Analyse multi-dimensionnelle des consommations énergétiques logicielles sur les architectures multi-coeurs

L’Informatique "verte" est très importante de nos jours. Parmi les raisons principales, nous pouvons mentionner le rôle majeur des centres de données qui consomment autant que 180 000 foyers en électricité. Associé aux préoccupations énergétiques, cet enjeu représente un challenge technologique et sociétal de premier ordre. Des watt-mètres sont actuellement utilisés et partagés pour récupérer un ensemble agrégé de rapports énergétiques sur plusieurs heures ou minutes. Cependant, pour améliorer l’efficacité énergétique des logiciels, nous devons dépasser ces limitations et proposer des estimations plus fines. Particulièrement, la communauté considère le CPU comme étant le composant le plus énergivore et est donc largement considéré lors de la modélisation énergétique de système. Des dizaines de modèles de consommation ont déjà été proposées pour prendre en compte la grande diversité et la complexité grandissante des CPUs. Dans cette thèse, nous proposons PowerAPI pour apprendre automatiquement les modèles de consommation et construire des watt-mètres logiciels permettant des estimations précises sur des architectures modernes. Avec l’émergence de l’Informatique dématérialisée, nous avons développé BitWatts et WattsKit pour pousser l’utilisation d’estimations énergétiques à grain fin au sein de VMs ou clusters. Un niveau encore plus fin peut être requis pour mieux évaluer l’efficacité d’optimisations logicielles et nous proposons donc codEnergy pour aider à mieux comprendre comment l’énergie est consommée par un logiciel. Nous démontrons aussi dans cette thèse l’utilité de PowerAPI pour mieux comprendre les consommations logicielles sur les architectures modernes.Energy-efficient computing is becoming increasingly important. Among the reasons, one can mention the massive consumption of large data centers that consume as much as 180,000 homes. This trend, combined with environmental concerns, makes energy efficiency a prime technological and societal challenge. Currently, widely used power distribution units (PDUs) are often shared amongst nodes to deliver aggregated power consumption reports, in the range of hours and minutes. However, in order to improve the energy efficiency of software systems, we need to support process-level power estimation in real-time, which goes beyond the capacity of a PDUs. In particular, the CPU is considered by the research community as the major power consumer within a node and draws attention while trying to model the system power consumption. Over the last few years, a dozen of ad hoc power models have been proposed to cope with the wide diversity and the growing complexity of modern CPU architectures. In this thesis, we rather propose PowerAPI for learning power models and building software-defined power meters that provide accurate power estimation on modern architectures. With the emergence of cloud computing, we propose BitWatts and WattsKit for leveraging software power estimation in VMs and clusters. A finer level of estimation may be required to further evaluate the effectiveness of the software optimizations and we therefore propose codEnergy for helping developers to understand how the energy is really consumed by a software. We deeply assessed all above approaches, thus demonstrating the usefulness of PowerAPI to better understand the software power consumption on modern architectures