Optimisation de l’allocation de ressources dans le Cloud Computing

Abstract

Les workflows sont de plus en plus utilisés dans de nombreuses applications. Ils décrivent d’une façon formelle une série de calculs qui permettent d’analyser des données de manière structurée et distribuée. Ces workflows contiennent de nombreuses tâches et des contraintes de dépendance entre ces tâches. D’autre part, le cloud computing offre d’énormes opportunités pour le calcul des workflows à grande échelle et des applications gourmandes en calcul. Les performances de traitement d’un workflow dépendent fortement de la façon dont les différentes tâches sont planifiées sur les ressources du cloud. La planification des workflows reste un problème difficile qui relève de la catégorie des problèmes NP-hard, pour lesquels il est difficile de trouver une solution exacte. Beaucoup d’efforts de recherche ont été consacrés à la résolution de ce problème, y compris la méthode MOHEFT (multi-objective hétérogène early-finish-time), qui s’avère être une référence pour la problématique de planification des workflows. Tout en démontrant l’aptitude d’avoir une très bonne qualité des résultats fournis, MOHEFT souffre de sa grande complexité temporelle lorsqu’il s’agit de large workflows. Pour remédier à cette lacune, premièrement nous avons étudié la complexité de MOHEFT. Ensuite, pour accélérer MOHEFT, nous avons essayé la réécriture du code et l’exploitation de la programmation parallèle ; ces deux dernières techniques ont trouvé une barrière architecturale causée par la congestion du bus mémoire, le maximum d’accélération atteint est de 3, 11×. Deuxièmement, nous avons proposé FAMOBACH. Cette version améliorée de MOHEFT élimine les calculs redondants en utilisant le checkpointing et le backtacking. L’évaluation des performances de FAMOBACH montre qu’il est jusqu’à 9 fois plus rapide que MOHEFT.