L’adaptation des ressources dans les environnements réseau virtualisés
Achetée sur Gettyimages. Droits d’auteur.
Gestion des ressources dans les environnements virtualisés
Ces dernières années, les progrès rapides des technologies de virtualisation et des solutions nuagiques ont révolutionné le domaine de l’informatique. L’infonuagique est devenue un incontournable en hébergement des systèmes d’entreprise et offre une vaste gamme de services et d’applications (ex. IdO et 5G). La virtualisation (technique qui crée des versions virtuelles de ressources physiques) a ouvert la voie à l’infonuagique et, par ce fait, à l’utilisation efficace des ressources et des économies en centres de données.
Dans les réseaux basés sur la virtualisation des fonctions réseau (NFV), une application est une chaîne de fonctions de service (SFC) constituée d’un ensemble interconnecté de fonctions réseau virtuelles (VNF). Ces chaînes SFC peuvent varier en taille et en topologie, amenant des défis et des contraintes dans la gestion de leurs ressources. La figure 1 présente des exemples de topologies SFC. Ces VNF sont hébergées dans le nuage, sur des machines (MV) ou des conteneurs virtuels.
Figure 1. Exemples de chaînes de fonctions de service
Le changement de paradigme opéré par la NFV et l’infonuagique implique un besoin croissant d’efficacité dans les techniques de gestion des ressources. Ces techniques ont pour but, surtout, d’améliorer l’utilisation des ressources dans les environnements virtualisés, de minimiser la consommation d’énergie et de garantir la conformité aux SLA (accords de niveaux de service). Un SLA est un contrat entre fournisseur de services et client concernant la qualité de service requise.
La gestion ou l’adaptation des ressources en environnements virtualisés est un vaste sujet de recherche à plusieurs sous-thèmes, notamment la consolidation des ressources, la prévision de l’utilisation des ressources, la mise à l’échelle des ressources et les techniques de migration. Dans notre recherche, nous avons abordé les sujets susmentionnés, et proposé des techniques différentes qui ont abouti à des informations et des résultats appréciables. Le diagramme de la figure 2 illustre les interactions entre les entités de gestion des ressources dans notre travail.
Figure 2 Diagramme d’architecture sur les composants de la gestion des ressources et leurs interactions
Nos approches : stratégies d’adaptation innovantes
Nos recherches sur les techniques de mise à l’échelle des ressources et de migration ont apporté des méthodes innovantes en ajustement dynamique de répartition des ressources dans les environnements virtualisés en fonction des charges de trafic. La gestion dynamique des ressources en environnements NFV-infonuagique pose des défis étant donné la variabilité des charges de trafic, la diversité des SFC et la méthode à choisir parmi la mise à l’échelle horizontale (HS), la mise à l’échelle verticale (VS) et la migration (M) afin d’adapter les ressources VNF et d’harmoniser les objectifs d’optimisation contradictoires. Alors que la VS (augmentation de la capacité des VNF, comme le CPU) est limitée par les capacités des serveurs, la HS de toutes les instances VNF (ajout de nouvelles instances VNF) ou leur migration (déplacement des VNF vers d’autres serveurs d’hébergement) peut entraîner des coûts d’exploitation élevés. Les recherches existantes portent souvent sur un seul mécanisme d’adaptation, négligeant l’ensemble des possibilités. L’une de nos principales contributions est notre formulation innovante et unique du problème, où nous prenons en considération les trois stratégies d’adaptation, leurs coûts associés, et déterminons ensuite la meilleure approche pour chaque scénario donné.
Pour ce faire, nous avons appliqué un modèle de programmation linéaire en nombres entiers (ILP), qui nous a fourni une solution exacte. Comme la résolution de la ILP demande beaucoup de temps, nous avons proposé plusieurs algorithmes métaheuristiques de prise de décision fondés sur l’algorithme génétique de tri non dominé, l’optimisation des réactions chimiques et l’optimisation binaire par essaims de particules. Ces algorithmes offrent des solutions efficaces dans la prise de décisions sur l’adaptation des ressources en temps réel pour gérer les ressources SFC en fonction des demandes en temps réel et des demandes de performance. En outre, nous avons ciblé multiples objectifs d’optimisation, notamment le respect des SLA, l’optimisation des ressources et la réduction de la consommation d’énergie. Notre proposition tient compte de la variabilité des SFC en considérant leurs différentes tailles et topologies. Les résultats expérimentaux ont démontré l’efficacité des techniques métaheuristiques pour réduire la latence des SLA tout en se rapprochant des solutions optimales d’utilisation des ressources et de consommation d’énergie.
Nos approches : consolidation prédictive des ressources
Un examen méticuleux des approches proactives en réaffectation des ressources nous a permis d’explorer les techniques de prévision des ressources. Nous avons conçu un modèle de prévision de charge de trafic multi-étapes appelé K-SVR. Ce modèle combine la puissance d’un filtre de Kalman et d’une régression de vecteurs de support (SVR) pour prévoir avec exactitude la tendance future d’utilisation du CPU du serveur. L’objectif principal de cette partie de la recherche est de surmonter les limites des approches existantes qui s’appuient uniquement sur les variations réelles de la charge de trafic pour adapter les ressources et prendre les décisions correspondantes. Ces approches mènent souvent à des décisions d’adaptation des ressources peu fiables, à un gaspillage d’énergie, à une dégradation des performances et à des manquements aux SLA.
En outre, notre recherche se penche sur la consolidation des ressources, mettant en lumière les techniques de détection de surcharge et de sous-charge afin d’estimer avec précision l’état des serveurs et de déclencher des décisions fiables de migration. Les algorithmes de détection de surcharge (OD) et de sous-charge (UD) permettent de migrer les VNF des serveurs surchargés afin de respecter les SLA et de migrer des serveurs en sous-charge afin d’économiser de l’énergie. Le diagramme de la figure 3 illustre étape par étape le fonctionnement de la consolidation des ressources. En combinant le modèle de prévision K-SVR avec cette approche, nous avons construit une stratégie prédictive de consolidation des ressources pour repérer de façon dynamique les serveurs surchargés et en sous-charge en tenant compte de l’utilisation actuelle et future des ressources. L’objectif principal est d’assurer une prise de décision fiable, en évitant les migrations inutiles de MV et les coûts associés.
Également, nous avons conçu une approche alternative de consolidation basée sur un modèle de prévision de moyenne mobile intégrée autorégressive (ARIMA) pour remplacer le modèle K-SVR. Les simulations portent sur les charges de trafic réelles de PlanetLab sur simulateur Cloudsim. Comparée aux versions originales et modifiées de certains algorithmes (régression locale, seuil statique, écart absolu moyen, intervalle interquartile) et à l’approche ARIMA, la technique de consolidation proposée permet de minimiser les manquements au SLA, les migrations de MV et la consommation d’énergie.
Figure 3 Diagramme de flux de travail illustrant la consolidation des ressources proposée.
Autres travaux d’optimisation
Enfin, partant des travaux antérieurs, nous avons optimisé le modèle de prévision et la technique de consolidation proposés en incorporant des aspects multi-ressources. Les versions optimisées prévoient l’utilisation des ressources du serveur (CPU, mémoire, bande passante, etc.). Différentes applications peuvent nécessiter différents besoins en ressources, impliquant l’étude de plusieurs types de ressources pour une prise de décision adéquate. En examinant un plus grand éventail de ressources, l’approche proposée devient plus polyvalente et adaptée à divers types d’applications et de charges de trafic. Dans l’ensemble, tous ces efforts de recherche ont abouti à la production de trois articles distincts (deux publiés et un soumis), chacun représentant une contribution notable au domaine de l’adaptation et de l’optimisation des ressources dans les environnements virtualisés.
Complément d’information
Pour plus d’informations sur cette recherche, veuillez lire les articles suivants :
Awad, M., Kara, N., & Leivadeas, A. (2022). Utilization prediction-based VM consolidation approach. Journal of Parallel and Distributed Computing, 170, 24-38.
Awad, M., Kara, N., & Edstrom, C. (2022). SLO-aware dynamic self-adaptation of resources. Future Generation Computer Systems, 133, 266‑280.
