Sustainability Smells in Infrastructure as Code

L’Infrastructure as Code (IaC) est au coeur de l’ingénierie cloud moderne, en permettant de provisionner et de gérer l’infrastructure au moyen de fichiers de configuration lisibles par machine. Si l’IaC améliore la reproductibilité et la scalabilité, elle peut également cristalliser des décisions d’infrastructure inefficaces : certains motifs récurrents de configuration peuvent entraîner une consommation de ressources inutile, des coûts opérationnels accrus et un impact environnemental évitable. Pour caractériser ces inefficacités, cette thèse introduit les odeurs de durabilité (sustainability smells) comme des indicateurs de risque de gaspillage potentiel ou d’utilisation sous-optimale des ressources dans des scripts Terraform. Cette thèse poursuit deux objectifs : (1) définir et valider empiriquement une taxonomie d’odeurs de durabilité pour Terraform, et (2) mesurer leur prévalence à grande échelle tout en améliorant la fiabilité de l’estimation de prévalence. Nous dérivons sept odeurs, fondées sur les recommandations des fournisseurs cloud et sur les retours de praticiens, puis nous affinons la taxonomie au moyen d’une analyse qualitative d’un échantillon stratifié. Nous étudions ensuite la prévalence sur un large corpus de plus de 28 000 scripts Terraform provenant de centaines de dépôts open source. Les résultats montrent que les odeurs de durabilité sont fréquentes mais inégalement réparties entre les projets, et que les inefficacités apparentes dépendent souvent d’interactions entre la structure des scripts, les choix de configuration et des contraintes contextuelles. Afin d’améliorer l’estimation de la prévalence au-delà d’heuristiques statiques fondées sur des règles, nous construisons un benchmark annoté et quantifions l’erreur de mesure de règles basées sur des expressions régulières, en mettant en évidence leurs limites pour des odeurs dépendantes du contexte (p. ex., le sur-provisionnement et les inefficacités de transfert de données). Nous proposons ensuite un pipeline d’estimation de prévalence sensible au contexte, qui exploite les informations de contrôle de version en analysant conjointement les diffs et les messages de commit avec des grands modèles de langage (LLM). À travers du few-shot prompting, des études d’ablation et une validation croisée entre modèles, l’approche proposée produit des estimations de prévalence plus stables et plus exactes, et permet une analyse qualitative complémentaire des manières dont les développeurs atténuent les odeurs de durabilité. Enfin, nous synthétisons des stratégies de mitigation récurrentes, notamment le rightsizing, l’autoscaling, l’optimisation des chemins réseau, l’affinement du cycle de vie des ressources, l’amélioration de la gestion de l’état et la modularisation. Au final, cette thèse contribue (1) une taxonomie validée d’odeurs de durabilité pour Tervi raform, (2) une étude empirique de leur prévalence à l’échelle de l’écosystème, et (3) une approche sensible au contexte visant à améliorer la robustesse de l’estimation de prévalence et à mettre en évidence les pratiques de mitigation des développeurs.