Ordonnancement sous contraintes de Qualité de Service dans les Clouds
|
|
- Adèle Bourgeois
- il y a 8 ans
- Total affichages :
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 :// 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 tguerout@laas.fr 37
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 détailHétérogénéité 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 détailOptimisation 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 détailElasticité 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 détailCommunications 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 détailIntroduction. 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 détailOptimisation 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 détailCloud 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 détailEfficience 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 détailContributions 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 détailQu 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 détailÉlasticité 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 détailOrdonnancement 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 détailContrôle 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 détailEfficacité 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 détailArchitectures 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 détailCAHIER 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 détailChapitre 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 détailVers 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 détailGrid 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 détailLe 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 détailVers 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 détailHébergement 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 détailEquilibrage 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 détailAgrégation 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 détailQuels 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 détailJulien 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 détailCloud 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 détailVirtualisation & 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 détailEntrez 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 détailMesurer la consommation électrique des serveurs dans les data-centers: besoins & challenges Code-Watchers!
Mesurer la consommation électrique des serveurs dans les data-centers: besoins & challenges Code-Watchers! Laurent Lefèvre Inria - laurent.lefevre @ inria.fr M. Diouri, J.-P. Gelas, O. Gluck, A.-C. Orgerie,
Plus en détailOrdonnancement 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 détailLe 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 détailOptimisation 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 détailPrise en compte d une politique de sécurité pour le déploiement dans le Cloud
Prise en compte d une politique de sécurité pour le déploiement dans le Cloud Rencontres : Calcul intensif et Sciences des données Timothée Ravier Doctorant au LIFO (INSA-CVL) et au LIPN (Paris XIII) Vichy,
Plus en détailAnnexe 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 détailEvolution 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 détailGroupe 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 détailSécurité 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 détailCloud Computing. Introduction. ! Explosion du nombre et du volume de données
Cloud Computing Frédéric Desprez LIP ENS Lyon/INRIA Grenoble Rhône-Alpes EPI GRAAL 25/03/2010! Introduction La transparence d utilisation des grandes plates-formes distribuées est primordiale Il est moins
Plus en détailLa 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 détailPrise 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 détailEvaluation 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 détailAssemblée 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 détailCloud 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 détailConception 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 détailLʼavenir des grilles Des grilles aux Clouds avec quelques «petits problèmes» de recherche. F. Desprez INRIA
Lʼavenir des grilles Des grilles aux Clouds avec quelques «petits problèmes» de recherche F. Desprez INRIA Introduction Les grilles font-elles déjà parties du passé? Des plates-formes de recherche et de
Plus en détailConception et contrôle des SMA tolérants aux fautes
Conception et contrôle des SMA tolérants aux fautes Une plate-forme multiagents tolérante aux fautes à base de réplication Nora FACI Contexte SMA large échelle Nombre important d agents Ressources éloignées
Plus en détailProcédure pas à pas de découverte de l offre. Service Cloud Cloudwatt
Procédure pas à pas de découverte de l offre Service Cloud Cloudwatt Manuel Utilisateur 03/07/2014 Cloudwatt - Reproduction et communication sont interdites sans autorisation 1/45 Contenu 1. Introduction...
Plus en détailTable des matières. Résumé. Remerciements
2 Table des matières Résumé Abstract Remerciements v vii ix 1 Introduction 1 1.1 Contexte et Motivation................................ 1 1.1.1 Consommation des Centres de Données................... 2
Plus en détailRetours d expériences et perspectives sur les aspects énergétiques
Retour d expériences Retours d expériences et perspectives sur les aspects énergétiques d un mesocentre (Grenoble) GreenDays@Luxembourg CIMENT, LIG 28-29 Janvier 2013 Bruno Bzeznik Retour d expériences
Plus en détailInfo0804. 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 détailConception d une infrastructure «Cloud» pertinente
Conception d une infrastructure «Cloud» pertinente Livre blanc d ENTERPRISE MANAGEMENT ASSOCIATES (EMA ) préparé pour Avocent Juillet 2010 RECHERCHE EN GESTION INFORMATIQUE, Sommaire Résumé........................................................
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 INTRODUCTION 2 Les entreprises déploient des clouds pour... Répondre aux besoins de ressources
Plus en détailEnseignant: 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 détailETUDE ET IMPLÉMENTATION D UNE CACHE L2 POUR MOBICENTS JSLEE
Mémoires 2010-2011 www.euranova.eu MÉMOIRES ETUDE ET IMPLÉMENTATION D UNE CACHE L2 POUR MOBICENTS JSLEE Contexte : Aujourd hui la plupart des serveurs d application JEE utilise des niveaux de cache L1
Plus en détailExtrait des Exploitations Pédagogiques
Pédagogiques Module : Compétitivité et créativité CI Première : Compétitivité et créativité CI institutionnel : Développement durable et compétitivité des produits Support : Robot - O : Caractériser les
Plus en détailITIL 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 détailEntreprise. Gestion énergétique de votre parc informatique
Entreprise Gestion énergétique de votre parc informatique AVOB Energy Saver 5, c est l opportunité pour votre entreprise de réduire drastiquement le coût énergétique et l empreinte carbone de son parc
Plus en détail4.2 Unités d enseignement du M1
88 CHAPITRE 4. DESCRIPTION DES UNITÉS D ENSEIGNEMENT 4.2 Unités d enseignement du M1 Tous les cours sont de 6 ECTS. Modélisation, optimisation et complexité des algorithmes (code RCP106) Objectif : Présenter
Plus en détailIntroduction à l informatique temps réel Pierre-Yves Duval (cppm)
Introduction à l informatique temps réel Pierre-Yves Duval (cppm) Ecole d informatique temps réel - La Londes les Maures 7-11 Octobre 2002 -Définition et problématique - Illustration par des exemples -Automatisme:
Plus en détail3A-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 détailLimitations of the Playstation 3 for High Performance Cluster Computing
Introduction Plan Limitations of the Playstation 3 for High Performance Cluster Computing July 2007 Introduction Plan Introduction Intérêts de la PS3 : rapide et puissante bon marché L utiliser pour faire
Plus en détailAPX et VCE, Modèle d industrialisation de l intégration et du déploiement. Olivier BERNARD, VCE
APX et VCE, Modèle d industrialisation de l intégration et du déploiement Olivier BERNARD, VCE Généralisation des réseaux, suprématie d IP Consumérisation des terminaux informatiques Evolution vers une
Plus en détailMaîtrise énergétique des centres de données
LABORATOIRE D INFORMATIQUE DE NANTES-ATLANTIQUE UMR 6241 ÉCOLE DOCTORALE STIM, N. 503 «Sciences et technologies de l information et des mathématiques» Sujet de thèse pour 2010 Maîtrise énergétique des
Plus en détailLe Cloud Computing et le SI : Offre et différentiateurs Microsoft
Le Cloud Computing désigne ces giga-ressources matérielles et logicielles situées «dans les nuages» dans le sens où elles sont accessibles via Internet. Alors pourquoi recourir à ces centres serveurs en
Plus en détailJournée Utiliateurs 2015. Nouvelles du Pôle ID (Informatique) Pierre Neyron, LIG/CNRS
Journée Utiliateurs 2015 Nouvelles du Pôle ID (Informatique) Pierre Neyron, LIG/CNRS 1 Pôle ID, Grid'5000 Ciment Une proximité des platesformes Autres sites G5K Grenoble + CIMENT Pôle ID = «Digitalis»
Plus en détailViSaGe. Virtualisation du Stockage dans les Grilles. Informatiques. RenPar 16, 6-8 Avril 2005 Thiebolt François thiebolt@irit.fr
1 ViSaGe Virtualisation du Stockage dans les Grilles Informatiques RenPar 16, 6-8 Avril 2005 Thiebolt François thiebolt@irit.fr IRIT Projet RNTL labellisé pré-compétitif Solution ViSaGe ViSaGe Accès transparent
Plus en détailApplication 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 détailCloud 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 détailBusiness & 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 détail36 arguments clés en faveur de la virtualisation du stockage DataCore
36 arguments clés en faveur de la virtualisation du stockage DataCore Auteur: George Teixeira, Président et CEO de DataCore Software Corporation DataCore Software DataCore Software développe les logiciels
Plus en détailSmart Energy & Power Quality Solutions. www.energy-portal.com. La solution Cloud pour votre gestion d Energie
Smart Energy & Power Quality Solutions www.energy-portal.com La solution Cloud pour votre gestion d Energie ENERGY-PORTAL Energy-Portal Vos avantages La solution cloud développée spécifiquement pour les
Plus en détailUne application des algorithmes génétiques à l ordonnancement d atelier
Une application des algorithmes génétiques à l ordonnancement d atelier VACHER Jean-Philippe - GALINHO Thierry - MAMMERI Zoubir Laboratoire d Informatique du Havre Université du Havre 25, Rue Philippe
Plus en détailHypervision 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 détailLa 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 détailLe Cloud Open-Mind! Emilien Macchi
Le Cloud Open-Mind! 1 Sommaire Introduction Comprendre Swift Comprendre Glance Comprendre Nova Déploiement Divers 2 OpenStack Introduction 3 Qu est-ce-qu OpenStack? Projet OpenSource ambitieux Catégorie
Plus en détailFOURNIR UN SERVICE DE BASE DE DONNÉES FLEXIBLE. Database as a Service (DBaaS)
FOURNIR UN SERVICE DE BASE DE DONNÉES FLEXIBLE Database as a Service (DBaaS) 1 The following is intended to outline our general product direction. It is intended for information purposes only, and may
Plus en détailDescription des UE s du M2
Parcours en deuxième année Unités d Enseignement (UE) ECTS Ingénierie des réseaux haut 4 débit Sécurité des réseaux et 4 télécoms Réseaux mobiles et sans fil 4 Réseaux télécoms et 4 convergence IP Infrastructure
Plus en détaile need L un des premiers intégrateurs opérateurs Cloud Computing indépendants en France
e need L un des premiers intégrateurs opérateurs Cloud Computing indépendants en France Sommaire Cloud Computing Retours sur quelques notions Quelques chiffres Offre e need e need Services e need Store
Plus en détailGRIDKIT: Pluggable Overlay Networks for Grid Computing
GRIDKIT: Pluggable Overlay Networks for Grid Computing Paul Grace, Geoff Coulson, Gordon Blair, Laurent Mathy, Wai Kit Yeung, Wei Cai, David Duce, Chris Cooper Computing Department, Lascaster University
Plus en détailEquilibrage de charge (Load
Equilibrage de charge (Load balancing) dans les MPSoCs Présenté Le : 02 Décembre 2013 Par : A. AROUI Encadreur : A.E. BENYAMINA 01/12/2013 1 Problématique Comportement dynamique des applications et la
Plus en détailIBM Tivoli Monitoring, version 6.1
Superviser et administrer à partir d une unique console l ensemble de vos ressources, plates-formes et applications. IBM Tivoli Monitoring, version 6.1 Points forts! Surveillez de façon proactive les éléments
Plus en détailSéminaire Partenaires Esri France 6 et 7 juin 2012 Paris. ArcGIS et le Cloud. Gaëtan LAVENU
Séminaire Partenaires Esri France 6 et 7 juin 2012 Paris ArcGIS et le Cloud Gaëtan LAVENU Agenda Qu'attendent nos clients du Cloud Computing? Les solutions de Cloud ArcGIS dans le Cloud Quelles attendent
Plus en détailORACLE PAAS CLOUD MANAGEMENT
ORACLE PAAS CLOUD MANAGEMENT Jean-Marc Digne Ingénieur Avant-Vente Oracle France 1 The following is intended to outline our general product direction. It is intended for information purposes only, and
Plus en détailLivre blanc. La sécurité de nouvelle génération pour les datacenters virtualisés
Livre blanc La sécurité de nouvelle génération pour les datacenters virtualisés Introduction Ces dernières années, la virtualisation est devenue progressivement un élément stratégique clé pour le secteur
Plus en détailCA Automation Suite for Data Centers
FICHE PRODUIT : CA Automation Suite for Data Centers CA Automation Suite for Data Centers agility made possible «La technologie a devancé la capacité à la gérer manuellement dans toutes les grandes entreprises
Plus en détailIT SERVICES BUSINESS STORAGE DATA AUDIT PARTNERSHIP INTEGRATOR SECURITY PLANNING PRIVATE AGILITY DYNAMIC PUBLIC TECHNOLOGY SOLUTIONS MANAGEMENT
ACTIVE BUSINESS TALENT ANSWERS DESIGN AUDIT HYBRID DRP PRIVATE SOFTWARE ENGINEERING AGILITY DYNAMIC DEPLOY SECURITY COMPUTE USER Introduction INGINIA PROVISIONING ORCHESTRATION WORKLOAD SYSTEMS QUALITY
Plus en détailServeur d'application à la juste taille
Serveur d'application à la juste taille 18 Mars 2010 Benoit.Pelletier@bull.net Plan Contexte JOnAS 5, plate-forme de convergence JavaEE/OSGi Caractéristiques essentielles pour le Cloud Computing & l'autonomic
Plus en détailFAMILLE EMC VPLEX. Disponibilité continue et mobilité des données dans et entre les datacenters AVANTAGES
FAMILLE EMC VPLEX Disponibilité continue et mobilité des données dans et entre les datacenters DISPONIBLITÉ CONTINUE ET MOBILITÉ DES DONNÉES DES APPLICATIONS CRITIQUES L infrastructure de stockage évolue
Plus en détailMesure et modélisation de l énergie logicielle
Mesure et modélisation de l énergie logicielle Adel Noureddine, Romain Rouvoy, Lionel Seinturier Green Days @ Lille 29 novembre 2013 Plan Contexte! Problèmes et limitations! Mesure énergétique des logiciels
Plus en détailChapitre 4: Introduction au Cloud computing
Virtualisation et Cloud Computing Chapitre 4: Introduction au Cloud computing L'évolution d'internet Virt. & Cloud 12/13 2 Définition Le cloud computing est une technologie permettant de délocaliser les
Plus en détailR-ICP : une nouvelle approche d appariement 3D orientée régions pour la reconnaissance faciale
R-ICP : une nouvelle approche d appariement 3D orientée régions pour la reconnaissance faciale Boulbaba BEN AMOR, Karima OUJI, Mohsen ARDABILIAN, et Liming CHEN Laboratoire d InfoRmatique en Images et
Plus en détailSéminaire Partenaires Esri France 7-8 juin 2011 - Paris Cloud Computing Stratégie Esri
Séminaire Partenaires Esri France 7-8 juin 2011 - Paris Cloud Computing Stratégie Esri Gaëtan LAVENU Plan de la présentation Evolution des architectures SIG Qu'est ce que le Cloud Computing? ArcGIS et
Plus en détailL activité Datacenter de Cap Ingelec
D O S S I E R D E P R E S S E L activité Datacenter de Cap Ingelec SOMMAIRE INTRODUCTION Présentation de l entreprise et chiffres clés... 2/3 L ACTIVITÉ Datacenter Des missions d audit... 4/5 La réhabilitation
Plus en détailaccompagner votre transformation IT vers le Cloud de confiance
accompagner votre transformation IT vers le Cloud de confiance Philippe LAPLANE Directeur du développement de la stratégie des produits cloud des tendances fortes structurent le marché croissance de la
Plus en détailSystème 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 détailCloud Computing Maîtrisez la plate-forme AWS - Amazon Web Services
Avant-propos 1. Amazon Web Services 11 2. Public concerné et pré-requis 13 3. Périmètre de l'ouvrage 14 4. Objectifs à atteindre 15 Le cloud computing 1. Présentation 17 1.1 Définition 17 1.2 Points forts
Plus en détailagile Datacenter vert Le monde naissant des datacenters de nouvelle génération ICAR-2013 Gérald.Dulac@eolas.fr Ibrahim.Safieddine@eolas.
Le monde naissant des datacenters de nouvelle génération ICAR-2013 Datacenter vert agile Grenoble Lyon Paris Gérald.Dulac@eolas.fr Ibrahim.Safieddine@eolas.fr Datacenter de nouvelle génération vert agile?
Plus en détailEnseignant: Lamouchi Bassem Cours : Système à large échelle et Cloud Computing
Enseignant: Lamouchi Bassem Cours : Système à large échelle et Cloud Computing Chapitre 1 : Introduction Introduction générale Origine du cloud Concepts prédécésseurs «liés aux serveurs» Concepts prédécesseurs
Plus en détail