Prédiction dynamique de la consommation de ressources dans des environnements virtualisés

Résumé

Les environnements infonuagiques sont en perpétuelle évolution et offrent de plus en plus d’opportunités pour développer et héberger de nouvelles applications et services. Dans de tels environnements, la gestion efficace des ressources représente un des nombreux et importants défis à relever pour respecter les contrats de service (Service Level Agreement : SLA) négociés pour y héberger ces applications. En effet, la variabilité et l’imprévisibilité des charges de trafic que pourraient imposer ces applications/services et les exigences en qualité de services (QdS) de ces dernières ont un impact direct sur la consommation des ressources. Ainsi, une gestion efficace des ressources doit assurer non seulement les exigences QdS spécifiées dans le SLA pour éviter les surcoûts engendrés par la violation de ces dernières, mais aussi une consommation efficiente de ressource partagées. Par ailleurs, des changements inhabituels et soudains de la charge de trafic dus, par exemple, à des situations d'urgence (ex., mise à jour logiciel pour renforcer le niveau de sécurité des infrastructures) ou à des pannes, entraînent une dégradation critique des performances des services et des violations de SLA coûteuses. Dans ce contexte, les solutions qui se basent sur le surdimensionnement des infrastructures infonuagiques, des techniques de prédiction de la consommation de ressources en utilisant des seuils, ou des modèles mathématiques statiques (ex., régression linéaire basée sur des données extraites d’un historique hors-ligne) sont inefficaces. À la lumière de ce constat, nous proposons dans cette thèse une nouvelle solution intégrant des techniques d’apprentissage automatique pour gérer efficacement les ressources dans un environnement infonuagique. Notre solution se caractérise par: une prédiction dynamique et fiable de la consommation de ressources applicable à différents systèmes; un ajustement automatique et adaptif de la prédiction avec l’ajustement automatique des tailles optimales de la fenêtre coulissante des données d’apprentissage et celles à prédire; une détection automatique des variations anormales avec une mise en correspondance de ses métriques au niveau des services (ex.,charge de trafic) et des ressources (ex., consommation de CPU/mémoire) et la détection de leur périodicité; une évaluation automatique de l’état du système (ex., variation normale due à l’adaptation des ressources ou bien variation anormale en raison d’une défaillance au niveau infrastructure matérielle ou logicielle) et la génération de notifications. Les algorithmes et les techniques proposés visent à optimiser le partage des ressources, à minimiser les coûts de leur consommation et à garantir les exigences du SLA. L’analyse des résultats obtenus à partir de différents tests expérimentaux a démontré la pertinence et l’efficacité de notre solution.

Date	16 déc. 2020
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Nadjia Kara (Directeur(-trice))