La vitrine de diffusion des mémoires et thèses de l'ÉTS
RECHERCHER

Prédiction dynamique de la consommation de ressources dans des environnements virtualisés

Téléchargements

Téléchargements par mois depuis la dernière année

Benmakrelouf, Souhila (2020). Prédiction dynamique de la consommation de ressources dans des environnements virtualisés. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

[thumbnail of BENMAKRELOUF_Souhila.pdf]
Prévisualisation
PDF
Télécharger (9MB) | Prévisualisation

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.

Titre traduit

Dynamic prediction of resource usage in virtualized environments

Résumé traduit

Cloud computing environments are in a continual progress and offer a growing number of capacities to develop and to host new applications and services. In these environments, managing efficiently resources is considered as one of many and major challenges to face in order to respect negotiated service contracts (Service Level Agreement: SLA) required to implement these applications/services. In fact, the variability and unpredictability of traffic loads and Quality requirements Of Services (QoS) have a direct impact on the resource consumption. Thus, a performant resources management not only must guarantee the services quality requirements defined in the SLA contract to avoid the cost induced by their violation, but also an effective consumption of shared resources. Moreover, unusual and sudden changes in the traffic load, which are created by emergency cases (e.g.: software update to consolidate the infrastructures security) or breakdowns, produce a serious services performance degradation and costly SLA violations. In this context, the solutions that are based on the Cloud infrastructures resizing, resources consumption prediction methods using the thresholds or statistic models (e.g.: linear regression manipulating data retrieved from an offline historic) are inadequate. Considering this finding, we propose in our thesis a new solution that apply machine learning to manage efficiently resources in Cloud environments. Our solution is characterized by : a dynamic and reliable resources consumption prediction applicable to many systems ; automatic and adaptive tuning of the prediction combined with automatic adjustment of the sliding-window size of training data/predicted data (optimal size); an abnormal variations detection automatically and a mapping between metrics at service and resource levels plus a detection of their periodicity; automatic system state assessment (e.g. : a state update after a normal variation caused by resources adaptation or an abnormal change generated by a hardware/software failure in an infrastructure) and notification generation. Algorithms and technics that we propose have to optimize the resources sharing, to minimize consumption costs and to satisfy SLA requirements. The analysis of our experimental tests results show clearly the relevance and efficiency of our solutions.

Type de document: Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires: "Thèse par articles présentée à l’École de technologie supérieure comme exigence partielle à l’obtention du doctorat en génie". Comprend des références bibliographiques (pages 153-162).
Mots-clés libres: gestion des ressources, prédiction, demande de ressources, apprentissage automatique, algorithme génétique, ajustement de la prédiction, divergence, mise en correspondance, détection des valeurs extrêmes, périodicité, métrique de niveau ressource, métrique de niveau service, infonuagique
Directeur de mémoire/thèse:
Directeur de mémoire/thèse
Kara, Nadjia
Programme: Doctorat en génie > Génie
Date de dépôt: 21 sept. 2021 18:31
Dernière modification: 21 sept. 2021 18:31
URI: https://espace.etsmtl.ca/id/eprint/2696

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt Dernière vérification avant le dépôt