Etat de l’art sur le Cloud Computing

Etat de l’art sur le Cloud Computing

Cloud Computing

Il existe plusieurs définitions du Cloud Computing, ce paradigme n’est pas encore normalisé, chacun peut le définir selon son point de vue. La plupart des experts définissent le Cloud Computing comme étant un modèle incluant la notion de services disponibles à la demande, plus facilement extensible, virtuels et illimités ne dépendant pas de l’infrastructure physique. Le NIST (National Institute of Standards and Technology),définit le Cloud comme un modèle qui permet un accès omniprésent, pratique à la demande à un réseau partagé et à un ensemble de ressources informatiques configurables, à titre d’exemple des réseaux, des serveurs, du stockage, des applications et des services, qui peuvent être provisionnées et libérées avec un minimum d’administration.

Selon Génération NT

« Le Cloud Computing est un concept d’organisation informatique qui place l’Internet au coeur de l’activité des entreprises, il permet d’utiliser des ressources matérielles distantes pour créer des services accessibles en ligne ».[1] Selon CISCO Le Cloud Computing est une plateforme de mutualisation informatique fournissant aux entreprises des services à la demande avec l’illusion d’une infinité des ressources. Le Cloud Computing ou l’informatique dans les nuages signifie l’utilisation des ressources qui n’existe pas dans le Data Center local de l’organisme ou l’entreprise… mais qui sont hébergées dans le monde entier et accessible via le web. L’utilisation de ses ressources tel que la puissance de calcul, la capacité de stockage, la capacité de la mémoire, bande passante, ensemble d’applications et des plateformes, ce fait à la demande sans se soucier de la gestion, l’administration, la sécurité et la maintenance en cas de panne par le client c’est le prestataire de Cloud tel que IBM, Microsoft, Google, SAP, Dell, Amazon … qui se charge de cette tâche. De manière plus simple, le Cloud Computing est un style d’informatique ou les ressources sont faciles à obtenir et faciles d’accès, simple à utiliser, bon marché et tout simplement fonctionnelles [2]. Le Cloud est donc un ensemble de matériel, de raccordements réseau et de logiciels qui fournit des services sophistiqués que les individus et les collectivités peuvent exploiter à volonté depuis n’importe où dans le monde. [3], la figure I.1 représente l’architecture du Cloud Computing.

Travaux connexes

Beaucoup de travaux ont étés fait dans le domaine de la tolérance aux pannes dans les infrastructures du Cloud Computing, dont il y a beaucoup de place de recherche disponible dans ce domaine jusqu’à ce moment-là .Les infrastructures du Cloud ont introduit des nouvelles questions liées à la tolérance aux pannes. Dans ce contexte on va exposer quelques travaux similaires. Kong et. Coll. [19] a présenté un modèle de tolérance aux pannes et de performance dans les infrastructures virtuelles. Mais il n’est pas bien adapté à la tolérance aux pannes des applications dans le Cloud. Ravi Jhawar, Vincenzo Piuri, Marco Santambrogio, dans leur article[20]« A Comprehensive Conceptual System-Level Approach to Fault Tolerance in Cloud Computing», décrit le Framework FTM (Fault Tolerance Manager ). Il présente la gestion des techniques de fiabilité pour les utilisateurs dans laquelle il peut spécifier et appliquer le niveau désiré de tolérance de panne sans avoir besoin d’aucune connaissance sur sa mise en oeuvre à base sur une couche de service utilisateur dédié. Une autre approche, utilise un middleware tolérante aux pannes qui est basé sur la réplication a été proposée par W. Zhao, P. M. Melliar-Smith, et L. E. Moser, dans leur article « Fault Tolérance Middleware for Cloud Computing ».

Dans «Approach for constructing a modular Fault tolerant protocol » l’article écrit par M.Hiltunen& R.D. Schlichting [22], propose des protocoles modulaires et en les combinant à un système à l’aide de techniques hiérarchiques. Une autre étude vise à fournir une meilleure compréhension des problèmes de tolérance aux pannes et identifie les différents outils et techniques utilisés pour la tolérance aux pannes. Lorsque plusieurs instances d’une application sont en cours d’exécution sur plusieurs VM et l’un des serveurs tombe en panne, il est nécessaire de mettre en oeuvre une technique de tolérance aux pannes qui peut gérer ces types de pannes. Pour résoudre ce problème, Anju Bala1, Inderveer a proposé et mis en oeuvre la HAProxy. Dans l’article « Fault Tolérance-Challenges, Techniques and Implémentation in Cloud Computing » [23]. Un différent modèle de tolérance aux pannes dans le Cloud Computing est proposé par Anjali D.Meshram, A.S.Sambare, S.D.Zade [24], Le modèle FTMC (Fault Tolerance Model for Cloud) tolère les pannes sur une base de fiabilité de chaque noeud, ce dernier peut être supprimé si les applications qu’il héberge ne fonctionnent pas bien. Rajesh.S, KannigaDevi.R, dans leur article « Improving Fault Tolerance in Virtual Machine Based Cloud Infrastructure » [25]

La méthode qu’ils ont proposée utilise deux ensembles différents de noeuds, l’un est l’ensemble des VM et l’autre est le noeud d’arbitrage principal (noeud serveur). La machine virtuelle utilise le teste d’acceptation pour validité sa logique. Le serveur contient le temps checker qui est l’évaluateur de la fiabilité et le mécanisme de décision pour trouver la VM fiable qui s’occupera pour traiter la demande du client. Pour fournir la tolérance aux pannes, les données peuvent être stockées sur de multiples Cloud utilisant la technique de virtualisation.

Conclusion généraleet perspectives

Dans ce mémoire, nous avons procéder à une recherche bibliographique qui nous permis d’accomplir des expériences concernant le nouveau concept du Cloud Computing. Notre recherche nous a donné connaissance avec les grandes problématiques touchant le Cloud Computing en termes de diverses pannes auxquelles il peut être confronté. Ces pannes peuvent entrainer une perte de performance et peuvent également couter très cher car les services du cloud sont payants. Cette problématique nous a ramené a étudier les travaux connexes traitant la tolérance aux pannes dans le Cloud. De ce fait nous avons tenté de remédier nous même dans ce mémoire aux pannes dans le Cloud grâce au Framework Hadoop MapReduce et HDFS (Hadoop Distributed File System), en proposant une nouvelle approche qui consiste à assurer la HA (High Availibility) sous une architecture Maitre–Esclave. Dans cette étude, nous avons exploré les améliorations apportées à Hadoop pour qu’un système soit tolérant aux pannes.

Au cours de nos expérimentations, nous avons pu aboutir à une performance en termes de basculement entre maitre primaire active et maitre secondaire standby. En effet, nous avons constaté que les tâches en cours du traitement ne sont pas interrompues malgré les pannes que nous avons introduites, le maitre secondaire standby à assurer la tâche du maitre primaire active en panne. Il est à noter que l’utilisateur ne remarque par cet état de basculement, ce qui rend la panne inaperçue. Les expérimentations nous ont permis de regrouper des résultats de traitement en trois configuration ; à savoir les Cas N°1 : sans pannes avec des paramètres par défaut, le Cas N°2 : sans pannes avec des paramètres modifiés, et le Cas N°3 : avec pannes avec des paramètres modifiés. En observant les résultats obtenus, nous avons constaté que la modification des paramètres a permis d’optimiser le traitement avec et sans pannes.

Effectivement, le Cas N°2, celui du traitement sans pannes avec modification des paramètres s’effectue à un temps relativement réduit. En plus, le traitement pour le Cas N°3 avec pannes et modification de paramètres s’effectue à une légère augmentation du temps de traitement. A travers ce résultat, nous pouvons confirmer que notre approche a atteint la haute disponibilité, et ce suite au basculement qui s’est fait dans un temps très réduit et nous avons prouvé que MapReduce tolère les pannes dans le Cloud Computing. Il est également possible d’étendre la solution dans d’autres travaux au futur avec un matériel plus puissant pour réaliser aussi la HA du ResourceManager. En effet, lorsqu’une panne surgit par exemple au niveau de la HA du HDFS, les deux HA pivots vers le master sain. Cette expérience sera réalisée dans le cas où les deux HA utilisent les mêmes serveurs même si l’un est en état fonctionnel et l’autre dans un état d’arrêt, et ce afin d’aboutir à une meilleure performance de la tolérance aux pannes de MapReduce au sein du Cloud Computing.

Le rapport de stage ou le pfe est un document d’analyse, de synthèse et d’évaluation de votre apprentissage, c’est pour cela rapport gratuit propose le téléchargement des modèles gratuits de projet de fin d’étude, rapport de stage, mémoire, pfe, thèse, pour connaître la méthodologie à avoir et savoir comment construire les parties d’un projet de fin d’étude.

Table des matières

Liste des figures
Liste des tableaux
Liste des abréviations
Introduction générale
Chapitre I– Etat de l’art sur le Cloud Computing
I.1 Introduction
I.2 Définition des concepts
I.2.1 Cloud Computing
I.2.2 La virtualisation
I.3 Comparaison avant et après l’apparition du Cloud Computing
I.4 Les cinq caractéristiques fondamentaux du Cloud Computing
I.5 Les services du Cloud Computing
I.5.1 IaaS
I.5.2 PaaS
I.5.3 SaaS
I.6 Modèle de déploiement des services de Cloud Computing
I.6.1 Cloud communautaire (Community Cloud)
I.6.2 Cloud privé (Private Cloud Computing)
I.6.3 Cloud publique (Public Cloud Computing)
I.6.4 Cloud hybride (Hybrid Cloud)
I.7 Conclusion
Chapitre II – Approche de tolérances aux pannes
II.1 Introduction
II.2 Définitions des concepts :
II.3 Classification des pannes
II.4 La sûreté de fonctionnement
II.4.2 Entraves
II.4.3 Moyens
II.5 Tolérance aux pannes
II.5.1 Procédure générale de tolérance aux pannes
II.6.Politique de tolérances aux pannes :
II.6.1 Politique de tolérance aux pannes proactive :
II.6.2. Politique de tolérance aux pannes réactive :
II.7 Techniques de tolérance aux pannes
II.7.1 Prévention des pannes
II.7.2 Masquage des pannes
II.7.3 Recouvrement après panne
II.8 Travaux connexes
II.9 CONCLUSION
Chapitre III –Tolérance aux pannes dans le Cloud Computing
III.1 Introduction
III.2 Problématique
III.3 Tolérance aux pannes dans le Cloud Computing par MapReduce
III.3.1 MapReduce
III.3.2 Tolérance aux pannes grâce au Framework Hadoop MapReduce
III.4 Méthodologie et implémentation
III.4.1 Phase d’installation et configuration de l’environnement du travail
III.4.2 Phase tests : Injection et déroulement de cas de pannes possible dans le Cloud
III.5 Observations et résultats obtenus
III.5.1 Résultats et interprétation
III.6 Conclusion
Conclusion générale et perspectives
Références bibliographique

Rapport PFE, mémoire et thèse PDFTélécharger le rapport complet

Télécharger aussi :

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *