Système multi-agents adaptatif pour ...
Document type :
Thèse
Title :
Système multi-agents adaptatif pour l'équilibrage de charge centré utilisateur
English title :
Adaptive multi-agent system for user-centric load-balancing
Author(s) :
Beauprez, Ellie [Auteur]
Centre de Recherche en Informatique, Signal et Automatique de Lille - UMR 9189 [CRIStAL]
Centre de Recherche en Informatique, Signal et Automatique de Lille - UMR 9189 [CRIStAL]
Thesis director(s) :
Maxime Morge
Defence date :
2024-07-08
Jury president :
René Mandiau [Président]
Zahia Guessoum [Rapporteur]
Gauthier Picard [Rapporteur]
Anne-Cécile Caron
Jean-Christophe Routier
Zahia Guessoum [Rapporteur]
Gauthier Picard [Rapporteur]
Anne-Cécile Caron
Jean-Christophe Routier
Jury member(s) :
René Mandiau [Président]
Zahia Guessoum [Rapporteur]
Gauthier Picard [Rapporteur]
Anne-Cécile Caron
Jean-Christophe Routier
Zahia Guessoum [Rapporteur]
Gauthier Picard [Rapporteur]
Anne-Cécile Caron
Jean-Christophe Routier
Accredited body :
Université de Lille
Doctoral school :
École graduée Mathématiques, sciences du numérique et de leurs interactions (Lille ; 2021-....)
NNT :
2024ULILB013
Keyword(s) :
Système multi-Agents
Résolution collective de problèmes
Négociation multi-Agents
Allocation de tâches
Résolution collective de problèmes
Négociation multi-Agents
Allocation de tâches
English keyword(s) :
Multi-Agent system
Distributed problem solving
Agent-Based negotiation
Task allocation
Distributed problem solving
Agent-Based negotiation
Task allocation
HAL domain(s) :
Informatique [cs]/Intelligence artificielle [cs.AI]
French abstract :
Mes travaux s'intègrent aux recherches menées dans l'équipe SMAC de CRIStAL en Intelligence Artificielle Distribuée.Les sciences des données exploitent de larges volumes de données sur lesquelles des calculs sont effectués ...
Show more >Mes travaux s'intègrent aux recherches menées dans l'équipe SMAC de CRIStAL en Intelligence Artificielle Distribuée.Les sciences des données exploitent de larges volumes de données sur lesquelles des calculs sont effectués en parallèle par différents nœuds. Ces applications mettent à l'épreuve l'informatique distribuée en ce qui concerne l'allocation de tâches et l'équilibrage de charge. J'étudie dans cette thèse le problème de l'allocation continue de jobs concurrents, composés de tâches situées, sous-jacent au déploiement d'applications de traitement de données massives sur une grappe de serveurs. L'objectif est de minimiser le délai moyen de réalisation de ces jobs, appelée flowtime.Je propose dans ce document un modèle multi-agents d'assignation tâches-exécutants où les nœudsde calcul sont contrôlés par des agents collaboratifs, appelés agents-nœuds, qui négocient des réallocations locales pour aboutir à une meilleure répartition des tâches. Ces négociations se déroulent au fil de l'exécution des tâches. Grâce à leur modèle des pairs, les agents-nœuds sont capables d'identifier des opportunités au sein de l'allocation courante pour marchander des délégations voire des échanges de tâches avec leurs semblables. Pour améliorer la réactivité (responsiveness) de la stratégie multi-agents qui repose sur l'exécution asynchrone de comportements individuels en interaction, le processus de négociation s'appuie sur de multiples négociations bilatérales concurrentes.Mes campagnes d'expérimentation permettent de valider empiriquement l'efficacité de la réactivitéde ma stratégie multi-agents. En effet, ma méthode favorise un réordonnancement rapide des tâches,plutôt que la recherche de la solution optimale, ce qui permet une adaptation rapide. Mes expérimentations montrent que, lorsqu'elle est exécutée de manière concurrente au processus de consommation,notre stratégie de réallocation : (1) réduit significativement le temps de réordonnancement ; (2) améliorele délai moyen de réalisation ; (3) ne pénalise pas la consommation ; (4) est robuste aux aléas d'exécution ; et (5) s'adapte à la libération de jobs.Show less >
Show more >Mes travaux s'intègrent aux recherches menées dans l'équipe SMAC de CRIStAL en Intelligence Artificielle Distribuée.Les sciences des données exploitent de larges volumes de données sur lesquelles des calculs sont effectués en parallèle par différents nœuds. Ces applications mettent à l'épreuve l'informatique distribuée en ce qui concerne l'allocation de tâches et l'équilibrage de charge. J'étudie dans cette thèse le problème de l'allocation continue de jobs concurrents, composés de tâches situées, sous-jacent au déploiement d'applications de traitement de données massives sur une grappe de serveurs. L'objectif est de minimiser le délai moyen de réalisation de ces jobs, appelée flowtime.Je propose dans ce document un modèle multi-agents d'assignation tâches-exécutants où les nœudsde calcul sont contrôlés par des agents collaboratifs, appelés agents-nœuds, qui négocient des réallocations locales pour aboutir à une meilleure répartition des tâches. Ces négociations se déroulent au fil de l'exécution des tâches. Grâce à leur modèle des pairs, les agents-nœuds sont capables d'identifier des opportunités au sein de l'allocation courante pour marchander des délégations voire des échanges de tâches avec leurs semblables. Pour améliorer la réactivité (responsiveness) de la stratégie multi-agents qui repose sur l'exécution asynchrone de comportements individuels en interaction, le processus de négociation s'appuie sur de multiples négociations bilatérales concurrentes.Mes campagnes d'expérimentation permettent de valider empiriquement l'efficacité de la réactivitéde ma stratégie multi-agents. En effet, ma méthode favorise un réordonnancement rapide des tâches,plutôt que la recherche de la solution optimale, ce qui permet une adaptation rapide. Mes expérimentations montrent que, lorsqu'elle est exécutée de manière concurrente au processus de consommation,notre stratégie de réallocation : (1) réduit significativement le temps de réordonnancement ; (2) améliorele délai moyen de réalisation ; (3) ne pénalise pas la consommation ; (4) est robuste aux aléas d'exécution ; et (5) s'adapte à la libération de jobs.Show less >
English abstract : [en]
My work is part of the research done by the SMAC team in the laboratory CRIStAL in Distributed Artificial Intelligence.Data sciences exploit large datasets on which computations are performed in parallel by differentnodes. ...
Show more >My work is part of the research done by the SMAC team in the laboratory CRIStAL in Distributed Artificial Intelligence.Data sciences exploit large datasets on which computations are performed in parallel by differentnodes. These applications challenge distributed computing in terms of task allocation and load-balancing.In this thesis, I study the problem of continuous allocation of concurrent jobs, composed of situated tasks,underlying the deployment of massive data processing applications on a cluster of servers. The objectiveis to minimise the mean flowtime of these jobs.In this paper, I propose a multi-agent task-worker assignment model where computing nodes are controlled by collaborative agents, called node agents, which negotiate local task reallocations to achieve a bettertask distribution. These negotiations take place during the tasks execution. Thanks to their peer modelling,node agents are able to identify opportunities within the current allocation to negotiate task delegationsor even swaps with their peers. To improve the responsiveness of the multi-agent strategy, which is basedon the asynchronous execution of interacting individual behaviours, the negotiation process is based onmultiple concurrent bilateral negotiations.My experimental campaigns allow me to empirically validate the efficiency of the reactivity of mymulti-agent strategy. This is because my method encourages rapid reordering of tasks, rather than thesearch for the optimum solution, which allows responsiveness. My experiments show that, when executedconcurrently with the consumption process, our reallocation strategy : (1) significantly reduces the rescheduling time ; (2) improves the flowtime ; (3) does not penalise the consumption ; (4) is robust to executionhazards ; and (5) adapts to the release of jobs.Show less >
Show more >My work is part of the research done by the SMAC team in the laboratory CRIStAL in Distributed Artificial Intelligence.Data sciences exploit large datasets on which computations are performed in parallel by differentnodes. These applications challenge distributed computing in terms of task allocation and load-balancing.In this thesis, I study the problem of continuous allocation of concurrent jobs, composed of situated tasks,underlying the deployment of massive data processing applications on a cluster of servers. The objectiveis to minimise the mean flowtime of these jobs.In this paper, I propose a multi-agent task-worker assignment model where computing nodes are controlled by collaborative agents, called node agents, which negotiate local task reallocations to achieve a bettertask distribution. These negotiations take place during the tasks execution. Thanks to their peer modelling,node agents are able to identify opportunities within the current allocation to negotiate task delegationsor even swaps with their peers. To improve the responsiveness of the multi-agent strategy, which is basedon the asynchronous execution of interacting individual behaviours, the negotiation process is based onmultiple concurrent bilateral negotiations.My experimental campaigns allow me to empirically validate the efficiency of the reactivity of mymulti-agent strategy. This is because my method encourages rapid reordering of tasks, rather than thesearch for the optimum solution, which allows responsiveness. My experiments show that, when executedconcurrently with the consumption process, our reallocation strategy : (1) significantly reduces the rescheduling time ; (2) improves the flowtime ; (3) does not penalise the consumption ; (4) is robust to executionhazards ; and (5) adapts to the release of jobs.Show less >
Language :
Français
Collections :
Source :
Files
- document
- Open access
- Access the document
- These_BEAUPREZ_Ellie.pdf
- Open access
- Access the document