Le déploiement d’applications d’IA distribuée sur des smart grids motive l’utilisation d’une infrastructure de calcul fog computing, cette dernière permettant de répondre aux exigences de réactivité et de confidentialité.
Toutefois, allouer des services hétérogènes sur une infrastructure matérielle aux ressources fortement contraintes et hétérogènes soulève la problématique complexe de leur placement. L’objectif de cette thèse est de proposer des algorithmes de placement optimisant la qualité de service par la minimisa-
tion du makespan et la réduction de la consommation énergétique. Afin de répondre à cette problématique, un modèle mathématique des applications d’IA et de la topologie physique (mist, edge, fog, cloud) a été proposé.
Une contribution portant sur le placement statique de services d’IA distribuées a été proposée à travers de nouveaux algorithmes. Le premier Data-and-Learning-Grouping (DLG) place les services d’IA en tenant compte de la topologie de la plate-forme fog computing, mettant l’accent sur la réduction de la congestion réseau. Le second algo- rithme, Most-Processing-Time-First (MPTF) en revanche, se base sur une approche de regroupement géographique des services d’une même application.
Ces heuristiques ont été évaluées et comparées à un ensemble d’algorithmes de référence. Un environnement de simulation a subséquemment été enrichi, permettant d’observer des résultats de temps et d’énergie de manière reproductible, cet environnement de simulation a permis de valider les travaux. Les résultats ont montré que DLG présente une consommation énergétique significativement inférieure à celle induite par les autres algorithmes. Par ailleurs, les résultats de makespan sont quant à eux très similaires à un placement uniquement sur le cloud qui, contrairement à DLG, se fait au détriment de la consommation d’énergie.
Une autre contribution présentant une approche dynamique de placement a été proposée. Une version dynamique de Dynamic-Data-and-Learning-Grouping (DynDLG) a ensuite été comparée à une adaptation de Heterogeneous-Earliest-Finish-Time (HEFT) pour le placement de services d’IA distribuées. Si HEFT s’est montré plus efficace qu’un ensemble d’algorithmes de référence, DynDLG a montré des résultats significativement meilleurs en termes de consommation énergétique, mais aussi en termes de makespan.
Ces travaux démontrent l’efficacité d’un placement orienté par la topologie pour l’IA distribuée, ouvrant la voie à une meilleure anticipation des congestions réseaux lors des décisions dynamiques. |
The deployment of distributed AI applications on smart grids motivates the use of a fog computing infrastructure, which can meet requirements for responsiveness and confidentiality.
However, placing heterogeneous services on a hardware infrastructure with severely constrained and heterogeneous resources raises the complex problem of service placement. The aim of this thesis is to propose service-placement algorithms that optimize quality of service by minimizing the makespan and reducing energy consumption. To address this problem, a mathematical model of AI applications and the physical topology (mist, edge, fog, cloud) was proposed.
A contribution addressing the static placement of distributed AI services was made through a set of new algorithms. The first, Data-and-Learning-Grouping (DLG), places AI services while accounting for the topology of the fog computing platform, with a focus on reducing network congestion. The second algorithm, Most-Processing-Time-First (MPTF), by contrast, relies on a geographical grouping approach for the services belonging to the same application.
These heuristics were evaluated and compared with a set of baseline algorithms. The simulation environment was subsequently extended to enable reproducible measurements of execution time and energy consumption, thereby enabling the proposed approaches to be validated. The results showed that DLG has significantly lower energy consumption than the other algorithms. Moreover, its makespan results were very similar to those obtained with a cloud-only placement, which, unlike DLG, comes at the expense of energy consumption.
A further contribution introduced a dynamic placement approach. A dynamic version of Data-and-Learning-Grouping, called Dynamic-Data-and-Learning-Grouping (DynDLG), was subsequently compared with an adaptation of Heterogeneous-Earliest-Finish-Time (HEFT) for the placement of distributed AI services. Although HEFT outperformed a set of baseline algorithms, DynDLG achieved significantly better results both in terms of energy consumption and makespan.
These findings demonstrate the effectiveness of topology-aware placement for distributed AI, paving the way for better anticipation of network congestion during dynamic placement decisions. |