Dynamic prediction of resource consumption in virtualized environments

Résumé

Les environnements infonuagiques d’aujourd’hui offrent d’énormes capacités d’hébergement de services et d’applications. Dans de tels environnements, l’augmentation exponentielle de la consommation de ressources (ex., de calcul, de stockage) rend leur gestion très difficile. Cette dernière doit respecter différentes contraintes de Qualité de Service (QdS) qui sont négociées dans le cadre de divers contrats de service (Service Level Agreements, SLA) pour différentes applications (ex., application hautement sensible au délai). Ces applications représentées par des chaînes de microservices sont déployées dans ces environnements qui sont dynamiques (ex., variabilité de la disponibilité des ressources, volatilité des charges de trafic). Dans cette thèse, nous nous intéressons à l’adaptation de ressources pour des chaînes de fonctions de services (Service Function Chain -SFCs) composées de plusieurs fonctions de réseau virtualisées (Virtual Network Function -VNF). Les variations élevées de la charge de trafic des applications entraînent une incertitude quant à l’utilisation des ressources. Il devient donc crucial de disposer de mécanismes efficaces basés sur les données pour la gestion automatique des ressources. Ces mécanismes permettent aux systèmes complexes d’anticiper et de réagir efficacement aux fluctuations de ces charges. Ils s’appuient sur des techniques efficaces de prévision de l’utilisation des ressources afin de répondre aux exigences de QdS des applications. Ils doivent anticiper la consommation de différentes ressources (ex., CPU, mémoire) tout en tenant compte de la variabilité. Dans ce contexte, une solution basée sur un modèle de mono-prédiction basé uniquement sur l’historique de la consommation de ressource peut échouer en cas de changement brut de la consomation de resource. Pour permettre au mécanisme de prédiction de s’adapter à la variation des demandes en ressources. Dans cette thèse,nous proposons une nouvelle solution de prédiction qui s’adapte à la variation de la consomation en sélectionnant parmi plusieurs méthodes de prédiction, celle qui est la mieux adaptée à la charge de trafic reçue. Notre solution applique un sélecteur multitâche basé sur la stratégie de méta-learning MT-MLS. Le MT-MLS introduit un nouveau concept en analysant les similitudes de consommation de différentes ressources entre les VNFs Les environnements infonuagiques d’aujourd’hui offrent d’énormes capacités d’hébergement de services et d’applications. Dans de tels environnements, l’augmentation exponentielle de la consommation de ressources (ex., de calcul, de stockage) rend leur gestion très difficile. Cette dernière doit respecter différentes contraintes de Qualité de Service (QdS) qui sont négociées dans le cadre de divers contrats de service (Service Level Agreements, SLA) pour différentes applications (ex., application hautement sensible au délai). Ces applications représentées par des chaînes de microservices sont déployées dans ces environnements qui sont dynamiques (ex., variabilité de la disponibilité des ressources, volatilité des charges de trafic). Dans cette thèse, nous nous intéressons à l’adaptation de ressources pour des chaînes de fonctions de services (Service Function Chain -SFCs) composées de plusieurs fonctions de réseau virtualisées (Virtual Network Function -VNF). Les variations élevées de la charge de trafic des applications entraînent une incertitude quant à l’utilisation des ressources. Il devient donc crucial de disposer de mécanismes efficaces basés sur les données pour la gestion automatique des ressources. Ces mécanismes permettent aux systèmes complexes d’anticiper et de réagir efficacement aux fluctuations de ces charges. Ils s’appuient sur des techniques efficaces de prévision de l’utilisation des ressources afin de répondre aux exigences de QdS des applications. Ils doivent anticiper la consommation de différentes ressources (ex., CPU, mémoire) tout en tenant compte de la variabilité. Dans ce contexte, une solution basée sur un modèle de mono-prédiction basé uniquement sur l’historique de la consommation de ressource peut échouer en cas de changement brut de la consomation de resource. Pour permettre au mécanisme de prédiction de s’adapter à la variation des demandes en ressources. Dans cette thèse,nous proposons une nouvelle solution de prédiction qui s’adapte à la variation de la consomation en sélectionnant parmi plusieurs méthodes de prédiction, celle qui est la mieux adaptée à la charge de trafic reçue. Notre solution applique un sélecteur multitâche basé sur la stratégie de méta-learning MT-MLS. Le MT-MLS introduit un nouveau concept en analysant les similitudes de consommation de différentes ressources entre les VNFs d’une SFC (une application). Un mécanisme d’attention est utilisé pour identifier un poid pour chaque VNF sur la base de l’analyse de similarité. Le MT-MLS est conçu comme un classifieur multitâche,qui attribue simultanément et indépendamment à chaque VNF un meilleur prédicteur pour prévoir les besoins en ressources dans une situation de charge de trafic donnée. Le meilleur prédicteur est sélectionné parmi un ensemble de modèles de prédicteurs proposés par notre solution, mais sans s’y limiter. En effet, notre solution peut etre appliquée avec de nombreux predicteurs qui sont capables de fournir une prediction de la consomation future des resources. Parmi les prédicteurs de base proposés par notre solution: un modèle GNN efficace qui utilise les caractéristiques de la topologie d’une SFC et qui a démontré ses performances dans le cas de charges de trafics élevé. Nous avons également développé d’autres modèles, un modèle CNN, un modèle LSTM et un modèle hybride. Ces prédicteurs de base ont été utilisés pour générer des métadonnées afin de développer le MT-MLS. L’analyse et VIII la comparaison des résultats expérimentaux montrent clairement l’efficacité et la performance de nos solutions.d’une SFC (une application). Un mécanisme d’attention est utilisé pour identifier un poid pour chaque VNF sur la base de l’analyse de similarité. Le MT-MLS est conçu comme un classifieur multitâche,qui attribue simultanément et indépendamment à chaque VNF un meilleur prédicteur pour prévoir les besoins en ressources dans une situation de charge de trafic donnée. Le meilleur prédicteur est sélectionné parmi un ensemble de modèles de prédicteurs proposés par notre solution, mais sans s’y limiter. En effet, notre solution peut etre appliquée avec de nombreux predicteurs qui sont capables de fournir une prediction de la consomation future des resources. Parmi les prédicteurs de base proposés par notre solution: un modèle GNN efficace qui utilise les caractéristiques de la topologie d’une SFC et qui a démontré ses performances dans le cas de charges de trafics élevé. Nous avons également développé d’autres modèles, un modèle CNN, un modèle LSTM et un modèle hybride. Ces prédicteurs de base ont été utilisés pour générer des métadonnées afin de développer le MT-MLS. L’analyse et la comparaison des résultats expérimentaux montrent clairement l’efficacité et la performance de nos solutions.

Date	30 juil. 2024
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Nadjia Kara (Directeur(-trice))