4.2 Sélection adaptative d’un fournisseur Cloud IaaS
4.2.4 Proposition d’un mécanisme de sélection pour le Cloud 123
Cloud
Après cette phase d’évaluation des fournisseurs Cloud, notre plan de
connaissance sera en charge de l’analyse et du traitement des informations
collectées. L’objectif est de pouvoir répondre à la demande d’un utilisateur
qui souhaite obtenir le fournisseur le plus adéquat à ses besoins. En effet, un
fournisseur X peut être le meilleur choix pour le client 1 et ne pas l’être pour
un autre client. De plus, ce choix peut évoluer dans le temps.
Notre première approche, nommée SCPS (Static Cloud Provider
Selection), est basée sur les techniques de programmation linéaire qui
consistent à trouver une solution optimale en maximisant une fonction de
coût donnée (cf. équation 4.1).
sel(U, P)→M ax(i=0→n)(Fi(x1, x2, ..., xk)) (4.1)
Dans notre cas, la fonction de coût prend en considération 4 paramètres :
— La bande passante
— La latence
— Le prix
— La performance des instances.
Toutefois, et au regard du nombre des paramètres pris en considération,
la détermination de la fonction de coût est difficile. De plus, cette fonction est
dépendante des besoins réels de chaque utilisateur qui évoluent au cours du
temps. Nous faisons ici le choix de laisser à l’utilisateur la liberté de définir
sa propre fonction de coût pour qu’elle soit une combinaison linéaire de ses 4
paramètres comme le montre la figure4.5. Par exemple, si l’utilisateur souhaite
déployer un service dans lequel le transfert de fichiers est important, il va
donner une grande importance à la bande passante. S’il souhaite déployer un
service nécessitant un besoin de communication en temps réel, il donnera plus
d’importance à la latence.
Dans le cas où l’utilisateur ne définit pas sa propre fonction de coût,
l’équa-tion considérée sera celle décrite par4.2. La bande passante, la latence, le prix
Figure 4.5 – Détermination de la fonction de coût
et la performance du système sont normalisés en utilisant la norme infinie. A
chacun de ces paramètres, l’utilisateur doit affecter un poids xi selon ses
pré-férences. Ces paramètres sont ensuite pondérés pour obtenir un score final
agrégé.
bp= ¯bp+∥bpstd∥(bp)
∝lt= ¯lt+∥ltstd∥
∝(lt)
p= p¯+∥stdp∥
∝(p)
pm= pm¯ ∥+pmstd∥(pm)
∝F(bp, lt, p, pm) = x1.bp+x2.lt+x3.p+x4.pm
(4.2)
Afin de prendre en considération la localisation géographique des usagers
finaux du service à déployer, nous prenons en considération les performances
réelles mesurées pour cette localisation. Cependant, si la localisation n’est pas
disponible dans les données dont nous disposons, nous prenons en
considéra-tion les mesures de la localisaconsidéra-tion la plus proche (voir l’équaconsidéra-tion 4.3).
loc(U, P) = M in(i=0→n)d(U Loc−P Loci) (4.3)
Si plusieurs localisations sont à considérer, les mesures sont pondérées selon
les taux de répartition des usagers afin d’obtenir des mesures globales.
Afin de prendre en considération les variations des performances des
four-nisseurs, nous avons proposé une seconde approche nommée ACPS (Adaptive
4.2. Sélection adaptative d’un fournisseur Cloud IaaS 125
Cloud Provider Selection). Cette dernière consiste à alimenter en continu le
plan de connaissance afin de pouvoir choisir le fournisseur le plus adapté aux
besoins de l’utilisateur à chaque instant. Le changement de fournisseur
s’effec-tue sur la base de l’algorithme de Page-Hinkley [Sebastião and Gama, 2009]
(cf. section 2.7.2) comme le montre l’équation 4.4 :
¯
dT =∑T
t=1dt / T
XT =∑T
t=1(dt−d¯
T)
if XT > λ→ re-choisir le fournisseur le plus adapté.
(4.4)
dtreprésente le résultat de la fonction de coût à un instant t,d¯T la moyenne
des dt et XT la différence cumulée entre dt et d¯T. Lorsque XT est supérieur à
un seuilλ donné, un point de changement est détecté.
4.2.4.1 Étude du cas d’un client
Pour évaluer les performances de nos deux approches (l’approche
adapta-tive ACPS et l’approche statique SCPS), chaque agent va jouer le rôle d’un
broker2. Sur la base du plan de connaissance construit et des besoins d’un
client, il sélectionne dynamiquement le fournisseur Cloud le plus adéquat.
Le cas étudié est un client qui possède 50 % de son activité aux
États-Unis, 30 % en France et 20 % dans d’autres pays et qui considère que les
4 paramètres (la bande passante, la latence, le prix et la performance du
système) ont la même importance.
La figure 4.6 montre la variation du score obtenu par les deux approches
SCPS et ACPS :
— La méthode SCPS, dite méthode statique, consiste à sélectionner le
meilleur fournisseur à un instant t (fixé à 4 heures dans cette
expéri-mentation) et de le garder toute la journée.
— La méthode ACPS consiste à décider d’un abonnement à la volée et à
changer de fournisseur à chaque fois que ceci est nécessaire. Le
para-mètreλ est fixé à0,6.
La forte variation des scores de l’approche SPCP nous laisse penser qu’il
est possible d’améliorer la fonction de coût en faisant une sélection
adapta-2. Selon le NIST [Mell and Grance, 2011], un broker est une entité qui fait office
d’in-termédiaire entre les fournisseurs et les consommateurs du Cloud en gérant l’utilisation et
l’évaluation des services fournis.
Figure 4.6 – Sélection d’un fournisseur
tive des fournisseurs et en passant de l’un à l’autre selon celui qui obtient le
meilleur résultat. L’approche adaptative que nous avons mise en place donne
un meilleur choix dans le temps et représente à chaque fois le meilleur coût.
Cette nouvelle approche de sélection de fournisseurs de Cloud permet, sur la
base du plan de connaissance construit et partagé à travers notre plateforme,
de nous donner la possibilité de vérifier les capacités des fournisseurs en temps
réel et de migrer chez un autre fournisseur à chaque fois que l’offre proposée
voit ses performances se dégrader ne répondant plus ainsi aux spécifications
originelles du client.
4.3 Gestion du flux de connaissances au sein
Dans le document
Mise en oeuvre d’une plateforme de gestion et de dissémination des connaissances pour des réseaux autonomiques
(Page 126-129)