceci peut rendre difficile la tˆache de trouver la cause de la panne et de d´epanner en temps voulu. Une panne peut influencer les diff´erents composants ou les autres op´erations du r´eseau et augmente les coˆuts de fa¸con ´evidente. La seule v´eritable option pour prot´eger les ´equipements r´eseaux et am´eliorer le service, est celle de la pr´evention et de la d´etection auto-matiques et ´evolutives des pannes. L’auto-diagnostic, pour la d´etection de panne et des dysfonctionnements, est donc un sujet critique dans le cadre de ces r´eseaux.

Contributions Les principales contributions de cette th`ese ont consist´e `a conce-voir une m´ethode d’auto-diagnostic dans le cadre des r´eseaux autonomes, afin de r´ealiser la supervision des services multim´edia (voix sur IP principalement) d´eploy´es

134 Chapitre 9. Conclusion et perspectives

sur la base de r´eseaux NGN/IMS.

Les probl`emes de diagnostic que nous avons consid´er´e consistaient `a ˆetre en mesure de fournir un diagnostic complet, exhaustif des causes primaires `a partir d’un ensemble d’observations (alarmes).

Nous avons pris en compte des tests automatiques ex´ecut´es par d´ecision du diagnostiqueur et propos´e un algorithme distribu´e capable de tenir compte des diff´erents domaines de gestion du r´eseau (notamment dans le cadre d’un diagnostic de bout-en-bout).

Plus sp´ecifiquement, nous avons cherch´e `a montrer l’int´erˆet et le potentiel d’uti-lisation du diagnostic `a base de mod`eles - Graphe Causal, pour bien mod´eliser les causalit´es entre les pannes du syst`eme et les causes primaires et pour r´ealiser l’algorithmique distribu´ee. Ce diagnostic est bas´e sur une mod´elisation explicite des comportements anormaux du syst`eme. Nous utilisons ensuite un algorithme de diagnostic g´en´erique qui utilise cette mod´elisation pour r´ealiser l’auto-diagnostic.

L’algorithme d’auto-diagnostic que nous avons propos´e s’appuie sur l’utilisation de graphes causaux. Le principe est le suivant : lorsqu’une alarme est d´eclench´ee, l’algorithme se lance et, grˆace aux relations de causalit´e entre l’alarme et les causes, les causes primaires vont pouvoir ˆetre identifi´ees et localis´ees. Puisque le graphe causal permet une mod´elisation modulaire et extensible, il est possible de le s´eparer ou de le fusionner pour r´epondre aux besoins des services et de l’architecture du syst`eme. Cette caract´eristique nous permet de proposer un algorithme distribu´e qui s’adapte `a l’architecture des r´eseaux autonomes. Nous avons, ainsi, propos´e un algorithme d’auto-diagnostic qui permet ´egalement de r´ealiser le diagnostic distribu´e correspondant `a l’architecture du r´eseau autonome afin de r´ealiser un diagnostic global.

Enfin, nous avons impl´ement´e cet algorithme avec le langage Java et nous l’avons utilis´e pour un service VoIP sur une plateforme IMS en utilisant OpenIMS. Les r´esultats obtenus correspondent bien `a ce qui est attendu et ont permis de prouver la faisabilit´e de notre solution qui peut ˆetre ´etendue `a d’autres services, tels que l’IPTV.

La solution que nous proposons est scalable. Le graphe causal peut se compl´eter avec les autres graphes causaux des r´eseaux qui s’interconnectent avec ceux exis-tants. Le graphe causal sera gigantesque `a la fin, mais d´evelopp´e par sous domaine,

135

ce qui va permettre de les valider avant de les interconnecter via le partage de la connaissance. Nous avons proposons d’inclure les tests dans le graphe causal qui constitue une partie innovante de la structure de graphe causal.

Concernant le diagnostic `a base de mod`eles que nous avons utilis´e, il permet de s´eparer la connaissance (graphes causaux) et le raisonnement (l’algorithme d’auto-diagnostic). L’algorithme d’auto-diagnostic est ex´ecut´e uniquement `a partir d’un mod`ele de fonctionnement du syst`eme (le graphe causal que nous utilisons). Cette s´ e-paration est bien adapt´ee `a l’architecture des r´eseaux autonomes (boucle de contrˆole ferm´ee) dont les 4 fonctions sont ind´ependantes et reli´ees par la connaissance. La distribution de l’algorithme permet de r´esoudre le probl`eme de passage `a l’´echelle.

A notre connaissance, il y a tr`` es peu de recherches sur la fonction d’auto-r´etablissement, notamment l’auto-diagnostic, dans le domaine des r´eseaux auto-nomes. Notre approche permet de pallier une lacune dans ce domaine et de propo-ser une solution possible de d´eveloppement de la fonction d’auto-diagnostic dans le domaine des r´eseaux autonomes.

Perspectives A l’issue de ce travail nous d´` egageons plusieurs perspectives de recherche que nous ´evoquons ci-dessous :

Automatisation du lancement des Tests Nous n’avons pas compl` ete-ment approfondi l’optimisation du lanceete-ment destestscomme support du processus de mise en œuvre du mod`ele de graphe causal. La politique de choix du test peut s’appuyer sur le coˆut induit par le test (en terme de d´elai, de ressource informa-tique, ...). Notre choix (lancer tous les Tests d`es l’ach`evement du diagnostic) n’est pas pratique pour tous les cas, car certains tests sont souvent tr`es coˆuteux quand le syst`eme est complexe et de grande taille.

Ex´ecution de l’Action de R´eparation Bien que dans notre exemple d’application, ceci ne soit pas le cas, l’ex´ecution de l’action der´eparationpeut ˆetre consid´erable. Cependant, les op´erateurs ne peuvent pas accepter la solution “boˆıte noire” de la control loop [Horn 2001]. Apr`es les r´esultats du diagnostic, la d´ecision d’ex´ecution de l’action de r´eparation doit ˆetre valid´ee par l’humain (experts ou adminitrateurs). Nous devons alors prendre en compte la validation et l’autorisation

136 Chapitre 9. Conclusion et perspectives

du cˆot´e des op´erateurs et proposer une architecture adapt´ee aux op´erateurs.

Explicitation des nœuds de «connexion» entre les diagnosti-queurs Comme nous l’avons mentionn´e au chapitre 7, la communication entre diagnostiqueurs est d´ecid´ee par l’´etat des nœuds de «connexion». Dans notre exemple d’application, les ´el´ements des r´eseaux sont homog`enes, nous pouvons donc partager l’´etat des nœuds de «connexion» entre deux diagnostiqueurs diff´erents.

Mais dans les syst`emes h´eterog`enes, nous ne pouvons les partager simplement, il faut d´efinir une interface.

La construction du graphe causal Notre algorithme d’auto-diagnostic s’appuie sur le mod`ele de graphe causal qui permet la scalabilit´e de notre approche.

Puisque le graphe causal peut se compl´eter avec les autres graphes causaux des r´eseaux qui s’interconnectent avec ce qui sont existant. Le graphe causal sera gi-gantesque `a la fin, mais d´evelopp´e par sous domaine, ce qui va permettre de les valider avant de les interconnecter via l’´echange de la connaissance. La construction de graphe n’est pas l’objectif de notre ´etude. Nous ne proposons qu’un type de mod`ele qui peut ˆetre utilis´e pour r´ealiser l’auto-diagnostic. L’´evolution du graphe causal peut ˆetre support´ee par des gestionnaires de haut niveau qui se chargent de la cr´eation et de la modification dynamique des graphes causaux ainsi que de leur diffusion aupr`es des gestionnaires autonomes de bas niveau charg´es du diagnostic.

L’´evaluation de performance Nous avons, dans un premier temps, r´ealis´e et impl´ement´e une solution d’auto-diagnostic pour un service VoIP dans l’environ-nement IMS. Nous avons r´ealis´e ainsi une preuve de concept. Il serait int´eressant de r´ealiser d’autres tests et d’´evaluer les performances de notre approche (temps pris par le diagnostic, coˆut du lancement les tests etc.)

In document L UNIVERSITÉ BORDEAUX I (Page 143-149)