Scheduling Parallel Tasks on Shared Heterogeneous Platforms

Aujourd'hui, les plates-formes hétérogènes et partagées que sont les grilles de calcul sont omniprésentes. De plus, le besoin d'exécuter des applications parallèles complexes est croissant. Cette thèse vise à ordonnancer des applications représentées par des graphes de tâches modelables (dont le nombre de processeurs est fixé par l'ordonnanceur) sur des grilles de calcul en exploitant le maximum de parallélisme, utilisant efficacement les ressources, gérant l'hétérogénéité et le partage des ressources. Nous avons pour cela opté pour des heuristiques pragmatiques car, bien qu'elles n'offrent pas de garantie de performance, elles peuvent néanmoins conduire à de bonnes performances moyennes tout en construisant des ordonnancements en des temps relativement courts. La plupart des heuristiques existantes n'ordonnancent les applications parallèles mixtes qu'en milieu homogène et utilisent parfois inefficacement les ressources. Nous avons donc tout d'abord étudié différentes heuristiques dans le cas de plates-formes homogènes et proposé des améliorations visant à améliorer le compromis entre réduction du temps de complétion et efficacité. Nous avons ensuite introduit la gestion de l'hétérogénéité dans l'heuristique proposée et comparé ses performances à celles d'un algorithme garanti. Enfin, nous avons tenu compte du caractère partagé des grilles en gérant la concurrence entre applications. L'approche retenue consiste à limiter la quantité de ressources que chaque application peut utiliser pour construire son ordonnancement. Nous avons également proposé plusieurs stratégies de détermination de cette contrainte de ressources.Today, computing grids, that are shared and heterogeneous platforms, are ubiquitous. Furthermore, the need to execute complex parallel applications is growing. The aim of this thesis is to schedule applications modeled by moldable task graphs (the number of processors allocated to each task is fixed by the scheduler) onto computing grids to exploit maximum parallelism, use efficiently the resources and manage the sharing of resources. We chose to design pragmatic heuristics because, although they do not guarantee performance, they can lead to good average performance while computing schedules in relatively short times. Almost all existing heuristics only schedule mixed parallel applications onto homogeneous platforms and they sometimes use inefficiently the resources. Thus, we first studied different scheduling heuristics in the case of homogeneous platforms and propose improvements to have a good compromise between the completion time and the efficiency. We then introduced management of heterogeneity in the proposed heuristic and compared its performances with those of a guaranteed algorithm. Finally, we have taken into account the fact that grids are shared by managing competition between applications. Our approach is to limit the amount of resources that each application can use to build its schedule. We also proposed different strategies to determine that resource constraint