Vikas Jaiman - Amélioration de la prédictibilité des performances pour les environnement de stockage de données dans les nuages

14:00
Mardi
30
Avr
2019
Organisé par : 
Vikas Jaiman
Intervenant : 
Vikas Jaiman
Équipes : 
Information détaillée : 

 

Le jury est composé de:

  • M. Laurent Réveillère - Professeur, Université de Bordeaux, rapporteur
  • M. Gaël Thomas - Professeur, Telecom SudParis, rapporteur
  • M. Noël De Palma - Professeur, Université Grenoble Alpes, examinateur
  • M. Etienne Rivière - Professeur, UCLouvain, examinateur
  • M. Vivien Quéma - Professeur, Grenoble INP, directeur de thèse
  • Mme Sonia Ben Mokhtar - Directrice de Recherche, CNRS LIRIS, co-encadrant de thèse

 

Résumé : 

De nos jours, les utilisateurs de services interactifs comme le e-commerce, ou les moteurs de recherche, ont de grandes attentes sur la performance et la réactivité de ces services. En effet, les études ont montré que des lenteurs (même pendant une courte durée) impacte directement le chiffre d’affaire. Avoir des performances prédictives est donc devenu une priorité pour ces fournisseurs de services depuis une dizaine d’années. Mais empêcher la variabilité dans les systèmes de stockage distribué est un challenge car les requêtes des utilisateurs finaux transitent par des centaines de servers et les problèmes de performances engendrés par chacun de ces serveurs peuvent influencer sur la latence observée. Même dans les environnements correctement dimensionnés, des problèmes comme de la contention sur les ressources partagés ou un déséquilibre de charge entre les serveurs influent sur les latences des requêtes et en particulier sur la queue de leur distribution (95ème et 99ème centile). L’objectif de cette thèse est de développer des mécanises permettant de réduire les latences et d’obtenir des performances prédictives dans les environnements de stockage de données dans les nuages. Une contre-mesure efficace pour réduire la latence de queue dans les environnements de stockage de données dans les nuages est de fournir des algorithmes efficaces pour la sélection de réplique. Cependant, sous des charges de travail hétérogènes, ces algorithmes entraînent des latences accrues pour les requêtes ayant un court temps d’exécution et qui sont planifiées à la suite de requêtes ayant des long temps d’exécution. Dans la deuxième contribution de cette thèse, nous nous sommes concentrés sur les charges de travail multi-GET afin de réduire la latence dans les environnements de stockage de données dans les nuages Le défi consiste à estimer les opérations limitantes et à les planifier sur des serveurs non-coordonnés avec un minimum de surcoût. Pour atteindre cet objectif, nous présentons TailX, un algorithme d’ordonnancement de tâches multi-GET qui réduit les temps de latence de queue sous des charges de travail hétérogènes.