Université de Rennes 1 Resource management of data stream processing in geo-distributed environments Gestion de ressources des systèmes de traitement de données en flux dans les environnements géo-distribués Fog ComputingTraitement de Données en FluxGestion des RessourcesModélisation de PerformanceMise à l’échelle AutomatiqueBanc d’Essai Expérimental Fog ComputingData Stream ProcessingResource ManagementPerformance ModelingAuto-ScalingExperimental Testbed Fog compuitng Méthode de traitement de données par groupe Le déploiement de systèmes de traitement de données en flux (DSP) dans des infrastructures informatiques géo-distribuées peut combler le fossé entre le Cloud et les périphériques et réduire les transferts de données sur de longues distances, ce qui est un défi critique pour les nouvelles applications IoT émergentes où les sources de données sont situées loin des serveurs Cloud. Cependant, en raison des latences réseau hétérogènes rencontrées par les ressources et des variations de charge de travail imprévisibles rencontrées par les applications, l’utilisation optimale des ressources dans ces environnements d’une manière qui répond à certaines exigences de QoS lors de l’exécution d’applications DSP reste un défi. Dans cette thèse, nous avons abordé ce problème à travers trois contributions. Tout d’abord, nous avons proposé un modèle de performance pour capturer les performances DSP dans des environnements géo-distribués. Deuxièmement, nous avons conçu un auto-scaler DSP basé sur ce modèle pour gérer les charges de travail non stationnaires des nouveaux scénarios d’applications IoT. Enfin, nous avons développé un banc d’essai de Fog Computing expérimental générique personnalisé pour prendre en charge diverses expérimentations DSP. The deployment of Data Stream Processing (DSP) frameworks in geo-distributed computing infrastructures can bridge the gap between Cloud and edge devices and reduce data transfers over long distances, which is a critical challenge for new emerging IoT applications where the data sources are located far from Cloud servers. However, due to the heterogeneous network latencies experienced by the resources and unpredictable workload variations experienced by the applications, optimal resource usage in these environments in a way that meets certain QoS requirements when running DSP applications remains a challenge. In this thesis, we addressed this problem over three contributions. First, we proposed a performance model to capture DSP performance in geo-distributed environments. Second, we designed a model-based DSP auto-scaler to deal with non-stationary workloads of new IoT application scenarios. Finally, we developed a generic experimental Fog computing testbed customized to support various DSP experimentations. Electronic Thesis or DissertationText en application/pdf1 : 5488 Kohttps://ged.univ-rennes1.fr/nuxeo/site/esupversions/788ebba3-43c4-498c-b00a-e32dca612a24 Arkian Hamidreza 1985-05-04 IR 261383337 hamid.arkian@gmail.com 2021REN1S090 http://www.theses.fr/2021REN1S090 2021-12-07 Informatique Universite de Rennes 1thesis.degree.grantor_1 02778715X Doctorat non ouiPierreGuillaumeintervenant_119705613XElmrothErikintervenant_222384540XTordssonJohanintervenant_6258509406TaïanaiFrançoisintervenant_3081430264CardelliniValeriaintervenant_7252241096TedeschiCédricintervenant_8130900176RouvoyRomainintervenant_4111762146LefèvreLaurentintervenant_5083299262 MATHSTICecoleDoctorale_1 204770424 IRISA partenaireRecherche_1 026386909 ddc:004 PierreGuillaumeElmrothErikTaïanaiFrançoisRouvoyRomainLefèvreLaurentTordssonJohanCardelliniValeriaTedeschiCédricUniversite de Rennes 1Sciences et technologie, medecine, pharmacie, odontologie, droit, economie, gestion, philosophieMATHSTICÉcole doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes) IRISA ASCII PDF 5619477