Alessio Pagliari

Résumé: 
Les plateformes de streaming de données sont largement utilisées pour traiter les données en temps réel. Elles trouvent une application étendue dans le Fog Computing, où les données produites sont traitées à proximité des dispositifs sources de données pour réduire la latence de bout en bout, en payant avec de faibles ressources.
L'adaptation dynamique des cadres de traitement des flux de données est essentielle pour permettre aux plateformes de streaming de traiter efficacement les charges de travail qui varient dans le temps. Cependant, l'élasticité horizontale seule ne peut répondre qu'à certaines situations. Elle présente des limites lorsque les ressources de calcul disponibles sont rares, que les temps de reconfiguration sont importants ou que l'application ne peut pas évoluer horizontalement. Dans de telles situations, la transprécision peut être une alternative en permettant temporairement aux applications de réduire la précision des résultats qu'elles produisent.
Ce séminaire présente TransScale, un auto-scaler sensible à la transprécision qui combine la mise à l'échelle horizontale et l'approximation computationnelle pour réduire les temps de reconfiguration et l'utilisation globale des ressources. Il montre comment ces deux techniques combinées peuvent améliorer les performances et adapter le comportement des plateformes de streaming dans des environnements contraints tels que le Fog, où il est nécessaire d'exécuter des calculs gourmands en ressources.