Balancing Performance and Energy Consumption for FaaS Deployments in the Continuum Using Reinforcement Learning

Résumé :

Les plateformes Function-as-a-Service (FaaS) exécutent des fonctions à la demande sur le continuum cloud-edge. Les décisions d’ordonnancement, qui déterminent où les fonctions sont exécutées, influencent directement la latence et la consommation d’énergie. Cette thèse propose des ordonnanceurs fondés sur l’apprentissage par renforcement afin d’optimiser conjointement ces deux objectifs, tout en prenant en compte le coût de l’apprentissage, notamment l’énergie d’entraînement et le surcoût des décisions en exécution. Deux contributions sont présentées : la première traite de l’ordonnancement intra-cluster à travers FoRLess et une comparaison de plusieurs familles d’ordonnanceurs; la seconde étend le problème à un environnement multi-cluster en comparant des architectures de contrôle centralisées et décentralisées. Les évaluations, réalisées sur la plateforme Grid’5000, montrent des améliorations conjointes de la latence et de la consommation d’énergie par rapport aux approches heuristiques. Enfin, plusieurs perspectives sont discutées, notamment l’ordonnancement hiérarchique, la coordination avec l’autoscaling, la réduction du coût de l’apprentissage et les environnements cloud-edge multi-opérateurs.

Abstract :

Function-as-a-Service platforms execute short-lived functions on demand across the cloud-edge continuum. Their scheduling decisions determine where functions execute and directly influence both latency and energy consumption. This thesis develops reinforcement learning schedulers that jointly optimise these objectives while accounting for the scheduling cost, including training energy and runtime overhead. Two contributions are presented. The first addresses intra-cluster scheduling through FoRLess and a comparative evaluation of learning-based, contextual bandit, and heuristic schedulers. The second extends scheduling to multiple clusters and compares centralised and decentralised reinforcement learning architectures. Evaluated on the Grid'5000 testbed, the proposed methods improve latency and energy over heuristic baselines. The thesis concludes with directions for hierarchical scheduling, autoscaling, training-efficient learning, and multi-provider cloud-edge infrastructures.