Multi-objective mechanisms for dynamic resource adaptation in virtualized network environments

Résumé

La croissance des technologies de virtualisation et des solutions cloud a fondamentalement transformé la gestion et l'utilisation des ressources informatiques. Ces avancées ont permis aux fournisseurs de cloud d'offrir des services évolutifs, flexibles et rentables à leurs clients. Cependant, avec la demande croissante de services cloud, la gestion efficace des ressources est devenue une préoccupation majeure. Pour relever ce défi, diverses stratégies, telles que la consolidation des ressources, la prédiction de l'utilisation des ressources et les techniques d’élasticité et de migration des ressources, ont été proposées afin d'optimiser la gestion des ressources dans les environnements virtualisés. Cette thèse présente un ensemble novateur de techniques adaptatives de gestion des ressources, conçues pour maximiser l'utilisation des ressources, réduire la consommation d'énergie et garantir la conformité aux exigences des contrats de service (SLA). En tenant compte des défis inhérents à la variabilité des charges de trafic, à la diversité des applications et aux objectifs d'optimisation contradictoires, cette recherche englobe plusieurs contributions significatives, chacune se concentrant sur un aspect spécifique de la gestion des ressources. Tout d'abord, le problème d'adaptation dynamique des ressources dans les environnements de virtualisation des fonctions réseau (NFV) est exploré, en intégrant des stratégies d’élasticité et de migration des ressources pour les chaînes de fonctions virtualisées (SFC). Ce problème d'allocation des ressources est abordé sous un angle innovant, formulé comme un modèle de programmation linéaire (ILP) et développé pour générer des solutions optimales. Deuxièmement, des algorithmes décisionnels métaheuristiques innovants et multiobjectifs, basés sur NSGAII, CRO et PSO, sont proposés pour adapter les ressources en temps réel avec des solutions sous-optimales. Troisièmement, la réallocation proactive des ressources est étudiée grâce au développement d'un modèle de prédiction des charges de trafic multiressources et multi-étapes. En intégrant le filtre de Kalman et la régression par vecteur de support (SVR), ce modèle anticipe avec précision la consommation des ressources des hôtes, y compris le CPU, la mémoire et la bande passante. Quatrièmement, en s'appuyant sur cette capacité prédictive, une approche de consolidation optimisée est présentée, incorporant des stratégies d'estimation proactive de l'état des hôtes pour la détection de la surcharge et de la sous-charge. Pour valider l'efficacité des techniques proposées, des expérimentations approfondies sont menées en utilisant des ensembles de données divers tels que Planetlab, Materna et Bitbrains, couplés au simulateur Cloudsim. Les résultats démontrent le potentiel de ces techniques pour améliorer la gestion des ressources dans les environnements virtualisés.

Date	8 août 2023
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Nadjia Kara (Directeur(-trice)) & Aris Leivadeas (Codirecteur(-trice))