Prédiction et augmentation de ressources à la rescousse de l'algorithmique

Prediction and resource augmentation come to the rescue of algorithmics.

• Auteur / Autrice : Vincent Fagnon
• Direction : Denis Trystram, Giorgio Lucarelli
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques et informatique
• Date : Soutenance le 06/07/2023
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale Mathématiques, sciences et technologies de l'information, informatique (Grenoble ; 1995-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'informatique de Grenoble
• Partenaire(s) de recherche : Equipe de recherche : Équipe-projet Mouvements de données pour le calcul haute performance (Montbonnot, Isère ; 2021-....)
• Partenaire(s) de recherche : Projet-ANR-18-CE25-0008 : Optimiser l'énergie des plates-formes de calcul à large échelle – Energumen
• Jury : Président / Présidente : Yves Robert
• Jury : Examinateurs / Examinatrices : Christoph Dürr, Moritz Mühlenthaler, Jean-Charles Billaut, Kim Thang Nguyen
• Jury : Rapporteurs / Rapporteuses : Johanne Cohen, Christoph Dürr

Mots clés

Mots clés contrôlés

Oracle (système informatique)

Ordonnancement (informatique)

Algorithmes optimaux

Internet des objets

Mots clés libres

Analyse d'algorithmes

Ordonnancement de ressources

Algorithme d'approximation

Oracle

Augmentation de ressources

Dual fitting

Approximation Algorithm

Internet of Things

Analysis of Algorithms

Oracle

Resource augmentation

Dual fitting

Résumé

Actuellement, la tendance est à la mutualisation des ressources informatiques. Cette centralisation offre plusieurs avantages, notamment une meilleure gestion des variations de charge de travail, l'évitement de pics d'utilisation extrêmes et une optimisation simplifiée des calculs avec les données déjà en place. Cependant, l'avènement de l'Internet des objets (IoT) a créé une augmentation des besoins de traitement et d'analyse de données à des endroits éloignés des data-centers. Pour un traitement plus rapide et efficace, il est important de limiter les transferts de données et de les traiter près de leur lieu de production. Ainsi, il est essentiel de trouver un équilibre entre l'utilisation de plateformes centralisées pour mutualiser les ressources de calcul et les modèles décentralisés pour traiter les données localement.Cette thèse porte sur la mise en œuvre de plusieurs mécanismes visant à concevoir des algorithmes d'ordonnancement pour plusieurs agents ayant des objectifs distincts sur une plateforme composée de ressources de calcul.Tout d'abord, nous nous interrogeons sur l'utilisation d'un mécanisme externe (oracle) pour révéler les incertitudes relatives aux durées d'exécution de tâches séquentielles à exécuter sur une ressource de calcul. Nous proposons des algorithmes qui garantissent des performances moyennes optimales sur l'objectif classique du "sum flowtime" et étudions, via une campagne de simulations, leurs performances, leurs robustesses et la pertinence du modèle d'oracle en moyenne. Nous nous interrogeons également sur l'efficacité d'un tel modèle si l'on souhaite garantir de bonnes performances au pire des cas.Ensuite, nous étudions un problème bi-agent dans lequel chaque agent est soumis à des contraintes et des objectifs différents. Nous proposons un algorithme mettant en œuvre de l'augmentation de ressources (vitesse et rejet) et prouvons, grâce à la technique du dual fitting, un rapport de compétitivité dépendant, entre autres, de ces paramètres d'augmentation.Enfin, nous abordons un problème plus classique d'ordonnancement d'une application de tâches séquentielles pour laquelle nous souhaitons minimiser le "makespan" sur une plateforme hybride multicœurs (CPU/GPU). Nous proposons un algorithme basé sur l'étude de "l'intégrality gap" de la relaxation d'une programmation linéaire, algorithme pour lequel nous donnons une preuve de garantie de performances sous la forme d'un rapport d'approximation constant.

Currently, the trend is towards the pooling of IT resources. This centralization offers several advantages, including better management of workload variations, avoidance of extreme usage peaks, and easier optimization of calculations since data is on-site. However, the advent of the Internet of Things (IoT) has created an increase in the need for processing and analyzing data at locations far from data centers. For faster and more efficient processing, it is important to limit data transfers and process them near their place of production. Thus, it is essential to find a balance between using centralized platforms to pool computing resources and decentralized models to process data locally.This thesis focuses on the implementation of several mechanisms aimed at designing scheduling algorithms for multiple agents with distinct objectives on a platform composed of computing resources.First, we investigate the use of an external mechanism (oracle) to reveal uncertainties related to the execution times of sequential tasks to be executed on a computing resource. We propose algorithms that guarantee optimal average performance on the classic sum flowtime objective and study their performance, robustness, and the relevance of the oracle model on average through a simulation campaign. We also question the effectiveness of such a model if one wishes to guarantee good performance in the worst-case scenario.Next, we study a bi-agent problem in which each agent is subject to different constraints and objectives. We propose an algorithm implementing resource augmentation (speed and rejection) and prove, using the dual fitting technique, a competitiveness ratio depending, among other things, on these augmentation parameters.Finally, we address a more classic problem of scheduling a sequential task application for which we want to minimize the makespan on a hybrid multicores (CPU/GPU) platform. We propose an algorithm based on the study of the integrality gap of the relaxation of a linear programming, algorithm for which we provide a proof of performance guarantee in the form of a constant approximation ratio.