Search

Low energy consumption and high reliability are widely identified as increasingly relevant issues in real-time systems on heterogeneous platforms. In this paper, we propose a multi-criteria optimization strategy to minimize the expected energy consumption while enforcing the reliability threshold and meeting all task deadlines. The tasks arrive periodically. Each instance of a task is replicated to ensure a prescribed reliability threshold. The platform is composed of processors with different (and possibly unrelated) characteristics, including speed profile, energy cost and failure rate. We provide several mapping and scheduling heuristics to solve this challenging optimization problem. Specifically, a novel approach is designed to control (i) how many replicas to use for each task, (ii) on which processor to map each replica and (iii) when to schedule each replica for eachtask instance on its assigned processor. Different mappings achieve different levels of reliability and consume different amounts of energy. Scheduling matters because once a task replica is successful, the other replicas of that task instance are canceled, which calls for minimizing the amount of temporal overlap between any replica pair. The experiments are conducted for a comprehensive set of execution scenarios, with a wide range of processor speed profiles and failure rates. The comparison results reveal that our strategies perform better than the random baseline, with a gain in energy consumption of more than 40% for nearly all cases. The absolute performance of the heuristics is assessed by a comparison with a lower-bound; the best heuristics achieve an excellent performance. It saves only 2% less energy than the lower-bound.; La faible consommation d’énergie et la haute fiabilité sont identifiées comme des problèmes de plus en plus pertinents dans les systèmes en temps réel sur des plateformes hétérogènes. Dans ce rapport, nous proposons une stratégie d’optimisation multi-critère pour minimiser l’espérance de laconsommation d’énergie tout en respectant le seuil de fiabilité et toutes les échéances des tâches. Les tâches arrivent périodiquement. Chaque instance d’une tâche est répliquée pour garantir un seuil de fiabilité prescrit. La plateforme est composée de processeurs avec des caractéristiques différentes (et éventuellement sans corrélation), y compris la vitesse, le coût énergétique et le taux de panne. Nous fournissons plusieurs heuristiques de placement et d’ordonnancement pour ce problème d’optimisation difficile. Plus précisément, une nouvelle solution est conçue pour contrôler (i) le nombre de répliques à utiliser pour chaque tâche, (ii) sur quel processeur doit-on placer chaque réplique et (iii) comment ordonnancer chaque réplique de chaque instance de tâche sur le processeur qui lui est affecté. Différents placements atteignent différents niveaux de fiabilité et consomment différentes quantités d’énergie. L’ordonnancement est important car une fois qu’une réplique de tâche réussit, les autres répliques de cette instance sont annulées, ce qui demande de minimiser le recouvrement en temps entre toute paire de répliques. Les expériences sont exécutées pour un grand ensemble de scénarios, avec une large gamme de vitesses et de taux d’échec pour les processeurs. Les résultats montrent que nos stratégies fonctionnent mieux que la référence de base aléatoire, avec un gain de 40 % en consommation d’énergie, dans presque tous les cas. La performance absolue de l’heuristique est évaluée en la comparant avec une borne inférieure. La meilleure heuristique atteint une excellente performance, avec une valeur moyenne supérieure de seulement 2% à la borne inférieure.

Recently, MapReduce and its open-source implementation Hadoop have emerged as prevalent tools for big data analysis in the cloud. Fair resource allocation in-between jobs and users is an important issue, especially in multi-tenant environments such as clouds. Thus several scheduling policies have been developed to preserve fairness in multi-tenant Hadoop clusters. At the core of these schedulers, simple (non-) preemptive approaches are employed to free resources for tasks belonging to jobs with less-share. For example, Hadoop Fair Scheduler is equipped with two approaches: wait and kill. While wait may introduce a serious violation in fairness, kill may result in a huge waste of resources. Yet, recently some works have introduced new preemption approaches (e.g., pause-resume) in shared Hadoop clusters. To this end, in this work, we closely examine three approaches including wait, kill and pause-resume when Hadoop Fair Scheduler is employed for ensuring fair execution between multiple concurrent jobs. We perform extensive experiments to assess the impact of these approaches on performance and resource utilization while ensuring fairness. Our experimental results bring out the differences between these approaches and illustrate that these approaches are only sub-optimal for different workloads and cluster configurations: the efficiency of achieving fairness and the overall performance varies with the workload composition, resource availability and the cost of the adopted preemption technique.; Récemment, le paradigme MapReduce et son implémentation open-source Hadoop sont devenus des outils très populaires pour l’analyse dedonnées massives dans le Cloud. Le partage équitable des ressources entre les différentes tâches et utilisateurs est un problème important, en particulier dans les architectures multi-tenant comme le Cloud. De nombreuses stratégies d’ordonnancement ont donc été développées pour préserver l’équité dans les cluster Hadoop multi-tenant. Au cœur de ces ordonnanceurs, des approches simples et non-préemptives sont utilisées pour libérer des ressources pour des tâches appartenant à des utilisateurs en ayant eu jusque-là une part plus faible. Par exemple, Hadoop Fair Scheduler possède deux approches : "attendre" et "tuer". Si "attendre" peut causer des sérieuses ruptures d’équité, "tuer" peut aussi entraîner un important gaspillage des ressources. Cependant, certains travaux récents ont introduit des techniques préemptives (c’est-à-dire "arrêter-reprendre") dans les clusters Hadoop partagés. Dans ce travail, nous examinons précisément trois approches, incluant "attendre", "tuer" et "arrêter-reprendre",lorsque Hadoop Fair Scheduler est utilisé pour assurer une répartition équitable des ressources lors de l’exécution de plusieurs groupes de tâches concurrents. Nous avons mené des expériences étendues pour évaluer l’impact de ces approches sur les performances et l’utilisation des ressources tout en garantissant leur partage équitable. Les résultats de nos expériences mettent en évidence les différences entre ces stratégies et montrent que chacune est sous-optimale pour une partie des workloads et des configurations : la capacité à garantir l’équité et les performances globales varient en fonction de la composition des tâches, des ressources disponibles et du coût des techniques préemptives.