Optimisation de l'empreinte carbone dans un environnement intercloud : modèles et méthodes

Depuis une dizaine d'années, la dématérialisation de l'information connaît un essor particulier avec l'ascension du Cloud Computing. La puissance de calcul et de stockage offerte, ainsi que la flexibilité d'utilisation ont favorisé une externalisation accrue des données vers des serveurs distants. Ces derniers affranchissent les utilisateurs du fardeau de l'outil informatique traditionnel et leur donnent accès à un large éventail de services en ligne, qui sont des charges modulables, facturées selon l'utilisation. Particulièrement, dans le cas du modèle d'Infrastructure-service, le client dispose d'une infrastructure physique hébergée et peut ainsi louer des serveurs physiques, sur lesquels tourneront ses applications encapsulées dans des machines virtuelles ou Virtual Machines (VMs). Toutefois l'émergence du Cloud et son adoption à grande échelle constituent des défis pour les fournisseurs d'infrastructure. En effet, au-delà de l'implantation et de la configuration des réseaux physiques, il faut conjuguer avec l'infrastructure sous-jacente déjà existante, et déterminer des mécanismes efficaces d'assignation des requêtes des usagers aux serveurs et data centers, contraint par le respect des performances des applications hébergées et des exigences de sécurité imposées par les clients. La demande sans cesse croissante et le souci de fournir une certaine qualité de service, obligent les fournisseurs à investir d'importants capitaux afin de multiplier leurs offres d'hébergement dans plusieurs zones géographiques. Avec ce déploiement à grande échelle d'énormes data centers, leur utilisation à outrance, l'augmentation des coûts d'opération et de l'énergie électrique, les dépenses d'exploitation ont rapidement dépassé les investissements. De ce fait, plusieurs auteurs se sont penchés sur le problème de placement des charges dans un environnement Cloud et ont développé des outils d'aide aux prises de décision, basés concomitamment sur l'accroissement des profits, une meilleure correspondance entre les besoins essentiels du client et l'infrastructure disponible, et la maximisation de l'efficacité et de l'utilisation des ressources. Bien que le Cloud Computing offre une réponse favorable au problème de calcul et de stockage des informations, son adoption à grande échelle est freinée par les inquiétudes soulevées par sa signature écologique. En effet, l'utilisation excessive des data centers, de même que leur gestion et leur entretien, requièrent une énergie électrique accrue se traduisant par une empreinte carbone de plus en plus importante, accélérant ainsi le réchauffement climatique. Ainsi, au moment d'opter pour une solution Cloud, certains usagers questionnent l'impact environnemental d'un tel choix. Dans ce contexte, afin de favoriser l'expansion du Cloud, les géants de l'informatique n'ont d'autre choix que de conférer une dimension “vert” à leur infrastructure physique. Ceci se traduit par des techniques d'assignation des charges visant à réduire l'empreinte carbone des data centers afin de faire du Cloud Computing un succès tant technologique qu'écologique. Plusieurs études portant sur la réduction de l'empreinte carbone d'un unique data center, ont été récemment effectuées en considérant les techniques d'optimisation de l'énergie consommée. Toutefois, dans le contexte d'un Intercloud, où différents data centers sont géographiquement distribués et alimentés par des sources d'énergie renouvelables ou non, la consommation énergétique totale ne saurait refléter l'empreinte carbone dudit environnement. En ce sens, des recherches plus poussées ont porté sur l'optimisation de l'impact environnemental d'un InterCloud où l'hétérogénéité de l'infrastructure a été prise en compte. Cependant, seul le processus de placement des charges a été optimisé sans aucune considération pour l'amélioration de l'efficacité énergétique des data centers, pour la réduction de la consommation des ressources réseau, ou encore pour les exigences des clients en matière de performance des applications et de sécurité des données. À cet effet, cette thèse propose un cadre de planification des applications visant à minimiser l'empreinte carbone dans un environnement InterCloud. Généralement, le problème est traité de manière globale, en combinant le choix de l'emplacement des applications et le routage du trafic associé au problème de gestion du système de refroidissement dans les différents data centers. Divers aspects, comme la puissance des équipements de calcul, la consommation des ressources réseau et l'efficacité énergétique seront simultanément optimisés, sous la contrainte des exigences des clients. Le travail a été réalisé en trois phases. Dans le premier volet du travail, un modèle d'optimisation du placement des applications simples, à VM unique, a été développé afin de réduire l'impact écologique d'un ensemble de data centers. Le modèle d'empreinte carbone proposé améliore les approches de consommation énergétique déjà existantes en combinant l'optimisation du placement des VMs au mécanisme d'accroissement de l'efficacité énergétique des data centers. Ce dernier processus consiste à déterminer, pour chaque data center actif, la valeur optimale de température à fournir par le système de refroidissement, de manière à trouver un compromis entre les gains énergétiques, associés au cooling, et l'augmentation de la puissance des ventilateurs des serveurs, face à un accroissement de la température ambiante. Afin d'ajouter un certain réalisme au modèle, les exigences des clients, en termes de performances des applications hébergées, ou encore en rapport avec les notions de sécurité et de redondance, ont également été considérées. Une analyse de la monotonie et de la convexité du modèle non linéaire résultant a été effectuée afin de souligner l'importance entourant la détermination d'une valeur optimale de température. Par la suite, le problème a été transformé en un modèle linéaire et résolu de manière optimale avec un solveur mathématique, à l'aide des techniques de programmation linéaire en nombres entiers. Afin de mettre en évidence la pertinence du modèle d'optimisation proposé en termes de coût d'empreinte carbone, une analyse de la structure du coût et de l'impact de la charge a été réalisée. Dans le but de mieux apprécier les résultats, une version simplifiée du modèle, exempte de toute exigence du client, a alors été considérée. Ce même modèle simplifié a également été comparé à différentes techniques visant à optimiser l'empreinte carbone autant au sein d'un unique data center qu'à l'échelle d'un environnement InterCloud. Les résultats ont démontré que le modèle proposé permet de réduire jusqu'à 65% le coût d'empreinte carbone. De plus, afin de souligner l'efficacité du modèle proposé à réaliser un placement des VMs tout en respectant les contraintes de sécurité et de performances, le modèle simplifié a été comparé au modèle intégrant les exigences des clients. Bien que le modèle sans contraintes génère, en général des coûts d'empreinte carbone inférieurs à celui du modèle complet, il demeure moins intéressant à considérer, car le gain d'empreinte carbone résultant du processus de consolidation aveugle ne permet pas de contrebalancer le pourcentage de violation des contraintes. Ces résultats ont également permis de démontrer les bonnes performances du modèle complet comparé à sa variante simplifiée, dans le sens que le premier permet parfois d'obtenir des configurations de coût identique au modèle simplifié, en s'assurant, de surcroît, du respect des exigences des utilisateurs. Le mécanisme de placement des VMs est un problème complexe à résoudre. En raison de la nature NP-complet du problème, le temps de calcul croît de manière exponentielle en fonction des entrées et seules les instances de petite taille, même dans le cas du modèle simplifié, ont pu être résolues avec la méthode exacte. Afin de pallier ce problème, nous proposons, dans la seconde étape de notre travail, une méthode de résolution, basée sur les métaheuristiques, dans le but d'obtenir des solutions de qualité en un temps polynomial pour des instances de grande taille. La méthode de résolution proposée dans cet article est basée sur l'heuristique de Recherche Locale Itérée ou Iterated Local Search (ILS), qui implémente une descente comme mécanisme de recherche locale et, suite à l'arrêt prématuré du processus de descente, effectue des sauts dans l'espace des solutions afin de relancer l'exploration à partir d'une nouvelle configuration. Aussi, afin d'accélérer le processus d'évaluation d'une configuration, des fonctions de gains, traduisant la différence entre le coût de la solution actuelle et celui du voisin considéré, ont été déterminées. Divers mécanismes de perturbations ont également été implémentés afin d'éviter le piège des optima locaux. De manière générale, les résultats présentés sont de deux types : la paramétrisation de la méthode et l'évaluation des performances de l'algorithme. La phase de paramétrisation a permis de déterminer les mécanismes à implémenter à chaque étape de l'algorithme ainsi que la valeur idéale des paramètres clés. Par la suite, les performances de l'algorithme ont d'abord été comparées à celles obtenues avec la méthode exacte définie au premier volet. Les résultats démontrent que les solutions générées par la méthode proposée sont en moyenne à environ 0.2% de la solution optimale, avec un écart maximal de 2.6% et un temps d'exécution moyen inférieur à 3 secondes. Afin d'analyser les performances générales de la méthode proposée, cette dernière a été exécutée sur différentes tailles d'instances du modèle et les résultats obtenus ont été évalués par rapport à ceux découlant de l'implémentation de trois méthodes approchées retrouvées dans la littérature. Les résultats ont pu démontrer que l'heuristique proposée permet d'établir un bon compromis entre la qualité de la solution et le temps d'exécution, et peut engendrer une économie de coût de carbone pouvant s'élever jusqu'à 34%. Par ailleurs, des applications de plus en plus complexes, s'étendant sur plusieurs VMs, se font de plus en plus héberger dans le Cloud. Elles introduisent des trafics inter-VMs, sollicitant ainsi les ressources réseau afin de faire transiter l'information d'une machine virtuelle ou Virtual Machine (VM) à une autre. Or, comme la consommation énergétique des ressources réseau représente environ le quart de la puissance totale d'un data center, il en résulte alors que l'impact énergétique de ces équipements ne saurait être négligé plus longtemps, lorsque vient le temps de décider de l'emplacement des VMs afin de réduire l'empreinte écologique de plusieurs data centers. Dans ce contexte, la dernière phase de notre travail propose une extension du modèle développé à la première étape, où l'optimisation du placement des VMs est combinée au mécanisme d'amélioration de l'efficacité énergétique et au routage du trafic. De plus, le processus de routage du trafic étant également NP-complet, la combinaison de ce dernier au mécanisme de placement des VMs résulte en un problème encore plus difficile. En ce sens, nous avons également proposé une approche de résolution basée sur la combinaison de deux métaheuristiques, soit la Recherche Locale Itérée (ILS) et la Recherche Tabou (Tabu Search (TS)). De manière générale, la méthode développée implémente l'algorithme ILS où le mécanisme de recherche locale est une adaptation de l'heuristique TS. Cette hybridation permet de tirer profit des avantages des deux méthodes : d'une part, des mécanismes de mémoire à court et long terme afin d'éviter les cycles et les optima locaux, et d'autre part, des opérateurs de perturbation qui relancent l'exploration à partir d'une nouvelle configuration de départ. Dans la phase d'expérimentation, autant le modèle global que la méthode de résolution proposés ont été évalués. Le modèle global a été implémenté en AMPL/CPLEX en utilisant les techniques de programmation linéaire en nombres entiers et a été évalué par rapport à d'autres modèles de référence optimisant un unique objectif à la fois. Comme nous nous y attendions, le modèle proposé permet d'obtenir de meilleures configurations en termes de coût d'empreinte carbone, avec un gain pouvant s'élever jusqu'à environ 900% pour les instances considérées. Toutefois, cette optimisation se fait au prix d'un temps de calcul, en moyenne, relativement plus élevé, en raison de la complexité du modèle proposé. Cependant, l'économie en carbone réalisée étant substantiellement plus importante comparée aux écarts en temps de calcul observés, les résultats ont pu démontrer la grande efficacité du modèle proposé par rapport aux modèles réalisant une optimisation mono-objectif. La méthode de résolution approchée proposée a été implémentée en C++ et des expériences préliminaires nous ont permis de dégager les valeurs optimales des paramètres clés de la méthode, dont la plupart sont liées à la taille du problème. L'efficacité de la méthode, en termes de compromis entre coût d'empreinte carbone et temps d'exécution, a d'abord été comparée par rapport aux valeurs de borne inférieure, pour les instances de petite taille. Les résultats montrent que l'algorithme développé est en mesure de trouver des solutions, en moyenne, à moins de 3% de la borne inférieure en un temps polynomial, contrairement à une croissance exponentielle du temps de calcul pour la méthode exacte. Pour les plus grandes instances, une comparaison avec différentes méthodes de référence a pu démontrer que l'approche proposée est toujours en mesure de trouver les configurations de coût minimal en un temps réduit, soulignant ainsi les bonnes performances de l'heuristique développée et la justesse au niveau du choix des paramètres de simulation qui y sont associés. Ces expériences ont démontré, au regard des résultats obtenus, que le travail réalisé permettra d'offrir, aux fournisseurs de Cloud, des outils efficaces de planification des applications à l'échelle de leurs data centers, afin de mieux faire face aux inquiétudes soulevées quant à l'impact écologique du Cloud Computing sur le bien-être de la planète.