Ordonnancement sous contraintes de Qualité de Service dans les Clouds

Dimension: px
Commencer à balayer dès la page:

Download "Ordonnancement sous contraintes de Qualité de Service dans les Clouds"

Transcription

1 Ordonnancement sous contraintes de Qualité de Service dans les Clouds GUÉROUT Tom DA COSTA Georges (SEPIA) MONTEIL Thierry (SARA) 05/12/2014 1

2 Contexte CLOUD COMPUTING Contexte : Environnement de Cloud Computing Évolution de l ère de l Information 1 er fournisseur de Cloud : Amazon (AWS) en ere API open source compatible AWS : Eucalyptus en

3 Contexte CLOUD COMPUTING Propriétés mises en avant par les fournisseurs de services Cloud 3

4 Contexte CLOUD COMPUTING Questionnements du point de vue utilisateur 4

5 Contexte CLOUD COMPUTING Contrat d utilisation entre les deux parties 5

6 Contexte CLOUD COMPUTING Gestion de la QoS : Enjeux du point de vue du fournisseur de services Performance des ressources Stabilité du système Réactivité des services Sûreté de fonctionnement Coûts (utilisation / gestion) Avec comme buts majeurs de : Satisfaire l utilisateur par de bonnes conditions d utilisation Tirer profit de ces services Compromis entre la QoS proposée à l utilisateur et les coûts engendrés 6

7 Contexte CLOUD COMPUTING Résumé de la situation & problématiques associées Afin de trouver le meilleur compromis, un fournisseur doit être en mesure de : Prendre des décisions de gestion de son infrastructure afin de moduler la QoS proposée aux utilisateurs Comment attester de la Qualité de service dans un Cloud? Réduire les coûts de fonctionnement : Aspect énergétique très important, consommation des Data-Centers actuels : 2% de l électricité mondiale Quelles solutions pour minimiser la consommation énergétique des ressources de calcul? 7

8 Modélisations : environnement Cloud & Qualité de Service Déroulement de la présentation Modélisations : environnement Cloud & Qualité de Service Méta-heuristique : Allocation et Optimisation Simulations d ordonnancement Cloud sous contraintes de QoS Conclusions et perspectives 8

9 Modélisations : environnement Cloud & Qualité de Service Déroulement de la présentation Modélisations : environnement Cloud & Qualité de Service Méta-heuristique : Allocation et Optimisation Simulations d ordonnancement Cloud sous contraintes de QoS Conclusions et perspectives 8

10 Modélisations : environnement Cloud & Qualité de Service Modélisation de l architecture Élements de l environnement Cloud Data-center(s) Cluster(s) Machine(s) physique(s) Temps d allumage / d extinction Capacité CPU / Mémoire Fréquences CPU autorisées et puissances associées DVFS - Principes de base Utilisation du DVFS 1 (Dynamic Voltage & Frequency Scaling) Variation dynamique de la fréquence et du voltage CPU Décision de changement en fonction de la charge Choix d un couple Voltage/Fréquence prédéfini 1. Simulation énergétique de tâches distribuées avec changements dynamiques de fréquence. ComPAS 2013, Grenoble,

11 Modélisations : environnement Cloud & Qualité de Service Modélisation de l architecture Pourquoi changer la fréquence des CPU? Puissance dynamique délivrée par un composant CMOS : P cmos = C eff V 2 f avec, C eff la capacitance effective *, V le voltage et f la fréquence * grandeur physique : capacité d un composant à s opposer au changement de voltage entre ses bornes Énergie dépensée par tâche : E = P T V 2, avec V f, alors E f 2 } {{ } Frequency Frequency f1 0 0 W T1 T1 D Time f2 0 0 W T2 D Time Fréquence divisée par 2 Énergie divisée par 4 10

12 Modélisations : environnement Cloud & Qualité de Service Modélisation de l architecture DVFS dans le noyau Linux 5 modes de fonctionnement : 3 statiques, 2 dynamiques PERFORMANCE : Fréquence maximum fixée POWERSAVE : Fréquence minimum fixée USERSPACE : Fréquence choisie fixée ON-DEMAND : Décision dynamique avec 1 seuil + 1 délai CONSERVATIVE : Décision dynamique avec 2 seuils Prise de décision de changement de fréquence chaque 10ms 11

13 Modélisations : environnement Cloud & Qualité de Service Modélisation de l architecture Machine(s) virtuelle(s) Temps d allumage, de reconfiguration et de migration Capacité CPU / Mémoire : demandée, allouée, utilisée Principe de reconfiguration Machine Virtuelle Capacité CPU allouée Machine Virtuelle Réduction de X% Nouvelle capacité CPU allouée Service(s) élémentaire(s) (calcul, base de donnée, stockage) : exécuté(s) par une machine virtuelle 12

14 Modélisations : environnement Cloud & Qualité de Service Modélisation de QoS Cloud La QoS dans les Clouds Étapes de l étude Lister des paramètres QoS pouvant jouer un rôle dans un Cloud Faire ressortir des catégories de paramètres Apporter une définition précise de chacun dans un Cloud Définir des métriques mesurables Décider lesquelles sont intéressantes pour notre étude 13

15 Modélisations : environnement Cloud & Qualité de Service Modélisation de QoS Cloud Comment sélectionner les paramètres de QoS à optimiser? Analyse de SLA des fournisseurs actuels : Amazon, Google, Microsoft... Tenir compte des besoins des utilisateurs Tenir compte des problèmes environnementaux d aujourd hui Se baser sur les travaux de recherche existant 14

16 Modélisations : environnement Cloud & Qualité de Service Modélisation de QoS Cloud Catégories de QoS PERFORMANCE Temps d exécution Latence Débit Temps de réponse : Terminaison de la machine virtuelle ( la plus ) longue : T h,k rep = max NbInstr v ω v,h f,cpu vm1 vm2 vm3 vm4 Temps de réponse (s) 15

17 Modélisations : environnement Cloud & Qualité de Service Modélisation de QoS Cloud Catégories de QoS SÛRETÉ DE FONCTIONNEMENT Dynamisme : Capacité à réagir à des pics d utilisation : n H ξ h i,k f,cpu ωh i,k f,cpu i=0 Dyn = n H Robustesse : Probabilité d un service de ne pas être affecté par une défaillance d une machine physique : Rob = n H i=0 n h i V n H Machine physique 0 LIBRE VM VM VM Dynamsime Machine physique 1 LIBRE VM VM VM VM Machine physique N LIBRE VM 3 vm 4 vm 1 vm Robustesse :

18 Modélisations : environnement Cloud & Qualité de Service Modélisation de QoS Cloud Catégories de QoS SÉCURITÉ & DONNÉES Authentification Autorisation Intégrité Confidentialité Responsabilisation Traçabilité Cryptage Cycle de vie des données Non Répudiation 17

19 Modélisations : environnement Cloud & Qualité de Service Modélisation de QoS Cloud Catégories de QoS COÛT Puissance (W) 300 Pidle Pfull Coût de service Coût énergétique : Énergie totale consommée, n H E = P(F i ) h i Trep h,k i=1 P(F i ) = α (P full (F i ) P idle (F i )) + P idle (F i ) Empreinte carbone Fréquence (GHz) Caractéristiques du site Grid 5000 de Reims 18

20 Modélisations : environnement Cloud & Qualité de Service Modélisation de QoS Cloud Sélection des paramètres de QoS Objectifs : Pertinence et antagonisme Énergie : Énergie total consommée MIN Temps de réponse : Durée d exécution de la machine virtuelle la plus longue MIN Robustesse : Probabilité d un service d être affecté par une défaillance d une machine physique MIN Dynamisme : Capacité à réagir à des pics d utilisation MAX * Quatre métriques de QoS antagonistes Problème d optimisation multi-objectifs 2 2. Revue internationale : Quality of service modeling for green scheduling in Clouds, SUSCOM,

21 Modélisations : environnement Cloud & Qualité de Service Modélisation de QoS Cloud Déroulement de la présentation Modélisations : environnement Cloud & Qualité de Service Méta-heuristique : Allocation et Optimisation Simulations d ordonnancement Cloud sous contraintes de QoS Conclusions et perspectives 20

22 Méta-heuristique : Allocation et Optimisation Algorithme Génétique Modélisation de l algorithme génétique Un chromosome une solution de placement Un gène une machine virtuelle Valeur d un gène numéro de la machine physique Machine physique 0 Machine physique 1 Machine physique 2 VM_n VM_3 VM_1 VM_n-2 VM_n-1 VM_2 21

23 Méta-heuristique : Allocation et Optimisation Algorithme Génétique Conditions expérimentales 110 machines physiques Capacité MEM : 2500 Mo Capacité CPU : 2000 MIPS 5 fréquences CPU DVFS mode USERSPACE Hétérogénéité des puissances délivrées (5 types) 400 machines virtuelles Capacité CPU : [200 ;400 ;600 ;800] MIPS Capacité MEM : [200 ;400 ;600 ;800] Mo 16 types de machine virtuelles Reconfiguration capacité CPU 20% Nombre d instructions généré aléatoirement Paramètres du GA : Nombre d individus de la population initiale : 1500 Nombre d individus de la population de travail : 120 Nombre de croisements : 90 Nombre de mutations : 120 Nombre de générations : 600 Nombres fixes de machines physiques et machines virtuelles à allouer à un instant t 22

24 Méta-heuristique : Allocation et Optimisation Algorithme Génétique Optimisation des objectifs Fonction objectif (valeur de Fitness) : F obj = α 1 n(e) + α 2 n(respt ) + α 3 n(rob) α 4 n(dyn) Fonction de normalisation Centrer-Réduire : n(x) = v µ σ Valeurs de fitness comparables Déclinaison du GA en plusieurs configurations d optimisation : Nom GA Coefficients appliqués aux métriques Temps Énergie Robustesse Dynamisme de réponse GA All GA Energy GA RespT GA Rob GA Dyn Comment estimer et comparer la qualité des solutions? 23

25 Méta-heuristique : Allocation et Optimisation Algorithme Génétique Comparaison des optimisations La qualité d une solution, sur l ensemble des métriques, peut être estimée par rapport : À des algorithmes gloutons À d autres méta-heuristiques À l optimal Ou en comparant le Fitness des différentes versions du GA 24

26 Méta-heuristique : Allocation et Optimisation Algorithme Génétique Comparaison des optimisations Fitness calculé avec une normalisation sur [min ;max] pour chaque configuration. Comparaison du Fitness GA_Energy GA_RespT GA_Rob GA_Dyn GA_All Mauvaise qualité 0.6 Fitness Nb machines virtuelles Bonne qualité Temps de résolution sur l instance 110/400 : 40s 25

27 Méta-heuristique : Allocation et Optimisation Algorithme Génétique Bilan d étude de l algorithme génétique : Donne une idée globale de l influence de chaque métrique Solution d allocation multi-objectifs satisfaisantes Convergence rapide Temps de résolution de 1 10s par machine virtuelle Aspect temporel manquant! de l allocation à l ordonnancement 26

28 Simulations d ordonnancement Cloud sous contraintes de QoS Déroulement de la présentation Modélisations : environnement Cloud & Qualité de Service Méta-heuristique : Allocation et Optimisation Simulations d ordonnancement Cloud sous contraintes de QoS Conclusions et perspectives 27

29 Simulations d ordonnancement Cloud sous contraintes de QoS CloudSim CloudSim : Propriétés Propriétés : Simulation évènementielle Description fine de l architecture Cloud Outils énergétiques (modèles,migration,...) Politiques de placement Extensibilité de ses fonctionnalités 3 3. Revue internationale : Energy-aware simulation with DVFS. Simulation Modelling Practice and Theory Code source disponible : http ://www.cloudbus.org/cloudsim/cloudsim DVFS.rar 28

30 Simulations d ordonnancement Cloud sous contraintes de QoS CloudSim - propriétés et extensions CloudSim : Extensions Extensions : DVFS Reconfiguration machine virtuelle Gestion dynamique des évènements Mesures de métriques de QoS Validation de ces extensions par comparaison à des expérimentations réelles : Machine physique unique Application parallèle MPI sur Grid Cas d utilisation pour les DAG (Direct Acyclic Graph) 4. Grid 5000 energy-aware experiments with DVFS, Grid 5000 school 2012, Nantes

31 Simulations d ordonnancement Cloud sous contraintes de QoS CloudSim - Conditions de simulation Conditions de simulation Instance du problème : 110 / 400 Même caractéristiques que pour l étude du GA Ré-Allocations périodiques chaque 20 secondes migrations Algorithmes de placement utilisés : Allocation avec les différentes versions du GA Allocation avec des algorithmes gloutons : Best-Fit Sorted (BFS) & Round-Robin (RR) Analyse de l impact des ré-allocations sur l exécution des machines virtuelles et les valeurs des métriques de QoS au cours du temps 30

32 Simulations d ordonnancement Cloud sous contraintes de QoS CloudSim - Conditions de simulation Résultat - Robustesse Robustesse (Nb Services par machibe physique) Métrique : Robustesse BFS BFS ReAlloc GA_All GA_All ReAlloc RR RR ReAlloc Temps (s) Mauvaise qualité Bonne qualité Courbes GA/BFS/RR : Allocation unique à t=0 Courbes GA All-ReAlloc/BFS-ReAlloc/RR-ReAlloc : Allocation à t=0 puis ré-allocation chaque 20 secondes 31

33 Simulations d ordonnancement Cloud sous contraintes de QoS CloudSim - Conditions de simulation Résultat - Dynamisme Dynamisme (MIPS libres par machibe physique) Métrique : Dynamisme 400 BFS BFS ReAlloc GA_All 200 GA_All ReAlloc RR RR ReAlloc Temps (s) Bonne qualité Mauvaise qualité Courbes GA/BFS/RR : Allocation unique à t=0 Courbes GA All-ReAlloc/BFS-ReAlloc/RR-ReAlloc : Allocation à t=0 puis ré-allocation chaque 20 secondes 32

34 BFS Ordonnancement sous contraintes de Qualité de Service dans les Clouds Simulations d ordonnancement Cloud sous contraintes de QoS CloudSim - Conditions de simulation Résultat - Énergie / Temps de réponse Energy ResponseTime Métriques : Energie et Temps de réponse Mauvaise qualité Energie (Wh) Temps de réponse (s) 460 RR 100 BFS ReAlloc GA_All GA_All ReAlloc RR ReAlloc Bonne qualité Courbes GA/BFS/RR : Allocation unique à t=0 Courbes GA All-ReAlloc/BFS-ReAlloc/RR-ReAlloc : Allocation à t=0 puis ré-allocation chaque 20 secondes 33

35 Conclusions et perspectives Déroulement de la présentation Modélisations : environnement Cloud & Qualité de Service Méta-heuristique : Allocation et Optimisation Simulations d ordonnancement Cloud sous contraintes de QoS Conclusions et perspectives 34

36 Conclusions et perspectives Conclusions Conclusions Modélisation de QoS Cloud & Métriques associées Définitions des paramètres Métriques mesurables Algorithme génétique Compromis sur de plusieurs métriques de QoS Analyse de l influence des métriques sélectionnées les unes sur les autres Simulation Analyse de l impact des ré-allocations sur l évolution des métriques QoS Cloud au cours du temps Analyse de la perspicacité de l algorithme génétique et d algorithmes gloutons 35

37 Conclusions et perspectives Perspectives Perspectives À court terme : Extensions des modèles d architecture matérielle et logicielle Extensions des modèles de qualité de service Vers un simulateur de Cloud plus complet Méta-heuristiques et algorithme génétique Programmation linéaire 5 Apprendre pour mieux réagir À long terme : Utilisation intelligente des énergies vertes Remise en question du concept de fonctionnement 5. Collaboration actuelle avec l équipe ROC du LAAS 36

38 Conclusions et perspectives Perspectives Publications scientifiques Revues internationales - Tom Guérout, Samir Medjiah, Georges Da Costa, Thierry Monteil. Quality of Service Modeling for Green Scheduling in Clouds., Sustainable Computing, Elsevier, août Tom Guérout, Georges Da Costa, Thierry Monteil, Rodrigo Neves Calheiros, Rajkumar Buyya, Mihai Alexandru. Energy-aware simulation with DVFS., Simulation Modelling Practice and Theory, Elsevier, Numéro spécial Energy efficiency in Grids and Clouds, Vol. 39, p , Conférences et workshops internationaux - Tom Guérout, Mahdi Ben Alaya. Autonimic energy-aware task scheduling, IEEE International Conference on Collaboration Technologies and Infrastructures (WETICE 2013), Hammemet, Tunisie, 17/06/ /06/2013, IEEE Computer Society - Conference Publishing Services, juin Mahdi Ben Alaya, Thierry Monteil, Khalil Drira, Tom Guérout. A framework to create multi-domains autonomic middleware (regular paper), International Conference on Autonomic and Autonomous Systems (ICAS 2012), St Marteen (Pays Bas), mars Remi Sharrock, Patricia Stolf, Thierry Monteil, Tom Guérout. Internal self-protecting for consistency and stability in an autonomic manager (regular paper), IEEE International Symposium on Network Computing and Applications (IEEE NCA 2011), Toulouse, IEEE Computer Society, Conférences et workshops nationaux - Tom Guérout, Thierry Monteil, Georges Da Costa, Mihai Alexandru. Simulation énergétique de tâches distribuées avec changements dynamiques de fréquence (short paper), Conférence d informatique en Parallélisme, Architecture et Système (ComPAS 2013), Grenoble, janvier Tom Guérout, Thierry Monteil, Georges Da Costa, Mihai Alexandru. Grid 5000 energy-aware experiments with DVFS (short paper), Grid 5000 school 2012, Nantes, décembre GUÉROUT Tom 37

Ordonnancement sous contraintes de Qualité de Service dans les Clouds

Ordonnancement sous contraintes de Qualité de Service dans les Clouds Ordonnancement sous contraintes de Qualité de Service dans les Clouds GUÉROUT Tom DA COSTA Georges (SEPIA) MONTEIL Thierry (SARA) 14/9/215 1 Profil Profil Parcours : Laboratoires LAAS et IRIT à Toulouse

Plus en détail

DOCTORAT DE L UNIVERSITÉ DE TOULOUSE

DOCTORAT DE L UNIVERSITÉ DE TOULOUSE THÈSE En vue de l obtention du DOCTORAT DE L UNIVERSITÉ DE TOULOUSE Délivré par : l Institut National des Sciences Appliquées de Toulouse (INSA de Toulouse) Présentée et soutenue le 05/12/2014 par : Tom

Plus en détail

Optimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie

Optimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie Optimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie 1 Présenté par: Yacine KESSACI Encadrement : N. MELAB E-G. TALBI 31/05/2011 Plan 2 Motivation

Plus en détail

Hétérogénéité pour atteindre une consommation énergétique proportionnelle dans les clouds

Hétérogénéité pour atteindre une consommation énergétique proportionnelle dans les clouds Hétérogénéité pour atteindre une consommation énergétique proportionnelle dans les clouds Mardi Laurent Lefèvre LIP Inria/ENS Lyon Jean-Marc Pierson, Georges Da Costa, Patricia Stolf IRIT Toulouse Hétérogénéité

Plus en détail

Elasticité logicielle pour optimiser l empreinte énergétique

Elasticité logicielle pour optimiser l empreinte énergétique Ecole des Mines de Nantes Elasticité logicielle pour optimiser l empreinte énergétique Thomas Ledoux (équipe Ascola, INRIA-EMN, LINA) direction des études décembre 2010 page 1 Relation logiciel empreinte

Plus en détail

Introduction à la Recherche en Laboratoire

Introduction à la Recherche en Laboratoire Introduction à la Recherche en Laboratoire Transferts de données pour le vol de travail Tristan Darricau tristan.darricau@ensimag.grenoble-inp.fr 26 mai 2014 Grenoble INP - ENSIMAG Ecadrement Frédéric

Plus en détail

Élasticité des applications à base de services Samir Tata, Télécom SudParis UMR Samovar Équipe ACMES

Élasticité des applications à base de services Samir Tata, Télécom SudParis UMR Samovar Équipe ACMES Élasticité des applications à base de services Samir Tata, Télécom SudParis UMR Samovar Équipe ACMES Élasticité : Définitions et Concepts Samir Tata, Télécom SudParis Élasticité Définitions Élasticité

Plus en détail

Introduction. Gestion de la consommation énergétique. Contexte du cloud computing Instrumentation et contrôle

Introduction. Gestion de la consommation énergétique. Contexte du cloud computing Instrumentation et contrôle Ctrl-Green Projet ANR INFRA (2012-2015) Coordinateur Noel De Palma (UJF/LIG) Partenaires UJF/LIG, ENSEEIHT/IRIT, INRIA, Eolas Business&Decision, Scalagent Introduction Gestion de la consommation énergétique

Plus en détail

Communications performantes par passage de message entre machines virtuelles co-hébergées

Communications performantes par passage de message entre machines virtuelles co-hébergées Communications performantes par passage de message entre machines virtuelles co-hébergées François Diakhaté1,2 1 CEA/DAM Île de France 2 INRIA Bordeaux Sud Ouest, équipe RUNTIME Renpar 2009 1 Plan Introduction

Plus en détail

OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES

OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES ST50 - Projet de fin d études Matthieu Leromain - Génie Informatique Systèmes temps Réel, Embarqués et informatique Mobile - REM 1 Suiveur en entreprise

Plus en détail

TEPZZ 88_8 9A_T EP 2 881 839 A1 (19) (11) EP 2 881 839 A1 (12) DEMANDE DE BREVET EUROPEEN. (51) Int Cl.: G06F 1/32 (2006.01) G06F 9/48 (2006.

TEPZZ 88_8 9A_T EP 2 881 839 A1 (19) (11) EP 2 881 839 A1 (12) DEMANDE DE BREVET EUROPEEN. (51) Int Cl.: G06F 1/32 (2006.01) G06F 9/48 (2006. (19) TEPZZ 88_8 9A_T (11) EP 2 881 839 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication:.06.1 Bulletin 1/24 (1) Int Cl.: G06F 1/32 (06.01) G06F 9/48 (06.01) (21) Numéro de dépôt: 1419809.0 (22)

Plus en détail

Placement Dynamique de VMs dans le Cloud : Divisez votre Capex par deux!

Placement Dynamique de VMs dans le Cloud : Divisez votre Capex par deux! Placement Dynamique de VMs dans le Cloud : Divisez votre Capex par deux! Makhlouf HADJI Ingénieur de Recherche - IRT SystemX ISX-TEO-CCRCCO-0018 (White Paper Cloud Placement) Table des matières 1 Introduction

Plus en détail

Qu est ce que le Cloud Computing?

Qu est ce que le Cloud Computing? Qu est ce que le Cloud Computing? Makhlouf Hadji Ingénieur de Recherche Qu est ce que le Cloud Computing? Agenda: Virtualisation des Ressources Introduction au Cloud Computing Caractéristiques du Cloud

Plus en détail

Contributions à l expérimentation sur les systèmes distribués de grande taille

Contributions à l expérimentation sur les systèmes distribués de grande taille Contributions à l expérimentation sur les systèmes distribués de grande taille Lucas Nussbaum Soutenance de thèse 4 décembre 2008 Lucas Nussbaum Expérimentation sur les systèmes distribués 1 / 49 Contexte

Plus en détail

Algorithmique distribuée d exclusion mutuelle : vers une gestion efficace des ressources

Algorithmique distribuée d exclusion mutuelle : vers une gestion efficace des ressources Algorithmique distribuée d exclusion mutuelle : vers une gestion efficace des ressources Jonathan Lejeune LIP6-UPMC/CNRS, Inria 19 septembre 2014 Directeur : Pierre Sens Encadrants : Luciana Arantes et

Plus en détail

Cloud Computing, discours marketing ou solution à vos problèmes?

Cloud Computing, discours marketing ou solution à vos problèmes? Cloud Computing, discours marketing ou solution à vos problèmes? Henri PORNON 3 avril 2012 IETI Consultants 17 boulevard des Etats-Unis - F-71000 Mâcon Tel : (0)3 85 21 91 91 - fax : (0)3 85 21 91 92-

Plus en détail

Une heuristique hybride pour le problème de set packing biobjectif p.1/19

Une heuristique hybride pour le problème de set packing biobjectif p.1/19 Une heuristique hybride pour le problème de set packing biobjectif Xavier Delorme 1,2, Xavier Gandibleux 2,3 et Fabien DEGOUTIN 2,4 1. Ecole Nationale Supérieure des Mines de Saint-Etienne Centre : Génie

Plus en détail

Planification et ordonnancement sous incertitudes Application à la gestion de projet

Planification et ordonnancement sous incertitudes Application à la gestion de projet Toulouse, 14 mai 2003 Planification et ordonnancement sous incertitudes Application à la gestion de projet Julien Bidot Plan Séminaire au LAAS Planification de tâches et ordonnancement Domaine d application

Plus en détail

Cloud Computing, Fondamentaux, Usage et solutions

Cloud Computing, Fondamentaux, Usage et solutions SEMINAIRE sur le «CLOUD COMPUTING» DU 24 AU 28 NOVEMBRE 2014 TUNIS (TUNISIE) Cloud Computing, Fondamentaux, Usage et solutions Objectifs : Cette formation vous permettra de comprendre les principes du

Plus en détail

CAHIER DES CHARGES D IMPLANTATION

CAHIER DES CHARGES D IMPLANTATION CAHIER DES CHARGES D IMPLANTATION Tableau de diffusion du document Document : Cahier des Charges d Implantation EVRP Version 6 Etabli par DCSI Vérifié par Validé par Destinataires Pour information Création

Plus en détail

STORM. Simulation TOol for Real-Time Multiprocessor scheduling. http://storm.rts-software.org. GDR ASR ACTRISS Nancy 7 novembre 2012

STORM. Simulation TOol for Real-Time Multiprocessor scheduling. http://storm.rts-software.org. GDR ASR ACTRISS Nancy 7 novembre 2012 Institut de Recherche en Communications et Cybernétique de Nantes STORM Simulation TOol for Real-Time Multiprocessor scheduling http://storm.rts-software.org GDR ASR ACTRISS Nancy 7 novembre 2012 Richard

Plus en détail

Besoin de concevoir des systèmes massivement répartis. Comment tester le système? Solution. Évaluation de systèmes répartis à large échelle

Besoin de concevoir des systèmes massivement répartis. Comment tester le système? Solution. Évaluation de systèmes répartis à large échelle Besoin de concevoir des systèmes massivement répartis. Évaluation de systèmes répartis à large échelle Sergey Legtchenko Motivation : LIP6-INRIA Tolérance aux pannes Stockage de données critiques Coût

Plus en détail

Optimisation for Cloud Computing and Big Data

Optimisation for Cloud Computing and Big Data 1 / 31 Optimisation for Cloud Computing and Big Data Olivier Beaumont, Lionel Eyraud-Dubois 2 / 31 Le Cloud, qu est-ce que c est? C est récent Amazon qui commence (2006) avec AWS Dropbox, Google App Engine

Plus en détail

CAHIER DES CHARGES D IMPLANTATION D EvRP V3

CAHIER DES CHARGES D IMPLANTATION D EvRP V3 CAHIER DES CHARGES D IMPLANTATION D EvRP V3 Tableau de diffusion du document Document : Cahier des Charges d Implantation EVRP V3 Version 42 Etabli par Département Accompagnement des Logiciels Vérifié

Plus en détail

Architectures informatiques dans les nuages

Architectures informatiques dans les nuages Architectures informatiques dans les nuages Cloud Computing : ressources informatiques «as a service» François Goldgewicht Consultant, directeur technique CCT CNES 18 mars 2010 Avant-propos Le Cloud Computing,

Plus en détail

Contrôle stochastique d allocation de ressources dans le «cloud computing»

Contrôle stochastique d allocation de ressources dans le «cloud computing» Contrôle stochastique d allocation de ressources dans le «cloud computing» Jacques Malenfant 1 Olga Melekhova 1, Xavier Dutreilh 1,3, Sergey Kirghizov 1, Isis Truck 2, Nicolas Rivierre 3 Travaux partiellement

Plus en détail

Efficacité énergétique des réseaux de cœur et d accès

Efficacité énergétique des réseaux de cœur et d accès Efficacité énergétique des réseaux de cœur et d accès David Coudert Joanna Mouliérac, Frédéric Giroire MASCOTTE I3S (CNRS/Université Nice Sophia-Antipolis) INRIA Sophia-Antipolis Méditerranée 1 Contexte

Plus en détail

Parallel Tree-based Exact Algorithms using Heterogeneous Many and Multi-core Computing for Solving Challenging Problems in Combinatorial Optimization

Parallel Tree-based Exact Algorithms using Heterogeneous Many and Multi-core Computing for Solving Challenging Problems in Combinatorial Optimization Parallel Tree-based Exact Algorithms using Heterogeneous Many and Multi-core Computing for Solving Challenging Problems in Combinatorial Optimization Rudi Leroy Encadrement : N. Melab (Univ. Lille 1),

Plus en détail

Élasticité des applications à base de services dans le Cloud

Élasticité des applications à base de services dans le Cloud 1/40 Élasticité des applications à base de services dans le Cloud Mourad Amziani 12 Tarek Melliti 1 Samir Tata 2 1 IBISC, EA4526, Université d'évry Val-d'Essonne, Évry, France 2 UMR CNRS Samovar, Institut

Plus en détail

Gestion dynamique des tâches dans les grappes

Gestion dynamique des tâches dans les grappes Gestion dynamique des tâches dans les grappes une approche à base de machines virtuelles Fabien Hermenier Équipe ASCOLA, École des Mines de Nantes 26 novembre 2009 Fabien Hermenier (ASCOLA) Gestion dynamique

Plus en détail

La gestion du poste de travail en 2011 : Panorama des technologies

La gestion du poste de travail en 2011 : Panorama des technologies La gestion du poste de travail en 2011 : Panorama des technologies François Clémence C.R.I Université Paul Verlaine Metz UFR Sciences Humaines et Arts clemence@univ-metz.fr Olivier Mathieu C.R.I Université

Plus en détail

Hébergement MMI SEMESTRE 4

Hébergement MMI SEMESTRE 4 Hébergement MMI SEMESTRE 4 24/03/2015 Hébergement pour le Web Serveurs Mutualités Serveurs Dédiés Serveurs VPS Auto-Hébergement Cloud Serveurs Mutualités Chaque Serveur héberge plusieurs sites Les ressources

Plus en détail

Chapitre IV : La gestion du processeur Mécanismes d ordonnancement

Chapitre IV : La gestion du processeur Mécanismes d ordonnancement Chapitre IV : La gestion du processeur Mécanismes d ordonnancement Eric.Leclercq@u-bourgogne.fr Département IEM http://ufrsciencestech.u-bourgogne.fr http://ludique.u-bourgogne.fr/~leclercq 1 er mars 2007

Plus en détail

Efficience énergétique du SI par l écoconception des logiciels - projet Code Vert

Efficience énergétique du SI par l écoconception des logiciels - projet Code Vert Efficience énergétique du SI par l écoconception des logiciels - projet Code Vert 31 mars2015 Thierry LEBOUCQ tleboucq@kaliterre.fr @tleboucq Jeune entreprise innovante depuis 2011 Spécialisée dans le

Plus en détail

Virtualisation & Sécurité

Virtualisation & Sécurité Virtualisation & Sécurité Comment aborder la sécurité d une architecture virtualisée? Quels sont les principaux risques liés à la virtualisation? Peut-on réutiliser l expérience du monde physique? Quelles

Plus en détail

Grid 5000 : Administration d une infrastructure distribuée et développement d outils de déploiement et d isolation réseau

Grid 5000 : Administration d une infrastructure distribuée et développement d outils de déploiement et d isolation réseau : Administration d une infrastructure distribuée et développement d outils de déploiement et d isolation réseau Nicolas Niclausse - INRIA Sophia Antipolis Méditerranée - projet Aladdin Grid 5000 2 juillet

Plus en détail

Éfficacité énergétique des infrastructures cloud : l approche CompatibleOne

Éfficacité énergétique des infrastructures cloud : l approche CompatibleOne Green IT & Cloud Éfficacité énergétique des infrastructures cloud : l approche CompatibleOne 05/06/2012 Julien CARPENTIER INRIA Maxime MOREL INRIA Plan 1. Présentation du projet 2. La gestion de l'énergie

Plus en détail

Détecteurs de Défaillances et Qualité de Service dans un Réseau Ad-Hoc Hétérogène

Détecteurs de Défaillances et Qualité de Service dans un Réseau Ad-Hoc Hétérogène Détecteurs de Défaillances et Qualité de Service dans un Réseau Ad-Hoc Hétérogène Corine Marchand - Jean-Marc Vincent Projet Apache-INRIA Soutenu par : France Télécom R&D CRE MIRRA Laboratoire ID-IMAG

Plus en détail

Algorithme de recherche locale pour la résolution d un problème réel de tournées d inventaires

Algorithme de recherche locale pour la résolution d un problème réel de tournées d inventaires Algorithme de recherche locale pour la résolution d un problème réel de tournées d inventaires Thierry Benoist Frédéric Gardi Antoine Jeanjean Bouygues e-lab, Paris { tbenoist, fgardi, ajeanjean }@bouygues.com

Plus en détail

LES SOLUTIONS D HEBERGEMENT INFORMATIQUE

LES SOLUTIONS D HEBERGEMENT INFORMATIQUE LES SOLUTIONS D HEBERGEMENT INFORMATIQUE SOMMAIRE Qu est ce que le Cloud? De nouvelles offres? Approche économique Freins, moteurs et Avantages Des réponses concrètes : Les offres NC² SOMMAIRE Qu est ce

Plus en détail

Vers l'orchestration de grilles de PC par les mécanismes de publicationsouscription

Vers l'orchestration de grilles de PC par les mécanismes de publicationsouscription Vers l'orchestration de grilles de PC par les mécanismes de publicationsouscription Présentée par Leila Abidi Sous la direction de Mohamed Jemni & Christophe Cérin Plan Contexte Problématique Objectifs

Plus en détail

Laboratoire ID-IMAG INRIA Rhône-Alpes Grenoble. http://moais.imag.fr

Laboratoire ID-IMAG INRIA Rhône-Alpes Grenoble. http://moais.imag.fr Laboratoire ID-IMAG INRIA Rhône-Alpes Grenoble http://moais.imag.fr 1 2 Personnel Permanents (7) : Vincent Danjean [MdC UJF] Thierry Gautier [CR INRIA] Guillaume Huard [MdC UJF] Grégory Mounié [MdC INPG]

Plus en détail

Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services

Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services 69 Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services M. Bakhouya, J. Gaber et A. Koukam Laboratoire Systèmes et Transports SeT Université de Technologie de Belfort-Montbéliard

Plus en détail

OPTIMISATION MULTICRITERE STOCHASTIQUE

OPTIMISATION MULTICRITERE STOCHASTIQUE OPTIMISATION MULTICRITERE STOCHASTIQUE Michel DUMAS, Gilles ARNAUD, Fabrice GAUDIER CEA/DEN/DMS/SFME/LETR michel.dumas@cea.r gilles.arnaud@cea.r abrice.gaudier @cea.r Introduction L optimisation multicritère

Plus en détail

Annexe 6. Notions d ordonnancement.

Annexe 6. Notions d ordonnancement. Annexe 6. Notions d ordonnancement. APP3 Optimisation Combinatoire: problèmes sur-contraints et ordonnancement. Mines-Nantes, option GIPAD, 2011-2012. Sophie.Demassey@mines-nantes.fr Résumé Ce document

Plus en détail

Evolution des technologies et émergence du cloud computing Drissa HOUATRA, Orange Labs Issy

Evolution des technologies et émergence du cloud computing Drissa HOUATRA, Orange Labs Issy Evolution des technologies et émergence du cloud computing Drissa HOUATRA, Orange Labs Issy Séminaire Aristote, 17 Déc. 2009 Ecole Polytechnique Palaiseau Plan L'univers du cloud Ressources Grilles, middleware

Plus en détail

Application de K-means à la définition du nombre de VM optimal dans un cloud

Application de K-means à la définition du nombre de VM optimal dans un cloud Application de K-means à la définition du nombre de VM optimal dans un cloud EGC 2012 : Atelier Fouille de données complexes : complexité liée aux données multiples et massives (31 janvier - 3 février

Plus en détail

Groupe de Discussion - IoT Enjeux de l adoption de réseaux de capteurs IPv6. Sébastien Dawans 06/06/2012

Groupe de Discussion - IoT Enjeux de l adoption de réseaux de capteurs IPv6. Sébastien Dawans 06/06/2012 Groupe de Discussion - IoT Enjeux de l adoption de réseaux de capteurs IPv6 Sébastien Dawans 06/06/2012 Le CETIC en quelques mots Software & Services Technologies Helping industry to exploit faster distributed,

Plus en détail

Le Cloud Compu+ng modèle et évalua+on de performances

Le Cloud Compu+ng modèle et évalua+on de performances Le Cloud Compu+ng modèle et évalua+on de Par Valérie D. JUSTAFORT Candidate au Ph.D. École Polytechnique 28 Mars 2014 Sous la direction de M. Samuel PIERRE, Ph.D. École Polytechnique Et la co-direction

Plus en détail

Cloud Computing : Généralités & Concepts de base

Cloud Computing : Généralités & Concepts de base Cloud Computing : Généralités & Concepts de base Les 24èmes journées de l UR-SETIT 22 Février 2015 Cette oeuvre, création, site ou texte est sous licence Creative Commons Attribution - Pas d Utilisation

Plus en détail

Ordonnancement robuste et décision dans l'incertain

Ordonnancement robuste et décision dans l'incertain Ordonnancement robuste et décision dans l'incertain 4 ème Conférence Annuelle d Ingénierie Système «Efficacité des entreprises et satisfaction des clients» Centre de Congrès Pierre Baudis,TOULOUSE, 2-4

Plus en détail

Conception des systèmes répartis

Conception des systèmes répartis Conception des systèmes répartis Principes et concepts Gérard Padiou Département Informatique et Mathématiques appliquées ENSEEIHT Octobre 2012 Gérard Padiou Conception des systèmes répartis 1 / 37 plan

Plus en détail

Conception d un Simulateur de Grilles Orienté Gestion d'équilibrage

Conception d un Simulateur de Grilles Orienté Gestion d'équilibrage Conception d un Simulateur de Grilles Orienté Gestion d'équilibrage Fatima Kalfadj 1, Yagoubi Belabbas 2 et Meriem Meddeber 2 1 Université de Mascara, Faculté des Sciences, Département d Informatique,

Plus en détail

Système d administration autonome adaptable: application au Cloud

Système d administration autonome adaptable: application au Cloud Système d administration autonome adaptable: application au Cloud Alain TCHANA - atchana@enseeiht.fr IRIT/ENSEEIHT, Equipe SEPIA Directeur de thèse : Daniel HAGIMONT et Laurent BROTO Rapporteurs : Jean-Marc

Plus en détail

Présentation de Citrix XenServer

Présentation de Citrix XenServer Présentation de Citrix XenServer Indexes Introduction... 2 Les prérequis et support de Xenserver 6 :... 2 Les exigences du système XenCenter... 3 Avantages de l'utilisation XenServer... 4 Administration

Plus en détail

Modèles et algorithmes pour la reconfiguration de systèmes répartis utilisés en téléphonie mobile

Modèles et algorithmes pour la reconfiguration de systèmes répartis utilisés en téléphonie mobile Modèles et algorithmes pour la reconfiguration de systèmes répartis utilisés en téléphonie mobile Renaud Sirdey Chercheur au CEA / Ex-architecte système Nortel Journée du prix de thèse Guy Deniélou, 4

Plus en détail

Enseignant: Lamouchi Bassem Cours : Système à large échelle et Cloud Computing

Enseignant: Lamouchi Bassem Cours : Système à large échelle et Cloud Computing Enseignant: Lamouchi Bassem Cours : Système à large échelle et Cloud Computing Les Clusters Les Mainframes Les Terminal Services Server La virtualisation De point de vue naturelle, c est le fait de regrouper

Plus en détail

Des outils pour l optimisation et la robustesse. Marc Sevaux

Des outils pour l optimisation et la robustesse. Marc Sevaux Des outils pour l optimisation et la sse Marc Sevaux Université de Valenciennes et du Hainaut-Cambrésis Laboratoire d Automatique, de Mécanique et d Informatique Industrielles et Humaines (UMR CNRS 8530)

Plus en détail

Evaluation des performances de programmes parallèles haut niveau à base de squelettes

Evaluation des performances de programmes parallèles haut niveau à base de squelettes Evaluation des performances de programmes parallèles haut niveau à base de squelettes Enhancing the Performance Predictability of Grid Applications with Patterns and Process Algebras A. Benoit, M. Cole,

Plus en détail

Assemblée générale Aristote

Assemblée générale Aristote Assemblée générale Aristote Panorama 2011-2012 Philippe d Anfray Philippe.d-Anfray@cea.fr CEA DSM-Saclay CNES 5 juillet 2012 Assemblée générale Aristote CNES 5 juillet 2012 1 / 21 Comité de programme (1)

Plus en détail

Clusters for Application Service Providers. T. Monteil, J.M. Garcia P. Pascal, S. Richard

Clusters for Application Service Providers. T. Monteil, J.M. Garcia P. Pascal, S. Richard Clusters for Application Service Providers (www.laas.fr/casp) T. Monteil, J.M. Garcia P. Pascal, S. Richard 1 Généralités Le monde du calcul dans un environnement ASP Les ASP : Application Service Provider

Plus en détail

Sécurité des entrepôts de données dans le Cloud Un SaaS pour le cryptage des données issues d un ETL

Sécurité des entrepôts de données dans le Cloud Un SaaS pour le cryptage des données issues d un ETL Sécurité des entrepôts de données dans le Cloud Un SaaS pour le cryptage des données issues d un ETL Présenté par Hana Gara Kort Sous la direction de Dr Jalel Akaichi Maître de conférences 1 1.Introduction

Plus en détail

ParMat : Parallélisation pour la simulation des Matériaux.

ParMat : Parallélisation pour la simulation des Matériaux. : Parallélisation pour la simulation des Matériaux. G. Bencteux (EDF) 3 septembre 2008 Outline 1 2 Un algorithme d ordre N pour les calculs ab initio (DFT/HF) 3 Simulation du dommage d irradiation par

Plus en détail

The Current State and Future of Search Based Software Engineering

The Current State and Future of Search Based Software Engineering The Current State and Future of Search Based Software Engineering Mark Harman 1 IEEE International Conference on Software Engineering FoSE 07: Future of Software Engineering 1 King's College, LONDON, UK

Plus en détail

Groupe de travail Low Cost. Frédéric DIDIER Jacques WITKOWSKI

Groupe de travail Low Cost. Frédéric DIDIER Jacques WITKOWSKI Groupe de travail Low Cost Frédéric DIDIER Jacques WITKOWSKI DEFINITION Le LowCost s inscrit dans une pratique d optimisation financière consistant à délivrer à un coût minimal les niveaux de service adaptés

Plus en détail

Plan du cours. Métaheuristiques pour l optimisation combinatoire. Quelques problèmes classiques (2/3) Quelques problèmes classiques (1/3)

Plan du cours. Métaheuristiques pour l optimisation combinatoire. Quelques problèmes classiques (2/3) Quelques problèmes classiques (1/3) Plan du cours Quelques problèmes classiques Quelques algorithmes classiques Métaheuristiques pour l optimisation combinatoire un peu de vocabulaire codage des solutions taxinomie méthodes complètes méthodes

Plus en détail

et contrôle de topologie dans les Support de la qualité de service réseaux mobiles ad hoc rabah.meraihi@enst.fr GET / Télécom Paris Rabah Meraihi

et contrôle de topologie dans les Support de la qualité de service réseaux mobiles ad hoc rabah.meraihi@enst.fr GET / Télécom Paris Rabah Meraihi Support de la qualité de service et contrôle de topologie dans les réseaux mobiles ad hoc Rabah Meraihi GET / Télécom Paris rabah.meraihi@enst.fr Rabah Meraihi 1 Plan 1. Introduction et contexte 2. Qualité

Plus en détail

Modélisation et Optimisation de la Planification de Réseaux Sans Fil

Modélisation et Optimisation de la Planification de Réseaux Sans Fil Modélisation et Optimisation de la Planification de Réseaux Sans Fil Thèse soutenue le 8 décembre 2008 par Alexandre GONDRAN Devant le Jury : M. Jean-Marie GORCE rapporteur Pr, INSA Lyon M. Olivier HUDRY

Plus en détail

Equilibrage de charge pour les grilles de calcul : classe des tâches dépendantes et indépendantes.

Equilibrage de charge pour les grilles de calcul : classe des tâches dépendantes et indépendantes. Equilibrage de charge pour les grilles de calcul : classe des tâches dépendantes et indépendantes. Meriem Meddeber 1 et Belabbas Yagoubi 2 1 Université de Mascara, Faculté des sciences, Département des

Plus en détail

Quels enjeux? 4. Quels bénéfices pour qui? 5. Les économies réalisables 6. Les caractéristiques et fonctionnalités en bref 7

Quels enjeux? 4. Quels bénéfices pour qui? 5. Les économies réalisables 6. Les caractéristiques et fonctionnalités en bref 7 SOMMAIRE Quels enjeux? 4 Quels bénéfices pour qui? 5 Les économies réalisables 6 Les caractéristiques et fonctionnalités en bref 7 L exploitation de la solution 8 L accompagnement à la mise en place et

Plus en détail

LA VIRTUALISATION. Etude de la virtualisation, ses concepts et ses apports dans les infrastructures informatiques. 18/01/2010.

LA VIRTUALISATION. Etude de la virtualisation, ses concepts et ses apports dans les infrastructures informatiques. 18/01/2010. Guillaume ANSEL M2 ISIDIS 2009-2010 / ULCO Dossier d étude sur la virtualisation LA VIRTUALISATION 18/01/2010 Etude de la virtualisation, ses concepts et ses apports dans les infrastructures informatiques.

Plus en détail

Ordonnancement contrôlé de migrations à chaud

Ordonnancement contrôlé de migrations à chaud Ordonnancement contrôlé de migrations à chaud Vincent Kherbache, Éric Madelaine, Fabien Hermenier prénom.nom@inria.fr INRIA Sophia Antipolis fabien.hermenier@unice.fr Université Nice Sophia Antipolis,

Plus en détail

Agrégation de liens xdsl sur un réseau radio

Agrégation de liens xdsl sur un réseau radio Agrégation de liens xdsl sur un réseau radio Soutenance TX Suiveur: Stéphane Crozat Commanditaire: tetaneutral.net/laurent Guerby 1 02/02/212 Introduction 2 Introduction: schéma 3 Définition d un tunnel

Plus en détail

Julien MATHEVET Alexandre BOISSY GSID 4. Rapport RE09. Load Balancing et migration

Julien MATHEVET Alexandre BOISSY GSID 4. Rapport RE09. Load Balancing et migration Julien MATHEVET Alexandre BOISSY GSID 4 Rapport Load Balancing et migration Printemps 2001 SOMMAIRE INTRODUCTION... 3 SYNTHESE CONCERNANT LE LOAD BALANCING ET LA MIGRATION... 4 POURQUOI FAIRE DU LOAD BALANCING?...

Plus en détail

Chapitre 1. Infrastructures distribuées : cluster, grilles et cloud. Grid and Cloud Computing

Chapitre 1. Infrastructures distribuées : cluster, grilles et cloud. Grid and Cloud Computing Chapitre 1. Infrastructures distribuées : cluster, grilles et cloud Grid and Cloud Computing Problématique Besoins de calcul croissants Simulations d'expériences coûteuses ou dangereuses Résolution de

Plus en détail

Cloud Computing : Utiliser Stratos comme PaaS privé sur un cloud Eucalyptus

Cloud Computing : Utiliser Stratos comme PaaS privé sur un cloud Eucalyptus Cloud Computing : Utiliser Stratos comme PaaS privé sur un cloud Eucalyptus Mr Romaric SAGBO Ministère de l'economie et des Finances (MEF), Bénin SWD Technologies Email : rask9@yahoo.fr Tél : +229 97217745

Plus en détail

Les systèmes embarqués et les tendances technologiques: une évolution constante, une innovation continue!

Les systèmes embarqués et les tendances technologiques: une évolution constante, une innovation continue! Les systèmes embarqués et les tendances technologiques: une évolution constante, une innovation continue! Vasiliki Sfyrla Une approche des systèmes embarqués Les systèmes embarqués existent depuis longtemps.

Plus en détail

Déploiement adaptatif des composants dans les sessions collaboratives

Déploiement adaptatif des composants dans les sessions collaboratives NOuvelles TEchnologies de la REpartition NOTERE 2005 Déploiement adaptatif des composants dans les sessions collaboratives Emir HAMMAMI, Thierry VILLEMUR {ehammami, villemur}@laas.fr LAAS-CNRS 7, avenue

Plus en détail

Problème combinatoire sur le réseau de transport de gaz. Nicolas Derhy, Aurélie Le Maitre, Nga Thanh CRIGEN Manuel Ruiz, Sylvain Mouret ARTELYS

Problème combinatoire sur le réseau de transport de gaz. Nicolas Derhy, Aurélie Le Maitre, Nga Thanh CRIGEN Manuel Ruiz, Sylvain Mouret ARTELYS Problème combinatoire sur le réseau de transport de gaz Nicolas Derhy, Aurélie Le Maitre, Nga Thanh CRIGEN Manuel Ruiz, Sylvain Mouret ARTELYS Au programme Présentation du problème Un problème d optimisation

Plus en détail

Hypervision et pilotage temps réel des réseaux IP/MPLS

Hypervision et pilotage temps réel des réseaux IP/MPLS Hypervision et pilotage temps réel des réseaux IP/MPLS J.M. Garcia, O. Brun, A. Rachdi, A. Al Sheikh Workshop autonomique 16 octobre 2014 Exemple d un réseau opérateur national 8 technologies : 2G / 3G

Plus en détail

La tête dans les nuages

La tête dans les nuages 19 novembre 2010 La tête dans les nuages Démystifier le "Cloud Computing" Jean Bernard, Directeur, Gestion des services Radialpoint SafeCare Inc. Au sujet de Radialpoint Radialpoint offre des solutions

Plus en détail

Entrez dans l ère du Numérique Très Haut Débit

Entrez dans l ère du Numérique Très Haut Débit MIPE Juin 2012 - Nantes http://www.network-th.fr - 0811 560 947 1. Le Très Haut Débit sur Fibre Optique au prix d une SDSL : Mythe ou Réalité? 2. Sauvegarder, Sécuriser, Protéger, Superviser : Délégueznous

Plus en détail

Optimisation for Cloud Computing and Big Data

Optimisation for Cloud Computing and Big Data 1 / 23 Optimisation for Cloud Computing and Big Data Olivier Beaumont, Lionel Eyraud-Dubois 2 / 23 Aujourd hui Problèmes de fiabilité on va oublier la dynamicité Placement de VMs en programmation par contraintes

Plus en détail

Prise en compte des ressources dans les composants logiciels parallèles

Prise en compte des ressources dans les composants logiciels parallèles Prise en compte des ressources dans les composants logiciels parallèles Aperçus de l action RASC et du projet Concerto F. Guidec Frederic.Guidec@univ-ubs.fr Action RASC Plan de cet exposé Contexte Motivations

Plus en détail

Iyad Alshabani SysCom - CReSTIC Université de Reims 17/02/2011 1

Iyad Alshabani SysCom - CReSTIC Université de Reims 17/02/2011 1 SysCom - CReSTIC Université de Reims 17/02/2011 1 Motivation Gestion des expérimentations Avec les workflows Simulation Simulation des Systèmes Distribués ANR USS SimGrid Campagne de Test et gestion de

Plus en détail

ITIL Gestion de la capacité

ITIL Gestion de la capacité ITIL Sommaire 1 GENERALITES 3 2 PERIMETRE DE LA GESTION DES CAPACITES 3 3 ACTIVITES ET LIVRABLES DE LA GESTION DES CAPACITES 4 3.1 ACTIVITES ITERATIVES OU GESTION DE PERFORMANCES : 4 3.2 GESTION DE LA

Plus en détail

Temps Réel. Jérôme Pouiller Septembre 2011

Temps Réel. Jérôme Pouiller <j.pouiller@sysmic.org> Septembre 2011 Temps Réel Jérôme Pouiller Septembre 2011 Sixième partie VI Architectures des OS temps réels J. Pouiller Temps Réel 172 / 197 18 Problématique des OS RT 19 Systèmes Symétriques

Plus en détail

Projet Siminthec Appel à projets Programme Habitat intelligent et solaire photovoltaïque

Projet Siminthec Appel à projets Programme Habitat intelligent et solaire photovoltaïque Projet Siminthec Appel à projets Programme Habitat intelligent et solaire photovoltaïque Responsable Wurtz Etienne DR CNRS - CEA Présentation Wurtz Frédéric DR CNRS G2ELAB 1 Le projet ACRONYME Titre: SIMulation

Plus en détail

Business & High Technology

Business & High Technology UNIVERSITE DE TUNIS INSTITUT SUPERIEUR DE GESTION DE TUNIS Département : Informatique Business & High Technology Chapitre 09 : CC : Cloud Computing Sommaire Introduction... 2 Définition... 2 Les différentes

Plus en détail

Administration et sécurité des réseaux M&K ELHDHILI

Administration et sécurité des réseaux M&K ELHDHILI Administration et sécurité des réseaux 1 Plan du cours Chapitre 1: Introduction à l administration des réseaux Domaines d activités Organisation logique (criètères, types de décisions ) Architectures et

Plus en détail

COMPRENDRE LE CLOUD EN 10 DÉFINITIONS. www.cegid.fr

COMPRENDRE LE CLOUD EN 10 DÉFINITIONS. www.cegid.fr COMPRENDRE LE CLOUD EN 10 DÉFINITIONS www.cegid.fr Sommaire API... p. 3 Cloud Computing... p. 4 Cloud Hybride... p. 5 Cloud Privé vs Cloud Public... p. 6 DRaaS... p. 7 IaaS... p. 8 PaaS... p. 9 PCA...

Plus en détail

Info0804. Cours 6. Optimisation combinatoire : Applications et compléments

Info0804. Cours 6. Optimisation combinatoire : Applications et compléments Recherche Opérationnelle Optimisation combinatoire : Applications et compléments Pierre Delisle Université de Reims Champagne-Ardenne Département de Mathématiques et Informatique 17 février 2014 Plan de

Plus en détail

Le clustering dans les réseaux ad-hoc

Le clustering dans les réseaux ad-hoc Le clustering dans les réseaux ad-hoc Auteur : Florent NOLOT Florent NOLOT 1 Présentation Le modèle et les motivations Le clustering à 1 saut et à k sauts Quelques résultats de simulation L'adaptation

Plus en détail

+ = OpenStack Presentation. Raphaël Ferreira - CoFounder. @ enovance. Credits : Thanks to the OpenStack Guys 1

+ = OpenStack Presentation. Raphaël Ferreira - CoFounder. @ enovance. Credits : Thanks to the OpenStack Guys 1 + = OpenStack Presentation Raphaël Ferreira - CoFounder @ enovance Credits : Thanks to the OpenStack Guys 1 INTRODUCTION 2 Les entreprises déploient des clouds pour... Répondre aux besoins de ressources

Plus en détail

3A-IIC - Parallélisme & Grid GRID : Définitions. GRID : Définitions. Stéphane Vialle. Stephane.Vialle@supelec.fr http://www.metz.supelec.

3A-IIC - Parallélisme & Grid GRID : Définitions. GRID : Définitions. Stéphane Vialle. Stephane.Vialle@supelec.fr http://www.metz.supelec. 3A-IIC - Parallélisme & Grid Stéphane Vialle Stephane.Vialle@supelec.fr http://www.metz.supelec.fr/~vialle Principes et Objectifs Evolution Leçons du passé Composition d une Grille Exemple d utilisation

Plus en détail

Utilisation du Wimax dans le cadre d une plate-forme expérimentale SmartGrid. Aristote, 14 octobre 2010 Patrick Coudray EDF R&D

Utilisation du Wimax dans le cadre d une plate-forme expérimentale SmartGrid. Aristote, 14 octobre 2010 Patrick Coudray EDF R&D Utilisation du Wimax dans le cadre d une plate-forme expérimentale SmartGrid Aristote, 14 octobre 2010 Patrick Coudray EDF R&D La plate-forme Menofis Déployée par EDF R&D (Dept MIRE) sur le site de Clamart

Plus en détail

Les activités de recherche sont associées à des voies technologiques et à des opportunités concrètes sur le court, moyen et long terme.

Les activités de recherche sont associées à des voies technologiques et à des opportunités concrètes sur le court, moyen et long terme. Mémoires 2010-2011 www.euranova.eu EURANOVA R&D Euranova est une société Belge constituée depuis le 1er Septembre 2008. Sa vision est simple : «Être un incubateur technologique focalisé sur l utilisation

Plus en détail

ProActive Cloud Automation en partenariat avec Numergy

ProActive Cloud Automation en partenariat avec Numergy ProActive Cloud Automation en partenariat avec Numergy La Société ActiveEon Clients et Cas d utilisations Partenariat avec Numergy ProActive Cloud Automation Démonstrations Présentation de la société La

Plus en détail

Le cloud computing au service des applications cartographiques à haute disponibilité

Le cloud computing au service des applications cartographiques à haute disponibilité Le cloud computing au service des applications cartographiques à haute disponibilité Claude Philipona Les Rencontres de SIG-la-Lettre, Mai 2010 camptocamp SA / www.camptocamp.com / info@camptocamp.com

Plus en détail