Post on 15-Sep-2018
Ordonnancement sous contraintes de Qualite de Service dans les Clouds
Ordonnancement sous contraintes deQualite de Service dans les Clouds
GUEROUT Tom
DA COSTA Georges MONTEIL Thierry
(SEPIA) (SARA)
14/09/2015
1
Ordonnancement sous contraintes de Qualite de Service dans les Clouds
Profil
Profil
Parcours : Laboratoires LAAS et IRIT a Toulouse
• 2011-2014 : Doctorat“Ordonnancement sous contraintes de Qualite de Service dans les Clouds”
• 2015 : Post-Doctorat“Gestion de Qualite de Service pour l’Internet des Objets”
• *2016* : Charge de Recherche au LAAS
Domaines de recherche
Cloud-Computing, Internet des Objets, Qualite de Service, Etudes energetiques,Ordonnancement, Optimisation multi-objectifs, Simulation
2
Ordonnancement sous contraintes de Qualite de Service dans les Clouds
Contexte de These
These : Contexte de recherche
3
Ordonnancement sous contraintes de Qualite de Service dans les Clouds
Contributions
Contributions de These
* Étude de l'outil de gestion de fréquences CPU du noyau Linux : le DVFS,et implémentation au sein du simulateur CloudSim* Étude de modèles énergétiques* Validation de simulations avec DVFS par comparaisons avec des éxpérimentations réelles (Grid'5000, Super-calculateur)
* Définition et catégorisation de paramètres de QdS Cloud* Élaboration de métriques mesurables de paramètres non-fonctionnelsde QdS pour les SLA des fournisseurs de Cloud
* Problème (NP-Complet) de placement de machines virtuelles souscontraintes de QdS* Résolution par une heuristique (Algorithme Génétique)* Évaluation de la qualité d'optimisation
* Ordonnancement (ré-allocation) multi-objectifs* Analyse de l'impact de l'optimisation par le GA des algorithmes gloutons
Études deconsommations
énergétiques
ModélisationQdS
Cloud
Optimisationmulti-objectifs
QdS Cloud
Simulationd'ordonnancement
Cloud
4
Ordonnancement sous contraintes de Qualite de Service dans les Clouds
Contributions
Modelisation QoS Cloud
Modelisation QoS Cloud
Categories de QoS :
• PERFORMANCE
• SURETE DE FONCTIONNEMENT
• SECURITE & DONNEES
• COUT
Avec comme buts majeurs de :
• Satisfaire l’utilisateur par de bonnes conditions d’utilisation
• Tirer profit de ces services
Compromis entre la QoS proposee a l’utilisateur et les couts engendres
5
Ordonnancement sous contraintes de Qualite de Service dans les Clouds
Contributions
Modelisation QoS Cloud
Modelisation QoS CloudCategories de QoS :
• PERFORMANCE :Temps d’execution, Latence, Debit,Temps de reponse
• SURETE DE FONCTIONNEMENT :Robustesse et Dynamisme
• SECURITE & DONNEES :Authentification, Autorisation, Integrite,Confidentialite, Responsabilisation, Tracabilite,Cryptage, Cycle de vie des donnees, Non Repudiation
• COUT :Cout de service, Empreinte carbone,Cout energetique :
E =nH∑i=1
P(Fi )hi × T h,k
rep
P(Fi ) = α (Pfull (Fi )− Pidle (Fi )) + Pidle (Fi )
Temps de réponse (s)
vm4
vm3
vm2
vm1
VM
Machine
physique 0
VM
VM
VM
Machine
physique 1
VM
VM
VM
Machine
physique N
VM
LIBRE
LIBRE
LIBRE
Dynamsime
4 vm3 vm 1 vm
Robustesse : 2.67
6
Ordonnancement sous contraintes de Qualite de Service dans les Clouds
Contributions
Etudes energetiques
Leviers energetiques• ON/OFF machines physiques
• Consolidation VM (Migrations)
• Reconfiguration de la capacite de calcul des VM
• Utilisation du DVFS (Dynamic Voltage & Frequency Scaling)
• PERFORMANCE : Frequence maximum fixee• POWERSAVE : Frequence minimum fixee• USERSPACE : Frequence choisie fixee• ON-DEMAND : Decision dynamique avec 1 seuil + 1 delai• CONSERVATIVE : Decision dynamique avec 2 seuils
WTime
Frequency
00
f1
T1
T1
D
WTime
Frequency
00
f2
T2 D
7
Ordonnancement sous contraintes de Qualite de Service dans les Clouds
Contributions
Optimisation multi-criteres
Optimisation multi-criteres : Algorithme GenetiqueModelisation :
• Un chromosome ⇔ une solution de placement
• Un gene ⇔ une machine virtuelle
• Valeur d’un gene ⇔ numero de la machine physique
VM_1
VM_3
VM_n
Machine
physique 0
VM_n-1
VM_n-2
Machine
physique 1
VM_2
Machine
physique 2
Fonction objectif (valeur de Fitness) :
Fobj = α1 × n(E) + α2 × n(RespT ) + α3 × n(Rob)− α4 × n(Dyn)
Fonction de normalisation “Centrer-Reduire” : n(x) = v−µσ
⇒ Valeurs de fitness comparables
8
Ordonnancement sous contraintes de Qualite de Service dans les Clouds
Contributions
Optimisation multi-criteres
Meta-heuristique : Algorithme Genetique
Table: Coefficient values ofthe 5 versions of the GA
GA NameCoefficients applied to metrics
EnergyRespT
Rob Dyntime
GA All 1 1 1 1GA Energy 1 0 0 0GA RespT 0 1 0 0GA Rob 0 0 1 0GA Dyn 0 0 0 1
0
0.2
0.4
0.6
0.8
1
0 50 100 150 200 250 300 350 400 450
Fit
ness
Nb machines virtuelles
Comparaison du Fitness
GA_EnergyGA_RespT
GA_RobGA_Dyn
GA_All
9
Ordonnancement sous contraintes de Qualite de Service dans les Clouds
Contributions
Simulation d’ordonnancement Cloud
Ordonnancement par SimulationContribution au simulateur :
• Integration de nouvelles fonctionnalites dans CloudSim
• Collaboration avec l’equipe de Raj. Buyya de Melbourne 1
• Validation par comparaison avec des expes reelles (grid’5000, Hyperion)
• Simulation d’ordonnancement periodique afin d’analyser l’evolution desmetriques de QoS au cours du temps 2
Condition de simulation :
• Instance du probleme : 110 / 400
• Meme caracteristiques que pour l’etude du GA
• Re-Allocations periodiques chaque 20 secondes ⇒ migrations
Algorithmes de placement utilises :
• Allocation avec les differentes versions du GA
• Allocation avec des algorithmes gloutons :Best-Fit Sorted (BFS) & Round-Robin (RR)
1. Journal. : Energy-aware simulation with DVFS, Simulation Modelling Practice and Theory, 2013
2. Journal : Quality of service modeling for green scheduling in Clouds, SUSCOM, 2014
10
Ordonnancement sous contraintes de Qualite de Service dans les Clouds
Contributions
Simulation d’ordonnancement Cloud
Resultat - Dynamisme
0
200
400
600
800
1000
1200
1400
1600
1800
0 20 40 60 80 100 120 140
Dyn
am
ism
e (M
IPS
lib
res
par
ma
chib
e p
hys
ique)
Temps (s)
Métrique : Dynamisme
BFSBFS−ReAlloc
GA_AllGA_All−ReAlloc
RRRR−ReAlloc
Bonne
qualité
Mauvaise
qualité
Courbes GA/BFS/RR : Allocation unique a t=0
Courbes GA All-ReAlloc/BFS-ReAlloc/RR-ReAlloc : Allocation a t=0 puis re-allocation chaque 20 secondes
11
Ordonnancement sous contraintes de Qualite de Service dans les Clouds
Contact
GUEROUT Tom
tguerout@laas.frhttp ://www.laas.fr/∼tguerout
Énergie
Qualitéde
Service
CloudComputing
Internetdes
Objets
Optimisationmulti-objectifs
Simulation
12
Ordonnancement sous contraintes de Qualite de Service dans les Clouds
Annexes
DVFS dans le noyau Linux5 modes de fonctionnement : 3 statiques, 2 dynamiques
• PERFORMANCE : Frequence maximum fixee• POWERSAVE : Frequence minimum fixee• USERSPACE : Frequence choisie fixee• ON-DEMAND : Decision dynamique avec 1 seuil + 1 delai• CONSERVATIVE : Decision dynamique avec 2 seuils
Prise de decision de changement de frequence chaque 10ms
13
Ordonnancement sous contraintes de Qualite de Service dans les Clouds
Annexes
Pourquoi changer la frequence des CPU ?
Puissance dynamique delivree par un composant CMOS :
Pcmos = Ceff × V 2 × f
avec, Ceff la capacitance effective *, V le voltage et f la frequence* grandeur physique : capacite d’un composant a s’opposer au changement de voltage entre ses bornes
Energie depensee par tache :
E = P ∗ T ∝ V 2 , avec V ∝ f , alors E ∝ f 2︸ ︷︷ ︸
WTime
Frequency
00
f1
T1
T1
D
WTime
Frequency
00
f2
T2 D
Frequence divisee par 2 → Energie divisee par 4 14
Ordonnancement sous contraintes de Qualite de Service dans les Clouds
Annexes
Resultat - Energie / Temps de reponse
460
480
500
520
540
560
580
600
620
640
660
BFSBFS−R
eAlloc
GA_All
GA_All−R
eAlloc
RR
RR−R
eAlloc
100
105
110
115
120
125
En
erg
ie (
Wh
)
Tem
ps
de
répon
se (
s)
Métriques : Energie et Temps de réponse
EnergyResponseTime
Bonne
qualité
Mauvaise
qualité
Courbes GA/BFS/RR : Allocation unique a t=0
Courbes GA All-ReAlloc/BFS-ReAlloc/RR-ReAlloc : Allocation a t=0 puis re-allocation chaque 20 secondes
15
Ordonnancement sous contraintes de Qualite de Service dans les Clouds
Annexes
Resultat - Robustesse
1
1.5
2
2.5
3
3.5
4
4.5
0 20 40 60 80 100 120 140
Rob
ust
esse
(N
b S
ervi
ces
pa
r m
ach
ibe
phys
iqu
e)
Temps (s)
Métrique : Robustesse
BFSBFS−ReAlloc
GA_AllGA_All−ReAlloc
RRRR−ReAlloc
Bonne
qualité
Mauvaise
qualité
Courbes GA/BFS/RR : Allocation unique a t=0
Courbes GA All-ReAlloc/BFS-ReAlloc/RR-ReAlloc : Allocation a t=0 puis re-allocation chaque 20 secondes
16