Efficacité énergétique et garanties de latence dans un environnement multi-locataire

Power efficiency and latency guarantees in multi-tenants environment

• Auteur / Autrice : Wei Huang
• Direction : Hind Castel, Andrea Giuseppe Araldo, Badii Jouaber
• Type : Thèse de doctorat
• Discipline(s) : Informatique, données, IA
• Date : Soutenance le 11/07/2025
• Etablissement(s) : Institut polytechnique de Paris
• Ecole(s) doctorale(s) : École doctorale de l'Institut polytechnique de Paris
• Partenaire(s) de recherche : Laboratoire : Télécom SudParis (Evry ; 2012-....) - Institut Polytechnique de Paris / IP Paris - Département Réseaux et Services de Télécommunications / TSP - RST - Network Systems and Services / NeSS-SAMOVAR
• Partenaire(s) de recherche : Etablissement opérateur d'inscription : Télécom SudParis (Evry ; 2012-....)
• Jury : Président / Présidente : Abdel-Ilah Lisser
• Jury : Examinateurs / Examinatrices : André-Luc Beylot, Véronique Vèque, Yassine Hadjadj Aoul, Nihal Pekergin, Nazim Agoulmine
• Jury : Rapporteurs / Rapporteuses : André-Luc Beylot, Véronique Vèque
• DOI : 10.70675/1486c6ccz5c3az4948za8dfz655210a7219f

Mots clés

Mots clés contrôlés

Optimisation hiérarchique

Consommation d'énergie

Réseaux d'ordinateurs

Mots clés libres

Allocation ressources

Contraintes probabilistes

Optimisation

Network slicing

L'apprentissage incrémental

Problème du bandit manchot

Resource allocation

Chance constraint

Optimization

Network slicing

Online Learning

Multi-Armed Bandits

Résumé

Les déploiements modernes de réseaux adoptent de plus en plus un modèle multi-locataire, dans lequel les propriétaires d'infrastructures louent des ressources informatiques et réseau à des opérateurs de réseaux (NOs: Network Operators) servant divers fournisseurs de services (SPs: Service Providers). Ces SPs peuvent exécuter des applications critiques en termes de latence et sensibles à la fiabilité (e.g., autonomous driving), ainsi que des services IoT à grande échelle ou des services gourmands en médias (e.g., video streaming). Garantir des délais stricts tout en minimisant la consommation d'énergie dans cet environnement hétérogène constitue un défi majeur, car chaque service impose des exigences variées sur les ressources partagées. Pour traiter ces enjeux de manière cohérente, cette thèse intègre trois volets de recherche complémentaires — le placement de fonctions virtuelles, le dimensionnement des ressources, et un cadre probabiliste général de latence — dans un cadre unifié d'optimisation multi-locataire. Premièrement, nous abordons le problème de haut niveau du placement des fonctions virtuelles dans un scénario de slicing à grande échelle, en respectant la capacité limitée des ressources réseau et informatiques. Nous développons des algorithmes d'apprentissage capables de converger vers une stratégie de déploiement optimale sous incertitude, en modélisant le placement comme un problème du bandit manchot. Une analyse théorique démontre que ces algorithmes atteignent un regret borné et respectent les contraintes de faisabilité avec une probabilité élevée. Deuxièmement, à partir du placement obtenu, nous nous intéressons au dimensionnement des ressources, où l'on cherche à optimiser l'efficacité énergétique tout en satisfaisant des contraintes strictes de latence. Nous proposons une approche originale représentant chaque slice comme un réseau de Jackson, permettant de modéliser les interdépendances entre ses composants. Grâce au Dynamic Voltage Frequency Scaling (DVFS), nous sélectionnons les fréquences CPU appropriées pour réduire la consommation d'énergie dynamique sans compromettre les exigences de latence, assurant ainsi le respect simultané des contraintes de capacité et de délai. Enfin, nous étendons nos solutions à une classe plus générale de problèmes multi-locataires en introduisant un cadre probabiliste appelé chance constrained multi-armed bandits (CCMAB). Cette généralisation intègre des contraintes probabilistes dans la prise de décision, avec des applications telles que le offloading de tâches dans les systèmes distribués. Chaque locataire doit satisfaire des contraintes de chance sur les délais stochastiques tout en minimisant la consommation globale d'énergie. Nous prouvons l'optimalité de l'algorithme proposé et validons ses performances par des simulations. En résumé, cette thèse propose une approche cohérente et hiérarchisée combinant un placement guidé par la capacité limitée des ressources, un dimensionnement des ressources sensible à la latence, et une prise de décision probabiliste dans un seul cadre destiné aux environnements multi-locataires hétérogènes. Cette intégration offre non seulement de solides garanties théoriques, mais aussi des algorithmes pratiques pour une utilisation efficace des ressources et une fiabilité assurée face à des exigences de services variées.

Modern network deployments increasingly adopt a multi-tenant model, in which infrastructure owners lease computing and networking resources to Network Operators (NOs) serving diverse Service Providers (SPs). These SPs may run latency-critical and reliability-sensitive applications (e.g., autonomous driving) as well as large-scale IoT or media-intensive services (e.g., video streaming). Achieving strict latency guarantees while minimizing power consumption in this heterogeneous environment poses a core challenge, given that each service imposes diversity demands on shared resources. To tackle these issues cohesively, this thesis integrates three complementary research components—virtual function placement, resource dimensioning, and a general probabilistic latency framework—within a unified multi-tenant optimization framework.First, we address the upper-level problem of virtual function placement in a large-scale network slicing scenario, focusing primarily on ensuring feasible capacity usage across the underlying network and computing resources. We develop learning-based algorithms capable of converging to an optimal deployment strategy under uncertainty, by modeling the placement decision as a multi-armed bandit problem. Theoretical analysis confirms that these algorithms achieve bounded regret and respect feasibility constraints with high probability.Second, building upon the chosen placement, we turn to resource dimensioning, where we optimize for power efficiency while meeting strict latency requirements in terms of chance constraints. We employ a novel approach by representing each slice as a Jackson Network, thereby capturing the interdependencies between various slice components. Through Dynamic Voltage Frequency Scaling (DVFS), we select appropriate CPU frequencies to reduce dynamic power consumption without compromising latency requirements. This ensures that both resource capacity and latency constraints are satisfied.Finally, we extend our solutions to a broader class of multi-tenant problems by introducing a general probabilistic latency framework called chance constrained multi-armed bandits (CCMAB). This generalization incorporates probabilistic constraints into multi-tenant decision-making, enabling applications such as task offloading between edge and cloud. Each tenant must satisfy chance constraints on stochastic delays while minimizing overall power consumption. We prove the optimality of the proposed algorithm and validate its performance through simulations.In summary, this thesis presents a cohesive, multi-layered approach that combines capacity-driven placement, latency-aware resource dimensioning, and probabilistic decision-making into a single framework for heterogeneous multi-tenant environments. This integration not only provides strong theoretical guarantees but also proposes practical algorithms for efficient resource utilization and reliability assurance across diverse service demands.