Métaheuristique à base de PSO pour l’ordonnancement de workflow au niveau HaaS

Modélisation du problème d’ordonnancement de workflows au niveau HaaS 

Modèle du cloud computing Le cloud computing utilisé dans ce chapitre, est considéré comme un ensemble de ressources offert par un fournisseur de cloud, pour exécuter des applications clientes. Notre modèle de cloud est inspiré du modèle décrit dans (Mezmaz, 2010). Nous supposons que le cloud est hébergé dans des Datacenters composés par des machines hétérogènes. Ces Datacenters délivrent un ensemble de services hébergés sur plusieurs serveurs informatiques, qui sont rendus disponibles à la souscription, via un modèle de paiement à l’usage.

Dans notre modèle, le niveau HaaS de l’infrastructure du cloud computing comporte un ensemble de P= {p1, p2,…, pm} processeurs hétérogènes, qui sont totalement interconnectés. Les processeurs ont des capacités de traitement variées et sont fournis à des prix de traitement différents (voir ec. du tableau 4.1). Chaque processeur pj  P est basé DVFS, c’est-à-dire, il peut fonctionner avec différents VSL (c.-à-d. des fréquences d’horloge différentes). Pour chaque processeur pj  P, on lui attribue aléatoirement un ensemble Vj de VSL, parmi les trois différentes séries de VSL présentées dans le tableau 4.1.

On considère que les processeurs consomment de l’énergie même s’ils sont inactifs, et on suppose que la tension la plus faible est utilisée dans ce cas (Lee, 2011). En outre, chaque processeur pj P dispose d’un ensemble de liens Lpj= {ljp1, ljp2, …, ljpk}, 1≤k≤m; où ljpk  R + est la bande passante disponible (en Mbps) dans le lien entre les processeurs pj et pk, avec ljpj = 1.

On suppose qu’un message peut être transmis d’un 105 processeur à l’autre lorsqu’une tâche s’exécute sur le processeur destinataire; ce qui est possible dans de nombreux systèmes. Enfin, les communications entre les tâches s’exécutant sur le même processeur sont négligées. Le tableau 4.1 montre les niveaux de VSLs pour les trois catégories de processeurs : TURION MT-34, OMAP et PENTIUM M. 

Modèle du workflow

Nous reprenons la modélisation décrite dans la section 3.2.2 du chapitre précédent, où l’on modélise un workflow sous forme d’un DAG noté, G (V, E). Comme notre algorithme nécessite une seule tâche d’entrée et une tâche de sortie, nous ajoutons deux tâches fictives Tentry et Texit respectivement, au début et à la fin du workflow. Le temps d’exécution de ces tâches fictives est nul et elles sont reliées aux tâches d’entrée et de sortie avec des arcs ayant des poids nuls. Nous supposons que, chaque tâche Ti  T a un temps d’exécution de base, qui est une valeur indépendante pour chaque machine. On note wij, le temps de calcul basique d’une tâche Ti sur une ressource de calcul pj, lorsque cette dernière tourne à une vitesse maximale (ça correspond au niveau 1 dans le tableau 4.1)

Caractérisation des métriques de QoS

. Modèle énergétique Parmi les principales techniques d’économie de l’énergie au niveau système, nous trouvons la technique d’adaptation dynamique de la tension et fréquence, nommée DVFS (Dynamic Voltage and Frequency Scaling). La technique DVFS permet de changer la fréquence et la tension d’alimentation de la CPU, influençant ainsi la consommation énergétique, tout en ayant un impact sur le temps d’exécution.

Dans cette thèse, nous utilisons un modèle d’énergie dérivé du modèle de consommation dans un circuit CMOS (Complementary Metal-Oxide Semi-conductor) (Lee, 2011). Il existe deux sources principales de consommation dans un circuit CMOS. La puissance dynamique (une puissance est dissipée à chaque fois que le circuit est sollicité), et la puissance statique (une puissance est dissipée lorsque le circuit est dans un état stable). La puissance totale dissipée par un processeur est dominée par la puissance dynamique, soit environ 90%. La puissance dynamique est donnée par l’équation (4.7).