Ibrahim Safieddine - Optimisation d’infrastructures de Cloud Computing dans des green Datacenters

13:00
Jeudi
29
Oct
2015
  • Soutenance de thèse
Lieu : 
Organisé par : 
Ibrahim Safieddine
Intervenant : 
Ibrahim Safieddine
Équipes : 
Mots clés : 
  • Autonomic computing
  • Green Datacenter
  • Cloud Computing
  • Big Data
  • Real-time Processing

 

Membres du jury :

  • Mr Daniel Hagimont, Professeur, INPT/ENSEEIHT, rapporteur
  • Mme Vania Marangozova, Maître de conférence, Université Joseph Fourier - LIG, examinateur
  • Mr Jean-Marc Menaud, Professeur, École des Mines de Nantes , rapporteur
  • Mr Noël De Palma, Professeur, Université Joseph Fourier - LIG, directeur de thèse
 

Avec le développement du Cloud Computing, les gestionnaires de centre de données verts font face à des défis de taille: fournir une plus haute qualité de service (disponibilité, sécurité, performance) et améliorer le rendement énergétique et l’empreinte écologique. Un centre de données est constitué de ressources informatiques, de systèmes de refroidissement et de distribution électrique. De nombreux travaux de recherche se sont intéressés à la réduction de la consommation des centres de données afin d'améliorer le PUE, tout en garantissant le même niveau de service \gls{SLA}. L’optimisation de l’efficience énergétique d’un centre de données peut être faite au niveau logiciel avec des systèmes de consolidation et au niveau matériel avec des équipements de distribution électrique et de refroidissement optimisés.

D’autre part, la complexité d’administration et la sensibilité des données hébergées posent de nouveaux problèmes de sécurité et de performance. Il faut détecter les dysfonctionnements le plus rapidement possible pour agir vite.
 
Dans cette thèse, nous proposons deux contributions pour la gestion des SLA efficience énergétique et sécurité. Dans la première contribution, nous proposons un système autonome d'optimisation globale du refroidissement, qui se base sur des sources de données externes telles que la température extérieure et les prévisions météorologiques, couplé à un module de prédiction de la charge informatique globale pour absorber les pics d'activité. Ce système permet de planifier l'utilisation des différents systèmes de refroidissement, afin de réduire le PUE, tout en préservant la qualité de service. Dans la deuxième contribution, nous proposons une architecture distribuée et scalable, pour la détection des anomalies en temps réel. Nous utilisons un module de calcul se basant sur des technologies BigData pour la création d'un modèle statistique, capable de détecter des comportements anormaux complexes, difficiles à détecter avec des outils de supervision classiques.
 
Nous évaluons les performances de nos contributions sur des données provenant d'un centre de données en exploitation hébergeant des applications réelles.