Optimisation conjointe

À des fins de simplification, plusieurs travaux ont tenté d’aborder la question de consom- mation énergétique d’un data center en s’attaquant à un problème à la fois. Toutefois, le placement des VMs et le routage du trafic étant deux processus mutuellement dépendants, ils ne sauraient être traités séparément. De plus, comme présenté à la Section 2.2.3, l’alloca- tion des VMs peut largement influencer la distribution thermique, laquelle peut, à son tour, avoir un impact sur la consommation des serveurs. Ainsi, dans le but de minimiser l’énergie consommée par un data center, une optimisation conjointe des différents facteurs influençant la consommation énergétique est donc de mise.

2.2.5.1 Nœuds de calcul et ressources réseau

Ainsi, certains auteurs ont abordé la question en considérant simultanément les nœuds de calcul et les ressources réseau. Wu et al. (2012) ont présenté un modèle qui optimise simul- tanément l’énergie des serveurs et du réseau de communication. Les VMs et les serveurs sont caractérisés par un vecteur de ressources multi-dimensionnel, le modèle linéaire est utilisé pour la consommation des serveurs et la puissance consommée par les équipements réseau est proportionnelle au trafic qui y transite. Ils ont développé une heuristique basée sur l’al- gorithme génétique afin de solutionner le problème de placement des VMs. Wu (2013) a également développé une approche de résolution basée sur l’adaptation du Recuit Simulé ou Simulated Annealing (SA). Par la suite, les auteurs Tang et Pan (2014) ont conçu une ver- sion hybride de l’algorithme, soit l’algorithme mémétique afin d’améliorer les performances de l’algorithme génétique présentée par Wu et al. (2012). Quan et al. (2012) ont proposé des approches de migration de la charge afin d’optimiser le placement des VMs et le routage du trafic et réduire l’énergie consommée. La puissance des nœuds de calcul inclut la consom- mation des serveurs et une consommation fixe des ventilateurs associés. Une topologie full mesh a été considérée comme configuration d’interconnexion entre les serveurs et un modèle complexe de consommation des commutateurs a été présenté. Ils ont également proposé un algorithme glouton à deux (2) phases. Dong et al. (2013) ont utilisé des techniques de pro- grammation linéaire en nombres entiers pour déterminer l’emplacement idéal des VMs afin de maximiser l’utilisation des ressources. Pour ce qui est des ressources réseau, ils ont défini un coût de communication proportionnel à la quantité de trafic circulant dans le réseau. Ils ont alors formulé le problème sous la forme d’une optimisation multi-objective visant à minimiser

l’impact énergétique des VMs et de leurs trafics, et ont proposé une approche combinant une méthode de regroupement, ou clustering, à un algorithme glouton. Vu et Hwang (2014) ont développé un algorithme à trois (3) phases pour solutionner un tel problème. La première phase vérifie l’état des serveurs ; la seconde étape sélectionne les VMs à migrer ; et la dernière phase trouve la destination des VMs à migrer en considérant l’énergie et le trafic dans le réseau. Fang et al. (2013a) ont présenté une approche de placement et de migration des VMs où leur modèle intègre la puissance des serveurs, celle des ressources réseau et des coûts de migration. Ils proposent une adaptation de trois (3) algorithmes gloutons, soit Best Fit, First Fit et Worst Fit, pour résoudre les problèmes de grande taille. Larumbe et Sanso (2012) ont proposé une approche multi-objective dans laquelle le modèle de consommation énergétique considère simultanément l’énergie des serveurs, celle des ressources réseau et un PUE fixe. Le modèle proposé est basé sur la programmation linéaire en nombres entiers et est résolu à l’aide d’AMPL/CPLEX. Ces auteurs ont également proposé une adaptation de l’heuristique de la Recherche Tabou afin de résoudre les problèmes de grande taille et ont comparé les performances de cette méthode avec celles d’une approche de résolution gloutonne (voir La- rumbe et Sanso, 2013). Ils ont également été parmi les rares à évaluer l’énergie consommée à l’échelle de plusieurs data centers.

2.2.5.2 Nœuds de calcul et système de refroidissement

D’autres auteurs, pour leur part, ont tenté de réduire l’énergie consommée par un data cen- ter en minimisant l’impact des serveurs et du cooling. En utilisant les chaînes de Markov, Parolini et al. (2008) ont proposé un mécanisme de placement des VMs réduisant simultané- ment la consommation des nœuds de calcul et l’énergie du système de refroidissement. Xu et Fortes (2010) ont proposé une approche de placement des VMs basée sur une optimisation multi-objective, visant à réduire le gaspillage des ressources, la puissance consommée et le coût de dissipation thermique. Ils ont développé un modèle de consommation des serveurs basé uniquement sur l’utilisation CPU, et l’impact du cooling est contrôlé en minimisant la température de sortie des serveurs. Une adaptation de l’algorithme génétique combinée à la logique floue a été développée afin de déterminer des solutions de compromis entre les différents objectifs. Pakbaznia et Pedram (2009) ont proposé un modèle d’optimisation de l’énergie totale dans un data center. Ce modèle, basé sur la programmation linéaire en nombres entiers, permet d’effectuer un placement optimal des VMs en minimisant la puis- sance consommée par les serveurs et celle dissipée par le cooling. Ils ont utilisé le modèle de dissipation thermique proposé par Tang et al. (2006) et ont maximisé l’efficacité énergétique du système de refroidissement en augmentant la température interne du data center, comme suggéré par une étude de la ASHRAE (voir ASHRAE, 2011).