← Retour aux projets
En coursAvril 2026
Ordonnancement éco-énergétique dans les grappes de calcul hétérogènes par optimisation méta-heuristique multi-objectif
Les centres de données et grappes de calcul hétérogènes (CPU, GPU, FPGA) consomment une énergie considérable avec des politiques d'ordonnancement souvent sous-optimales. Ce projet formule l'ordonnancement comme un problème d'optimisation multi-objectif (minimisation de l'énergie, du makespan et de la violation des SLA) et propose des algorithmes méta-heuristiques hybrides (NSGA-III + recherche locale adaptative) surpassant les heuristiques classiques.
Équipe
NR
Nadia RAHMANI
Chercheuse
KT
Karim TOUATI
Chercheur
Méthodologie
- Modélisation d'une grappe hétérogène réaliste (32 nœuds CPU + 8 GPU + 4 FPGA) avec profils de consommation énergétique mesurés et charges de travail issues de traces Google Cluster.
- Implémentation de NSGA-III avec opérateurs de croisement et mutation spécifiques au problème, couplé à une recherche locale adaptative (VNS — Variable Neighborhood Search).
- Comparaison avec six algorithmes de référence : Round-Robin, Min-Min, HEFT, MOHEFT, SPEA2 et MOEA/D sur 200 instances de workloads variées.
- Analyse de sensibilité aux paramètres (taille de population, taux de mutation) et étude de scalabilité jusqu'à 1 000 nœuds simulés.
Métriques d'évaluation
- Hypervolume de l'ensemble des solutions Pareto — amélioration de > 12 % par rapport à MOHEFT.
- Réduction de la consommation énergétique moyenne par rapport à Round-Robin — objectif > 25 %.
- Taux de violation de SLA (deadline miss rate) — objectif < 3 %.
Budget
300 $ en crédits de calcul pour les campagnes d'optimisation, 200 $ pour l'accès aux traces de workloads réelles.
Livrables attendus
- Simulateur de grappe hétérogène open-source avec interface de benchmark standardisée.
- Bibliothèque Python d'algorithmes méta-heuristiques multi-objectifs pour l'ordonnancement.
- Article soumis à la conférence NeurIPS 2027 Workshop on Optimization.