Leyton est un cabinet de conseil international qui aide ses clients à identifier des leviers financiers pour accélérer leur croissance et construire un progrès durable.
L’informatique en nuage a transformé la façon dont les entreprises gèrent et dimensionnent leur infrastructure et leurs opérations informatiques. Cet impact transformationnel est visible dans la manière dont les organisations gèrent et utilisent leurs ressources, stockent et traitent les données, et enfin fournissent des services à leurs clients (1)(2). Le défi consiste toutefois à optimiser l’allocation des ressources afin d’équilibrer les performances tout en minimisant les coûts (4). Dans cet article, nous allons nous pencher sur les complexités de l’optimisation de l’allocation des ressources dans le nuage.
L’impact de l’informatique en nuage sur l’allocation des ressources
L’informatique en nuage modifie fondamentalement la manière dont les ressources informatiques sont fournies, accessibles et gérées. Les organisations peuvent désormais accéder à un pool de ressources informatiques partagées fournies par Internet plutôt que de dépendre uniquement d’une infrastructure sur site (5). Ce modèle offre une grande flexibilité dans l’allocation des ressources, permettant aux organisations d’augmenter ou de réduire leurs capacités en fonction de la demande, tout en ne payant que pour les ressources consommées (2). Ce modèle contraste avec les modèles informatiques traditionnels, qui nécessitent souvent d’importants investissements initiaux dans le matériel et l’infrastructure, qui peuvent ou non être pleinement utilisés. Dans ce contexte, l’allocation des ressources est essentielle car elle permet aux organisations d’éviter le gaspillage des ressources et le surapprovisionnement (5). La nature dynamique de l’informatique dématérialisée permet de répondre à des charges de travail variables, garantissant la disponibilité des ressources pendant les pics de demande sans avoir à maintenir une capacité excédentaire pendant les périodes de faible demande. (5) (6)
Modèles d’allocation des ressources en nuage
Les fournisseurs de services en nuage proposent divers modèles d’allocation des ressources, notamment l’infrastructure en tant que service (IaaS), la plateforme en tant que service (PaaS) et le logiciel en tant que service (SaaS) (3). Chacun de ces modèles répond à un niveau différent de contrôle et de gestion des ressources, ce qui permet aux entreprises de choisir celui qui correspond le mieux à leurs besoins. Les stratégies d’allocation des ressources sont essentielles pour optimiser les performances et la rentabilité des environnements d’informatique en nuage. La mise à l’échelle automatique et l’équilibrage de la charge sont deux stratégies clés d’allocation dynamique qui ont gagné en popularité (7). Ces stratégies permettent aux organisations de gérer efficacement les ressources en fonction de la demande en temps réel, en garantissant une utilisation optimale tout en restant réactif.
La mise à l’échelle automatique est une stratégie qui ajuste automatiquement les ressources allouées en fonction de la charge de travail. Lorsque la charge de travail augmente, le système s’adapte en provisionnant des ressources supplémentaires, telles que des machines virtuelles, des conteneurs ou des instances de serveur. Lorsque la demande diminue, le système s’adapte pour faire de la place aux ressources excédentaires. Cette approche dynamique évite la sous-utilisation et le surprovisionnement, ce qui permet aux entreprises d’adapter précisément les ressources à la demande, et donc de réaliser des économies et d’améliorer les performances. (8)
Une autre stratégie essentielle est l’équilibrage de la charge, qui répartit le trafic réseau entrant entre plusieurs serveurs ou instances. Cela garantit qu’aucun serveur n’est surchargé alors que d’autres restent inactifs, ce qui se traduit par une meilleure utilisation des ressources et de meilleurs temps de réponse. Les équilibreurs de charge prennent des décisions intelligentes quant à l’acheminement des demandes entrantes en fonction de facteurs tels que la santé du serveur, sa capacité et les temps de réponse. (9)
Outre ces stratégies d’allocation dynamique, les algorithmes prédictifset l’apprentissage automatiquejouent un rôle de plus en plus important dans la prévision des besoins futurs en ressources. En analysant les données historiques et les modèles, les algorithmes prédictifs peuvent anticiper les périodes d’augmentation de la demande et déclencher automatiquement la mise à l’échelle des ressources pour répondre à la charge de travail prévue (10). Cette approche proactive garantit que les ressources sont disponibles à l’avance, évitant ainsi une dégradation des performances lors des pics de demande (11). Les algorithmes d’apprentissage automatique peuvent encore améliorer les capacités prédictives en apprenant à partir de données historiques et en s’adaptant à l’évolution des modèles. Ces algorithmes peuvent reconnaître des relations complexes entre les variables et fournir des prédictions plus précises, ce qui permet aux organisations d’allouer les ressources plus efficacement et d’améliorer leurs stratégies de gestion des ressources au fil du temps. (11) (12)
D’autre part, les environnements multi-cloud et cloud hybride introduisent des complexités dans l’allocation des ressources, impliquant de multiples fournisseurs ou des combinaisons privé-public (13). Bien qu’ils offrent flexibilité et redondance, ils exigent une gestion méticuleuse des ressources en raison des problèmes d’interopérabilité, de transfert de données et de performance (13). Des outils tels que les plateformes de gestion des nuages et les outils d’orchestration permettent de gérer efficacement ces environnements (13).
Le compromis entre la rentabilité et la performance détermine les décisions d’allocation des ressources (14). Le surprovisionnement entraîne une sous-utilisation des ressources, ce qui engendre des coûts supplémentaires, tandis que le sous-provisionnement a un impact sur les performances de l’application (14). Une compréhension approfondie des caractéristiques de la charge de travail et des modèles d’utilisation des ressources est nécessaire pour trouver un équilibre (14). La conteneurisation etl’informatique sans serveur sont deux paradigmes innovants qui optimisent l’utilisation des ressources (15). La conteneurisation encapsule les applications et les dépendances, garantissant qu’elles se comportent de manière cohérente dans tous les environnements (16). L’informatique sans serveurfait abstraction de la gestion de l’infrastructure en allouant les ressources en fonction de la demande (17).
Les modèles et outils économiques jouent un rôle essentiel dans la réduction des coûts (18). Ces modèles reposent sur des concepts tels que le paiement à l’utilisation, qui permet d’aligner les dépenses sur la consommation réelle des ressources (19). En outre, les instances réservées offrent des prix réduits pour l’utilisation engagée, tandis que les instances ponctuelles capitalisent sur la capacité excédentaire pour réaliser des économies (20). Notamment, AWS Cost Explorer offre un exemple pratique d’outil qui permet de comprendre les modèles de dépenses, améliorant ainsi le processus d’optimisation (20).
Pour obtenir des informations en temps réel sur l’utilisation des ressources et les performances des applications, des outils tels que New Relic et Dynatrace sont d’une valeur inestimable (21). Dans le cadre de l’amélioration continue, des ajustements itératifs sont essentiels pour s’adapter à l’évolution de la charge de travail (22). Dans ce domaine, l’apprentissage automatique etl’analyse prédictivefournissent une assistance précieuse, aidant les organisations à prévoir avec précision les ressources (22).
Vous voulez en savoir plus sur les possibilités de financement pour votre projet ? Planifiez une consultation gratuite avec l’un de nos experts dès aujourd’hui !
Mell, P., & Grance, T. (2011). The NIST definition of cloud computing. National Institute of Standards and Technology, 53(6), 50.
Armbrust, M., Fox, A., Griffith, R., et al. (2010). A view of cloud computing. Communications of the ACM, 53(4), 50-58.
Buyya, R., Broberg, J., & Goscinski, A. M. (2011). Cloud computing: principles and paradigms. John Wiley & Sons.
Jin, H., Yang, J., Lin, Q., & Luan, H. (2012). On optimizing the cost for distributing applications across multiple clouds. In 2012 IEEE 12th International Symposium on Cluster, Cloud and Grid Computing (pp. 327-334).
Burns, B., Grant, B., Oppenheimer, D., et al. (2016). Borg, Omega, and Kubernetes. ACM Transactions on Computer Systems, 34(3), 10.
Kusic, D., Kephart, J. O., & Hanson, J. E. (2008). Power and performance management of virtualized computing environments via lookahead control. Cluster Computing, 11(2), 155-168.
Xu, J., & Fortes, J. A. (2004). Load balancing a cluster of Web servers with distributed task queues. IEEE Transactions on Parallel and Distributed Systems, 15(8), 706-720.
Farahnakian, F., Jalili, R., & Al-Fares, M. (2017). FLARE: Predictive Latency-Aware Resource Scaling for Real-Time Cloud Applications. ACM Transactions on Computer Systems (TOCS), 35(1), 1-28.
Tornatore, M., & Matrakidis, C. (2013). A survey of dynamic resource allocation algorithms in High Performance Computing systems. Computers & Operations Research, 40(1), 257-289.
Zhan, J., Liu, H., Zheng, X., & Wu, X. (2020). A survey of cloud computing cost management based on machine learning. Computing Research Repository, arXiv :2009.07701.
Armbrust, M., & Stoica, I. (2010). An open cloud manifesto. Communications of the ACM, 53(5), 22-23.
Sidi, M. N. M., & Sidi, F. M. (2016). Elasticity and Resource Management in Cloud Computing: An Overview. Computing Research Repository, arXiv:1611.05282.
Soundararajan, G., & Raman, A. (2017). Continuous Performance Monitoring for IaaS Clouds. In 2017 IEEE 10th International Conference on Cloud Engineering (IC2E) (pp. 1001-1008). IEEE.
