Thse CIFRE - Exploration de graphes appliques l39optimisation de l39orchestration des infrastructures micro-services

SMILE est leleader du sourire au travailmais aussi delintgration de solutions OpenSource.Enthousiastes agiles et performants notre vocation est de librer le potentiel dinnovation des entreprises travers lOpenSource !

Nos Smiliens experts accompagnent les entreprises dans des domaines aussi varis quele Digital les Business Apps lEmbarqu & lIoT et lInfrastructure : 1800 collaborateursprsents dans9 pays avec17 agencesrpartiesen France et linternational.Nos marques expertes :SensioLabs Neopixl Alter Way UXRepublic Creativestyle et Synotis.

Nous sommescertifisHappy at Work 2023 !

Au sein de lagence situe Asnires rejoignez une quipe dynamique depionns du monde Open Sourceen intgrant le service R&D de Smile dans une ambiance taille humaine.

Le sujet :

Alors que lindustrie se tourne de plus en plus vers des solutions dexcution dites en
microservices (comme Kubernetes ou Docker) la ncessit doffrir des moyens doptimisationdes consommations de ressources tout en respectant des critres mtiers spcifiques estcritique.

Dans le cadre de lapplication open source HOTS (Hybrid Optimization for Time Series) nouscherchons urer une gestion optimise en continu des conteneurs (notamment leurplacement) sur une infrastructure. Au sein du processus dvelopp les conteneurs sontaujourdhui regroups en clusters en fonction de leurs profils de consommation. Or descontraintes de colocalisation supplmentaires peuvent tre spcifies entre conteneurs(conteneurs appartenant une mme stack applicative un mme client une mmemachine ...). Ces informations pourraient elles aussi tre reprsentes sous forme de grapheso les nuds reprsentent des conteneurs et les artes reprsentent des relations de similaritou de colocalisation.

Dans notre solution des graphes sont dj utiliss au sein de la mthode de mise jour dessolutions de clustering et de placement des conteneurs. En effet des graphes de conflitreprsentent les solutions actuelles : une arte entre deux sommets reprsente lappartenance un mme cluster (clustering) / serveur (placement) de deux conteneurs. Une liste deconteneurs rigner est construite en rcuprant les sommets de degr pondr plus levsur ces graphes.

En combinant ces diffrents graphes (tout ou partie) nous pouvons former un super graphedont lobjectif est de trouver des ples indpendants au sein du nouveau graphe permettantlobtention dune solution pour le cas dusage tudi. Dans le cas du placement de conteneurs :un ple reprsente un groupe de conteneurs dont les profils de consommation offrent unebonne colocalisation et dont les contraintes applicatives permettent cette colocalisation. Un plereprsente donc un nud possible et la reprsentation multipolaires du super graphe lasolution de placement globale.

Lobjectif de cette thse serait dexplorer lexploitation combine de la thorie des graphes et delapprentissage automatique pour optimiser le dploiement et la gestion des conteneurs sur uneinfrastructure Cloud.

Possibilits dextension : cette reprsentation en graphes hirarchiques permet galement depouvoir influer facilement sur un aspect du problme global (e.g. modification du clusteringtrouver une coupe pour rduire la taille dun cluster important ; ajouter / retirer des contraintesapplicatives) avant de reformer le graphe global.

Objectifs de la thse :

• Modlisation des graphes de clustering et de contraintes de colocalisation :
  Dvelopper des modles de graphes pour reprsenter de manire efficace les clustersde conteneurs et les contraintes de colocalisation en prenant en compte les diffrentescaractristiques et relations entre les conteneurs.

• yse de la structure des graphes : Utiliser des techniques dyse des graphespour identifier les motifs les clusters et les sousstructures significatives dans lesgraphes de clustering et de contraintes de colocalisation ce qui pourrait rvler des opportunits doptimisation pour le placement des conteneurs.

• Dveloppement dalgorithmes doptimisation : Concevoir des algorithmes b surla thorie des graphes et lapprentissage automatique pour optimiser le placement et lagestion des conteneurs sur linfrastructure. Cela pourrait inclure des techniquesdoptimisation combinatoire de clustering et de clification pour trouver desconfigurations optimales tout en respectant les contraintes de colocalisation.

• Intgration de donnes en temps rel : Explorer des mthodes pour intgrer desdonnes en temps rel sur la consommation des ressources et les performances desconteneurs dans le processus doptimisation afin dadapter dynamiquement lesdploiements en fonction des conditions changeantes de linfrastructure.

• Validation exprimentale et tude de cas : valuer les performances des algorithmesproposs laide de simulations et dexprimentations sur des cas dutilisation rels encomparant les rsultats avec des approches de dploiement traditionnelles pourdmontrer leur efficacit et leur applicabilit pratique. Un environnement de test endonnes relles est dj dvelopp ce qui facilite lintgration et lvaluation de lasolution par le/la candidat(e).

Contributions attendues :

Cette thse devrait aboutir des avances significatives dans la manire dont les conteneurssont dploys et grs sur une infrastructure en exploitant les informations de clustering et decolocalisation pour optimiser les performances la fiabilit et lefficacit des systmes b surles conteneurs. Les rsultats obtenus pourraient avoir un impact significatif sur la manire dontles infrastructures cloud sont conues et exploites dans un large ventail de domainesdapplication.

De plus lyse simultane de plusieurs graphes peut dboucher sur diffrentes avancestechniques propres la thorie des graphes ou lies lexploration / la visualisation enplusieurs dimensions de plusieurs graphes.

Profil :

Vous venez dtre diplm et tes en recherche dun financement de thse CIFRE ou vous tes en dernire anne dcole dingnieur et envisag de continuer sur une thse lanne prochaine.

Vous avez de solides connaissances en optimisation et en thorie des graphes. Unematrise de la programmation notamment Python est galement requise. Des connaissancesde base en machine learning seraient un atout supplmentaire.