Nous avons cherch´e `a d´eterminer quelle est la pr´ecision requise pour qu’un algorithme de placement de VMs s’appuie sur des pr´edictions de dur´ee de vie. En 2014, Dabbagh et al. ont propos´e l’algorithme Release-Time Aware Best Fit (RTABF), qui, en co-localisant les VMs qui s’arrˆeteront en mˆeme temps, permet l’extinction des serveurs inutilis´es et minimise la consommation d’´energie [24]. Comme RTABF a ´et´e ´evalu´e en consid´erant des pr´edictions parfaites, nous proposons d’´evaluer sa sensibilit´e aux erreurs de pr´ediction. Comme dans l’´evaluation originale, nous choisissons comme m´etrique la quantit´e d’´energie ´economis´ee, relativement `a l’utilisation d’algorithmes de placement classiques comme
Any-Fit et Best-Any-Fit. Dans le paragraphe suivant, nous pr´esentons chacun de ces algorithmes.
7.5.1 Pr´esentation des algorithmes de placement des VMs en ligne
Les algorithmes de placement en ligne sont utilis´es pour le placement initial des VMs, pas pour la consolidation des VMs existantes. Les deux algorithmes les plus connus sont Any-Fit (AF), qui choisit un serveur au hasard parmi ceux disposant d’assez de ressources; et Best-Fit, qui choisit le serveur sur lequel le placement de la VM laissera le moins de ressources libres [74, 41, 127].
Tandis que AF et BF se basent uniquement sur la quantit´e de ressources demand´ee, Release-Time Aware Best Fit (RTABF) prend aussi en compte la dur´ee de vie de la VM. RTABF combine l’objectif de BF avec l’objectif de minimiser le temps d’utilisation des serveurs, et donc l’´energie consomm´ee. Pour cela, RTABF co-localise les VMs qui s’´eteindront en mˆeme temps. La figure 7.5a compare l’ex´ecution des algorithmes BF et RTABF, et montre comment la prise en compte de la dur´ee de vie peut servir `
a ´economiser l’´energie.
7.5.2 Conditions exp´erimentales
Pour ´evaluer la capacit´e de RTABF `a ´economiser de l’´energie en d´epit des erreurs de pr´ediction, nous avons simul´e une infrastructure et une charge de travail avec un niveau contrˆolable d’erreur de pr´ediction. Pour l’infrastructure, nous adoptons un mod`ele de consommation d’´energie lin´eaire avec la charge CPU des serveurs, en accord avec la litt´erature [14, 73]. Pour la trace d’ex´ecution, nous avons s´electionn´e dix ´echantillons al´eatoires de la trace de Google [96] afin d’obtenir des r´esultats statistiquement fiables `a partir de simulations rapides, et aussi afin de comparer nos r´esultats avec l’´evaluation originale de RTABF. Nous avons simul´e la pr´esence d’erreur de pr´ediction en rajoutant `a la dur´ee de vie des VMs un bruit Gaussien, et ce pour dix niveaux de bruits diff´erents.
7.5.3 R´esultats
La figure 7.6 pr´esente la moyenne et la d´eviation standard des ´economies d’´energie r´ealis´ees par RTABF, relativement `a AF et BF, pour diff´erents niveaux d’erreur de pr´ediction. Ind´ependamment du niveau d’erreur de pr´ediction, RTABF ´economise 25% d’´energie par rapport `a AF. Par contre, RTABF n’´economise pas d’´energie par rapport `a BF, mˆeme lorsque l’on ajoute pas d’erreur aux dur´ees de vie des VMs.
Pidle Pidle server A server B power time VM 1: 55%, 3h VM 2: 50%, 15h VM 3: 40%, 12h VM 4: 40%, 4h
(a) Best Fit
Pidle Pidle VM 1: 55%, 3h VM 2: 50%, 15h VM 3: 40%, 12h VM 4: 40%, 4h server A server B power time Psaved
(b) Release-Time Aware Best Fit
Figure 7.5: Comparaison entre Best-Fit(BF) et Release Time-Aware Best-Fit (RTABF). VMs 3 et 4 doivent ˆetre plac´ees sur les serveurs A et B, tandis que les VMs 1 et 2 sont d´ej`a en train de s’ex´ecuter. RTABF ´economise de l’´energie en prenant en compte la dur´ee de vie des VMs, ce qui permet d’´eteindre le serveur A plus tˆot qu’avec BF.
0 30 60 90 120 180 360 900 2000 3000 standard deviation of runtime prediction 0 10 20 30 40 % energy saved
(a) against Any Fit
0 30 60 90 120 180 360 900 20003000 standard deviation of runtime prediction 20
10 0 10
% energy saved
(b) against Best Fit
Ce r´esultat n´egatif pourrait ˆetre expliqu´e par la relation entre la dur´ee de vie des VMs et la fraction de ressources consomm´ee sur l’infrastructure: “La plupart des VMs ont une dur´ee de vie courte, mais contribuent peu `a l’utilisation. Ainsi, les 98% de VMs qui durent plus d’une journ´ee consomment moins de 20% des ressources” [135]. Le poids important des longues VMs pourrait empˆecher l’algorithme d’´eteindre les serveurs pour ´economiser de l’´energie.
7.5.4 Conclusion
Pour ´etudier l’int´erˆet de couplet un syst`eme pr´edictif avec un algorithme de placement de VMs, nous avons ´evalu´e la sensibilit´e de l’algorithme RTABF aux erreurs de pr´ediction. Nous avons simul´e le placement d’un flux de VMs d’apr`es la trace de Google pour diff´erents niveaux d’erreurs de pr´ediction, et rapport´e la consommation d’´energie sous RTABF avec celle sous Any-Fit et Best-Fit. Nos r´esultats montrent que RTABF n’est pas meilleur que Best-Fit, possiblement parce que les VMs de longue dur´ee de vie consomment la plupart des ressources et empˆechent donc l’algorithme d’´eteindre les serveurs pour ´economiser de l’´energie. Nous concluons donc que le placement d’une VM avec RTABF n’est pas un cas d’usage viable pour les pr´edictions de dur´ee de vie, et qu’il faut chercher d’autres cas d’usages.