Prédiction de comportement d'applications parallèles et placement à l'aide de modèles économiques sur une grille de calcul

One of the most promising solution to the challenge of processing power increase consists in creating Grids. Nevertheless, their use in an optimal way has not been reached because of complexity of such a support. This thesis focuses on one of the issues inherent in the grid concept, which is the grid resource management. We demonstrate that this problem can be dealt by applying economic paradigms from real-life to the resource management issue. We define an economic model that enables to manage processors that belong to a computational grid. The purpose of this model is to associate a cost with each host. Scheduling can thus be assmilated to a non-linear optimization problem under constraints, with integer variables. The choice of executing hosts has to minimize a compromise between the application execution time and its cost. We propose an implementation of this model that uses a genetic algorithm. This implementation is finally integrated into the OAR scheduler that is used upon the French exprimental research grid : Grid'5000. In a second part of the thesis, we achieved some work in the domain of application execution time prediction. Indeed, an estimation of this time is necessary to the economic model. We define an hybrid method of time prediction that is both profile-based and historic-based. This prediction is achieved by combinating a program structure analysis to an instance-based learning method.We demonstrate that taking in account the application profile improves predictions that are carried out through classical historic-based prediction methods.Une des solutions les plus prometteuses actuellement à la course à la puissance de traitement consiste à créer des grilles. Néanmoins, leur utilisation optimale n'est pas encore atteinte dû notamment à la complexité que ce support d'exécution amène pour les administrateurs et utilisateurs. Cette thèse se concentre sur la gestion des ressources composant une grille de calcul. Nous montrons comment traiter ce problème à l'aide de paradigmes économiques. Nous définissons un modèle économique permettant de gérer les ressources d'une grille. Ce modèle propose d'associer un coût à chacune des machines de la grille. Le placement d'une application est assimilé à un problème d'optimisation non-linéaire sous contraintes et à variables entières, pour lequel le choix des machines à utiliser doit minimiser un compromis entre le temps d'exécution de l'application et son coût. Une implémentation de ce modèle à l'aide d'un algorithme génétique est proposée, de même que son intégration au sein de l'ordonnanceur OAR utilisé sur Grid'5000. Dans une seconde partie de la thèse, des travaux ont été effectués dans le domaine de la prédiction du temps d'exécution d'une application. Nous définissons une méthode hybride de prédiction basée à la fois sur le profil des applications ainsi que sur un historique d'exécutions passées, combinant une analyse de la structure du programme à une méthode d'apprentissage basé sur des instances. Nous montrons notamment que la prise en compte du profil des applications améliore les prédictions réalisées au moyen de méthodes classiques basées seulement sur des historiques d'exécutions passées