Accueil > Manifestations > Thèses et HDR > Thèses > Frédéric Dumont

Frédéric Dumont

Directeur de thèse

Jean-Marc Menaud

Résumé

Cette thèse présente deux contributions. La première contribution consiste en l’étude des métriques de performance permettant de superviser l’activité des serveurs physiques et des machines virtuelles s’exécutant sur les hyperviseurs VMware et KVM. Cette étude met en avant les compteurs clés et propose des analyses avancées dans l’objectif de détecter ou prévenir d’anomalies liées aux quatre ressources principales d’un centre de données : le processeur, la mémoire, le disque et le réseau. La seconde contribution porte sur un outil pour la détection de machines virtuelles à comportements pré-déterminés et/ou atypiques. La détection de ces machines virtuelles à plusieurs objectifs. Le premier, permettre d’optimiser l’utilisation des ressources matérielles en libérant des ressources par la suppression de machines virtuelles inutiles ou en les redimensionnant. Le second, optimiser le fonctionnement de l’infrastructure en détectant les machines sous-dimensionnées, surchargées ou ayant une activité différente des autres machines virtuelles de l’infrastructure.

Mots clés

Cloud Computing, virtualisation, centre de données, machine virtuelle, introspection, supervision, analyse, comportements, métriques de performance

Abstract :

This thesis presents two contributions. The first contribution is the study of key performance indicators to monitor physical and virtual machines activity running on VMware and KVM hypervisors. This study highlights performance metrics and provides advanced analysis with the aim to prevent or detect abnormalities related to the four main resources of a datacenter : CPU, memory, disk and network. The second contribution relates to a tool for virtual machines with pre-determined and/or atypical behaviors detection. The detection of these virtual machines has several objectives. First, optimize the use of hardware resources by freeing up resources by removing unnecessary virtual machines or by resizing those oversized. Second, optimize infrastructure performance by detecting undersized or overworked virtual machines and those having an atypical activity.

Key Words :

Cloud Computing, virtualization, datacenter, virtual machine, introspection, monitoring, analysis, virtual machine behaviour, key performance indicator

Composition du jury de thèse :

  • Vania MARANGOZOVA-MARTIN , Maître de Conférences HdR, Université Joseph Fourier Grenoble, Rapporteur
  • Daniel HAGIMONT , Professeur HdR, INPT/ENSEEIHT Toulouse, Rapporteur
  • Anne-Cécile ORGERIE , Chargée de Recherche CNRS, IRISA Rennes, Examinateur
  • Noël DE PALMA , Professeur HdR, Université Joseph Fourier Grenoble, Examinateur
  • Benoit PARREIN , Maître de Conférences HdR, Polytech Nantes, Examinateur
  • Martin DARGENT , Président Directeur Général, Easyvirt, Invité
  • Jean-Marc MENAUD , Professeur HdR, Mines de Nantes, Directeur de thèse

Dernière modification : vendredi 16 septembre 2016