10.2 Exp´ erimentations sur une grappe

10.2.2 Consolidation dynamique

Cette exp´erience porte sur l’utilisation d’Entropy pour r´ealiser de la consolidation dynamique. Cette

´evaluation a ´et´e r´ealis´ee dans le cadre de l’exp´erience Grid’5000 [BCC+06], d´evelopp´ee autour de l’action INRIA ALADDIN et avec, entre autres, le support du CNRS et de RENATER. Grid’5000 est une grille informatique regroupant diff´erentes grappes h´eberg´ees sur 11 sites g´eographiques en France.

Notre grappe de test est constitu´ee de 39 nœuds interconnect´es par un r´eseau Ethernet Gigabit.

Chacun dispose d’un processeur AMD Opteron cadenc´e `a 2 GHz et de 2 Go de m´emoire vive. 35 nœuds sont des nœuds de calculs ex´ecutant un hyperviseur Xen 3.0 et r´eservant 200 Mo de m´emoire pour le Domaine-0. Leur capacit´e CPU est ´egal `a 1. 3 nœuds sont d´edi´es au stockage des images des disques des machines virtuelles. Finalement, un nœud de service ex´ecute Entropy. Les diff´erents nœuds de calculs h´ebergent 35 machines virtuelles ex´ecutant des applications semblable `a ED, HC et VP, chaque application dispose de son propre serveur de fichiers. L’application ED utilise 10 machines virtuelles avec 512 Mo de m´emoire chacune. L’application HC utilise 5 machines virtuelles avec 764 Mo de m´emoire chacune et l’application VP utilise 20 machines virtuelles avec 512 Mo de m´emoire chacune. L’application MB n’est pas utilis´ee pour cette ´evaluation : son ex´ecution requiert une quantit´e de m´emoire vive trop importante, limitant les possibilit´es de consolidation.

Avant de d´emarrer l’exp´erience, toutes les machines virtuelles sont lanc´ees et prˆetes `a ex´ecuter les applications, leur besoin en ressources CPU est alors ´egale `a 0. La configuration initiale correspond alors

`a une consolidation maximale sur 13 nœuds calcul´ee par Entropy. Les 3 applications sont ensuite lanc´ees simultan´ement. Dans une premi`ere exp´erience, nous ex´ecutons Entropy avec le module de d´ecision d´edi´e `a la consolidation dynamique. Nous r´ealisons ensuite le mˆeme test en utilisant une consolidation dynamique bas´ee sur l’heuristique FFD.

Dans la Figure 10.5 chaque point repr´esente le coˆut calcul´e et la dur´ee mesur´ee de chaque plan produit par Entropy ou avec FFD. La relation entre le coˆut d’un plan et sa dur´ee d’ex´ecution est grossi`erement lin´eaire, la fonction de coˆutK apparaˆıt donc comme un indicateur de dur´ee d’une reconfiguration viable.

Nous observons que les plans calcul´es par Entropy ont un coˆut et une dur´ee d’ex´ecution bien inf´erieurs aux plans calcul´es avec l’heuristique FFD. Le temps moyen d’ex´ecution des plans pour FFD est de 6 minutes

Figure 10.5 – Comparaison de la qualit´e de la solution de VMRP rapport´ee `a FFD

53 secondes tandis que ce temps est ramen´e `a seulement 1 minute et 47 secondes avec Entropy. Avec des plans de reconfiguration s’ex´ecutant rapidement, Entropy r´ealise plus d’auto-adaptations : durant l’exp´erience, Entropy a r´ealis´e 18 reconfigurations contre 9 lors de l’utilisation de FFD. Ce nombre de reconfigurations est important car, comme nous l’avons d´ecrit initialement dans l’architecture de Entropy, une reconfiguration a lieu uniquement lorsque le module de d´ecision d´etecte une configuration courante non-viable ou calcul une nouvelle configuration viable consid´er´ee comme meilleure. Les reconfigurations effectu´ees sont donc toujours n´ecessaires.

(a) FFD (b) Entropy

Figure10.6 – Activit´e des machines virtuelles

Les Figures 10.6(a) et 10.6(b) d´ecrivent l’activit´e des machines virtuelles durant les exp´eriences. Nous consid´erons qu’une machine virtuelle est satisfaite lorsque ses besoins en ressources CPU sont diff´erents de 0 et que son placement satisfait ses besoins. Si toute les machines virtuelles sont satisfaites, alors la configuration courante est viable. Si l’une des machines virtuelles n’est pas satisfaite, alors la configuration courante n’est pas viable. Nous observons que le nombre de machines virtuelles insatisfaites est inf´erieur lorsque l’exp´erience est r´ealis´ee avec Entropy : le nombre moyen de machines virtuelles insatisfaites est ´egal

`a 1.75 avec FFD contre 1.05 avec Entropy. Ce crit`ere qualificatif d´ecrit l’efficacit´e d’un syst`eme d’auto-optimisation puisque une configuration non-viable implique n´ecessairement une perte de performances.

Lorsque l’exp´erience d´emarre, 12 machines virtuelles ex´ecutent un calcul au mˆeme moment. Entropy r´earrange rapidement celles-ci et obtient une configuration viable `a la minute 7. Avec l’heuristique FFD, la configuration courante ne sera pas redevenu viable avant la minute 18. `A la minute 10, le nombre de machines virtuelles avec un besoin CPU ´egal `a 1 augmente et cr´ee une configuration non-viable. `A ce moment, Entropy n’est pas en cours de reconfiguration, il calcule ainsi une nouvelle configuration,

10.2. Exp´erimentations sur une grappe 93 r´e-optimise l’agencement des machines virtuelles et obtient une configuration viable `a la minute 11. FFD par contre est toujours en cours de reconfiguration `a la minute 10, les besoins des machines virtuelles ayant chang´e, les mouvements qu’il r´ealise pour obtenir une configuration viable ne sont plus d’actualit´e, la configuration obtenue n’est alors plus viable jusqu’`a la minute 18. Dans cette situation, nous consid´e-rons qu’une auto-optimisation avec l’heuristique FFD n´ecessite trop de temps compar´ee aux variations de l’activit´e des machines virtuelles. La Figure 10.6(b) montre qu’il n’y a plus de machines virtuelles insatisfaites apr`es 1 heure. Ceci s’explique par la dur´ee in´egale des diff´erentes applications. `A la minute 50, l’application HC termine son ex´ecution. L’activit´e de VP change aux minutes 54 et 58 et requiert une reconfiguration. Ensuite, il n’y a plus de variations dans l’activit´e des machines virtuelles pouvant entraˆı-ner une configuration non-viable. `A 1 heure 10 minutes, l’application VP se termine, seule l’application ED est encore en fonctionnement et son activit´e est constante.

Le temps de r´eponse d’un processus de reconfiguration mesure la dur´ee entre la d´etection d’une configuration non viable et la prochaine configuration viable. Il indique la capacit´e d’un processus de reconfiguration `a s’adapter `a l’activit´e des machines virtuelles. Pour cette exp´erience, le temps de r´eponse moyen pour FFD est de 248 secondes. Avec Entropy, le temps de r´eponse moyen est de 142 secondes.

Figure10.7 – Nombre moyen de nœuds utilis´es avec FFD et Entropy

La Figure 10.7 d´ecrit le nombre de nœuds utilis´es pour h´eberger des machines virtuelles. Les plans de reconfiguration calcul´es avec FFD demandent plus de migrations. Ils contiennent potentiellement plus de cycles voire mˆeme des migrations inutiles comme la migration de toute les machines virtuelles d’un nœud vers un autre nœud ´equivalent. Durant le processus de reconfiguration, un nombre important de nœuds peut donc h´eberger temporairement des machines virtuelles. Pour cette exp´erience FFD a utilis´e jusqu’`a 4 nœuds suppl´ementaires durant une reconfiguration compar´e `a Entropy. Cette situation limite l’int´erˆet de la consolidation dynamique avec FFD dans une optique d’´economie d’´energie. Si l’on ´eteint syst´ema-tiquement tous les nœuds inutilis´es, alors il peut ˆetre n´ecessaire d’allumer des nœuds suppl´ementaires pour r´ealiser un pivot ou des migrations inutiles. Entropy cr´ee des plans de reconfiguration plus petits et limite, par la r´eduction du nombre total de migrations, le nombre de migrations inutiles. Entropy utilise alors un nombre de nœuds plus stable, son utilisation dans un contexte d’extinction des nœuds semble alors justifi´ee.

La consolidation dynamique implique une baisse de performance due au temps de reconfiguration et

`a la possibilit´e d’introduire des machines virtuelles insatisfaites lorsque le syst`eme n’est pas assez r´eactif.

En minimisant le temps de reconfiguration, nous r´eduisons le temps o`u la configuration courante n’est pas viable, et donc la perte de performance associ´ee `a un mauvais agencement des machines virtuelles. La Figure 10.8 d´ecrit le temps d’ex´ecution de chaque application avec FFD, avec Entropy et avec un environ-nement sans consolidation. Dans ce dernier cas, chaque machine virtuelle est d´efinitivement h´eberg´ee sur son propre nœud afin d’´eviter toute perte de performance li´ee au partage des ressources CPU. Dans cette configuration, 35 nœuds sont donc n´ecessaires. Grˆace `a cet environnement de r´ef´erence, nous calculons le surcoˆut en temps d’ex´ecution li´e `a la consolidation dynamique. Pour cette exp´erience, ce surcoˆut est de 19.2% avec FFD. Entropy r´eduit ce surcoˆut `a 11.5%.

Finalement, nous pouvons r´esumer le taux d’occupation des ressources pour les diff´erentes

applica-Figure10.8 – Temps total d’ex´ecution des applications.

tions par la quantit´e de nœuds n´ecessaire pour ex´ecuter les applications en une heure. Dans le cadre de la consolidation dynamique, une quantit´e r´eduite implique une utilisation efficace des ressources. Sans consolidation, ex´ecuter les diff´erentes applications requiert 53.01 nœuds/heure. La consolidation dyna-mique avec FFD r´eduit cette consommation `a 24.53 nœuds/heure. La consolidation dynamique r´ealis´ee par Entropy r´eduit cette consommation `a 23.21 nœuds/heure. Cette mesure est cependant affect´ee par la dur´ee de chaque application. Lorsque toute les applications sont en cours d’ex´ecution, la consolidation provient uniquement du m´elange des diff´erentes machines virtuelles des applications. Lorsqu’une applica-tion se termine, cela cr´ee des machines virtuelles«zombies», qui consomment inutilement de la m´emoire sur les nœuds. Ainsi pour ne consid´erer que la consommation des ressources li´ee `a la consolidation dy-namique, nous estimons celle-ci uniquement lorsque toutes les applications sont en fonctionnement, c’est

`a dire jusqu’`a la fin de l’application HC. Dans cette situation, ex´ecuter les 3 applications consomme 24.31 nœuds/heure sans consolidation. Avec FFD, cette consommation est r´eduite `a 15.34 nœuds/heure.

Entropy r´eduit cette consommation `a 11.72 nœuds/heure.

Pour r´esumer, cette exp´erience a montr´e la viabilit´e de notre module de d´ecision d´edi´e `a la consoli-dation dynamique. Compar´e `a l’utilisation de l’heuristique FFD, nous r´eduisons la dur´ee moyenne d’ex´e-cution d’un plan de reconfiguration de 74%. Cette optimisation du processus de reconfiguration r´eduit le nombre de nœuds/heure de 50% compar´ee `a une ex´ecution native pour un surcoˆut `a l’ex´ecution de 11.5%.

In document Gestion dynamique des tâches dans les grappes, une approche à base de machines virtuelles (Page 103-106)