BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//LORIA - ECPv6.17.5//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-ORIGINAL-URL:https://www.loria.fr
X-WR-CALDESC:Évènements pour LORIA
REFRESH-INTERVAL;VALUE=DURATION:PT1H
X-Robots-Tag:noindex
X-PUBLISHED-TTL:PT1H
BEGIN:VTIMEZONE
TZID:Europe/Paris
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20190331T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20191027T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20200329T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20201025T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20210328T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20211031T010000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20200117T133000
DTEND;TZID=Europe/Paris:20200117T150000
DTSTAMP:20200109T151557Z
CREATED:20200109T151341Z
LAST-MODIFIED:20200109T151557Z
UID:8842-1579267800-1579273200@www.loria.fr
SUMMARY:Soutenance de thèse : Abdulqawi Saif
DESCRIPTION:Intitulée « Méthodes Expérimentales pour l’Évaluation des Systèmes Big Data »\nLa soutenance se déroulera le vendredi 17 janvier 2020 à 13h30\, dans la salle C005. Elle aura lieu en anglais. \nRapporteurs :\nM Jalil Boukhobza\, Maître de conférences\, Université de Brest\, France\nM Christophe Cérin\, Professeur\, Université de Paris-XIII\, France \nExaminateurs :\nMme Marine Minier\, Professeur\, Université de Lorraine\, France\nMme Christine Morin\, Directrice de recherche\, Inria\, France \nDirecteurs de thèse :\nM Lucas Nussbaum\, Maître de conférences\, Université de Lorraine\, France\nM Ye-Qiong Song\, Professeur\, Université de Lorraine\, France \nRésumé de thèse : \nÀ l’ère du big data\, de nombreux systèmes et applications sont créés pour collecter\, stocker et analyser des données volumineuses dans des domaines divers. Bien que les systèmes big data fassent l’objet de multiples évaluations au cours de leur cycle de développement\, les secteurs de recherches public et privé encouragent les chercheurs à faire des expérimentations supplémentaires afin d’assurer la qualité de leurs services et comprendre leur performance dans des contextes et des configurations variés. Cependant\, les défis expérimentaux des systèmes big data ne sont pas triviaux. Alors que de nombreux travaux de recherche utilisent encore de vieilles méthodes expérimentales pour faire face à de tels défis\, nous pensons que l’activité d’expérimentation peut être améliorée en proposant des méthodes expérimentales flexibles et à jour. \nDans cette thèse\, nous abordons des défis particuliers pour améliorer le contexte expérimental et l’observabilité des expériences big data. Premièrement\, nous permettons la personnalisation de la performance de ressources environnementales où les expériences s’exécutent\, en encourageant les chercheurs à effectuer des expériences à l’échelle sur des configurations hétérogènes. Nous contribuons ensuite aux outils expérimentaux IOscope et MonEx pour améliorer l’observabilité. IOscope permet d’effectuer des observations de bas niveau sur la pile d’entrée/sortie afin de détecter d’éventuels problèmes de performance sur l’environnement d’exécution. IOscope est développé pour convaincre que les techniques d’évaluation de haut niveau doivent être accompagnées par ces outils complémentaires afin de comprendre la performance. En revanche\, le framework MonEx fonctionne aux niveaux supérieurs pour faciliter la collecte de données expérimentales. MonEx est le premier outil qui fait du monitoring autour des expériences indépendamment des environnements expérimentaux sous-jacents. Nous appliquons enfin des statistiques pour améliorer les conceptions expérimentales\, en réduisant le nombre de scénarios expérimentaux et en obtenant un ensemble raffiné de facteurs expérimentaux aussi rapidement que possible. Enfin\, toutes les contributions se complètent pour faciliter l’activité d’expérimentation en travaillant sur presque toutes les phases du cycle de vie des expériences big data. \n  \n\n  \nTitle : « Experimental Methods for the Evaluation of Big Data Systems » \nAbstract: \nIn the era of big data\, many systems and applications are created to collect\, to store\, and to analyze massive data in multiple domains. Although those – big data systems – are subjected to multiple evaluations during their development life-cycle\, academia and industry encourage further experimentation to ensure their quality of service and to understand their performance under various contexts and configurations. However\, the experimental challenges of big data systems are not trivial. While many pieces of research still employ legacy experimental methods to face such challenges\, we argue that experimentation activity can be improved by proposing flexible experimental methods. \nIn this thesis\, we address particular challenges to improve experimental context and observability for big data experiments. We firstly enable experiments to customize the performance of their environmental resources\, encouraging researchers to perform scalable experiments over heterogeneous configurations. We then introduce two experimental tools: IOscope and MonEx to improve observability. IOscope allows performing low-level observations on the I/O stack to detect potential performance issues in target systems\, convincing that the high-level evaluation techniques should be accompanied by such complementary tools to understand systems’ performance. In contrast\, MonEx framework works on higher levels to facilitate experimental data collection. MonEx opens directions to practice experiment-based monitoring independently from the underlying experimental environments. We finally apply statistics to improve experimental designs\, reducing the number of experimental scenarios and obtaining a refined set of experimental factors as fast as possible. At last\, all contributions complement each other to facilitate the experimentation activity by working almost on all phases of big data experiments’ life-cycle. \n 
URL:https://www.loria.fr/event/soutenance-de-these-abdulqawi-saif/
LOCATION:C005
CATEGORIES:Soutenance
END:VEVENT
END:VCALENDAR