Multi-constrained scheduling algorithms for large-scale data applications on cloud platforms

Abstract

L’ordonnancement des workflows dans les systèmes hétérogènes de type Cloud Computing est considéré comme un problème difficile. En conséquence, de nombreux algorithmes ne sont pas efficaces pour le traitement de données à grande échelle. En d’autres termes, les algorithmes traditionnels n’intègrent pas certains principes de base de Cloud Computing tels que l’élasticité et l’hétérogénéité des ressources informatiques. Par conséquent, dans les travaux de cette thèse, nous proposons trois stratégies d’ordonnancement et d’allocation des ressources. Premièrement, nous proposons une stratégie d’équilibrage de charge qui équilibre d’abord la charge entre les centres de traitement de données (datacenters), puis minimise le volume de données échangées. Deuxièmement, nous présentons un algorithme nommé DT-MG, qui vise à réduire la consommation d’énergie et à garantir les exigences de QoS (Quality of Services) en utilisant la théorie des jeux. Enfin, nous proposons une amélioration de l’algorithme HEFT (Heterogeneous Earliest Finish Time) sous la contrainte financière spécifiée par les utilisateurs pour bien équilibrer la charge des machines virtuelles et minimiser le temps d’exécution. Pour évaluer la performance de nos algorithmes, nous les avons comparés avec d’autres algorithmes d’ordonnancement des workflows en utilisant le simulateur Cloudsim. Les résultats rapportés montrent que nos algorithmes proposés ont de meilleures performances que les autres algorithmes en termes de tous les critères cités précédemment