Simulation et résultats

5.3.1 Expérimentation

Nous essayons de démontrer à travers des simulations les performances de notre ap-proche de résolution du problème de placement des machines virtuelles en comparant une implémentation du FFD avec la méthode dite de brute-force. Le problème de Bin packing étant NP-Hard, la résolution par la méthode de Brute-force consiste à parcourir à chaque occurrence de machine virtuelle, toutes les machines physiques afin de déterminer la possibilité de les allouer ou non.

Le cadre de notre étude est un datacenter institutionnel de l’Etat béninois dans lequel, les responsables des systèmes d’informations de plusieurs structures de l’administration expriment régulièrement des besoins d’hébergement de leurs applications. Ce datacenter contient 110 serveurs mais nous limiterons notre étude à 20 serveurs HP Blade BL 350 ayant des spécifications identiques et pouvant respecter les contraintes des problèmes de Bin Packing. Les caractéristiques des serveurs sont équivalentes à celles d’un HP proliant DL 380 Gen 98.

Afin de faciliter l’entrée des données dans notre programme, nous représenterons les performances des processeurs en MIPS (Millions d’instructions par seconde) de façon à ne pas avoir de nombres décimaux. Les machines virtuelles quant à elles sont sollicitées à travers un formulaire de demande d’hébergement précisant entre autres les quantités de MIPS requises. Ici également, nous nous limitons à une vingtaine de demande de machines virtuelles. Le récapitulatif des demandes de ressources se présente dans le tableau 5.1

Les machines sont virtualisées en utilisant l’hyperviseur VMWARE ESXI 5.5. Le but de notre simulation est de comparer le nombre de serveur actuellement utilisé au sein du

CHAPITRE 5. PLACEMENT DES MACHINES DANS UN CONTEXTE D’EFFICACITE ENERGETIQUE

N Demande de CPU Rangement par groupe

1 6 1 2 3 1 3 8 1 4 2 1 5 1 1 6 5 1 7 3 1 8 6 2 9 4 2 10 5 2 11 7 2 12 1 2 13 4 2 14 3 3 15 6 3 16 2 3 17 2 3 18 5 3 19 7 3 20 9 3

Table 5.1 – Rangement des serveurs par groupe de compatibilité

datacenter en utilisant une méthode manuelle très proche du brute-force avec celui obtenu en utilisant l’algorithme modifié du First Fit Decreasing. La simulation consiste à entrer dans le programme développé à cet effet, les besoins des usagers du datacenter ainsi que la quantité disponible de la ressource concernée au niveau du serveur. L’algorithme fourni en sortie pour chaque méthode, le nombre de serveurs physiques nécessaires ainsi que le temps de traitement.

5.3.2 Résultats

Au regard des résultats ci-dessous présentés dans le tableau 5.2, on aperçoit clairement que la détermination du schéma de placement initial des VM est plus optimal par la méthode de Bin Packing. L’évaluation montre également que le temps de calcul par la méthode du Brute-force est très élevé par rapport au FFD d’un facteur de 103. La répartition préalable des machines par groupe de compatibilité est une particularité de

CHAPITRE 5. PLACEMENT DES MACHINES DANS UN CONTEXTE D’EFFICACITE ENERGETIQUE

Méthodes Groupe 1 Groupe 2 Groupe 3

• Nb de serveurs Durée Nb de serveurs Durée Nb de serveurs Durée

Manuel 4 NA 4 NA 4 NA

Brute Force 4 0 3 875 3 31

Bin packing FFD 4 0 3 0 3 0

Table 5.2 – Performance des deux méthodes

notre étude étant donné que cette réalité est souvent ignorée dans de nombreux travaux similaires alors même qu’elle constitue une règle de base du placement des VM au sein des datacenters

En rappelant que notre échantillon est de taille réduite par souci de simplicité, il est utile de remarquer que la durée de détermination du schéma de placement peut être multiplié par plusieurs lorsque l’on considère un datacenter de grande taille (plusieurs centaines ou milliers de serveurs). Le recours à une technique de type FFD est donc indispensable afin de répondre efficacement au flux des requêtes d’hébergement dans les datacenters.

La détermination d’un schéma optimale de placement des machines virtuelles au sein d’un datacenters ne représente cependant que le début des taches de placement étant donné que les quantités de ressources sollicitées au départ sont consommées de manière très variable après la mise en production entrainant d’énormes pertes de ressources. Ces sous-consommations résultent en un gaspillage d’énergie électrique car une fois approvisionnée, les ressources des VM consomment presque les quantités d’énergie que lorsqu’elles sont en pleine charge. Pour pallier ce phénomène, une réallocation périodique des machines virtuelles sur les serveurs physiques est indispensable. Toutefois, même si les méthodes du Bin Packing peuvent être toujours utiles, d’autres algorithmes basés sur des critères adéquats sont nécessaires.

Conclusion

L’optimisation de la consommation énergétique au sein des datacenters est un domaine où la recherche est à ce jour, très féconde. La clé réside dans la virtualisation, l’élaboration de techniques d’amélioration de l’efficacité électrique des serveurs déployés et une meilleure allocation des serveurs virtuels. Avec les besoins en permanente croissance du cloud computing, le problème de placement des machines virtuelles sur les serveurs physiques déployés dans les datacenters est devenu central. Elle se subdivise en deux parties que sont : i) le placement initial et ii) la réallocation optimale en fonction des besoins réels des utilisateurs au fil du temps. Notre but au cours de ce travail a été de proposer une approche de solution à la question du placement initial à travers les méthodes du Bin Packing.

Fort des résultats produits dans d’autres domaines notamment la logistique, les algorithmes basés sur le Bin Packing sont porteurs de promesses dans le cadre de l’amélioration de la consommation des ressources sur les serveurs au sein des datacenters. En effet, nos tests sur un échantillon tiré d’un environnement réel montrent en comparaison à d’autres méthodes traditionnelles de placement des VM sur les serveurs que l’heuristique du First Fit Decreasing permet de réduire de façon sensible les gaspillages de ressources sur les serveurs physiques. A ceci s’ajoute l’optimisation du temps nécessaire pour la détermination du schéma de placement adéquat. Cette réduction du temps nécessaire aux administrateurs de datacenters à la prise de décision d’hébergement des besoins des clients est d’autant plus importante que la vitesse d’adoption des technologies du cloud computing exige plus de réactivité et plus d’efficacité pour une meilleure satisfaction des usagers.

CHAPITRE 5. PLACEMENT DES MACHINES DANS UN CONTEXTE D’EFFICACITE ENERGETIQUE

Les résultats obtenus ne sont cependant qu’une piste de résolution des questions d’efficacité énergétique au sein des datacenters. La taille croissante de ces derniers, la variété des contraintes liées à la technologie et aux exigences des clients impliquent l’élaboration et la validation dans des environnements varié, d’autres techniques permettant de rendre dynamiques les solutions de placement en cours de production. Les méthodes de migration de machines virtuelles existantes pourraient être améliorées en les combinant avec les outils de Bin Packing.

Chapitre 6

CONSOLIDATION PREDICTIVE