Ordonnancement des job-shops flexibles sous contraintes de disponibilité des machines
Ordonnancement sous contraintes de Qualité de...
Transcript of Ordonnancement sous contraintes de Qualité de...
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
[email protected] ://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