Approche heuristique pour le placement des machines virtuelles dans un environnement infonuagique de grande taille

L'informatique en nuage est un nouveau paradigme qui fait référence à la mise en disposition des ressources d'une infrastructure informatique permettant de présenter un ensemble de services à la demande. Toutefois, un centre de données pourrait participer grandement dans l'augmentation de l'empreinte carbone si le procédé utilisé par le fournisseur de services ne présente pas une bonne gestion des ressources disponibles. Un fournisseur de services cloud pense principalement aux gains que ses data centers pourraient lui engendrer. Il devra donc trouver un moyen efficace pour que ses bénéfices ne soient jamais diminués. Si de plus, ce dernier pense à la réduction de l'empreinte carbone que pourraient générer ses data centers, il devra trouver un compromis entre les bénéfices qu'ils visent à atteindre et l'empreinte écologique tout en respectant l'accord de niveau de service avec ses clients. Un moyen pour satisfaire ces compromis serait de revoir la disposition des différents composants à l'intérieur du data center. Les machines virtuelles étant une des variables qui pourraient grandement participer dans la définition des stratégies pour la réduction de l'empreinte carbone, le fournisseur de services se voit dans l'obligation de trouver une solution efficace et peu coûteuse. Ainsi, trouver un bon placement des machines virtuelles dans un environnement infonuagique est une étape importante pour les fournisseurs de services afin d'améliorer l'efficacité énergétique de leurs centres de données. Les travaux antérieurs élaborés pour la résolution du problème de placement des machines virtuelles ne regroupent souvent pas toutes les informations concernant les composants dans un centre de données. En effet, chaque composant a sa propre consommation d'énergie et participe de près ou de loin à la définition de l'empreinte écologique d'un data center. Ce mémoire présente le modèle implémenté permettant de calculer l'empreinte carbone d'un centre de données. À travers ce modèle, nous minimisons la fonction objectif à partir des algorithmes de métaheuristique. Nous concevons un algorithme mémétique, une hybridation entre l'algorithme génétique que nous implémentons d'abord seul et l'algorithme de recherche tabou. Nous implémentons ensuite l'algorithme de recuit simulé.

Abstract

Cloud computing is a new paradigm that refers to the provision of resources of an IT infrastructure allowing to present a set of services on demand. However, in this context, a data center could play a significant role in increasing the carbon footprint, if the process used by the service provider does not adequately manage the available resources. The service provider will therefore need to find the best allocation of its data centers components to improve the energy efficiency. Since virtual machines are one of the components that could play an important role in the definition of strategies for reducing the carbon footprint, the service provider is intended to find an efficient and inexpensive solution. Hence, we can consider that finding an adequate placement of virtual machines in a cloud environment is an important step for service providers. To solve the virtual machines placement problem in the cloud, we need a mathematical model that allow us to compute the carbon footprint while considering all the data center' components. In this thesis, we present the model implemented to calculate the carbon footprint of a data center. Through this latter, we minimize the objective function based on the metaheuristic algorithms. We design a memetic algorithm, a hybridization between the genetic algorithm and the tabu search algorithm. Afterwards, we implement the simulated annealing algorithm. For the evaluation of these algorithms, we compare the results obtained in term of carbon footprint cost, as well as the runtime. All the results obtained will be compared with the iterated tabu search algorithm for various problem sizes. The experiments carried out in our work, demonstrate the effectiveness of the memetic algorithm to solve large-scale problems when trying to allocate virtual machines in data centers.