Volet 3 : Extension du modèle de partitionnement multiCloud et approche

Les deux premiers volets du travail s’étaient intéressés à l’optimisation de la performance et de la QdS des applications à héberger dans l’environnement multiCloud. Dans ce troisième volet, il est question d’étendre le modèle ILP proposé pour le partitionnement des VNRs, afin de pouvoir y intégrer les coûts d’approvisionnement à minimiser pour le SP, outre les aspects de performance et de QdS à optimiser simultanément. Par la suite, dans le but de toujours contourner la nature NP-Difficile du problème, une approche approximative de résolution, basée sur une hybridation intégrative des métaheuristiques de colonies de fourmis (ACO) et de TS, est proposée et évaluée. Le nouveau modèle étendu de partitionnement, résolu avec la méthode exacte et la méthode hybride, est ensuite évalué sur des critères de performance et d’économie, en considérant différents scénarios de test. À cet effet, l’approche adoptée pour la résolution de la phase d’hébergement intraCloud des segments de VNRs est également étendue, dans le but de maximiser les profits des CPs sélectionnés, des aspects qui n’étaient pas considérés dans le modèle initial d’hébergement. Ce dernier volet de la thèse nous permet d’atteindre les deux (2) derniers objectifs énoncés à la Section 1.3, à travers l’article intitulé « An efficient approach based on Ant Colony Optimization and Tabu Search for a resource splitting across multiple cloud providers », présenté au chapitre 6. Le nouveau modèle mathématique pour la résolution du problème subséquent d’hébergement intraCloud, ainsi que l’algorithme de TS utilisé pour l’approche hybride proposée, sont détaillés dans l’annexe de l’article.

3.4.1 Extension du modèle ILP et minimisation des coûts d’approvisionnement

Le modèle ILP de partitionnement conserve toutes les propriétés du modèle défini dans les deux premiers volets du travail. Cependant, nous avons considéré et modélisé dans le réfé- rentiel d’informations les coûts d’approvisionnement de ressources et de services auprès des CPs, que le VNP tentera de minimiser pour le compte du SP. Ces coûts incluent notamment le prix unitaire par type de ressource informatique pour chaque catégorie de VMs,et le prix unitaire de la bande passante pour chaque type de liaison réseau. Chacun de ces prix est fourni par les CPs pour une période de temps donnée. Au niveau du partitionnement des VNRs, pour une communication inter-VMs au sein d’un même CP, le prix unitaire de la bande passante correspond à celui soumis par le CP pour la période de temps. Pour une communication inter-VMs entre deux CPs différents, le prix unitaire de la bande passante publié dans le référentiel accumule celui des deux CPs, ainsi que celui sur chaque liaison in- terCloud reliant les deux CPs et celui de chaque réseau de transit PoP traversé. Le nouveau

modèle ILP étendu prend en compte la durée de vie des VNRs, et permet au VNP d’opti- miser le rapport performance/coût, en sélectionnant les CPs capables d’offrir les meilleures performances et QdS pour les applications à héberger, et ce aux meilleurs prix minimisant le coût total d’approvisionnement de ressources et de services pour le SP.

3.4.2 Hybridation intégrative des métaheuristiques d’ACO et de TS

L’approche de résolution hybride proposée, nommée ACO_TS_Split, consiste en une combi- naison intégrative des métaheuristiques d’ACO et de TS. Une telle hybridation nous permet de tirer profit des capacités d’adaptation efficaces d’ACO dans le domaine de l’optimisation et de l’efficacité de TS pour éviter les cycles et les pièges d’optima locaux, par les méca- nismes de mémoire qu’il inclut. ACO_TS_Split utilise une colonie de plusieurs fourmis dont chacune d’elle, à chaque itération, construit une solution initialement vide, en y ajoutant progressivement des composants de solution choisis par l’algorithme d’ACO sur la base d’un modèle probabiliste. Ce dernier est évalué pour chaque composant possible de solution, en utilisant une information heuristique définie à partir du modèle ILP proposé et une valeur de phéromone sur le composant, afin de choisir le meilleur composant à ajouter à la solution à construire. Par la suite, dans la même itération, l’algorithme de TS, qui inclut un processus de LS et un mécanisme de Diversification, est utilisé comme opérateur de LS, afin d’améliorer la meilleure solution construite par les fourmis à l’itération. Le processus de LS est exécuté jusqu’à ce que la solution de la meilleure fourmis locale reste non améliorée pendant un certain nombre d’itérations, avant d’exécuter la Diversification une seule fois selon les même principes que ceux considérés dans le deuxième volet du travail. Par ailleurs, en plus d’utiliser pour la partie TS le même mécanisme d’évaluation accélérée des solutions que celui défini avec TS_Split dans le deuxième volet, pour l’algorithme d’ACO également, l’évaluation d’une nouvelle configuration de solution construite par une fourmi est considérablement accélérée. Ceci a été réalisé en utilisant des fonctions de calcul de variations, afin d’uniquement évaluer la différence de coût générée par l’ajout d’un nouveau composant à la configuration partielle d’une solution actuelle, ce qui réduit nettement le temps d’exécution de l’algorithme hybride

3.4.3 Évaluation de performance

L’approche hybride proposée est implémentée en C++ et est évaluée par des simulations nu- mériques, en utilisant le même environnement de simulation défini dans le premier volet. Dans cette troisième partie du travail, nous avons également mené trois phases d’expérimentation, consistant en une première permettant de réaliser notamment le paramétrage de l’algorithme ACO_TS_Split proposé, aussi bien pour la partie d’ACO que celle de TS. Par la suite, une

seconde phase ayant pour but d’évaluer les performances de ACO_TS_Split en termes de qualité des solutions obtenues et temps d’exécution selon la taille des instances du problème est élaborée, avant de réaliser une dernière expérimentation permettant d’évaluer la nouvelle stratégie de partitionnement des VNRs proposée, selon certains critères de performance et d’économie.

3.4.3.1 Scénarios de test

Les différents scénarios de test sont définis en considérant 10 CPs intervenant dans l’en- vironnement multiCloud. Les deux premières phases d’expérimentation ont été réalisées en fonction de la taille des instances des VNRs, qui sont composées de 5 à 70 VMs pour les petites tailles, et de 75 à 500 VMs pour les grandes tailles. La troisième phase d’expérimentation n’est réalisée que sur les instances de petite taille. Dans la deuxième phase d’expérience, nous avons comparé l’approche hybride proposée, avec Diversification et sans Diversification, à l’approche exacte exécutée avec AMPL/CPLEX, à l’algorithme d’ACO simple sans TS comme LS, et à l’algorithme TS_Split correspondant à celui développé dans le deuxième vo- let du travail. Dans la troisième phase d’expérience, les performances de la nouvelle stratégie de partitionnement sont comparées à celles du modèle stratégique où seules la performance et la QdS des applications sont optimisées, comme c’est le cas avec les deux premiers volets du travail, et à celles du modèle stratégique où seuls les coûts d’approvisionnement pour le SP sont minimisés, similairement au modèle de partitionnement proposé par (Dietrich et al., 2015). Toutes ces différentes stratégies de partitionnement sont résolues dans cette troisième étape d’expérimentation avec l’approche hybride ACO_TS_Split complète, et la phase d’hé- bergement intraCloud maximisant les profits du CP est résolue de manière optimale avec la méthode exacte, exécutée avec AMPL/CPLEX.

3.4.3.2 Tests préliminaires et paramétrage de l’algorithme

Des phases préliminaires de tests sont également effectuées afin de définir les bonnes valeurs des paramètres de l’algorithme hybride ACO_TS_Split, en fonction de la taille des instances du problème. Le paramétrage est réalisé en définissant progressivement les valeurs idéales pour le taux d’évaporation de phéromone, l’importance relative du taux de phéromone et de l’information heuristique dans le modèle probabiliste, la taille de la colonie de fourmis et le nombre maximal d’itérations de ACO_TS_Split. Le paramétrage de l’algorithme de TS est ensuite réalisé dans une même démarche que celle dans le deuxième volet du travail. Pour les instances de petite taille, nous avons utilisé les solutions obtenues avec la méthode exacte pour réaliser le paramétrage. Pour celles de grande taille, les meilleures solutions

générées parmi toutes les simulations pour les différentes instances sont utilisées. Des formules mathématiques en fonction du nombre de VMs dans les VNRs et du nombre de CPs dans le multiCloud sont alors définies pour les différents paramètres de l’algorithme ACO_TS_Split, dans le but de toujours arriver à un excellent compromis entre la qualité des solutions générées et le temps de résolution.

3.4.3.3 Évaluation des performances de l’approche de résolution hybride

Pour les VNRs de petite taille, la comparaison avec les méthodes exacte, d’ACO simple et TS_Split, montre que l’approche hybride ACO_TS_Split, incluant le mécanisme de Diver- sification, améliore considérablement la qualité des solutions obtenues par rapport à l’algo- rithme d’ACO simple ou à l’algorithme ACO_TS_Split sans Diversification, mais au prix d’un temps de résolution relativement plus élevé. L’algorithme TS_Split donne des solutions satisfaisantes mais en moyenne légèrement de moins bonne qualité que ACO_TS_Split avec Diversification et ce en un temps de résolution un peu plus élevé. En particulier avec des VNRs de petite taille, les deux algorithmes ACO_TS_Split avec Diversification et TS_Split, génèrent des solutions très proches de la solution exacte, avec un écart de coût moyen à moins de 3.42 % et 4.18 % respectivement. Avec des VNRs de grande taille, les comparaisons ne sont faites qu’avec TS_Split, car l’algorithme d’ACO simple donne dans certains cas des solutions irréalisables. Des résultats similaires sont observés entre ACO_TS_Split et TS_Split, les solutions étant en moyenne meilleures avec l’approche hybride complète qu’avec l’algorithme de TS.

3.4.3.4 Évaluation du modèle étendu de partitionnement sur les critères de

performance et d’économie

La nouvelle stratégie étendant le modèle ILP de partitionnement est évaluée sur le taux d’acceptation des VNRs, le coût d’approvisionnement pour le SP et le profit du CP. Les résultats montrent des taux d’acceptation plus bas dans les cas où uniquement la réduction des coûts est l’objectif principal du SP (ou alors qu’aucune information sur les ressources n’est divulguée au VNP, à l’exception du prix unitaire). Cependant le taux d’acceptation des VNRs est en moyenne meilleur dans les cas où seule l’optimisation des performances des VNRs est prise en compte dans la stratégie de partitionnement. Par ailleurs, le nouveau cadre de VNE multiCloud étendu améliore le rapport performance/coût d’environ 8 % pour le SP, et le profit d’environ 67.2 % pour les CPs.