ORDONANCEMENT

Spark

Spark inspiré de programmation Fonctionnelle

Programmation fonctionnelle revient en force grace aux systèmes
distribués

RDD = "Resilient Distributed Dataset"

• structure de données distribuée
• répliquées
• abstraction de programmation

Spark plus rapide que Hadoop sur les plus petits sets de données
car il n'enregistre pas systématiquement sur le disque, il peut
garder le set en mémoire. Cela n'est plus vrai sur des sets de données qui ne passent pas en mémoire.

Facteurs qui peuvent limiter les performances de Spark :

• synchronisation dans les phases de communication
• gestion de la mémoire
• bande passante disque
• bande passante réseau
• optimisation des calculs

Ordonancement

• Placement de tâches dans le temps et l'espace
• variété de :
  • objectfs
  • critères de qualité
  • contraintes

Cas d'études

Cas d'étude 1 : Ordonnanceur d'un index inversé d'un moteur de recherche web

Objectifs :

• Temps minimal pour effectuer les tâches

Critères de qualité :

• Coûts minimaux (argent, énergie, ressources)
• Résistance aux pannes
• Sécurité, résister aux attaques éventuelles

Contraintes :

• Taille des données
• Temps limité
• Les ressources

Cas d'étude 2 : Ordonnanceur d'un dispositif de conduite autonome

Objectifs :

• Exécuter toutes les tâches dans les contraintes données

Critères de qualité :

• Sécurité
• Résistant aux pannes
• Rédution des coûts
• Temps laissé aux tâches non critiques
• Résitance aux variations dues à l'environnement (température...)
• Preuve mathématique du fonctionnement

Contraintes :

• Temps réel
• priorités
• identifier la criticité
• Ressources limitées

Cas d'étude 3 : Répartiteur de charge d'un supercalculateur

Objectifs :

• Maximiser l'utilisation des ressources

Critères de qualité :

• Quantité de mémoire utilisée
• temps de calcul
• balance équité/performance
• Donner du temps à toutes les t^aches
• équité

Contraintes :

• Ressources
• Prioité
• Isoler projets
• Temps
• Quantité de resosurce et disponibilité

Mesos

Gestionnaire de cluster, comme kubernetes
Abstraction mémoire, cpu, données physiques

Développer sur Mesos fournis :

• résilience
• mise à l'echelle

Mesos est une interface entre hardwawre et software
Abstraction du cluster pour le faire passer pour une seule machine

Yarn

Yet another resource negotiator

Yarn est un composant de Apache Hadoop.

Gère les ressources du système

Planifie les tâches en allouant les ressources du système

Avant YARN, seul MapReduce était utilisable avec Hadoop

Se place au dessus de Hadoop File System

Interface pour lancer et monitorer les tâches

Node manager sur chaque noeud. Font un raport au ressource
Manager (centralisation). Container déployés sur différents
noeuds

Slurm

Répartiteur de tâches pour cluster/supercalculateur

Fonctions :

• alloue du temps d'accès aux ressources pour les tâches
• fournit une interface pour démarrer, exécuter et monitorer les tâches
• Gère la file d'attente d'accès aux ressources

Fonctionnement :

• slurmctld : daemon de contrôle (redondé)
• slurmd sur chaque noeud (tolérant aux fautes)

Kubernetes

Orchestrateur : Gestion de cluster

Il y aun système de contrôle central qui communique avec les noeuds. Les noeuds sont le support. Les pods sont les instances.
Un déploiement crée et gère les replicas et répartit les pods.
Les déploiement peuvent ensuite être représentés par un service qui est un point de sortie.

---

bc781d867a09a70ce942cf71afdcb4d95e3f1f1950ffe68bfd188debf93e0800