Proactive and autonomic IoT service auto-scaling in constrained edge computing environments

Résumé

L’internet des objets (IdO) s’est considérablement développé avec l’utilisation généralisée de capteurs dans divers domaines de la vie moderne, tels que les soins de santé et la construction. Le nombre croissant de dispositifs (objets) connectés génère des quantités massives de données qui ont un impact négatif sur les performances du système, en particulier sur le temps de réponse, qui est très important pour les applications sensibles à la latence. L’informatique en périphérie (Edge computing), qui délègue les tâches de l’informatique en nuage (Cloud) à des noeuds en périphérie plus proches des sources de données, a été adoptée pour atténuer ce problème. Cependant, les dispositifs IoT en périphérie sont limités en ressources et opèrent dans un environnement hautement hétérogène, ce qui est traité en utilisant des conteneurs (Containers) comme technique de virtualisation légère pour déployer des microservices. La limitation des ressources constitue un défi important pour le déploiement de services à la périphérie des réseaux IoT. Une gestion efficace des ressources des dispositifs périphériques est essentielle pour répondre aux exigences des utilisateurs (par exemple, le temps de réponse) et optimiser l’utilisation des ressources, ce qui augmente la capacité de déploiement. La mise à l’échelle automatique des services (auto-scaling) est une solution interessante qui améliore l’utilisation des ressources en ajustant dynamiquement le nombre d’instances de services en fonction de la charge de travail. Cependant, les outils de la mise à l’échelle automatique actuels, tels que Kubernetes, s’appuient principalement sur des approches réactives basées sur des seuils, qui sont difficiles à configurer et moins efficaces pour traiter des charges de travail complexes. Ces approches réactives entraînent un gaspillage dû au surprovisionnement des ressources et une dégradation des performances lors de la libération des ressources. D’autre part, la mise à l’échelle automatique proactive qui anticipe la charge de travail future nécessite encore une amélioration en termes de précision des prévisions afin d’optimiser les performances et l’efficacité du système. L’objectif principal de ce travail est de proposer une approche pour le déploiement de services IoT à la périphérie qui s’adapte aux exigences de performance, à la disponibilité des ressources et à la dynamique de la charge de travail. Notre approche de l’adaptabilité du déploiement des services est basée sur la boucle MAPE-K (Monitor-Analyze-Plan-Execute over a shared Knowledge). Par conséquent, chaque phase de la boucle présente une étape dans la réalisation de chaque contribution de notre travail. Chaque étape doit inclure une revue de la littérature, l’étude et l’utilisation des techniques existantes et leur amélioration ou même la proposition de nouvelles techniques, l’implémentation, l’expérimentation et la validation. Notre première contribution vise à remédier aux limites des solutions basées sur les seuils. En se basant sur le modèle de déploiement que nous proposons, encodé dans la logique des prédicats, notre solution génère automatiquement des règles pour différentes phases, telles que l’analyse et la planification. La deuxième contribution propose une solution proactive de mise à l’échelle automatique. Elle utilise un modèle des réseaux de neurones de type LSTM (Long Short-Term Memory), mémoire à long terme et court terme, pour la prévision de la charge de travail grâce à sa précision et à sa vitesse de prédiction. Pour améliorer davantage la précision, notre approche ajoute une phase de caractérisation (featurization) automatique qui extrait des caractéristiques des séries temporelles de données sur la charge de travail. Elle aborde également, de manière originale, le problème de l’oscillation causé par les actions de mise à l’échelle fréquemment générées. Les caractéristiques extraites par la phase de la caractérisation sont utilisées comme grille pour atténuer le problème d’oscillation. La troisième contribution vise à améliorer encore davantage la précision de la prévision de la charge de travail tout en tenant compte de la limitation des ressources des dispositifs IoT. Notre approche proposée d’apprentissage en ensemble dynamique (Dynamique Ensemble learning) réduit efficacement les valeurs aberrantes et maintient une précision élevée dans la prévision de la charge de travail et les performances d’auto-scaling. Dans toutes nos contributions, nous avons validé notre approche à l’aide de diverses implémentations. Nous avons également mené les expériences nécessaires en comparant nos résultats avec des travaux connexes. Dans l’ensemble, la validation montre la faisabilité et l’efficacité de nos différentes contributions. Enfin, nous avons mis en évidence plusieurs perspectives de recherche et proposé des travaux futurs potentiels dans le cadre de l’étude présentée.

Date	24 juil. 2023
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Abdelouahed Gherbi (Directeur(-trice))