Échange de tâches pour la réduction de la durée moyenne de réalisation

National audienceIn this paper, we study the problem of task reallocation for load-balancing indistributed data processing models that tackle vast amount of data. We proposehere a strategy based on cooperative agents used to optimize the rescheduling oftasks in multiple jobs which must be executed as soon as possible. It allowsagents to determine locally the next tasks to process, to delegate, eventuallyto swap according to their knowledge, their own belief base and their peermodelling. The novelty lies in the ability of agents to identify opportunitiesand bottleneck agents, and afterwards to reassign swap tasks thanks toconcurrent bilateral negotiations. The strategy adopted by the agents allows towarrant a continuous improvement of the flowtime. Our experimentation revealsthat our strategy reaches a flowtime which is close to the one reached by theclassical heuristic approach, and significantly reduces the rescheduling time.Dans cet article, nous étudions le problème de la réallocation de tâches pour l'équilibrage de charge dans les modèles distribués de traitement de données massives. Nous proposons ici une stratégie qui repose sur des agents coopératifs pour optimiser le réordonnancement de tâches dans un ensemble de jobs devant être exécutés le plus tôt possible. Elle permet aux agents de déterminer localement les prochaines tâches à exécuter, à déléguer, voire à échanger grâce à leur modèle des pairs. La nouveauté réside dans la capacité des agents à échanger des tâches à travers des négociations bilatérales concurrentes. Nos expérimentations montrent que la durée moyenne de réalisation atteinte par notre stratégie reste proche de celle obtenue avec une heuristique classique, avec un temps de réordonnancement significativement réduit