Mes travaux s’intègrent aux recherches menées dans l’équipe SMAC de CRIStAL en Intelligence Artificielle Distribuée. Les sciences des données exploitent de larges volumes de données sur lesquelles des calculs sont effectués en parallèle par différents nœuds. Ces applications mettent à l’épreuve l’informatique distribuée en ce qui concerne l’allocation de tâches et l’équilibrage de charge. J’étudie dans cette thèse le problème de l’allocation continue de jobs concurrents, composés de tâches situées, sous-jacent au déploiement d’applications de traitement de données massives sur une grappe de serveurs. L’objectif est de minimiser le délai moyen de réalisation de ces jobs, appelée flowtime. Je propose dans ce document un modèle multi-agents d’assignation tâches-exécutants où les nœuds de calcul sont contrôlés par des agents collaboratifs, appelés agents-nœuds, qui négocient des réallocations locales pour aboutir à une meilleure répartition des tâches. Ces négociations se déroulent au fil de l’exécution des tâches. Grâce à leur modèle des pairs, les agents-nœuds sont capables d’identifier des opportunités au sein de l’allocation courante pour marchander des délégations voire des échanges de tâches avec leurs semblables. Pour améliorer la réactivité (responsiveness) de la stratégie multi-agents qui repose sur l’exécution asynchrone de comportements individuels en interaction, le processus de négociation s’appuie sur de multiples négociations bilatérales concurrentes. Mes campagnes d’expérimentation permettent de valider empiriquement l’efficacité de la réactivité de ma stratégie multi-agents. En effet, ma méthode favorise un réordonnancement rapide des tâches, plutôt que la recherche de la solution optimale, ce qui permet une adaptation rapide. Mes expérimentations montrent que, lorsqu’elle est exécutée de manière concurrente au processus de consommation, notre stratégie de réallocation : (1) réduit significativement le temps de réordonnancement ; (2) améliore le délai moyen de réalisation ; (3) ne pénalise pas la consommation ; (4) est robuste aux aléas d’exécution ; et (5) s’adapte à la libération de jobs.
M. Maxime MORGE Université de Lille Directeur de thèse, Mme Zahia GUESSOUM Université de Reims Rapporteure, M. Gauthier PICARD ONERA Rapporteur, M. René MANDIAU Université Polytechnique des Hauts-de-France Examinateur, Mme Anne-Cécile CARON Université de Lille Examinatrice, M. Jean-Christophe ROUTIER Université de Lille Examinateur.
Thesis of the team SMAC defended on 08/07/2024
français
English