Consolidation des machines virtuelles via des approches d'intelligence artificielle pour un cloud économe en énergie et en refroidissement

Le Doyen de la Faculté des Sciences et Techniques de Béni Mellal porte à la connaissance du public que Monsieur Abdelhadi AMAHROUCH, soutiendra une thèse de Doctorat intitulée : «Consolidation des machines virtuelles via des approches d'intelligence artificielle pour un cloud économe en énergie et en refroidissement».

La soutenance publique aura lieu le Samedi 16 Mai 2026 à 10h00 à l’Amphi de Conférences, à la Faculté des Sciences et Techniques de Béni Mellal, devant le jury composé de :

• Madame Najlae IDRISSI : Professeure, Faculté des Sciences et Techniques, Université Sultan Moulay Slimane, Béni Mellal, Présidente ;

• Monsieur Mohamed HANINE : Maître de Conférences Habilité, Ecole Nationale des Sciences Appliquées, Université Chouaib Doukkali, El Jadida, Rapporteur ;

• Monsieur Hassan OUAHI : Maître de Conférences Habilité, Faculté des Sciences Appliquées, Université IBN Zohr, Ait Melloul, Rapporteur ;

• Monsieur Yousef EL MOURABIT : Maître de Conférences Habilité, Faculté des Sciences et Techniques, Université Sultan Moulay Slimane, Béni Mellal, Rapporteur ;

• Monsieur Hicham ZOUGAGH : Maître de Conférences Habilité, Faculté des Sciences et Techniques, Université Sultan Moulay Slimane, Béni Mellal, Examinateur ;

• Monsieur Driss AIT OMAR : Maître de Conférences Habilité, Faculté des Sciences et Techniques, Université Sultan Moulay Slimane, Béni Mellal, Examinateur ;

• Monsieur Said EL KAFHALI : Professeur, Faculté des Sciences et Techniques, Université Hassan Premier, Settat, Co-directeur de thèse ;

• Monsieur Youssef SAADI: Maître de Conférences Habilité, Faculté des Sciences et Techniques, Université Sultan Moulay Slimane, Béni Mellal, Directeur de thèse ;

Résumé: 

Les centres de données cloud sont confrontés à des défis croissants en matière de consommation énergétique et de gestion thermique, en raison de l’augmentation des charges de travail et de la demande de services. Cette thèse propose un ensemble de stratégies intelligentes et adaptatives pour le placement des machines virtuelles (VM) et l’allocation des ressources, visant à optimiser à la fois l’efficacité énergétique et les performances thermiques.

Premièrement, des algorithmes d’apprentissage automatique classifient les VM selon leur sensibilité à la latence, améliorant ainsi les décisions de migration et l’efficacité de la consolidation des serveurs. Deuxièmement, une approche de placement des VM basée sur le renforcement (Q-Learning), combinée à l’algorithme Firefly et à la classification des VM selon leur sensibilité, permet de réduire la consommation d’énergie tout en respectant les accords de niveau de service (SLA). Troisièmement, des stratégies de placement prenant en compte le rapport performance/puissance des serveurs optimisent davantage l’énergie consommée tout en limitant l’apparition de points chauds thermiques. Enfin, un cadre de gestion thermique basé sur le Deep Q-Learning et les coefficients de transfert de chaleur permet une régulation prédictive et adaptative des températures des serveurs, assurant des opérations durables et efficaces des centres de données.

Les résultats de simulation, réalisés avec Cloud-Sim et des traces issues de cas réels, montrent des réductions significatives de la consommation d’énergie (jusqu’à 36 %) et des violations de SLA, démontrant l’efficacité des approches proposées pour des environnements cloud plus durables, fiables et économes en énergie.

Mots Clés : Cloud computing ; Placement des machines virtuelles ; Efficacité énergétique ; Gestion thermique ; Q-Learning ; Deep Learning ; Apprentissage automatique ; Consolidation des serveurs ; Optimisation du transfert thermique.