l’ordonnancement de tˆaches. Nous concluons ce chapitre en discutant des limites de nos exp´erimentations et des solutions envisageables.

10.1. Micro-´evaluations 87 est compos´e de configurations ayant 8 classes d’´equivalence pour les machines virtuelles (chacune d’entre elles requiert 512 Mo, 1 Go, 1.5 Go ou 2 Go de m´emoire vive).

(a) VMPP (b) VMRP

Figure 10.1 – Impact des classes d’´equivalences des machines virtuelles sur le temps de r´esolution de probl`emes VMPP et VMRP.

La Figure 10.1(a) d´ecrit le pourcentage de configurations de chaque ensemble r´esolues avec le VMPP en fonction du temps. Conform´ement `a notre intuition, le nombre de classes d’´equivalence affecte le temps n´ecessaire `a la r´esolution d’un probl`eme : alors que 6 secondes sont n´ecessaires pour calculer la valeur minimum pour 100% des configurations de l’ensemble2e, 7 secondes sont n´ecessaires avec l’ensemble4e et 11 secondes avec l’ensemble8e.

La Figure 10.1(b) repr´esente le pourcentage de configurations de chaque ensemble r´esolues avec le VMRP. Ce probl`eme est de par sa nature plus complexe `a r´esoudre que VMPP et le nombre de solutions est consid´erablement sup´erieur aux solutions de VMPP. Le solveur ne parvient pas parfois `a prouver que la solution est optimale durant les 60 secondes allou´ees. De plus, le gain relatif est moins significatif pour VMRP : le coˆut d’un plan de reconfiguration peut ˆetre de l’ordre de plusieurs centaines de milliers et, contrairement `a VMPP, am´eliorer ce coˆut d’une dizaine d’unit´es n’est pas int´eressant dans la pratique.

Nous consid´erons alors qu’une solution est minimale jusqu’`a ce que le solveur ne calcule une nouvelle solution avec un coˆut plus petit d’au moins 10%. Le graphe 10.1(b) montre que le processus de r´esolution de VMRP est ´egalement impact´e par le nombre de classes d’´equivalence : 8 secondes sont n´ecessaires pour r´esoudre 90% des configurations de l’ensemble4etandis que 15 secondes sont n´ecessaires avec l’ensemble 8e.

D’apr`es ces r´esultats, nous concluons que le temps de r´esolution de VMPP et de VMRP doit ˆetre augment´e lorsque le nombre de classes d’´equivalence augmente. En effet, pour un nombre d’´el´ements donn´e, une configuration avec un nombre ´elev´e de classes d’´equivalence poss`ede peu d’´el´ements dans chaque classe. La contrainte manipulant les sym´etries est alors moins activ´ee et diminue moins la taille de l’arbre de recherche. Dans cette situation, le temps n´ecessaire au calcul d’une «bonne» solution augmente.

Impact du ratio de machines virtuelles par nœud Nous avons g´en´er´e 3 ensemble de configura-tions, toutes ayant 4 classes d’´equivalence pour les machines virtuelles. Chaque ensemble est constitu´e de configurations compos´ees de 200 nœuds mais dont le nombre de machines virtuelles varie : l’ensemble 200/200utilise 200 machines virtuelles, l’ensemble300/200utilise 300 machines virtuelles et l’ensemble 400/200utilise 400 machines virtuelles.

Les Figures 10.2(a) et 10.2(b) d´ecrivent respectivement le pourcentage de probl`emes VMPP et VMRP r´esolus pour chaque ensemble en fonction du temps. Nous observons que le nombre de machines virtuelles rapport´e au nombre de nœuds impact sur le processus de r´esolution. Pour le VMPP, 10 secondes sont n´ecessaires pour r´esoudre 90% de l’ensemble 200/200, 20 secondes sont n´ecessaires pour r´esoudre 90%

de l’ensemble300/200tandis que 35 secondes sont n´ecessaires pour r´esoudre 90% des configurations de

(a) VMPP (b) VMRP

Figure10.2 – Impact du ratio entre le nombre de machines virtuelles et le nombre de nœuds sur le temps de r´esolution des probl`emes VMPP et VMRP.

l’ensemble 400/200. Pour le VMRP, 90% des configurations de l’ensemble 200/200sont r´esolues en 13 secondes, 25 secondes pour l’ensemble300/200et 25 secondes pour l’ensemble400/200.

L’impact du ratio de machines virtuelles par nœud s’explique par la difficult´e de trouver un nœud disposant de suffisamment de ressources CPU et m´emoire libres pour h´eberger chaque machine virtuelle.

Lorsque la proportion de machines virtuelles par rapport aux nœuds augmente, il est naturellement plus difficile de calculer une configuration viable puisque l’ensemble des nœuds pouvant accepter une machine virtuelle est r´eduit (il y a moins de places libre dans la grappe). Concernant la r´esolution de VMRP, un ratio important de machines virtuelles par nœud implique une planification des actions de plus en plus complexe : le nombre de d´ependances s´equentielles augmente ainsi que la fr´equence des cycles de d´ependances. Il se peut ´egalement qu’il n’existe pas de plan de reconfiguration entre la configuration initiale et la configuration voulue. Lorsque le ratio de machines virtuelles par nœud augmente, il est donc n´ecessaire d’augmenter le d´elai maximal pour la r´esolution du VMRP afin de calculer de «bonnes» solutions.

Nous avons pu d´eterminer grˆace `a ces deux premi`eres ´evaluations le temps de calcul n´ecessaire au calcul de «bonnes» solutions pour les probl`emes VMPP et VMRP avec Entropy. Ce temps est variable et d´epend de diff´erents crit`eres tels que le nombre de classes d’´equivalence et le ratio de machines virtuelles par nœud. Compar´e `a une heuristique telle que FFD, notre approche `a des temps de r´esolution signifi-cativement plus long. Les temps de r´esolution de l’heuristique FFD sont ´egalement soumis aux mˆemes crit`eres, cependant ils restent en dessous d’une seconde. Mis `a part les consid´erations de flexibilit´e dans le d´eveloppement de nos probl`emes, notre approche ne peut ˆetre justifi´ee que si la qualit´e de nos solutions est sup´erieure `a celle obtenue avec une heuristique ad-hoc.

10.1.3 Comparaison qualitative avec l’heuristique FFD

Pour cette ´evaluation, nous g´en´erons 4 ensembles de configurations, chacun avec 4 classes d’´equivalence pour les machines virtuelles, en faisant varier le nombre de nœuds et de machines virtuelles. Nous compa-rons au travers de la r´esolution de ces configurations, la qualit´e des r´esultats de notre approche avec ceux obtenus par l’heuristique FFD, couramment utilis´ee dans des solutions de consolidation dynamique de machines virtuelles [BKB07, VAN08b, WSVY07]. Pour le VMPP, nous comparons le nombre de nœuds utilis´es pour h´eberger des machines virtuelles avec la configuration calcul´ee par FFD. Pour le VMRP, nous comparons le coˆut des plans associ´es aux configurations calcul´ees. Pour chaque ensemble de confi-gurations, nous limitons le temps maximal de r´esolution d’Entropy en consid´erant les temps observ´es durant les pr´ec´edentes ´evaluations (voir Table 10.1).

La Figure 10.3(a) illustre l’am´elioration des solutions d’Entropy compar´ees aux solutions calcul´ees

10.1. Micro-´evaluations 89

Ensemble VMPP VMRP

100/100 5 10

200/200 10 13

300/200 20 25

400/200 35 30

Table 10.1 – D´elais (en secondes) accord´es `a Choco pour r´esoudre les probl`emes VMPP et VMRP en fonction des ensembles de configurations

avec l’heuristique FFD pour le VMPP. Nous observons d’abord que nos solutions n’utilisent jamais un nombre de nœuds sup´erieur aux solutions calcul´ees par FFD. Ceci s’explique par la d´eclaration de la borne sup´erieure de la variableX, comptabilisant le nombre de nœuds, qui est ´egale `a la solution calcul´ee par FFD. Pour 42% des configurations, Entropy calcule des configurations strictement meilleures n´ecessitant jusqu’`a 3 nœuds de moins qu’une solution calcul´ee avec l’heuristique FFD. L’int´erˆet de cette am´elioration est cependant `a relativiser `a la vue du nombre de nœuds des configurations. La Figure 10.3(b) d´ecrit l’am´elioration que r´ealise Entropy concernant le probl`eme VMRP. Pour ce probl`eme, nous devons tenir compte du fait que certaines solutions du VMPP avec Entropy ont un nombre de nœuds inf´erieur `a FFD.

Pour r´ealiser une comparaison ´equitable, nous ne consid´erons donc que les configurations pour lesquelles les solutions de VMPP sont ´equivalentes entre Entropy et FFD. Nous observons d’apr`es ce graphe que Entropy calcule une nouvelle configuration dont le coˆut de reconfiguration associ´e est toujours r´eduit d’au moins 90%. Cette r´eduction s’am´eliore en mˆeme temps que le ratio de machines virtuelles par nœud augmente. Ainsi, pour l’ensemble 400/200, 100% des solutions ont un coˆut inf´erieur `a celui de FFD d’au moins 96%. Cette diff´erence provient de l’approche de r´esolution exacte qui cherche une meilleure solution jusqu’`a prouver que celle-ci est optimale ou que le d´elai maximal pour la r´esolution soit ´ecoul´e.

A l’oppos´e, l’heuristique FFD s’arrˆete `` a la premi`ere solution, sans consid´erer la notion d’am´elioration du coˆut de reconfiguration.

(a) VMPP (b) VMRP

Figure10.3 – Comparaison qualitative des solutions entre Entropy et FFD

Si l’int´erˆet d’utiliser Entropy pour r´eduire le coˆut d’un plan de reconfiguration est ´evident par rapport

`

a l’utilisation de la configuration calcul´ee par FFD, l’int´erˆet d’utiliser Entropy pour r´esoudre VMPP paraˆıt plus discutable. Il faut cependant consid´erer que notre approche de r´esolution ne calcule pas uniquement une solution utilisant le moins de nœuds possible, mais elle r´eduit ´egalement le nombre de migrations, grˆace `a nos heuristiques de choix de valeur. De pr´ec´edentes exp´erimentations ont montr´e que

le remplacement de VMPP par l’heuristique FFD ne permettaient pas de r´eduire aussi efficacement le coˆut de reconfiguration du plan calcul´e par VMRP. En effet, le coˆut du plan associ´e `a la configuration retourn´ee par VMPP est utilis´e comme borne sup´erieure du VMRP. Moins cette borne est proche de la valeur optimale, plus l’espace de recherche est grand et plus il est difficile d’optimiser le probl`eme de la reconfiguration.

Cette ´evaluation met en ´evidence la viabilit´e de notre approche pour le calcul de plans de reconfigu-ration de faible coˆut tout en obtenant une configuration finale avec une qualit´e ´egale ou sup´erieure `a celle calcul´ee par l’heuristique FFD. Cependant, encore une fois, le temps de calcul n´ecessaire pour obtenir une configuration viable avec un nombre de nœuds r´eduit et dont le plan de reconfiguration `a un coˆut r´eduit est tr`es long compar´e `a l’heuristique FFD. En r´ealisant des exp´erimentations sur des grappes de calculs, nous pouvons v´erifier si ce temps de calcul plus important est compens´e par une r´eelle r´eduction du temps d’ex´ecution du plan de reconfiguration.

In document Gestion dynamique des tâches dans les grappes, une approche à base de machines virtuelles (Page 98-102)