Vers une meilleure utilisation des énergies renouvelables : application à des bâtiments scientifiques

HAL Id: tel-01989126

https://tel.archives-ouvertes.fr/tel-01989126

Submitted on 22 Jan 2019

HAL is a multi-disciplinary open access archive for the deposit and dissemination of sci- entific research documents, whether they are pub- lished or not. The documents may come from teaching and research institutions in France or abroad, or from public or private research centers.

L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires publics ou privés.

Vers une meilleure utilisation des énergies

renouvelables : application à des bâtiments scientifiques

Inès De Courchelle

To cite this version:

Inès De Courchelle. Vers une meilleure utilisation des énergies renouvelables : application à des bâtiments scientifiques. Intelligence artificielle [cs.AI]. Université Paul Sabatier - Toulouse III, 2017.

Français. �NNT : 2017TOU30196�. �tel-01989126�

TH ` ESE TH ` ESE

En vue de l’obtention du

DOCTORAT DE L’UNIVERSIT´ E DE TOULOUSE

D´ elivr´ e par : l’Universit´ e Toulouse 3 Paul Sabatier (UT3 Paul Sabatier)

Pr´ esent´ ee et soutenue le Date de d´ efense (20/11/2017) par : In` es de Courchelle

Vers une meilleure utilisation des ´ energies renouvelables : application ` a des bˆ atiments scientifiques

JURY

Marie-Pierre Gleizes Professeur IRIT Toulouse Pr´ esident du Jury Laurent Lef` evre Charg´ e de recherche INRIA Lyon Rapporteur Jean-Marc Menaud Professeur ´ Ec. des Mines Nantes Rapporteur Anne-C´ ecile Orgerie Charg´ ee de recherche IRISA Rennes Examinateur

Philippe Roose MCF HDR LIUPPA Anglet Examinateur

Yann Labit Professeur LAAS-CNRS Toulouse Examinateur

Thierry Monteil Professeur LAAS-CNRS Directeur de th` ese Georges Da Costa MCF HDR IRIT Toulouse Directeur de th` ese Tom Gu´ erout Charg´ e de recherche LAAS-CNRS

Toulouse

Membre invit´ e

Ecole doctorale et sp´ ´ ecialit´ e :

MITT : Domaine STIC : R´ eseaux, T´ el´ ecoms, Syst` emes et Architecture Unit´ e de Recherche :

IRIT (UMR 5505), LAAS - CNRS (UPR 8001), neOCampus Directeur(s) de Th` ese :

Georges Da Costa, Thierry Monteil Rapporteurs :

Laurent Lef` evre et Jean-Marc Menaud

i

A la m´ ` emoire de mon p` ere,

Il y a Jimmy Page, Robert Plant, John Paul Jones et J´ ero Boam.

— P. J

ii

Remerciements

Je tiens tout d’abord ` a remercier mes encadrants de th` eses, Georges Da Costa, Yann Labit et Thierry Monteil. Durant ces trois ans, vous m’avez donn´ e l’opportunit´ e de travailler dans la recherche et l’enseignement, je vous remercie de m’avoir aid´ ee, encourag´ ee, et guid´ ee.

Je remercie ´ egalement Tom Gu´ erout pour tous ses conseils avis´ es durant ces trois ann´ ees. J’ai beaucoup appr´ eci´ e de partager et discuter avec toi, de ces travaux de recherches.

Un grand merci ` a l’ensemble des membres de l’´ equipe SEPIA de l’IRIT, merci ` a Jean-Marc Pierson et Patricia Stolf et l’´ equipe SARA du LAAS de m’avoir accueillie.

Je remercie l’op´ eration neOCampus et l’Universit´ e de Paul Sabatier qui m’ont permis de r´ ealiser ces travaux de th` eses. Je tiens ` a remercier particuli` erement, Marie-Pierre Gleizes pour la confiance qu’elle m’a accord´ e durant ces trois ann´ ees, ainsi que dans l’organisation de la journ´ ee scientifique de juillet 2017.

Ensuite, beaucoup de remerciements aux enseignants de l’universit´ e Paul Sabatier pour m’avoir accord´ ee leur confiance en me laissant participer aux enseignements. Des remerciements tout particulier ` a Ileana Ober, Wahiba Bahsoun, et Armelle Bonenfant pour votre gentillesse et pour m’avoir donn´ e ces opportunit´ es d’encadrements et d’enseignements.

Mes coll` egues qui ont endur´ e mes monologues sur mes chats et, les r´ ecits palpitants de mes chats, merci ` a vous, R´ emy, L´ eo, Imane, Juliette, Gilles, Quentin, Zong (

Go Gunners

), Chao- peng, Gustavo, Nicolas avec un S, Nicola sans S, Santi, Guillaume, Fran¸ cois, Ghada, Iovy, Benoˆıt, Hang, Soufian, H´ el` ene ainsi que tous les docteurs et doctorants de l’op´ eration neOCampus, de l’´ equipe SEPIA et de l’´ equipe SARA. De plus, je remercie Pascal Berthou pour ces discussions cin´ ematographiques durant les pauses caf´ e.

Je tiens ` a remercier les enseignants de l’Universit´ e de Pau et de Pays de l’Adour d’Anglet qui m’ont donn´ e envie de continuer dans l’informatique puis dans la recherche. Durant, ces ann´ ees d’´ etudes ` a Montaury vous m’avez toujours encourag´ ee dans mon projet professionnel.

Je d´ edie cette th` ese ` a mon papa et ma maman, qui m’ont soutenue continuellement durant ses ann´ ees. Sans vous, je n’en serais pas l` a. Maman tu es incroyable et d’un tr` es grand soutient.

Des remerciements aussi ` a mon grand fr` ere Laurent, Cynthia, mon neveu ador´ e, Jules et la petite Misty.

Enfin de joyeux remerciements, ` a Elizabeth qui m’a ´ enorm´ ement aid´ ee l’ann´ ee pass´ ee, tu m’as

´

ecout´ ee et support´ ee. Je tiens ` a remercier ma sœur Leia qui pendant mes ann´ ees ` a Bassussarry

m’a beaucoup apport´ ee et qui a accept´ e sa petite ni` ece, Elizabeth, au sein de la famille.

iv

R´ esum´ e

De nos jours, le cloud devient indispensable pour utiliser les services informatiques, mais tous ces services en ligne ont un impact sur notre ´ economie et notre environnement. L’utilisation de centres de calcul est devenue incontournable pour le traitement de l’information et le stockage

`

a grande ´ echelle (Big Data). Cependant, de tels syst` emes distribu´ es sont ´ energivores, et ont une influence directe sur l’environnement et leur coˆ ut de fonctionnement. Afin de diminuer l’empreinte

´

ecologique et la facture d’´ electricit´ e, l’utilisation d’´ energie renouvelable est une solution adopt´ ee.

Cependant, l’int´ egration des ´ energies renouvelables dans de tels syst` emes est complexe en raison de leur forte d´ ependance ` a l’environnement naturel. Effectivement, le rendement de production

´

energ´ etique d´ epend essentiellement, de la m´ et´ eo, et des horaires de production. Par exemple, les panneaux solaires ne produisent pas d’´ energie la nuit, ou lorsqu’un nuage cache le soleil, et ils poss` edent un rendement plus ou moins fort lorsque les temp´ eratures varient. Par contre, les

´

eoliennes peuvent produire le jour comme la nuit mais d´ ependent de l’intensit´ e du vent ainsi que de leur emplacement g´ eographique. Afin d’am´ eliorer l’efficacit´ e des centres de calcul, de nombreux travaux ont utilis´ e le stockage d’´ energie renouvelable. Cette forme de stockage peut ˆ etre consid´ er´ ee comme un cas de s´ ecurit´ e li´ e au mauvais rendement de telles sources renouvelables. L’utilisation de diff´ erentes sources d’´ energie introduit une nouvelle probl´ ematique li´ ee ` a leur compl´ ementarit´ e.

Pour cela la cr´ eation de r´ eseau intelligent introduit une meilleure int´ egrit´ e des flux ´ energ´ etiques, et permet la communication entre les diff´ erents syst` emes : producteurs d’´ energie, et consommateurs d’´ energie.

Les travaux de cette th` ese portent sur l’optimisation des flux ´ energ´ etiques et informatiques dans un r´ eseau intelligent ayant pour but d’alimenter un centre de calcul via des ´ energies renou- velables. Dans cette th` ese sont trait´ es les probl` emes li´ es ` a la mise en commun des informations de types ´ energ´ etique et informatique dans une contrainte de r´ eactivit´ e forte ` a travers la cr´ eation d’une architecture pour un r´ eseau intelligent. La mod´ elisation d’un tel r´ eseau doit permettre la prise de d´ ecision de mani` ere dynamique et autonome. L’objectif de cette mod´ elisation, via un r´ eseau intelligent, est l’optimisation des ressources renouvelables afin de diminuer l’empreinte

´

ecologique.

La premi` ere contribution est la cr´ eation de RenewSim. C’est un simulateur qui distingue les

0. R´ esum´ e vi

diff´ erents types de flux informatique et ´ energ´ etique. RenewSim est bas´ e sur l’utilisation de plu- sieurs sources d’´ energie (fournisseur d’´ electricit´ e, ´ energies renouvelables et espaces de stockages).

Il s’agit d’un simulateur d´ edi´ e ` a l’alimentation d’un centre de calcul via des sources d’´ energie re- nouvelables et non renouvelables. L’objectif de ce simulateur est de proposer la co-simulation afin d’approfondir les mod` eles de puissance, de consommation des diff´ erents composants du r´ eseau intelligent. RenewSim permet de prendre des d´ ecisions ` a travers un module de contrˆ ole unique.

C’est un outil param´ etrable.

La deuxi` eme contribution porte sur l’analyse d’une charge de travail r´ eelle. Le choix des traces (donn´ ees d’entr´ ee du syst` eme) a un effet d´ ecisif sur l’observation des performances d’un centre de calcul. Il doit permettre de garantir l’utilisation des ressources, de mesurer et de respecter le niveau de QoS requis par les utilisateurs, par exemple via des priorit´ es d’ex´ ecution. Nous nous sommes bas´ es, pour cela, sur des traces issues des centres de calcul de Google. Son utilisation tend ` a se rapprocher d’une charge d’utilisation r´ eelle et actuelle. Une ´ etude a permis de cr´ eer un ensemble de traces synth´ etiques repr´ esentatives.

La troisi` eme contribution est la mise en place d’une charge de travail modulable ` a travers l’uti- lisation et l’adaptation d’algorithmes d’ordonnancement sous contraintes. La contrainte principale est le placement d’une charge ` a un instant o` u l’´ energie renouvelable est disponible. Les diff´ erents algorithmes r´ ealis´ es sont compar´ es ` a l’aide de m´ etriques classiques et sp´ ecifiques comme le GEC (Green Energy Coefficient) qui quantifie la part des ´ energies renouvelables consomm´ ees, au cours d’un sc´ enario, par un centre de calcul.

La quatri` eme contribution est l’impact environnemental et la performance de la batterie par rapport ` a sa capacit´ e de stockage et de la production d’´ energies renouvelables sur une charge de travail. Les simulations effectu´ ees ont permis de faire augmenter la capacit´ e des espaces de stockage et la production d’´ energie renouvelable afin de connaˆıtre le ratio o` u le GEC ´ etait le plus performant.

Mots-cl´ es : R´ eseau intelligent - ´ Energie renouvelable - Centre de Calcul - Ordonnancement

Abstract

Nowadays, the cloud becomes essential to use IT services, but all these online services have an impact on our economy and our environment. The use of data centers has become essential for information processing and large scale storage (Big Data). However, such distributed systems are energy intensive, and have a direct influence on the environment and their operation cost.

In order to reduce the ecological footprint and the electricity bill, the use of renewable energy is a solution adopted. However, the integration of renewable energies in such systems is complex because of their strong dependence on the natural environment. Indeed, the energy production yield depends essentially on the weather and production schedules. For example, solar panels do not produce energy at night, or when a cloud hides the sun, and they perform more or less when temperatures vary. On the other hand, wind turbines can produce both day and night but depend on the intensity of the wind and their geographical location. In order to improve the efficiency of data centers, many works have used renewable energy storage. This form of storage can be considered as a security case related to the poor performance of such renewable sources. The use of different energy sources introduces a new problem related to their complementarity. For that, the creation of intelligent network introduces a better integrity of the energy flows, and allows the communication between the different systems : energy producers, and consumers of energy.

The work of this thesis deals with the optimization of energy and computer flows in an intelligent network aiming to supply a data center via renewable energies. In this thesis are treated the problems related to the pooling of energy and information type information in a strong reactivity constraint through the creation of an architecture for an intelligent network.

The modeling of such a network must allow the decision making in a dynamic and autonomous way. The objective of this modeling, via an intelligent network, is the optimization of renewable resources in order to reduce the ecological footprint.

The first contribution is the creation of RenewSim. It is a simulator that distinguishes different

types of IT and energy flows. RenewSim is based on the use of several sources of energy (electricity

supplier, renewable energy and storage space). It is a simulator dedicated to feeding a data center

via renewable and non-renewable energy sources. The objective of this simulator is to propose co-

simulation in order to deepen the models of power and consumption of the various components of

0. Abstract viii

the intelligent network. RenewSim allows you to make decisions through a single control module.

It is a configurable tool.

The second contribution deals with the analysis of a real workload. The choice of traces (input data of the system) has a decisive effect on the observation of the performances of a data center.

It must make it possible to guarantee the use of the resources, to measure and to respect the level of QoS required by the users, for example via execution priorities. To do this, we relied on traces from Google’s data centers. Its use tends to be closer to a real and current usage load. A study has created a set of representative synthetic traces.

The third contribution is the establishment of a flexible workload through the use and adap- tation of constraint scheduling algorithms. The main constraint is placing a load at a time when renewable energy is available. The different algorithms are compared using classical and specific metrics such as the GEC (Green Energy Coefficient ) which quantifies the share of renewable energies consumed, during a scenario, by a data center.

The fourth contribution is the environmental impact and performance of the battery in rela- tion to its storage capacity and the production of renewable energy on a workload. The simulations made it possible to increase the capacity of the storage spaces and the production of renewable energy in order to know the ratio where the GEC was the most efficient.

Keywords : Smart grid - Renewable energy - Data center - Scheduler

Abr´ eviations

CPU Central Processing Unit - Unit´ e centrale.

DC/DC : Direct Current / Direct Current - Courant Continu vers Courant Continu, conver- tisseur ´ electronique permettant de transformer un courant continu d’un niveau de voltage

`

a un autre.

DC/AC : Direct Current / Alternating Current - Courant Continu vers Courant alternatif, convertisseur ´ electrique permettant de transformer le courant continu vers un courant alternatif.

DVFS : Dynamic Voltage and Frequency Scaling - Ajustement dynamique de la tension.

FF : First Fit - algorithme.

FF LPT : First Fit avec Long Processing Time - algorithme.

GA : Genetic Algorithme - algorithme g´ en´ etique.

GEC : Green Energy Coefficient - coefficient d’´ energie vert.

IaaS Infrastructure as a Service - infrastructure en tant que service.

NTIC : Nouvelles Technologies de l’Information et de la Communication.

QoS Quality Of Service - qualit´ e de service.

PE : Primary Energy - ´ energie primaire.

PUE : Power Usage Effectivenes - efficacit´ e d’utilisation de la puissance.

RR : Round Robin - algorithme.

RR CLASSES : Round Robin avec CLASSES - algorithme.

RR LPT : Round Robin avec Long Processing Time - algorithme.

UML : Unified Modeling Language - langage de mod´ elisation unifi´ e.

vCPU : Virtual Central Processing Unit - unit´ e centrale virtuelle.

VM : Virtual Machine - machine virtuelle.

0. Abr´ eviations x

Table des mati` eres

R´ esum´ e v

Abstract vii

Abr´ eviations ix

Table des figures 5

1 Introduction 9

1.1 Contexte . . . . 9

1.1.1 Quelques chiffres . . . . 9

1.1.2 neOCampus . . . 10

1.1.3 ADREAM . . . 11

1.2 Probl´ ematiques de recherche . . . 12

1.3 Contributions scientifiques . . . 13

1.4 Plan du manuscrit . . . 15

2 Etat de l’art : gestion de l’´ ´ energie renouvelable dans un centre de calcul 19 2.1 La composition des centres de calcul verts . . . 20

2.1.1 Des architectures de centre de calcul mono site . . . 21

2.1.2 Des architectures de centres de calcul distribu´ es g´ eographiquement . . . 23

2.1.3 Les composants de stockage pour am´ eliorer l’utilisation d’un centre de calcul 24 2.1.4 Positionnement et objectifs . . . 25

2.2 Les ordonnancements et politiques de placements . . . 25

2.2.1 La reconfiguration dynamique . . . 26

2.2.2 L’utilisation d’algorithmes gloutons . . . 26

2.2.3 Les algorithmes multicrit` eres . . . 28

TABLE DES MATI ` ERES 2

2.2.4 Positionnement et objectifs . . . 30

2.3 Les simulateurs de gestion de centres de calcul . . . 31

2.3.1 Les simulateurs d’environnement distribu´ e . . . 31

2.3.2 Les simulateurs d´ edi´ es aux r´ eseaux intelligent pour les centres de calcul verts 32 2.3.3 Positionnement et objectifs . . . 33

2.4 Conclusion . . . 34

3 Environnement de simulation pour la gestion des flux dans un r´ eseau intelli- gent 37 3.1 Approche de conception d’un r´ eseau intelligent . . . 38

3.1.1 Impact d’un r´ eseau intelligent centralis´ e . . . 38

3.1.2 D´ efinition d’un r´ eseau intelligent . . . 40

3.1.3 Caract´ eristiques d’un r´ eseau intelligent . . . 40

3.1.4 Objectifs d’un r´ eseau intelligent . . . 41

3.2 Sp´ ecifications d’un simulateur permettant la gestion des diff´ erents flux ´ evoluant dans un r´ eseau intelligent . . . 41

3.2.1 Un r´ eseau intelligent supervis´ e par un module de contrˆ ole . . . 41

3.2.2 Les motivations de la cr´ eation d’un simulateur . . . 42

3.2.3 Fonctionnalit´ es attendues . . . 43

3.3 Description et sp´ ecification des ´ el´ ements d’un r´ eseau intelligent . . . 43

3.3.1 Mod´ elisation de l’architecture du r´ eseau intelligent . . . 43

3.3.2 Le centre de calcul . . . 45

3.3.3 Les sources d’´ energies . . . 46

3.3.4 D´ efinitions des diff´ erents flux circulant dans un r´ eseau intelligent . . . 48

3.3.5 Bilan de l’architecture mat´ erielle du r´ eseau intelligent pour la cr´ eation d’un simulateur de co-simulation . . . 49

3.4 Le module de contrˆ ole : la prise de d´ ecision . . . 51

3.4.1 Le contrˆ ole des flux informatiques : un ordonnanceur . . . 51

3.4.2 Le contrˆ ole des flux ´ energ´ etiques : le contrˆ ole du bus . . . 51

3.4.3 Bilan de la prise de d´ ecision . . . 57

3.5 Conclusion et limites . . . 57

4 Analyse de charges de travail de serveurs ` a grande ´ echelle 59 4.1 Notre approche et nos motivations de l’utilisation de traces ` a grande ´ echelle . . . . 60

4.2 Les traces Google dans la litt´ erature . . . 61

4.3 Composition des traces Google : des donn´ ees de tailles importantes . . . 63

4.3.1 Structure des traces Google . . . 63

TABLE DES MATI ` ERES 3

4.3.2 Cycle de vie des tˆ aches . . . 64

4.4 Notre analyse des traces Google . . . 67

4.4.1 Le nombre d’´ ev´ enements par tˆ ache . . . 68

4.4.2 Le nombre de tˆ aches ` a trois ´ ev´ enements . . . 69

4.4.3 Les ´ ev´ enements de fin pour les tˆ aches . . . 73

4.4.4 Les temps d’ex´ ecution des tˆ aches . . . 78

4.4.5 Le CPU utilis´ e pour les diff´ erentes tˆ aches . . . 82

4.4.6 La QoS des diff´ erentes tˆ aches . . . 87

4.4.7 Bilan . . . 88

4.5 Mod´ elisation des donn´ ees Google pour leur impl´ ementation dans RenewSim : conception des traces synth´ etiques . . . 91

4.6 Conclusion et limites . . . 93

5 Ordonnancement sous contraintes : maximiser l’utilisation de l’´ energie renou- velable 95 5.1 Approche par ordonnancement sous contraintes . . . 96

5.1.1 La cr´ eation d’une charge de travail agile . . . 96

5.1.2 Utilisation d’algorithmes gloutons . . . 98

5.2 Sp´ ecifications des algorithmes . . . 98

5.2.1 Contexte . . . 98

5.2.2 Objectifs . . . 98

5.2.3 Les fonctionnalit´ es attendues des algorithmes . . . 99

5.3 Notre approche d’ordonnancement . . . 99

5.3.1 Strat´ egie d’ordonnancement . . . 99

5.3.2 Proposition d’adaptation d’algorithmes existants . . . 102

5.4 M´ etriques pour l’´ evaluation des algorithmes . . . 107

5.4.1 M´ etriques vertes . . . 108

5.4.2 M´ etriques de QoS . . . 108

5.4.3 Exemples d’utilisation des m´ etriques . . . 109

5.5 Conclusion et limites . . . 110

6 Exp´ erimentations : ´ evaluations et comparaisons 111 6.1 Sp´ ecifications du simulateur pour les diff´ erentes exp´ erimentations r´ ealis´ ees . . . 112

6.1.1 Composition du r´ eseau intelligent . . . 112

6.1.2 Les caract´ eristiques des composants du r´ eseau intelligent . . . 113

6.2 Politiques de d´ ecisions ` a travers un mod` ele de description des donn´ ees . . . 116

6.2.1 Motivations des diff´ erentes exp´ erimentations sur le mod` ele de description . 116

TABLE DES MATI ` ERES 4

6.2.2 Exp´ erimentation 1 : un mod` ele pour une gestion ´ energ´ etique port´ ee vers le renouvelable . . . 118 6.2.3 Exp´ erimentation 2 : un mod` ele ´ economique port´ e sur la r´ eduction de la

facture d’´ electricit´ e . . . 121 6.2.4 Bilan des mod` eles de d´ ecisions . . . 124 6.3 Evaluation et comparaison des diff´ ´ erents algorithmes de d´ ecisions . . . 125

6.3.1 Motivations des diff´ erentes exp´ erimentations sur les algorithmes de place- ments . . . 125 6.3.2 Les r´ esultats de placement pour chaque algorithme . . . 127 6.3.3 Consommation d’´ energie pour les diff´ erents algorithmes . . . 132 6.3.4 L’impact du nombre de VMs ordonnanc´ ees et ´ eject´ ees pour chaque algorithme133 6.3.5 L’impact ´ energ´ etique pour chaque algorithme . . . 136 6.3.6 Bilan . . . 137 6.4 Dimensionnement de la taille de la batterie par rapport ` a la production solaire . . 138 6.4.1 Dimensionnement 1 : ´ evolution du GEC sur une charge de travail agile . . . 140 6.4.2 Dimensionnement 2 : ´ Evolution du GEC sur une charge de travail constante142 6.4.3 Bilan du dimensionnement . . . 145 6.5 Synth` eses et conclusion des exp´ erimentations . . . 145

7 Conclusions et perspectives 149

7.1 Bilan des contributions . . . 150 7.2 Bilan des exp´ erimentations . . . 152 7.3 Perspectives . . . 153

Bibliographie 161

Table des figures

1.1 Logo de l’op´ eration neOCampus . . . 11

1.2 Illustrations et panneaux solaires du bˆ atiment ADREAM . . . 12

2.1 Architecture GreenSwitch [1] . . . 22

2.2 Architecture GreenCloud [2] . . . 23

2.3 Architecture de PIKA (Li et al. [3]) . . . 27

2.4 Exemple de chromosome dans un algorithme g´ en´ etique d´ edi´ e ` a la probl´ ematique de placements de VMs sur un ensemble de machine physique (Gu´ erout et al. [4]) . 28 2.5 Repr´ esentation picturale de l’algorithme de (Kessaciet al. [5]) . . . 29

2.6 Architecture de DCWorms [6] . . . 33

3.1 Exemple de la composition d’un r´ eseau intelligent [7] . . . 39

3.2 Exemple d’architecture d’un r´ eseau intelligent d’un r´ eseau intelligent permettant d’alimenter un centre de calcul . . . 42

3.3 Architecture du r´ eseau intelligent et de son centre de calcul . . . 45

3.4 Composition du centre de calcul du r´ eseau intelligent . . . 47

3.5 Diagramme des classes UML des diff´ erents ´ el´ ements du r´ eseau intelligent . . . 50

3.6 Exemple de repr´ esentation du mod` ele de donn´ ees en terme d’entr´ ees et de sorties . 56 4.1 Architecture des donn´ ees de Google . . . 63

4.2 Etats des tˆ ´ aches et les ´ ev´ enements au cours de leur cycle de vie (Documentation Google [8]) . . . 65

4.3 R´ epartition des tˆ aches par rapport ` a la priorit´ e . . . 70

4.4 R´ epartition des tˆ aches par rapport ` a la latence . . . 71

4.5 R´ epartition des tˆ aches par rapport aux couples (priorit´ e - latence) . . . 72

4.6 R´ epartition des tˆ aches par rapport ` a leur ´ ev´ enement de fin . . . 74

TABLE DES FIGURES 6

4.7 R´ epartition des tˆ aches par rapport ` a leur ´ ev´ enement de fin et de la priorit´ e . . . . 75

4.8 R´ epartition des tˆ aches par rapport ` a leur ´ ev´ enement de fin et de la latence . . . . 76

4.9 Pourcentage d’´ ev´ enements de fin pour chaque couple (priorit´ e - latence) . . . 77

4.10 Dur´ ee moyenne d’ex´ ecution par rapport ` a l’´ ev´ enement de fin d’une tˆ ache . . . 78

4.11 Temps moyen d’ex´ ecution des tˆ aches par rapport ` a la priorit´ e . . . 79

4.12 Temps moyen d’ex´ ecution des tˆ aches par rapport ` a la latence . . . 80

4.13 Dur´ ee moyenne d’ex´ ecution par rapport au couple (priorit´ e - latence) . . . 81

4.14 CPU moyen des tˆ aches par rapport ` a la priorit´ e . . . 83

4.15 CPU moyen des tˆ aches par rapport ` a la latence . . . 84

4.16 Moyenne de CPU utilis´ ee pour les diff´ erentes tˆ aches par rapport ` a son ´ ev´ enement de fin . . . 85

4.17 Moyenne de CPU utilis´ ee pour les diff´ erentes tˆ aches par rapport aux couples (prio- rit´ e - scheduling class) . . . 86

4.18 Temps moyen d’ordonnancement d’une tˆ ache par rapport ` a sa priorit´ e . . . 88

4.19 Temps moyen d’ordonnancement d’une tˆ ache par rapport ` a sa latence . . . 89

4.20 Temps moyen d’ordonnancement d’une tˆ ache par rapport aux couples (priorit´ e - latence) . . . 90

4.21 Diff´ erence entre les VMs des traces synth´ etiques et les Jobs et Tˆ aches pr´ esente dans les traces Google . . . 92

5.1 un exemple d’une charge de travail agile qui suit la courbe de production solaire . 97 5.2 L’utilisation des diff´ erentes sources d’´ energies pendant 48 heures . . . 101

5.3 Un exemple d’ordonnancement de VMs en fonction de la production solaire . . . . 102

5.4 Entr´ ees et sorties des diff´ erents algorithmes d’ordonnancement . . . 104

6.1 Architecture du r´ eseau intelligent pour les diff´ erentes exp´ erimentations . . . 113

6.2 Production solaire du bˆ atiment ADREAM sur 48 heures (Octobre 2015) . . . 114

6.3 Production solaire du bˆ atiment ADREAM sur 48 heures (Octobre 2015) adapt´ ee ` a notre cas d’´ etude . . . 115

6.4 Demande du centre de calcul pour les exp´ erimentations de la partie 6.2 . . . 117

6.5 Production solaire avant et apr` es pertes g´ en´ er´ ees par le module de conversion ainsi que la demande du centre de calcul pour les exp´ erimentations de la partie 6.2 . . 118

6.6 Exp 1 : Charge de la batterie pendant deux jours . . . 119

6.7 Exp 1 : Achat au fournisseur pendant deux jours . . . 120

6.8 Exp 1 : Vente au fournisseur pendant deux jours . . . 120

6.9 Exp 2 : Achat au fournisseur pendant deux jours . . . 123

6.10 Exp 2 : Charge de la batterie pendant deux jours . . . 124

TABLE DES FIGURES 7

6.11 Les algorithmes de type First Fit . . . 128 6.12 L’ordonnancement dans le serveur S0 pour les algorithmes de type First Fit . . . . 129 6.13 L’ordonnancement dans le serveur S4 pour les algorithmes de types First Fit . . . 129 6.14 Les algorithmes de type Round Robin (RR) . . . 131 6.15 Impact de la consommation des diff´ erents algorithmes . . . 133 6.16 Impact du nombre de VMs ordonnanc´ ees et ´ eject´ ees pour chaque algorithme . . . . 135 6.17 Impact de la quantit´ e horaire de VMs ordonnanc´ ees et ´ eject´ ees pour chaque algo-

rithme . . . 135 6.18 R´ esultat du GEC pour chaque algorithme . . . 137 6.19 Exemple d’ordonnancement pour une mˆ eme charge de travail dont la production

solaire a ´ evolu´ e . . . 139 6.20 ´ Evolution du GEC par rapport ` a la production des panneaux solaires et ` a la taille

de la batterie . . . 141 6.21 Exemple de levier de prise de d´ ecision pour la batterie pour le GEC . . . 142 6.22 La distribution des VMs avec consommation de la charge de travail et la production

de panneaux solaires pour l’algorithme FF 2 . . . 143 6.23 ´ Evolution du GEC par rapport ` a la production des panneaux solaires et ` a la taille

de la batterie . . . 144

6.24 Illustration de la prise de d´ ecision par rapport ` a une sp´ ecification . . . 147

7.1 Illustration d’utilisation du DVFS pour un serveur aliment´ e par des sources vertes 156

TABLE DES FIGURES 8

Chapitre 1

Introduction

Sommaire

1.1 Contexte . . . . 9 1.1.1 Quelques chiffres . . . . 9 1.1.2 neOCampus . . . . 10 1.1.3 ADREAM . . . . 11 1.2 Probl´ ematiques de recherche . . . . 12 1.3 Contributions scientifiques . . . . 13 1.4 Plan du manuscrit . . . . 15

1.1 Contexte

1.1.1 Quelques chiffres

De nos jours, le nuage (cloud) devient indispensable pour utiliser les services informatiques, mais tous ces services en ligne ont un impact sur notre ´ economie et notre environnement.

En outre, cette consommation d’´ energie augmente d’ann´ ee en ann´ ee. Le fonctionnement d’un centre de calcul est de plus en plus coˆ uteux. Le taux d’utilisation et les besoins des utilisateurs augmentent jour apr` es jour (diffusion, r´ eseau social, et cloud avec les services ` a la demande). La commission europ´ eenne a estim´ e la consommation des centres de calcul dans la zone europ´ eenne

`

a 56 milliards de kW en 2008 et a pr´ edit 104 milliards pour 2020 ¹ .

1.

Code de conduite sur l’efficacit´ e ´ energ´ etique du centre de donn´ ees

par la commission europ´ eenne en

octobre 2008

1.1. Contexte 10

De nombreuses entreprises se concentrent sur les ´ energies renouvelables pour r´ eduire leurs fac- tures d’´ electricit´ e et l’empreinte carbone. De 2010 ` a 2014, la consommation d’´ energie des centres de calcul a augment´ e d’environ 4 pour cent aux ´ Etats Unis [9]. Par exemple, Google a investi 2,5 milliards de dollars dans des projets d’´ energie renouvelable pour atteindre 100% d’´ energie renouvelable en 2017 [10]. Aujourd’hui, Google a des centres de calcul aliment´ es par l’usine pho- tovolta¨ıque dans le d´ esert d’Atacama, le plus grand de ce type en Am´ erique latine depuis janvier 2017 [11]. En outre, l’utilisation de panneaux solaires est complexe et impr´ evisible ´ etant donn´ e que la production d’´ energie d´ epend des variations climatiques. Pour r´ eduire l’empreinte carbone, certains travaux ont utilis´ e le prix de revente pour r´ eduire l’achat d’´ energie non renouvelable [12].

Afin d’am´ eliorer l’efficacit´ e des centres de calcul, de nombreux travaux ont utilis´ e le stockage d’´ energie grˆ ace ` a la batterie [1]. L’utilisation de diff´ erentes sources d’´ energie introduit une nou- velle probl´ ematique li´ ee au stockage de l’´ energie. De nombreux travaux existent sur les diff´ erents

´

equipements de stockage d’un point de vue de charge/d´ echarge et leur utilisation dans un centre de calcul [13, 14]. Cette forme de stockage peut ˆ etre consid´ er´ ee comme un cas de s´ ecurit´ e contre la p´ enurie.

Ces domaines d’alimentation et de consommation d’un centre de calcul consti- tuent le contexte de ses travaux de th` ese. Mes travaux s’inscrivent dans la diminution de l’empreinte ´ ecologique et la r´ eduction des coˆ uts de fonctionnements des centres de calcul.

1.1.2 neOCampus

L’´ elaboration de cette th` ese s’est effectu´ ee au sein de l’op´ eration neOCampus. Cette op´ eration a ´ et´ e initi´ ee en juin 2013 par le pr´ esident de l’Universit´ e Paul Sabatier (UPS), Bertrand Mon- thubert, et fait appel aux comp´ etences de plusieurs laboratoires travaillant conjointement avec l’Universit´ e de Paul Sabatier. Des domaines tels que la domotique, les bˆ atiments intelligents et les villes veulent fonctionner en grande partie avec des ´ energies renouvelables. Les r´ eseaux intelligents font partie de la mise en œuvre de ces bˆ atiments intelligents ` a travers la cr´ eation de r´ eseaux d’´ electricit´ e interconnect´ es. Le campus de Paul Sabatier peut ˆ etre assimil´ e ` a une petite ville mais est compos´ e de syst` emes complexes, par exemple des capteurs, du mat´ eriel p´ edagogique, des mat´ eriaux innovants dans le bˆ atiment ou du stockage de donn´ ees ` a grande

´

echelle. La d´ emarche de neOCampus est donc ´ evolutive, et est fond´ ee sur le croisement des comp´ etences pluridisciplinaires afin de r´ eduire l’empreinte ´ ecologique. Par exemple, la facture d’´ electricit´ e de l’Universit´ e de Paul Sabatier III s’´ el` eve ` a 3M/an ² .

2. http://www.amue.fr/fileadmin/amue/patrimoine/actualites/WEBCONF_Ecocampus/Guide_SDEP_-_web.

pdf (p. 53)

1.1. Contexte 11

Les trois objectifs principaux de neOCampus sont : - Am´ eliorer la qualit´ e de vie ;

- R´ eduire l’empreinte ´ ecologique ; - R´ eduire les coˆ uts.

Figure 1.1 – Logo de l’op´ eration neOCampus

Le site internet de neOCampus : https://www.irit.fr/neocampus/fr/

Mes travaux de th` ese s’inscrivent dans la diminution de l’empreinte ´ ecologique r´ ealis´ e par un centre de calcul sur un campus universitaire.

1.1.3 ADREAM

L’axe strat´ egique du bˆ atiment ADREAM est pluridisciplinaire. Ils sont fond´ es sur quatre domaines : informatique, robotique, automatique et micro et nano syst` emes. L’objectif du bˆ atiment ADREAM est d’obtenir une plateforme exp´ erimentale pour la recherche. Il offre un contexte d’exp´ erimentation pour le d´ eveloppement formel de syst` emes, environnements de co-simulation et co-validation, syst` emes informatiques autonomiques, syst` emes ´ energ´ etiques, robotique et optimisation et commande.

Le bˆ atiment est muni d’un ensemble de capteurs et d’actionneurs. Actuellement, il dispose

d’un mini centre de calcul d´ evou´ e ` a l’exp´ erimentation. La superficie totale du bˆ atiment est de

1700m ² et la superficie des panneaux photovolta¨ıques est de 720m ² .

1.2. Probl´ ematiques de recherche 12

Figure 1.2 – Illustrations et panneaux solaires du bˆ atiment ADREAM

Le site internet du bˆ atiment ADREAM : https://www.laas.fr/public/fr/adream Dans ces travaux de th` ese, le bˆ atiment ADREAM m’a permis d’obtenir des in- formations, techniques de composants et des donn´ ees d’entr´ ees sur la production photovolta¨ ıque.

1.2 Probl´ ematiques de recherche

Les probl´ ematiques de cette th` ese s’articulent autour de la gestion des ´ energies renouvelables et leur utilisation pour r´ eduire la consommation ´ energ´ etique d’un centre de calcul.

Question 1. Comment utiliser au mieux les ressources ´ energ´ etiques renouvelables ? Afin, de palier aux rendements incertains des ´ energies renouvelables, l’utilisation d’espace de stockages peut permettre de sauvegarder et d’utiliser de l’´ energie ` a des instants plus favorables au centre de calcul. Cependant, la prise en compte de plusieurs sources d’´ energie dans un tel r´ eseau peut entraˆıner des probl` emes de compatibilit´ e ´ electrique. Par exemple, les puissances des diff´ erentes sources d’´ energies ne sont pas les mˆ emes. De plus, l’utilisation des ´ energies renouvelables et d’espaces de stockage, ne permet pas d’obtenir un centre de calcul autosuffisant.

C’est pourquoi, le branchement au r´ eseau d’´ electricit´ e central est indispensable. L’utilisation de diff´ erentes sources peut entraˆıner des conflits de priorit´ es et influencer la prise de d´ ecision.

Effectivement, l’achat d’´ electricit´ e ou la d´ echarge de la batterie, peut entraˆıner des coˆ uts

´

energ´ etiques, et influencer le fonctionnement du centre de calcul. Il faut donc ˆ etre capable de

repr´ esenter le choix de la source d’´ energie dans un mod` ele de d´ ecision.

1.3. Contributions scientifiques 13

Question 2. Comment diminuer l’empreinte ´ ecologique d’un centre de calcul ? Le principal d´ efi avec les ´ energies renouvelables est la production d’´ energie non constante qui d´ epend des conditions m´ et´ eorologiques. Nos d´ efis sont de respecter les contraintes d’ordonnance- ment et d’´ energie des Machines Virtuelles (VMs), de satisfaire la demande des utilisateurs et d’op- timiser et rendre les serveurs composants le centre de calcul plus rentables en fonction du temps, de l’´ energie disponible et des exigences. Nous pouvons utiliser d’une meilleure fa¸ con l’´ energie renouvelable grˆ ace ` a la sauvegarde de stockage (batteries), ` a la rentabilit´ e de l’´ energie produite (ventes) ou ` a des algorithmes permettant de r´ eduire la consommation et les coˆ uts d’achat. Dans cette th` ese, nous nous concentrerons sur une approche d’ordonnancement pour atteindre une corr´ elation entre la production d’´ energie renouvelable et la consommation demand´ ee par la charge de travail (VMs). Cela permet de tendre vers un ´ equilibre entre l’offre (production solaire) et la demande (consommation centre de calcul) et de surcroˆıt diminuer, l’achat d’´ energie non renou- velable. Le but est de se rapprocher d’une charge travail agile (adaptable dans le temps et dans l’espace).

Question 3. Comment mettre en place un niveau de validation ?

La validation par des exp´ erimentations r´ eelles est envisageable. Cependant, de telles exp´ erimentations demandent un certain nombre d’´ equipements physiques de mesure, pas for- cement manipulables et modulables. Un moyen de validation est de r´ ealiser une analyse par simulation, permettant d’avoir un aper¸ cu temporel de la consommation ´ energ´ etique. Plusieurs simulateurs de Cloud sont utilis´ es pour mod´ eliser des infrastructures distribu´ ees. Cependant, de tels simulateurs n’int` egrent pas, forcement, les mˆ emes caract´ eristiques en termes de fonctionna- lit´ es. L’utilisation de donn´ ees d’entr´ ees r´ eelles apporte de la l´ egitimit´ e aux exp´ eriences r´ ealis´ ees.

C’est pourquoi une solution est d’utiliser des donn´ ees r´ eelles de production d’´ energie renouvelable et des donn´ ees r´ eelles de charge de travail de centre de calcul. L’utilisation de donn´ ees r´ eelles est un moyen de validation.

1.3 Contributions scientifiques

Cette partie pr´ esente les diff´ erentes contributions r´ ealis´ ees durant ce doctorat.

La cr´ eation d’un simulateur d´ edi´ e ` a l’alimentation d’un centre de calcul via plusieurs sources d’´ energie : RenewSim

Cette contribution r´ epond aux questions 1 et 3

Afin de faire face ` a la consommation ´ energ´ etique des centres de calcul qui augmentent d’ann´ ee

en ann´ ee, l’utilisation d’un r´ eseau intelligent permet de diminuer l’empreinte ´ ecologique. Le

1.3. Contributions scientifiques 14

choix s’est port´ e vers la cr´ eation d’un r´ eseau intelligent permettant de g´ erer un ensemble de flux h´ et´ erog` enes ` a travers un module de contrˆ ole. Dans un premier temps, nous avons identifi´ e les diff´ erents composants de ce r´ eseau. Apr` es analyse de l’´ etat de l’art, l’utilisation de batteries dans un centre de calcul est fr´ equemment utilis´ ee afin de r´ eduire les coˆ uts d’´ electricit´ e. En analy- sant de telles architectures, plusieurs sources d’´ energies dites vertes sont ´ egalement utilis´ ees dans l’alimentation de tels centres de calcul. Cependant, l’int´ egration des ´ energies renouvelables dans de ces syst` emes est complexe en raison de leur forte d´ ependance ` a l’environnement naturel. C’est pourquoi, ce r´ eseau doit ˆ etre connect´ e aux r´ eseaux d’´ electricit´ e pour palier au rendement des

´

energies renouvelables. Trois types de sources ont ´ et´ e identifi´ ees : les ´ energies renouvelables, les espaces de stockages, et le r´ eseaux d’´ electricit´ e. Cet aspect multi-sources dans ce r´ eseau doit ˆ etre g´ er´ e ` a travers un module de contrˆ ole permettant de r´ egler les conflits de priorit´ es d’utilisation mais aussi de permettre de prendre une d´ ecision ´ eco-responsable. La premi` ere contribution de cette th` ese repose sur une mod´ elisation ` a haut niveau d’un r´ eseau intelligent, incluant un en- semble de d´ efinitions et de mod` eles permettant d’obtenir un simulateur polymorphe autorisant ` a terme la co-simulation avec d’autres simulateurs.

L’analyse de traces de centre de calcul ` a grande ´ echelle pour la cr´ eation de traces synth´ etiques

Cette contribution r´ epond ` a la question 3

La mod´ elisation du r´ eseau intelligent a permis de d´ efinir plusieurs simulations avec un module de contrˆ ole utilisant un ensemble de politiques pour l’´ energie. Cependant, celui-ci doit ˆ etre aussi capable de comprendre une charge de travail. Pour cela, une ´ etude d’une charge de travail ` a grande ´ echelle a ´ et´ e r´ ealis´ ee, afin de permettre de mod´ eliser des besoins et des flux relatifs aux centres de calcul. L’analyse de telles traces, a permis d’´ etudier le comportement d’une charge de travail en terme de temps d’attente d’un service, de dur´ ee d’ex´ ecution d’un service, de la qualit´ e de service (QoS), de consommation et d’utilisation de ressources. ` A travers cette analyse, nous avons mod´ elis´ e une machine virtuelle ainsi que des traces synth´ etiques. Elles sont un ´ el´ ement de validation pour la simulation.

Proposition d’utilisation, d’adaptation et de simulation d’algorithmes d’ordonnancement sous contraintes

Cette contribution r´ epond ` a la question 2

L’utilisation et l’adaptation d’algorithmes ont permis de r´ ealiser un ensemble de simulation

afin d’obtenir une charge de travail agile. Cette charge de travail pour le centre de calcul est

obtenue via un ensemble d’algorithmes poss´ edant plusieurs contraintes. La premi` ere contrainte

est la production d’´ energie verte disponible et la deuxi` eme contrainte correspond au nombre de

1.4. Plan du manuscrit 15

ressources disponibles pour chaque serveur du centre de calcul. Par la suite, des simulations ont

´

et´ e r´ ealis´ ees afin d’´ evaluer l’impact des diff´ erents ordonnancements. La validation a ´ et´ e r´ ealis´ ee ` a travers le simulateur RenewSim, en dotant, son module de contrˆ ole d’un ordonnanceur. Ce dernier a permis de mettre en corr´ elation les flux ´ energ´ etiques et informatiques entre eux. Plusieurs indicateurs ont ´ et´ e mis en place afin de comparer les diff´ erents algorithmes, des indicateurs sur le calcul de l’empreinte ´ ecologique ainsi que sur la QoS du centre de calcul. Le coefficient d’´ energie vert (GEC) a permis de quantifier la part des ´ energies renouvelables consomm´ ees, au cours d’un sc´ enario, par un centre de calcul. De plus, l’utilisation d’algorithmes et de mod` eles doit nous aider ` a r´ epondre ` a des sp´ ecifications pour connaˆıtre l’algorithme le plus ou moins favorable ` a une politique de d´ ecision par rapport ` a la QoS attendue, l’aspect environnemental (GEC) ou l’aspect lucratif.

Dimensionnement d’un stockage ´ energ´ etique par rapport ` a une production d’´ energie verte

Cette contribution r´ epond aux questions 2 et 3

A travers les simulations r´ ` ealis´ ees, nous avons aussi analys´ e l’impact environnemental et la performance des ´ el´ ements d’un r´ eseau intelligent. Ce dimensionnement a ´ et´ e illustr´ e avec une batterie et une production solaire. Il a permis d’´ etudier les performances de la batterie par rapport ` a sa capacit´ e de stockage et de la production solaire sur une charge de travail.

Les simulations effectu´ ees ont permis de faire ´ evoluer la capacit´ e des espaces de stockage et la production photovolta¨ıque afin de connaˆıtre le ratio o` u le GEC ´ etait le plus performant.

1.4 Plan du manuscrit

Ce document est constitu´ e de sept chapitres. Suite ` a ce chapitre 1, les 6 chapitres suivants s’articulent comme suit :

- Chapitre 2

Etat de l’art : gestion de l’´ ´ energie renouvelable dans un centre de calcul

Ce chapitre pr´ esente de mani` ere assez large un ensemble des domaines abord´ es dans cette th` ese, et le positionnement li´ e aux d´ efis de cette th` ese. Tout d’abord, les principes d’archi- tectures de r´ eseau intelligent pour l’alimentation de centre de calcul. Puis, une pr´ esentation des concepts d’algorithmes d’ordonnancements. Ensuite, une pr´ esentation des simulateurs ayant pour but d’alimenter des centres de calcul. Enfin, une synth` ese des diff´ erents concepts abord´ es est propos´ ee.

- Chapitre 3

Environnement de simulation pour la gestion des flux dans un r´ eseau intelligent

Ce chapitre pr´ esente une analyse d’un r´ eseau intelligent permettant de cr´ eer et mod´ eliser

1.4. Plan du manuscrit 16

un r´ eseau polymorphe. Cette analyse a donc permis de cr´ eer un simulateur RenewSim qui a pour vocation de simuler les flux dans un tel r´ eseau intelligent et de mettre en place un niveau de validation et d’exp´ erimentation. Dans un premier temps est pr´ esent´ ee l’approche de conception d’un r´ eseau intelligent et ses objectifs. Dans un deuxi` eme temps, sont analys´ ees les sp´ ecifications d’une approche par simulation pour un tel r´ eseau. Dans un troisi` eme temps est introduit les d´ efinitions et les diff´ erentes caract´ eristiques de notre r´ eseau intelligent polymorphe. Dans un quatri` eme temps sont propos´ es la conception du module de contrˆ ole et de son syst` eme de d´ ecision. Enfin, une derni` ere partie expose le bilan et les limites de cette mod´ elisation.

- Chapitre 4

Analyse de charges de travail de serveurs ` a grande ´ echelle

Ce quatri` eme chapitre, va permettre de caract´ eriser une charge de travail d’un centre de calcul ` a grande ´ echelle, son comportement dans le temps, et dans l’espace (ordonnance- ment). ` A travers l’´ etude de traces de centres de calcul, il est propos´ e un mod` ele de traces permettant de mettre en place les algorithmes d’ordonnancements et d’ˆ etre impl´ ement´ es dans les diff´ erentes exp´ erimentations. Dans une premi` ere partie, il est pr´ esent´ e les ca- ract´ eristiques essentielles afin de g´ en´ erer des traces coh´ erentes pour valider les diff´ erentes contributions. Dans une deuxi` eme partie, l’utilisation des traces Google dans la litt´ erature est expos´ ee. Dans une troisi` eme partie et quatri` eme partie, les caract´ eristiques, et l’ana- lyse des traces Google sont expos´ ees. Dans une cinqui` eme partie, une proposition de traces synth´ etiques est d´ etaill´ ee. Enfin, une derni` ere partie expose le bilan et les limites des traces Google et des traces synth´ etiques.

- Chapitre 5

Ordonnancement sous contraintes : maximiser l’utilisation de l’´ energie renouvelable Ce chapitre introduit la notion de charge de travail agile pour r´ eduire la consommation d’un centre de calcul. Ici, sont pr´ esent´ es un ordonnanceur permettant d’utiliser deux niveaux de contraintes pour la prise de d´ ecision, les contraintes ´ energ´ etiques et les contraintes li´ ees

`

a l’ordonnancement de charges. Il est pr´ esent´ e l’utilisation d’un ensemble d’algorithmes

d’optimisation sous contraintes permettant d’ordonnancer une charge de travail sur un

centre de calcul en fonction de la production solaire. Afin d’´ evaluer ces algorithmes un

ensemble de m´ etriques est pr´ esent´ e. Dans un premier temps, l’approche d’ordonnancement

sous contraintes et les objectifs sont pr´ esent´ es. Dans un deuxi` eme temps, les sp´ ecifications

d’un tel ordonnanceur sont analys´ ees. Dans un troisi` eme temps, notre approche et les

diff´ erentes propositions d’adaptation d’algorithmes sous contraintes sont introduites. Dans

un quatri` eme temps, plusieurs m´ etriques existantes d’´ evaluation de QoS et d’impact sur

l’environnement pour les diff´ erents algorithmes sont analys´ ees. Enfin, dans une derni` ere

1.4. Plan du manuscrit 17

partie sont expos´ es le bilan et les limites de tels algorithmes.

- Chapitre 6

Exp´ erimentations : ´ evaluations et comparaisons

Ce chapitre pr´ esente les r´ esultats exp´ erimentaux et se divise en cinq parties. La premi` ere partie sp´ ecifie l’environnement des exp´ erimentations. La deuxi` eme partie ´ evalue les diff´ erentes politiques de d´ ecision et l’impl´ ementation du mod` ele de d´ ecision pr´ esent´ e dans le chapitre 3. La troisi` eme partie compare les diff´ erents algorithmes pr´ esent´ es dans le chapitre 5 ` a travers un ensemble de m´ etriques. La quatri` eme partie est une ´ etude sur le dimensionnement des ´ el´ ements du r´ eseau intelligent, afin d’´ etablir une corr´ elation entre eux et leurs influences sur le rendement ´ energ´ etique vert. Enfin, la derni` ere partie dresse un bilan des diff´ erentes exp´ erimentations r´ ealis´ ees.

- Chapitre 7

Conclusions et perspectives

Ce dernier chapitre est d´ edi´ e aux conclusions et perspectives de ces travaux. Il dresse le

bilan et les limites des travaux de cette th` ese. Les perspectives d’´ evolution de ces travaux

de recherches sont d´ etaill´ ees de l’am´ elioration des mod` eles propos´ es ` a leur impl´ ementation

en environnement r´ eel non maˆıtrisable.

1.4. Plan du manuscrit 18

Chapitre 2

Etat de l’art : gestion de l’´ ´ energie renouvelable dans un centre de calcul

Sommaire

2.1 La composition des centres de calcul verts . . . . 20 2.1.1 Des architectures de centre de calcul mono site . . . . 21 2.1.2 Des architectures de centres de calcul distribu´ es g´ eographiquement . . . 23 2.1.3 Les composants de stockage pour am´ eliorer l’utilisation d’un centre de

calcul . . . . 24 2.1.4 Positionnement et objectifs . . . . 25 2.2 Les ordonnancements et politiques de placements . . . . 25 2.2.1 La reconfiguration dynamique . . . . 26 2.2.2 L’utilisation d’algorithmes gloutons . . . . 26 2.2.3 Les algorithmes multicrit` eres . . . . 28 2.2.4 Positionnement et objectifs . . . . 30 2.3 Les simulateurs de gestion de centres de calcul . . . . 31 2.3.1 Les simulateurs d’environnement distribu´ e . . . . 31 2.3.2 Les simulateurs d´ edi´ es aux r´ eseaux intelligent pour les centres de calcul

verts . . . . 32 2.3.3 Positionnement et objectifs . . . . 33 2.4 Conclusion . . . . 34

Ce chapitre pr´ esente l’´ etat de l’art dans lequel s’inscrit les travaux de cette th` ese. Il propose

un aper¸ cu de trois domaines : les r´ eseaux intelligents aliment´ es par des ´ energies renouvelables, les

algorithmes d’ordonnancement li´ es aux probl´ ematiques de l’´ energie, et les simulateurs mod´ elisant

les flux d’´ energies dans des centres de calcul aliment´ es par des ´ energies vertes. Les sections de ce

chapitre sont :

2.1. La composition des centres de calcul verts 20

- Dans une premi` ere partie sont d´ ecrits les diff´ erents r´ eseaux intelligents, qui fournissent ` a un centre de calcul une consommation plus respectueuse de l’environnement. Ces r´ eseaux intelligents rendent possible le contrˆ ole des flux et aident ` a connaˆıtre les diff´ erentes familles de composants qui construisent un tel syst` eme.

- Dans une deuxi` eme partie sont pr´ esent´ es diff´ erents algorithmes de placement et d’ordon- nancement, mettant en avant la r´ eduction de la consommation d’´ energie dans un centre de calcul. De tels algorithmes r´ epartissent la charge de travail dans l’espace et dans le temps afin de diminuer les coˆ uts de consommation d’´ energie.

- Dans une troisi` eme partie sont analys´ es diff´ erents simulateurs pr´ esents dans la litt´ erature qui alimentent des centres de calcul. Cette section permet d’´ evaluer les diff´ erents outils propos´ es dans la litt´ erature.

Ces trois domaines sont li´ es entres eux et permettent de situer le positionnement des travaux de cette th` ese. Dans un premier temps, les r´ eseaux intelligents aident ` a atteindre des objectifs pluridisciplinaires, plus particuli` erement les objectifs informatiques et ´ energ´ etiques. La structure d’un r´ eseau intelligent influe directement sur la consommation et l’optimisation. De tels r´ eseaux vont contrˆ oler le cycle complet des flux, de la production d’´ energie ` a la consommation. Dans un deuxi` eme temps, les algorithmes pr´ esents dans les ordonnanceurs ne sont qu’une partie de ce cycle.

Cependant, ils ont aussi leurs rˆ oles ` a jouer dans l’optimisation de l’utilisation d’´ energie. Dans un troisi` eme temps, il faut un environnement d’exp´ erimentation afin de tester ` a la fois une structure d’un r´ eseau intelligent et des algorithmes d’ordonnancement. L’utilisation de simulateurs semble plus ad´ equate pour r´ ealiser diverses exp´ erimentations car elle est moins coˆ uteuse et obtient des r´ esultats plus rapidement que des exp´ erimentations en situations r´ eelles. Les simulateurs vont servir ` a inscrire et mod´ eliser, plus pr´ ecis´ ement les algorithmes dans le cycle complet pr´ esent´ e dans les r´ eseaux intelligents. De tels simulateurs aident ` a mod´ eliser et l´ egitimer le comportement des diff´ erents flux informatiques et ´ energ´ etiques ` a travers un cycle complet, et par ailleurs, d’ˆ etre un outil de validation avant l’impl´ ementation dans un environnement r´ eel.

2.1 La composition des centres de calcul verts

Cette partie pr´ esente les ´ el´ ements composants un centre de calcul aliment´ e via des ´ energies

dites vertes. Pour r´ eduire l’empreinte ´ ecologique, certains travaux se portent sur un meilleure

utilisation de framework et d’infrastructure en tant que service (infrastructure as a service,

IaaS) [15, 16, 17]. Dans un premier temps, des architectures r´ eelles qui alimentent ces parcs

informatiques via des ´ energies renouvelables des r´ eseaux situ´ es sur le mˆ eme lieu g´ eographique

sont pr´ esent´ ees, puis dans un deuxi` eme temps, celles qui sont distribu´ es g´ eographiquement. Dans

un troisi` eme temps, les notions de stockage d’´ energie sont introduites.

2.1. La composition des centres de calcul verts 21

2.1.1 Des architectures de centre de calcul mono site

Lei et al. [12] pr´ esente une strat´ egie d’ordonnancement afin d’utiliser au mieux l’´ energie verte dans un centre de calcul. Leur ordonnanceur est mod´ elis´ e dans un r´ eseau intelligent compos´ e de plusieurs sources d’´ energie : de la production solaire, de la production ´ eolienne et le r´ eseau d’´ electricit´ e conventionnel. Leur syst` eme vise ` a diminuer les coˆ uts ´ energ´ etiques, et ` a obtenir un taux de QoS satisfaisant pour le centre de calcul. Les r´ esultats d´ emontrent que l’´ elasticit´ e du coˆ ut d’´ electricit´ e permet d’augmenter le taux d’utilisation de l’´ energie renouvelable et de r´ eduire le coˆ ut de la consommation d’´ electricit´ e totale. Les tˆ aches arrivent dans une file d’attente. Elles ont deux niveaux de priorit´ e dites cruciales et non cruciales. Les tˆ aches cruciales ont besoin d’un temps de r´ eponse plus court que les tˆ aches non cruciales. Le but final de l’ordonnanceur est d’´ eviter au maximum les violations de dates limites (deadlines). Chaque tˆ ache est plac´ ee sur un nœud informatique et ne peut ˆ etre plac´ ee sur plusieurs nœuds. L’ordonnanceur d´ etermine o` u et quand la tˆ ache peut ˆ etre ex´ ecut´ ee.

Goiri et al. [1] ont d´ evelopp´ e un prototype d’un centre de calcul vert (Parasol ) ainsi qu’un ordonnanceur (GreenSwitch). Ce dernier ordonnance dynamiquement une charge de travail et s´ electionne la source ´ energ´ etique. Parasol est compos´ e de batteries, de climatiseur, et de pan- neaux solaires. Le centre de calcul est compos´ e de 64 serveurs consommant entre 22 ` a 30 W.

Parasol utilise Ganglia [18, 19], un syst` eme de surveillance distribu´ e ´ evolutif permettant de suivre l’´ evolution d’un cluster et prendre des d´ ecisions sur celui-ci. De plus, Parasol est constitu´ e d’un module de climatisation. La figure 2.1 pr´ esente l’architecture de GreenSwitch. Il est compos´ e de 3 modules : un pour la pr´ evision (production d’´ electricit´ e, charges de travail, niveau de la batterie), un pour l’ordonnancement de la charge de travail et l’utilisation des diff´ erentes sources d’´ energie, et enfin, un pour la configuration d’Hadoop [20].

GreenCloud [2] est une architecture qui a pour but de r´ eduire la consommation d’un centre

de calcul tout en garantissant les performances d’un point de vue utilisateur. Le centre de calcul

utilise des machines virtuelles (VM) permettant la migration en direct via Xen [21]. Les VMs sont

ex´ ecut´ ees sur une machine physique et peuvent ˆ etre migr´ ees sur un autre serveur sans arrˆ eter

l’ex´ ecution de celles-ci. La figure 2.2 pr´ esente l’architecture de GreenCloud. Elle est compos´ ee de

quatre modules. Un module pour le contrˆ ole des migrations des machines virtuelles (Migration

Manager ), un module pour le contrˆ oles des ressources (Monitoring Services), un module de

gestion de l’environnement (Managed Environment) et un module pour le service des donn´ ees

(Data Services). Le module Migration Manager autorise la migration en temps r´ eel et la prise de

d´ ecisions sur le placement des machines virtuelles sur les machines physiques via une heuristique

de placement. Le module Monitoring Services collecte les donn´ ees sur les applications de la

charge de travail (VMs), et sur l’utilisation des ressources occup´ ees et libres, c’est-` a-dire l’´ etat

des machines physiques et leur consommation. Par exemple, ce module sait si les serveurs sont

2.1. La composition des centres de calcul verts 22

allum´ es ou ´ eteints, connaˆıt la consommation des serveurs, et quelles sont leurs disponibilit´ es en termes de ressources. Le module Managed Environment repr´ esente l’ensemble des applications et par surcroˆıt les machines virtuelles, puis les machines physiques et leurs capteurs r´ ealisant les mesures de consommation. Enfin, le module Data Services, contient E-Map qui est un service web de type frontal (front-end) permettant de connaˆıtre en temps r´ eel l’´ etat de GreenCloud.

Par exemple, il montre le statut des serveurs, la consommation, les informations relatives ` a la charge de travail, ou encore les temp´ eratures. L’objectif de GreenCloud est l’utilisation d’une architecture orient´ ee pour le fonctionnement des migrations de VMs en cours d’ex´ ecution afin d’´ economiser efficacement de l’´ energie.

Figure 2.1 – Architecture GreenSwitch [1]

SolarCore [22] est une architecture multi-cœurs afin de g´ erer l’alimentation de processeurs.

Ces derniers sont fournis en ´ electricit´ e par des panneaux solaires et le r´ eseau d’´ electricit´ e. Ce dernier est utilis´ e que lorsque les panneaux solaires ne produisent pas assez d’´ energie.

Stewart et al. [23] proposent une architecture multi-sources : batteries, diverses ´ energies re- nouvelables et le r´ eseau d’´ electricit´ e. La source principale est l’´ energie renouvelable. Elle peut ˆ

etre de priorit´ e 1 ou 2 (1 ´ etant la plus forte). La deuxi` eme source est l’ensemble des batteries

et le r´ eseau d’´ electricit´ e qui est prioritaire par rapport aux batteries, qui ne sont utilis´ ees qu’en

mode secours sur des courtes dur´ ees.

2.1. La composition des centres de calcul verts 23

Figure 2.2 – Architecture GreenCloud [2]

2.1.2 Des architectures de centres de calcul distribu´ es g´ eographiquement

Zhang et al. [24] ont propos´ e un intergiciel (middleware) appel´ e GreenWare. Il vise ` a aug- menter le pourcentage d’´ energie renouvelable utilis´ ee pour alimenter un r´ eseau de centres de calcul distribu´ es. L’´ energie renouvelable utilis´ ee est l’´ energie ´ eolienne et l’´ energie solaire. Dans cet article, le nuage (cloud) est compos´ e comme un ensemble de centres de calcul distribu´ es g´ eographiquement. Les auteurs ont ´ etudi´ e les services afin de minimiser l’empreinte carbone de certaines demandes dans le cadre d’un coˆ ut budg´ etaire fix´ e par l’op´ erateur du service Internet.

Dans [25], les auteurs utilisent de nombreux petits centres de calcul g´ eographiquement distribu´ es qui peuvent ajuster dynamiquement la charge de travail o` u il existe plus de sources renouvelables disponibles.

Liu et al. [26] ont propos´ e trois algorithmes pour atteindre un ´ equilibre optimal de la charge g´ eographique, am´ eliorer l’utilisation de l’´ energie verte et r´ eduire l’´ energie des combustibles fos- siles.

2.1.3 Les composants de stockage pour am´ eliorer l’utilisation d’un centre de calcul

Les composants de stockages de type Alimentation Sans Interruption (ASI), Uninterruptible

Power Supply (UPS) ont ´ et´ e utilis´ es dans le domaine de l’´ electronique, afin de palier au manque

d’´ energie dans les centres de calcul. Ils peuvent ˆ etre utilis´ es principalement en cas de d´ emarrage

ou de p´ enurie d’´ energie sur un court instant [27, 28]. De nos jours, avec l’utilisation des ´ energies

renouvelables, plusieurs types de syst` emes de stockages d’´ energies sont utilis´ es [29, 13].

2.1. La composition des centres de calcul verts 24

Les batteries sont de plus en plus utilis´ ees dans les centres de calcul afin d’´ economiser de l’´ energie [1, 30]. Cependant, plusieurs ´ etudes du domaine de l’´ electronique ont mis en ´ evidence certains facteurs influen¸ cant le stockage des batteries :

1. Le lieu de stockage de la batterie (temp´ erature, humidit´ e ...) influe sur la capacit´ e de stockage et d´ estockage et sur la dur´ ee de vie de la batterie [31, 32] ;

2. La puissance de la batterie influe sur le stockage ainsi que le d´ estockage de cette derni` ere ; 3. Le stockage et le d´ estockage engrangent des pertes d’´ energie [33] ;

4. La dur´ ee de vie d’une batterie varie suivant son taux utilisation.

Plusieurs approches d’utilisation de batteries sont pr´ esentent dans la litt´ erature. Li et al. [34]

pr´ esentent deux approches pour am´ eliorer l’utilisation de l’´ energie renouvelable dans les centres de calcul de petites et moyennes tailles. La premi` ere approche consiste ` a placer le maximum de tˆ aches lorsque de l’´ energie solaire est disponible. La deuxi` eme approche consiste ` a stocker le surplus d’´ energie solaire et de d´ echarger ce surplus lorsqu’il n’y a plus d’´ energie. Le mod` ele de charge et d´ echarge pr´ esent´ e par les auteurs, est r´ ealis´ e en fonction de la courbe de production solaire et la demande du centre de calcul. Lorsque la production solaire est sup´ erieure ` a la demande du centre de calcul, la batterie se charge. Lorsque la production solaire est inf´ erieure ` a la demande du centre de calcul, la batterie est d´ echarg´ ee pour r´ epondre ` a la demande.

Les centres de calcul ont besoin d’´ energie 24 heures sur 24 et 7 jours sur 7, mais les panneaux solaires fournissent de l’´ energie par intermittence et seulement lorsque la m´ et´ eo est satisfaisante.

Stewart et al. [23] proposent d’allumer et d’´ eteindre les diff´ erentes machines composant le centre de calcul. Leur centre de calcul est donc utilis´ e avec une batterie de type secours, pour palier ` a des ressources manquantes.

Les travaux pr´ esent´ es par M¨ unzberg et al. [35] portent sur l’´ evaluation de l’utilisation de trois sources d’´ energies (photovolta¨ıque, batterie et r´ eseau d’´ electricit´ e) pour alimenter des bˆ atiments d’habitations ou non. Les auteurs proposent un mod` ele lin´ eaire permettant de minimiser l’uti- lisation d’´ energie tout en minimisant le prix de l’´ electricit´ e. Le mod` ele lin´ eaire propos´ e est exp´ eriment´ e sur des sc´ enarios sur une longue dur´ ee, pendant 1 an, pour voir l’impact du mod` ele.

2.1.4 Positionnement et objectifs

Actuellement, la gestion d’un centre de calcul s’´ equilibre par rapport ` a l’offre et ` a la demande de services informatiques. Cependant, l’introduction d’´ energie verte dans l’alimentation de tels centres de calcul, ne permet pas de produire de l’´ energie de fa¸ con lin´ eaire. Les objectifs de cette th` ese r´ epondent aux questions et points suivants :

- alimenter un centre de calcul via des ´ energies renouvelables, par exemple, via de l’´ energie

solaire. Cette production solaire est incertaine.