Log in

The following two papers by ASAP members have been accepted at the 17th IFIP International Conference on Distributed Applications and Interoperable Systems (DAIS 2017):

  • “Scalable Anti-KNN: Decentralized Computation of k-Furthest-Neighbor Graphs with HyFN” by Simon Bouget, Yérom-David Bromberg, François Taïani and Anthony Ventresque
  • “Filament: a cohort construction service for decentralized collaborative editing platforms” by Resmi Ariyattu and François Taïani

Registration is open for the
International Workshop on Distributed Computing in the honor of Michel Raynal
May 5 2017, 8h30 – 17h30 – IRISA – Inria Rennes, Rennes France
Attendance is free, but registration by April 24 is compulsory

After an academic career spanning more than four decades, Michel Raynal will be retiring at the end of the academic year 2016-2017.

Scheduled on Friday 5th May 2017 to celebrate Michel’s long career, the one-day workshop will feature presentations by distinguished researchers from the field of distributed computing.

In preparation for the event, please do not hesitate to share your memories and anecdotes about Michel on our on-line Guest Book (Livre d’Or): https://project.inria.fr/iwdcmr2017/livre-dor/


08:45 Registration and Welcome Coffee
09:15 Welcome & Opening: Stéphane Ubeda (Director of Inria Rennes) and Jean-Marc Jézéquel (Director of IRISA)
09:30 Leslie Lamport: The Bakery Algorithm in 2015
10:05 Coffee Break
10:55 Maurice Herlihy: Adding Concurrency to Smart Contracts
11:30 Sergio Rajsbaum: Tasks, algorithms, and models of distributed computing with Michel (together with other colleagues)
12:00 Lunch

13:45 Yoram Moses: Indistinguishability, Duality and Necessary Conditions
14:20 Achour Mostéfaoui: Distributed data structures and consistency criteria
14:55 Coffee Break
15:45 Carole Delporte: Détecteurs de défaillance
16:20 Rachid Guerraoui: A brief history of atomic commitment
16:55 Surprise
17:30 Coktail

Contact: francois.taiani@irisa.fr, virginie.desroches@inria.fr

(French version below)

You are cordially invited to attend the PhD defense of Stéphane Delbruel that will be held on January 27, 2016 at 14:00 in room Métivier and for a drink in room Sein.

Jury members:
Romain Rouvoy, Professor at the University of Lille
Danny Hughes, Professor at the Catholic University of Leuven
Antonio Carzaniga, Professor at the Università della Svizzera italiana
Sonia Ben Mokhtar, CNRS researcher at the LIRIS lab, Villeurbanne
Guillaume Pierre, Professor at the University of Rennes 1
François Taiani, Professor at the University of Rennes 1
Davide Frey, Researcher at Inria Rennes Bretagne-Atlantique

Title: Towards an Architecture for Tag-based Predictive Placement in Distributed Storage Systems

This thesis gathers and presents the most important part of the research we carried out over the last few years on decentralised storage systems. In this thesis, we argue that user-generated meta-data in fully distributed user-generated- content systems constitute a reliable source to determine where uploaded content will be consumed in the future. This makes it possible to predictively place this content close to future consumers, thereby maximizing the suitability of proximity caches.

Vous êtes cordialement invités à venir assister à la soutenance de thèse de Stéphane Delbruel qui se tiendra vendredi 27 décembre à 14h en salle Métivier ainsi qu’au pot qui suivra en salle Sein.

Composition du jury :
Romain Rouvoy, Professeur à l’Université de Lille
Danny Hughes, Professeur à l’Université catholique de Louvain
Antonio Carzaniga, Professeur à l’Université de la Suisse italienne, Lugano
Sonia Ben Mokhtar, Chargé de recherche CNRS au LIRIS, Villeurbanne
Guillaume Pierre, Professeur à l’Université Rennes 1
François Taiani, Professeur à l’Université Rennes 1
Davide Frey, Chargé de recherche à Inria Rennes Bretagne-Atlantique

Titre : Vers une architecture pour le placement prédictif dans les systèmes de stockage distribué

Résumé :
Cette thèse rassemble et présente la part plus importante de mes recherches durant ces dernières années, portant sur les systèmes de stockage décentralisés. Dans cette thèse, nous affirmons que les méta-données générées par les utilisateurs dans les systèmes pleinement distribués de gestion de contenu généré par les utilisateurs représentent une source d’informations fiable nous permettant de déterminer lors de la mise en ligne d’un contenu, où il sera consommé dans le futur. Cela rend donc possible le placement prédictif de contenus proche de ses futurs consommateurs, augmentant par là même la pertinence des caches de proximité.

We are pleased to welcome this week Etienne Rivière from the University of Neuchâtel (Switzerland). He will give a talk on Wednesday, January 18 at 16:30 in room Crête (F402, red level).

Title: Efficient confidentiality preservation for cloud-supported 
content-based publish/subscribe

Content-based publish/subscribe is an appealing paradigm for composing dynamic sets of applications and services running over multiple administrative domains. This communication model allows for decoupled communication, where producers of content, or publishers, send pieces of information to a middleware system in charge of filtering and forwarding them to interested consumers. These consumers are called subscribers and express their interest for data by means of subscriptions, which are essentially filters on the actual content of information items. Public clouds are particularly attractive for hosting publish/subscribe communication services on always-on, easily-reachable and cost-effective resources. However, trust towards public cloud providers can only be limited: data manipulated and stored in the clear is at risk of falling in the wrong hands, either of malicious operators or of other clients exploiting collocation attacks. The nature of publications and subscriptions often reveal important intelligence about the nature of the application and the intents of its users. Confidentiality-preserving publish/subscribe has recently emerged as a solution to protect the confidentiality of this data, while still allowing filtering operations to take place. These specialized encryption schemes allow deciding on the result of the filtering operation without revealing the content of publications and subscriptions in the clear. In this talk, I will present a representative example of confidentiality-preserving publish/subscribe system, and highlight some practical concerns. In particular, I will present how the inherent complexity and overhead of encrypted matching can be mitigated through the embedding of incomplete but efficient filtering information and the use of a pre-filtering phase. Then, I will discuss solutions to deal with the update of encrypted information in the event of a key update. I will highlight some interesting challenges in the field as a conclusion.

Etienne’s personal page: http://members.unine.ch/etienne.riviere

(French version below)

You are cordially invited to attend the PhD defense of Javier Olivares that will be held on December 19, 2016 at 14:30 in room Petri-Turing and for a drink in room Minquiers.

Jury members:
Pierre Sens, Professor, University of Paris 6
Sébastien Monnet, Professor, University of Savoie Mont Blanc
Erwan Le Merrer, Senior Scientist, Technicolor
François Taiani, Professor, University of Rennes 1
Anne-Marie Kermarrec, Supervisor, Inria

Title: Scaling out-of-core K-Nearest Neighbors Computation on Single Machines

The K-Nearest Neighbors (KNN) is an efficient method to find similar data among a large set of it. Over the years, a huge number of applications have used KNN’s capabilities to discover similarities within the data generated in diverse areas such as business, medicine, music, and computer science. Despite years of research have brought several approaches of this algorithm, its implementation still remains a challenge, particularly today where the data is growing at unthinkable rates. In this context, running KNN on large datasets brings two major issues: huge memory footprints and very long runtimes. Because of these high costs in terms of computational resources and time, KNN state-of the-art works do not consider the fact that data can change over time, assuming always that the data remains static throughout the computation, which unfortunately does not conform to reality at all.
In this thesis, we address these challenges in our contributions. Firstly, we propose an out-of-core approach to compute KNN on large datasets, using a commodity single PC. We advocate this approach as an inexpensive way to scale the KNN computation compared to the high cost of a distributed algorithm, both in terms of computational resources as well as coding, debugging and deployment effort. Secondly, we propose a multithreading out-of-core approach to face the challenges of computing KNN on data that changes rapidly and continuously over time.
After a thorough evaluation, we observe that our main contributions address the challenges of computing the KNN on large datasets, leveraging the restricted resources of a single machine, decreasing runtimes compared to that of the baselines, and scaling the computation both on static and dynamic datasets.

Vous êtes cordialement invités à venir assister à la soutenance de thèse de Javier Olivares qui se tiendra lundi 19 décembre à 14h30 en salle Petri-Turing ainsi qu’au pot qui suivra en salle Minquiers.

Composition du jury :
Pierre Sens, Professeur, Université de Paris 6
Sébastien Monnet, Professeur, Université Savoie Mont Blanc
Erwan Le Merrer, Chargé de recherche, Technicolor
François Taiani, Professeur, Université de Rennes 1
Anne-Marie Kermarrec, Directrice de thèse, Inria

Titre : Faire passer à l’échelle le calcul “out-of-core” des K-plus proche voisins sur une seule machine

Résumé :
La technique des K-plus proches voisins (K-Nearest Neighbors (KNN) en Anglais) est une méthode efficace pour trouver des données similaires au sein d’un grand ensemble de données. Au fil des années, un grand nombre d’applications ont utilisé les capacités du KNN pour découvrir des similitudes dans des jeux de données de divers domaines tels que les affaires, la médecine, la musique, ou l’informatique. Bien que des années de recherche aient apporté plusieurs approches de cet algorithme, sa mise en œuvre reste un défi, en particulier aujourd’hui alors que les quantités de données croissent à des vitesses inimaginables. Dans ce contexte, l’exécution du KNN sur de grands ensembles pose deux problèmes majeurs : d’énormes empreintes mémoire et de très longs temps d’exécution. En raison de ces coût élevés en termes de ressources de calcul et de temps, les travaux de l’état de l’art ne considèrent pas le fait que les données peuvent changer au fil du temps, et supposent toujours que les données restent statiques tout au long du calcul, ce qui n’est malheureusement pas du tout conforme à la réalité.
Nos contributions dans cette thèse répondent à ces défis. Tout d’abord, nous proposons une approche out-of-core pour calculer les KNN sur de grands ensembles de données en utilisant un seul ordinateur. Nous préconisons cette approche comme un moyen moins coûteux pour faire passer à l’échelle le calcul des KNN par rapport au coût élevé d’un algorithme distribué, tant en termes de ressources de calcul que de temps de développement, de débogage et de déploiement. Deuxièmement, nous proposons une approche out-of-core multithreadée (i.e. utilisant plusieurs fils d’exécution) pour faire face aux défis du calcul des KNN sur des données qui changent rapidement et continuellement au cours du temps.
Après une évaluation approfondie, nous constatons que nos principales contributions font face aux défis du calcul des KNN sur de grands ensembles de données, en tirant parti des ressources limitées d’une machine unique, en diminuant les temps d’exécution par rapport aux performances actuelles, et en permettant le passage à l’échelle du calcul, à la fois sur des données statiques et des données dynamiques.

Older Posts »