Projet TARANIS

Modéliser, déployer, orchestrer et optimiser les applications et les infrastructures du cloud

— Aperçu

Stratégie basée sur une abstraction significative de la description de la structure de l’application afin de pouvoir automatiser encore plus la gestion des applications et des infrastructures.

Christian Perez, Directeur de recherche Inria

Mots-Clés : Cloud, Edge, IoT, Computation Continuum, modèle, vérification, déploiement, reconfiguration, orchestrateur, optimisation

Les missions

Les publications

Les partenaires

Site internet du projet

Les nouvelles infrastructures, telles que le Edge Computing ou le continuum de calcul Cloud-Edge-IoT, rendent les problématiques du cloud plus encore complexes car elles ajoutent de nouvelles problématiques liées à la diversité et à l’hétérogénéité des ressources (du petit capteur au centre de données / HPC, du réseau à basse consommation aux réseaux de cœur), à la distribution géographique, ainsi qu’à des besoins accrus de dynamicité et de sûreté, le tout sous des contraintes comme par exemple de consommation d’énergie.

Pour exploiter efficacement ces nouvelles infrastructures, le projet Taranis est basé sur une stratégie visant à abstraire la description de la structure des applications et des ressources afin d’automatiser encore plus leur gestion. Ainsi, il sera possible d’optimiser globalement les ressources utilisées vis à vis d’objectifs multicritères (prix, échéance, performance, énergie, etc.) aussi bien du côté utilisateur (applications) que fournisseur de ressources (infrastructures). Taranis vise aussi les défis liés à l’abstraction de la reconfiguration des applications et afin d’adapter dynamiquement l’usage des ressources.

— Les missions

— Nos recherches

Le projet Taranis aborde cette problématique via quatre lots scientifiques, chacun se focalisant sur une phase du cycle de vie des applications : modèle de description des applications et infrastructures, déploiement et reconfiguration, orchestration et optimisation. Le lot 0 est consacré à la gestion de projet.

Modélisation

Étudie les verrous liés à la complexité induite dans les modèles d’applications et d’infrastructures de Cloud-Edge

Déploiement et reconfiguration

Étudie les verrous relatifs au déploiement et à la reconfiguration

Orchestration de services et de ressources

A pour objectif d’étendre les orchestrateurs pour le continuum Cloud-Edge-IoT

Optimisation

Vise à revisiter les problèmes d’optimisation associés à l’utilisation des infrastructures Cloud-Edge-IoT.

— Les partenaires

Le consortium

Inria, CNRS, IMT, UGA, CEA, Université de Rennes, ENS Lyon, Université Claude Bernard Lyon 1, Université de Lille, INSA Rennes

— Équipe de recherche

48 permanents (non financés par le projet)
46 personnes financées par le projet dont:
27 doctorants
7 postdoctorants
12 ingénieurs

Implantation des équipes en France

— Les publications



        
            Contact

            
        
        
            Disciplines
        
            Mots-clefs
Distributed Deep Learning Distributed Machine Learning Federated Learning Membership Inference Attacks Multi-level Configuration Privacy Protection Trace Collection Workload Characterization 
Distributed Deep Learning1
Distributed Machine Learning1
Federated Learning1
Membership Inference Attacks1
Multi-level Configuration1
Privacy Protection1
Trace Collection1
Workload Characterization1

        
            Auteurs
Bouchenak Sara4
Elhattab Fatima2
Boscher Cédric2
Marangozova Vania2
Djebrouni Yasmine1
Felber Pascal1
Iserte Sergio1
Peña Antonio J.1
Schiavoni Valerio1
Schreiber Martin1
Schulz Martin1
Huber Dominik1
Benarba Nawel1
Djebrouni Yasmine1
Rocha Isabelly1
Chen Lydia1
Sanwouo Brell Peclard1
Temple Paul1
Quinton Clément1

        
            Auteurs de la structure
        
            Revues
        
            Année de production
        
            Institutions
École Centrale de Lyon4
Université Claude Bernard Lyon 14
Institut National des Sciences Appliquées de Lyon4
Université Lumière - Lyon 24
Institut polytechnique de Grenoble - Grenoble Institute of Technology3
Institut National de Recherche en Informatique et en Automatique2
Université de Rennes1
Institut National des Sciences Appliquées - Rennes1
Barcelona Supercomputing Center - Centro Nacional de Supercomputacion1
Centrale Lille1
Technische Universität Munchen - Technical University Munich - Université Technique de Munich1
Université de Bretagne Sud1
École normale supérieure - Rennes1
Université de Neuchâtel = University of Neuchatel1
Delft University of Technology1
CentraleSupélec1
IMT Atlantique1

       
            Laboratoires
       
            Départements
       
            Équipes de recherche
    6 documents

Articles dans une revue1 document
Fatima Elhattab, Sara Bouchenak, Cédric Boscher. PASTEL: Privacy-Preserving Federated Learning in Edge Computing. Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies , 2024, 7 (4), pp.1-29. ⟨10.1145/3633808⟩. ⟨hal-04394133⟩

Communications dans un congrès4 documents
Brell Peclard Sanwouo, Clément Quinton, Paul Temple. Breaking the Loop: AWARE is the new MAPE-K. FSE'25 - ACM International Conference on the Foundations of Software Engineering, Jun 2025, Trondheim, Norway. ⟨hal-04992342⟩
Dominik Huber, Sergio Iserte, Martin Schreiber, Antonio J. Peña, Martin Schulz. Bridging the Gap Between Genericity and Programmability of Dynamic Resources in HPC. ISC High Performance 2025 - 40th ISC High Performance International Conference, Jun 2025, Hamburg, Germany. pp.1-11. ⟨hal-04994828⟩
Cédric Boscher, Nawel Benarba, Fatima Elhattab, Sara Bouchenak. Personalized Privacy-Preserving Federated Learning. Proceedings of the 25th International Middleware Conference, Dec 2024, Hong Kong, China. pp.454--466, ⟨10.1145/3652892.3700785⟩. ⟨hal-04770214⟩
Yasmine Djebrouni, Isabelly Rocha, Sara Bouchenak, Lydia Chen, Pascal Felber, et al.. Characterizing Distributed Machine Learning Workloads on Apache Spark. Middleware '23: 24th International Middleware Conference, Dec 2023, Bologna, Italy. pp.151-164, ⟨10.1145/3590140.3629112⟩. ⟨hal-04399409⟩

Autres publications1 document
Yasmine Djebrouni, Vania Marangozova, Sara Bouchenak. Dataset for Characterizing Distributed Machine Learning Workloads on Apache Spark. 2024, ⟨10.5281/zenodo.14151075⟩. ⟨hal-04781721⟩

Autres projets

CARECloud

Comprendre, améliorer, réduire les impacts environnementaux du Cloud computing

En savoir plus

Archi-CESAM

Architecture convergée, efficace et sûre à base d’accélérateurs proches de la mémoire / Archi-CESAM

En savoir plus

DiVa

Désagrégation virtualisée

En savoir plus

Taranis

Modéliser, déployer, orchestrer et optimiser les applications et les infrastructures du Cloud

En savoir plus

Les projets du PEPR Cloud

Spirec

Supervision et prédiction multi-niveaux pour Infrastructures géo-distribuées et hétérogènes dans le continuum Cloud/Edge/IoT

En savoir plus

Steel

Stockage et traitement efficace et sécurisé des données sur des infrastructures à base de Cloud

En savoir plus

Silecs

Super Infrastructure for Large-Scale Experimental Computer Science for Cloud/Edge/IoT

En savoir plus

TrustinCloudS

Sécurité des infrastructures Cloud

En savoir plus

— Les partenaires

— Les publications

Contact

Disciplines

Mots-clefs

Auteurs

Auteurs de la structure

Revues

Année de production

Institutions

Laboratoires

Départements

Équipes de recherche

Articles dans une revue1 document

Communications dans un congrès4 documents

Autres publications1 document

CARECloud

Archi-CESAM

DiVa

Taranis

Les projets du PEPR Cloud

Spirec

Steel

Silecs

TrustinCloudS

FORMULAIRE D'ABONNEMENT

Inscrivez-vous pour recevoir chaque trimestre la Newsletter du PEPR Cloud.

- Piloté par

- Financé par

- Opéré par

- Managed by

- Financed by

- Operated by