Politique optimale d`activation et désactivation des serveurs

Politique optimale d’activation et désactivation des serveurs
dans un modèle de cloud computing ∗
F. Aït-salaht1 , H. Castel-Taleb2 , E. Hyon1
1
2
LIP6, Université Paris Ouest, Nanterre, France
{farah.aitsalaht,emmanuel.hyon}@u-paris10.fr
SAMOVAR, UMR 5157, Télécom Sud Paris, Evry, France
[email protected]
Mots-clés : Cloud computing, optimisation d’énergie, Processus Décisionnels de Markov,
Politique à hysteresis.
1
Introduction
Le Cloud Computing est une technologie récente qui permet d’accéder, à la demande, à
un ensemble de services fournis par des ressources informatiques virtualisées, mutualisées et
partagées. Il utilise les technologies de virtualisation pour supporter l’utilisation flexible et
rentable des ressources. Afin d’avoir un meilleur rendement énergétique, lorsque la charge du
système est faible, les machines virtuelles (VMs) non utilisées sont désactivées (mises en veille).
Elles consomment alors moins d’énergie. Par contre, lorsque la charge augmente les VM sont
activées. Toutes ces considérations énergétiques sont cruciales dans les environnements de cloud
(tout comme pour les data centers) [4] puisqu’elles représentent la majeure partie des coûts de
fonctionnement.
Notre objectif dans ce travail consiste à gérer les activations et désactivations des serveurs
de façon à garantir à la fois Qualité de Service (QoS) et consommation énergétique. Notre but
est d’une part de trouver la politique optimale d’activation et désactivation en fonction des
coûts, et d’autre part d’observer les cas où cette politique optimale est à hysteresis.
Les politiques à hysteresis sont des politiques avec des séquences de seuils qui déclenchent
soit l’activation soit la désactivation des machines virtuelles selon l’intensité de la charge dans
le système. Ces activations et désactivations dynamiques des serveurs (ou machines virtuelles)
permettent de représenter la scalabilité des systèmes cloud tandis que la notion d’hysteresis
permet d’éviter l’effet ping-pong ce qui la rend plus pertinente qu’une politique à une seule
séquence de seuils. C’est pour cela que ces politiques sont largement appliquées dans les modèles d’analyse de cloud et ont déjà été étudiées dans la littérature [2, 5, 1]. Dans les articles
précédents les aspects d’évaluation des performances ainsi que les aspects énergétiques ont
été abordés séparément sans qu’une recherche sur l’utilisation optimale des ressources n’ai été
étudiée, en considérant ces deux aspects à la fois. C’est ce que nous faisons dans ce travail, en
cherchant à déterminer la politique optimale d’activation et de désactivation des VMs. Pour ce
faire, nous utilisons le formalisme des Processus Décisionnels de Markov (MDP). Une analyse
poussée des résultats nous permet de déduire et d’identifier les cas où la politique optimale est
à hysteresis, avec une seule séquence de seuils, ou sans propriété particulière.
2
Formulation du problème : modèle d’optimisation
Afin de représenter l’aspect dynamique de ce système, nous considérons le modèle de file
d’attente suivant : le modèle considéré est à temps continu et ponctué par les événements
∗
Ce travail s’inscrit dans le cadre du projet ANR MARMOTE (ANR-12-MONU-0019).
d’arrivée ou de départ du système. Nous supposons que le processus d’arrivée dans la file est
poissonnien de taux λ et que la file est de taille finie. Le système est composé de K serveurs
(VMs) supposés homogènes dont le service est exponentiel de taux µ. On suppose qu’il y a
au moins un serveur actif dans le système et au plus K. De plus, sachant que le modèle est
à capacité finie, un certain nombre de clients seront amenés à être perdus lorsque la capacité
de la file est atteinte. L’état du système est donné par X = (x, s) où x et s représentent
respectivement le nombre de clients dans la file et le nombre de serveurs actifs. Concernant
le contrôle on suppose un modèle feedback (ou Markov) où la décision est prise juste après
l’occurrence d’un événement. La décision d’activation ou de désactivation des VMs est prise
par un contrôleur et un seul serveur peut être activé ou désactivé à la fois.
Pour les coûts, nous considérons deux types de coûts (coûts liés à la QoS et coûts liés à la
consommation énergétique) :
• cP : coût de la perte d’un client ; • cH : coût au cours du temps du nombre de client dans
la file ; • cSa : coût associé à l’activation d’un serveur ;
• cSd : coût associé à la désactivation d’un serveur ;
• cU : coût au cours du temps associé à l’utilisation d’un serveur actif.
On s’interesse au critère de coût moyen. Le critère moyen d’une politique π est défini par :
v π = limN →∞
N
X
1
E{
c ((Xnπ , Aπn )|X0 = X )},
N n=1
(1)
où Xn représente l’état du système et An représente la décision à l’instant du n-ième événement.
En utilisant la technique de value iteration dans un SMDP uniformisé [3], nous avons développé un code qui trouve numériquement la solution. De nombreuses expérimentations ont
montré qu’avec nos modèles de coûts les politiques à hysteresis sont optimales dans un grand
nombre de cas. Une démarche de preuve est en cours.
3
Conclusion
Nous pensons que le modèle présenté dans ce papier propose une approche intéressante
dans le management de l’énergie d’un cloud tout en prenant en compte un certain nombre
de critère de QoS. Par rapport à cela, nous étendons les résultats de [6] qui montrent que
l’approche optimale est à hystéresis mais sans prendre en compte les critères de qualité de
service. Pourtant les exigences de qualité de service (SLA : Service Level Agrement) sont des
critères clés pour le cloud computing.
Références
[1] F. Aït-Salaht and H. Castel-Taleb. The threshold based queueing system with hysteresis
for performance analysis of clouds. In CITS, pages 1–5, 2015.
[2] V. Goswami, S. S. Patra, and G. B. Mund. Performance analysis of cloud with queuedependent virtual machines. In 1st International Conference on Recent Advances in Information Technology, RAIT, pages 357–362, 2012.
[3] Ioannis K., Lachlan A., Hongseok K., and Mung C. Optimal sleep patterns for serving
delay-tolerant jobs. In Int. Conf. on Energy-Efficient Computing and Networking, 2010.
[4] P. J. Kuehn and M. E. Mashaly. Automatic energy efficiency management of data center
resources by load-dependent server activation and sleep modes. Ad Hoc Networks, 2015.
[5] Shorgin. S.Y., Pechinkin A.V., Samouylov K.E., Gaidamaka Y.V., Gudkova I.A., and Sopin
E.S. Threshold-based queuing system for performance analysis of cloud computing system
with dynamic scaling. AIP Conference Proceedings, 1648(1), 2015.
[6] Z. Yang, M.-H. Chen, Z. Niu, and D. Huang. An optimal hysteretic control policy for
energy saving in cloud computing. In GLOBECOM 2011, pages 1–5, 2011.