Auditer l’énergie. Avant de déployer ses modèles : Vers des optimiseurs verts de requêtes analytiques

Dans le monde d’aujourd’hui, nous dépendons énormément des équipements numériques pour le travail, le divertissement et le social. Par conséquent, nous sommes obligés de chercher tous les moyens pour économiser l’énergie consommée par leurs composants matériels, logiciels, ainsi que les applications qu’ils utilisent. Les systèmes de gestion de bases de données (SGBDs) deviennent des gouffres énergétiques à cause de l’explosion massive des données qu’ils doivent collecter, traiter et stocker. Le processeur des requêtes constitue l’un des composants le plus énergivore des SGBDs. Il a pour rôle de traiter d’une manière efficace les requêtes. Vu le volume des données et la complexité des requêtes d’analyse, l’étude de l’efficacité énergétique de ce composant devient sans aucun doute une question cruciale et urgente. Cette importance a été largement soulignée dans le rapport de Claremont et cosignée par environ une trentaine de chercheurs, experts, architectes du monde de base de données. Ce point est ensuite repris dans le rapport de Beckman qui place l’efficacité énergétique comme un défi à relever dans le domaine des données massives. La majorité des optimiseurs des requêtes actuels sont conçus pour minimiser les opérations d’entrées-sorties et essayent d’exploiter la RAM autant que possible. En conséquence, ils ignorent généralement les aspects énergétiques. Dans cette thèse, pour optimiser l’énergie consommée par un SGBD, nous proposons une approche orientée logicielle que nous baptisons Auditer l’Énergie – Avant de Déployer, permettant de concevoir des processeurs de requêtes moins énergivores. Cette approche se décline en cinq étapes principales: (1) Audit des composants des processeurs de requêtes afin de comprendre son fonctionnement et déterminer ses paramètres sensibles à l’énergie. (2) Élaboration d’un état de l’art sur les solutions existantes dont l’objectif est double: (i) fournir une feuille de route pour les concepteurs et les étudiants qui souhaitent comprendre les questions liées à l’efficacité énergique dans le monde des bases de données et (ii) aider au développement des modèles énergétiques. (3) Modélisation de l’énergie des processeurs de requêtes. Cette modélisation est réalisée par la définition des modèles de coût mathématique dédiés à estimer la consommation énergétique du système lors de l’exécution des requêtes. (4) Utilisation des techniques d’apprentissage automatique profond pour identifier les valeurs des paramètres sensibles à l’énergie appartenant à la fois aux composants matériels et logiciels. Pour appliquer notre approche, nous avons choisi trois systèmes de traitement des données libres dont deux sont orientés disque: PostgreSQL, MonetDB et Hyrise.(5) Déploiement des modèles validés dans les trois SGBDs pour des études d’estimation et d’optimisation énergétique.