Optimisation des transferts de données et fiabilité des workflows dans le cloud computing

Voir Plus Voir Moins

Afficher le Résumé

les infrastructures en tant que service (IaaS) du cloud offrent d’énormes potentiels pour atteindre des performances élevées. Dans ces environnements, l’exécution de workflows composés de tâches communicantes, engendre des transferts importants de données entre les tâches dépendantes. Ces transferts, qui s’effectuent entre les différents Datacenters du cloud, l'ordonnancectent le makespan, considéré comme la métrique la plus importante à optimiser lors de l’ordonnancement. De plus, le modèle économique du cloud rend les utilisateurs plus exigeants sur la justesse des résultats fournis. Ainsi, l’amélioration de la fiabilité est un autre objectif recherché. Dans cette thèse, nous présentons une approche orientée fiabilité, basée sur la méta-heuristique d’optimisation par essaim de particules (RDPSO) pour l’ordonnancement de workflows dans un cloud multi-Datacenters. Notre objectif est d’optimiser le temps des transferts de données, tout en améliorant la fiabilité par un ordonnancement bi-objectif. Nos résultats obtenus par simulations, montrent une amélioration significative en termes de makespan, de données transférées et de fiabilité globale, comparés ceux obtenus par l’algorithme orienté fiabilité RHEFT, pour des workflows réels.