Résumé
Les applications scientifiques à grande échelle sont souvent exprimées sous forme de workflows scientifiques(SWfs) qui aident à définir les jobs de traitement des données et les dépendances entre les activités des jobs.Certains SWfs nécessitent une très grande quantité de stockage et de calcul, ce qui peut être obtenu en exploitantplusieurs data centers dans un cloud. Dans ce contexte, la gestion des métadonnées et l’ordonnancement destâches entre différents data centers deviennent critiques pour l’exécution efficace de SWf. Dans cet article, nousproposons une architecture et un modèle distribués hybrides, en utilisant les métadonnées chaudes (fréquemmentconsultées) pour l’ordonnancement efficace de SWf dans un cloud multisite. Nous utilisons notre modèle dansun système de gestion de workflows scientifiques (SWfMS) pour valider et régler son applicabilité à différentsworkflows scientifiques réels avec différents algorithmes d’ordonnancement. Nous montrons que la combinaisond'une gestion efficace des métadonnées chaudes et des algorithmes d’ordonnancement améliore les performancesdu SWfMS. En évitant les opérations inutiles de métadonnées froides, le temps d'exécution des jobs quis’exécutent en parallèle est réduit jusqu'à 64,1% et celui de l'ensemble des workflows scientifiques jusqu'à37,5%.