Probl` emes et objectifs de recherche

Conform´ement `a ce qui a ´et´e d´efini dans l’´elaboration du sujet, ce m´emoire de th`ese se concentre sur l’allocation de ressources sur une plate-forme de type Infrastructure as a Service (IaaS) et d´ecrit le d´eveloppement d’un moteur d’optimisation permettant une allocation intelligente et dynamique des ressources clientes en mettant l’accent sur les principaux d´efis suivants :

• Comment mesurer les performances d’un algorithme de placement des ressources au sein d’une plate-forme de Cloud Computing ? Pour at- teindre cet objectif, il faudra dans un premier temps dresser un ´etat de l’art des

solutions d´ecrivant l’´etat d’une infrastructure Cloud et ensuite identifier les indica- teurs pertinents manquant capables de d´ecrire l’´etat du syst`eme. Ces indicateurs permettront de d´efinir un mod`ele g´en´eralisant les infrastructures d’un Cloud. • Comment repr´esenter les ressources du fournisseur et celles demand´ees

par les utilisateurs ? Nous avons travaill´e en adoptant une approche analytique o`u, dans un premier temps, il s’agit de r´esoudre le probl`eme th´eorique en r´ealisant et en standardisant un mod`ele comprenant les diff´erents composants d’une infras- tructure en nuage de divers type (NaaS, IaaS ou PaaS) en int´egrant les contraintes d’infrastructure comme la topologie, la politique et l’´evolution de celle-ci. Par ex- emple, il s’agit de r´eduire le temps de latence entre les machines virtuelles ou bien le taux d’utilisation des liens d’interconnexion r´eseau entre les diff´erentes baies et plaques et de pouvoir suivant l’´evolution de l’infrastructure, replacer les ressources clientes tout en en optimisant la disponibilit´e.

• Comment obtenir une solution de placement viable en un temps con- venable ? il s’agit de mettre en pratique notre mod`ele th´eorique et de r´ealiser un moteur d’optimisation capable d’impl´ementer les composants d’une infras- tructure en nuage, les diff´erentes contraintes qui y sont li´ees et de recevoir les demandes des utilisateurs et les informations des senseurs de l’infrastructure. Ce moteur d’optimisation devra ˆetre capable de communiquer avec divers types d’infrastructure en nuage et de r´epondre en un temps convenable (< 1 minute) pour un probl`eme de taille moyenne (2000 machines virtuelles et 500 hyperviseurs).

Les verrous scientifiques que nous traitons sont principalement :

• Proposer une d´efinition de mod`ele g´en´eralisant les infrastructures porteuses d’un Cloud.

• Identifier des indicateurs pertinents pour d´ecrire l’´etat des infrastructures por- teuses et d´efinir le processus d’agr´egation de l’information permettant d’alimenter le processus de d´ecision.

• R´esolution d’un probl`eme d’optimisation NP-difficile permettant une allocation dynamique, efficace et intelligente des ressources clientes au sein d’un Cloud.

C.1.2 Contributions

Nous r´esumons pour plus de commodit´e nos contributions et nos r´ealisations d´ecrites dans ce m´emoire en respectant les d´efis identifi´es `a l’origine et nos objectifs de recherche d´efinis.

La premi`ere contribution est un nouveau mod`ele de repr´esentation des ressources se voulant g´en´erique et que nous appliquons `a une plate-forme de Cloud Computing de type Infrastructure as a Service. Notre repr´esentation des donn´ees est une extension de l’interface propos´ee par l’Open Cloud Computing Interface (OCCI) qui permet de d´ecrire des ressources de type ”infrastructure”. Nous avons principalement travaill´e sur la de- scription des propri´et´es composant une ressource. Ainsi, nos ressources repr´esentent des services d’infrastructure, mais pourraient aussi repr´esenter des services plus com- plexes dans le domaine du Platform as a Service (PaaS) ou du Software as a Service (SaaS). Nous nous sommes attach´es `a la gestion des coˆuts sur une plate-forme et `a la mod´elisation de l’interruption de service en corr´elation avec la charge de travail des ressources du fournisseur h´ebergeant les demandes des utilisateurs.

La seconde contribution est l’identification et l’expression des contraintes d’affinit´e et d’anti-affinit´e entre les ressources du fournisseur et les ressources demand´ees par les utilisateurs. Ces contraintes d’affinit´e et d’anti-affinit´e permettent d’obtenir plus de flexibilit´e dans la gestion des coˆuts globaux de l’infrastructure et la qualit´e de service rendu aux utilisateurs. De plus, elles permettent de s’assurer que certaines ressources sensibles des utilisateurs soient allou´ees sur des ressources du fournisseur s´ecuris´ees. Ces contraintes s’expriment sous la forme de contraintes de placement des ressources virtuelles sur l’infrastructure du fournisseur.

La derni`ere contribution r´eside dans le d´eveloppement d’un algorithme g´en´etique capable de r´epondre et de converger en un temps convenable pour le domaine m´etier du place- ment de ressource au sein d’une plate-forme de Cloud Computing de type Infrastruc- ture as a Service (< 30 secondes pour des probl`emes de taille moyenne, 2000 machines virtuelles et 500 hyperviseurs). Il est aussi complexe de trouver le bon param´etrage d’ensemble des op´erateurs, car cela d´epend du probl`eme trait´e. Il est aussi complexe de trouver le bon param´etrage d’ensemble des op´erateurs, car il d´epend du probl`eme trait´e. Nous avons choisi d’utiliser un algorithme g´en´etique, car celui-ci permet de trouver de multiples optima potentiellement proches de la solution id´eale en un temps relativement court. De plus, ils peuvent ˆetre plus facilement parall´elisables ce qui, dans le domaine du placement sur une plate-forme de Cloud Computing, peut devenir int´eressant mˆeme si nous n’en traiterons pas dans ce m´emoire. Notre algorithme g´en´etique a ´et´e modifi´e afin d’am´eliorer le temps de convergence de la population vers une solution viable. Nous avons am´elior´e le processus d’initialisation de la population afin que chaque nouvel indi- vidu respecte la contrainte de capacit´e, ce qui a permis de faire converger la population plus rapidement vers une solution viable.