L'élasticité des bases de données sur le cloud computing - CoDE

More documents

Recommendations

Info

temps de latence ln f ln i t i Phase d’ attaque phase d'attaque phase d'adaptation tm Δt phase de stabilisation t f temps Figure 4.4 – Résultat supposé du scénario pour le retrait d’ instances Le système étant stable à l’instant ti, il devrait très vite répondre de manière constante à l’attaque. Nous serons dès lors en mesure d’effectuer une moyenne arithmétique 5 des temps de latence sur l’intervalle [ti, tm]. Cette moyenne lni reflétera le comportement du système composé de ni instances. Définition 11 (lni ). Phase d’adaptation lni 1 tm = m−i t=ti l(t) A l’instant tm, le système subit une modification. Il doit alors réagir à cette modification, propager l’information de sa modification. En fonction du système étudié, cette modification et cette propagation peuvent avoir des formes très différentes et produire des effets collatéraux fort différents. Certains systèmes devront avoir recours à un nombre élevé de modifications (et donc de communications) internes et accuseront dès lors des temps de réponse beaucoup plus 5. La médiane des temps de latence a aussi été considérée mais, pratiquement, les résultats restent similaires. 43
importants que voulus durant une certaine période que nous définissons comme la phase d’adaptation, ∆t. Ce temps d’adaptation ∆t sera défini ultérieurement au test grâce à une supervision humaine. L’observateur humain sera en charge, en fonction du graphique généré par le test, de déterminer ce temps d’adaptation. Phase de stabilisation A l’instant tm + ∆t, le système a assimilé la modification et tend à se stabiliser. Il en résulte des temps de latence plus ou moins similaires dont on peut tirer une moyenne lnf représentative du comportement du système composé de m instances. Définition 12 (lnf ). 4.3.2 Paramètres lnf tf 1 = m−i t=tm+∆t l(t) D’un tel scénario, nous pouvons relever les six paramètres suivants qui caractériseront l’élasticité : 1. le coefficient d’adaptation µ 2. le temps d’adaptation ∆t 3. l’impact maximal λ 4. la pente de la montée des temps de latence α1 5. la pente de la descente des temps de latence α2 6. la perturbation d’adaptation π Les cinq premiers paramètres sont résumés à la figure 4.5. La perturbation π est plus difficile à appréhender, nous la décrirons plus loin dans cette section. Les temps de latence lni et lnf lni est la moyenne arithmétique des temps de latence du système composé de ni instances (avant modification - voir définition 11). lnf , elle, est la moyenne arithmétique des temps de latence du système composé de nf instances (après modification - voir définition 12). Le coefficient d’adaptation µ Ce paramètre est central dans notre approche, il quantifiera le gain (ou la perte) en performance survenant immédiatement après la modification. De manière abstraite, il s’entend donc comme le rapport entre la performance et le coût engendré par la modification du système. Il s’agit donc de considérer la modification des temps de latence ainsi que la modification du nombre d’instances. Le coefficient d’adaptation µi,f est sans dimension et détermine l’adaptation d’un système passant de ni à nf instances. Définissons la variation des temps de latence ∆l = lnf − lni , le coefficient d’adaptation µ se définit comme suit : 44
Page 1 and 2: Faculté de Sciences Département I
Page 3 and 4: Table des matières 1 Introduction
Page 5 and 6: 5.3 Réplication de données . . .
Page 7 and 8: au cloud (les systèmes NoSQL, SQL-
Page 9 and 10: Chapitre 2 Le cloud computing et se
Page 11 and 12: dans cette couche. Cette classifica
Page 13 and 14: Le cloud dans la littérature “A
Page 15 and 16: Cette différence de vocation fait
Page 17 and 18: Par “assumer”, on entend fourni
Page 19 and 20: Définition 9. Dans un service tol
Page 21 and 22: on-OLTP applications that ured and
Page 23 and 24: Or la richesse du modèle de requê
Page 25 and 26: 3.2.5 Les solutions SQL-MR Map-Redu
Page 27 and 28: Le modèle en graphe Figure 3.3 - B
Page 29 and 30: MongoDB ne pose aucune restriction
Page 31 and 32: Réplication maître-esclave Ce mod
Page 33 and 34: 3.4.5 Modèle de consistance Par d
Page 35 and 36: Figure 3.13 - Cassandra - Un modèl
Page 37 and 38: égal au facteur de réplication, a
Page 39 and 40: Figure 3.14 - Architecture HDFS Les
Page 41 and 42: - Les Serveurs de régions prennent
Page 43 and 44: Système Modèle de données choix
Page 45 and 46: Figure 4.1 - YCSB - Cassandra - Pas
Page 47: 4.3.1 Scénario de tests Considéro
Page 51 and 52: d’autant plus élastique que ce t
Page 53 and 54: Figure 4.7 - Perturbation de la pé
Page 55 and 56: - la distribution de génération d
Page 57 and 58: pour répartir les données. Dans u
Page 59 and 60: Rappelons que µ = 0.5 pour systèm
Page 61 and 62: - Taille initiale du cluster : 4 n
Page 63 and 64: De manière générale, on remarque
Page 65 and 66: 31.93 temps de reponse (millisecond
Page 67 and 68: temps de reponse (millisecondes) 55
Page 69 and 70: La forme de l’adaptation (α1, li
Page 71 and 72: Comme illustré en figure 4.17, la
Page 73 and 74: Figure 4.19 - Elasticité observée
Page 79 and 80: L’élasticité Tel que défini da
Page 81 and 82: Chapitre 5 Influence des choix tech
Page 83 and 84: (pour les déplacer ou pour les mod
Page 85 and 86: Remarquons que le fait de la distin
Page 87 and 88: Chapitre 6 Conclusion Dans ce trava
Page 89 and 90: étude (plus théorique que pratiqu
Page 91 and 92: [18] E. Brewer. Towards Robust Dist
Page 93 and 94: Annexe A Liste d’accronymes - API
Page 95 and 96: Cassandra n’est pas évidente. Ce
Page 97 and 98: ase sur le constat que, même si il
Page 99 and 100:
de tirer profit de toutes ses quali
Page 101 and 102:
• la couche insère les paramètr
Page 103 and 104:
[3] Apache Cassandra - Wiki, API. h
Page 105 and 106:
The R&D director’s blog Euranova
show all

L'élasticité des bases de données sur le cloud computing - CoDE

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?