Contact pour postuler :

SABBADIN Alexandre :

Contexte :

Le déploiement croissant de l’Edge computing [1] marque une évolution majeure des architectures distribuées, offrant des services de proximité à faible latence, au-delà des systèmes Cloud centralisés. L’orchestration de services, essentielle pour la performance et la qualité de service (QoS), doit désormais relever de nouveaux défis liés à la gestion énergétique et à l’adaptabilité, dans un environnement hétérogène et mondial.

Historiquement, les approches d’orchestration visaient surtout à réduire la consommation d’énergie dans des infrastructures Cloud, où l’approvisionnement était stable et centralisé. Avec l’Edge, chaque ressource est alimentée de manière indépendante [2], parfois de façon intermittente, et peut s’appuyer sur des sources d’énergie renouvelable (solaire, éolien) introduisant une variabilité temporelle et géographique. Les méthodes classiques, adaptées à des contextes prévisibles, doivent évoluer vers des stratégies dynamiques capables de s’ajuster à une disponibilité énergétique changeante et localisée.

Cette complexité impacte directement la gestion de la QoS [3], qui doit concilier performance (temps de réponse, disponibilité, robustesse) et efficacité énergétique, malgré des objectifs souvent contradictoires. Une modélisation avancée des systèmes futurs est donc nécessaire pour intégrer ces compromis et définir des stratégies d’optimisation équilibrées.

L’orchestration de services agile joue un rôle clé en automatisant le déploiement et la gestion de services complexes [4], à la fois :

• Verticalement, en virtualisant du réseau à l’application pour améliorer l’utilisation des ressources et la scalabilité.
• Horizontalement, en intégrant l’ensemble du Cloud Continuum, du datacenter central jusqu’à l’Edge / Fog.

Une approche multi-objectif permettrait ainsi d’optimiser à la fois l’utilisation des ressources, la scalabilité, l’efficacité énergétique et les indicateurs de QoS..

Objectifs du stage :

Un framework pour le placement de VNF [5] a été conçu au sein de l’équipe SARA pour optimiser le déploiement de fonctions réseau virtualisées (VNF) sur des infrastructures Cloud. Ce prototype repose sur Open Source Mano [6] et OpenStack, et a déjà permis d’expérimenter différentes stratégies de placement. Dans le cadre des évolutions récentes des architectures réseau, il est en cours d’adaptation pour passer du placement de VNFs au placement de CNFs (Cloud-native Network Functions), en s’appuyant sur Kubernetes pour la gestion et l’orchestration des conteneurs.
Ce nouveau prototype intègre également une approche « energy-aware », exploitant les métriques de consommation et de performance issues de la plateforme expérimentale Grid’5000 [7], centralisées par Prometheus au niveau d’OSM, afin d’orienter les décisions de placement en fonction de critères énergétiques.

Les objectifs du stage sont :

• Permettre la reconfiguration dynamique de placement de CNFs avec OSM, afin d’optimiser leur placement en fonction des conditions de charge (métriques exportées par Kubernetes) et d’énergie (API Grid’5000).
• Ajouter au framework un générateur d’énergies renouvelables simulées à partir de modèles / données réelles, capable de produire et d’exporter des métriques de puissance vers Prometheus, utilisables par les modules de placement et de reconfiguration de placement.
• Évaluer les algorithmes existants sur la plateforme (algorithmes génétiques) et, le cas échéant, contribuer à la conception de nouveaux algorithmes répondant aux contraintes multi-objectifs (énergie, QoS).

Compétences requises :

• Développement Python
• Bases de Docker / Kubernetes
• Familier avec le système Unix et l’utilisation de machines virtuelles

Références :

[1] K. Cao, Y. Liu, G. Meng, and Q. Sun, “An Overview on Edge Computing Research,” IEEE Access, vol. 8, pp. 85714–85728, 2020.

[2] P. Cong, J. Zhou, L. Li, K. Cao, T. Wei, and K. Li, “A Survey of Hierarchical Energy Optimization for Mobile Edge Computing: A Perspective from End Devices to the Cloud,” ACM Computing Surveys, vol. 53, pp. 38:1–38:44, Apr. 2020.

[3] C. Jiang, T. Fan, H. Gao, W. Shi, L. Liu, C. C´erin, and J. Wan, “Energy aware edge computing: A survey,” Computer Communications, vol. 151, pp. 556–580, Feb. 2020.

[4] B. Costa, J. Bachiega, L. R. de Carvalho, and A. P. F. Araujo, “Orchestration in Fog Computing: A Comprehensive Survey,” ACM Computing Surveys, vol. 55, pp. 29:1–29:34, Jan. 2022

[5] A. Sabbadin, A. K. C. S.Boni, H. Hassan, and K. Drira, “Optimizing network slice placement using Deep Reinforcement Learning (DRL) on a real platform operated by Open Source MANO (OSM),” TACC (pp. 89-100), Nov. 2023

[6] Open Source MANO (OSM), https://osm.etsi.org/, 2025. [Online].

[7] D. Balouek, A. Carpen Amarie, G. Charrier, F. Desprez, E. Jeannot, E. Jeanvoine, A. L`ebre, D. Margery, N. Niclausse, L. Nussbaum, O. Richard, C. P´erez, F. Quesnel, C. Rohr, and L. Sarzyniec, “Adding virtualization capabilities to the Grid’5000 testbed,” in Cloud Computing and Services Science, ser. Communications in Computer and Information Science, I. I. Ivanov, M. van Sinderen, F. Leymann, and T. Shan, Eds. Springer International Publishing, 2013, vol. 367, pp. 3–20.