Madame Nathalia WOLF GARCIA soutiendra publiquement ses travaux de thèse intitulés « Mixed-Integer and Bilevel Optimization for Sustainable Cloud Operations » Travaux dirigés par Madame Luce BROTCORNE

La soutenance aura lieu le jeudi 30 avril 2026 à 15h, Amphithéâtre bâtiment B, Centre Inria de l’Université de Lille, 40 avenue Halley, 59650 Villeneuve d’Ascq

Résumé de la thèse

« Le cloud computing s’appuie sur de grands centres de données géographiquement distribués dont l’exploitation est de plus en plus contrainte par les coûts énergétiques et par des limites environnementales telles que des budgets carbone et eau. Par ailleurs, des décisions opérationnelles clés—tarification, ordonnancement, contrôles de sécurité—doivent anticiper les réactions des utilisateurs, et parfois d’adversaires. Ces caractéristiques motivent des modèles de décision combinant structures mixtes en nombres entiers, interactions hiérarchiques et incertitude. Cette thèse développe des modèles et algorithmes d’optimisation pour des opérations cloud durables selon deux axes complémentaires. Premièrement, nous proposons une matrice de planification des opérations cloud qui organise les décisions selon l’horizon temporel et les étapes organisationnelles, et qui clarifie comment traduire des métriques de durabilité en contraintes décisionnelles opérationnelles. Un cas d’étude stratégique illustre cette approche via un modèle de localisation capacitaire de centres de données intégrant des contraintes de CO₂ et d’eau. Deuxièmement, nous développons des modèles d’optimisation pour des leviers opérationnels clés. Nous formulons un mécanisme bi-niveau de tarification et récompenses qui réalloue des machines virtuelles réservées mais inactives en coordonnant les décisions de tarification du fournisseur avec les réponses hétérogènes d’utilisateurs et de prêteurs. Nous évaluons son impact sur l’utilisation des ressources et le gaspillage énergétique à partir de données réelles fournies par OVHcloud. Nous proposons également un cadre d’ordonnancement énergétique pour l’entraînement géo-distribué de charges de deep learning, alignant des tâches longues et non préemptives avec une disponibilité renouvelable variable dans le temps et l’espace, résolu à grande échelle via une matheuristique à horizon roulant avec génération de colonnes amorcée heuristiquement. De plus, nous étudions des inspections aléatoires dans un réseau de transport public comme un problème d’allocation de ressources de Stackelberg et construisons des programmes implémentables imprévisibles via stratégies mixtes et génération de colonnes, établissant des parallèles avec les contrôles de sécurité sous contraintes de ressources dans les systèmes cloud. Enfin, motivés par des contextes où l’incertitude est continûment distribuée et où le problème du suiveur est mixte en nombres entiers, nous introduisons un modèle bi-niveau stochastique à deux étapes avec contraintes de couplage pouvant rendre les optima du suiveur non implémentables. Nous représentons cela à travers une fonction de recours à valeurs réelles étendues, établissons la consistance de l’approximation par moyenne d’échantillon, et développons un schéma de branch-and-cut combinant optimisation sur échantillon fixe avec séparation sur le support d’incertitude. Dans l’ensemble, cette thèse fournit un ensemble cohérent de modèles et de méthodes pour l’aide à la décision dans les opérations cloud durables et pour l’optimisation bi-niveau sous incertitude, démontrant que des modèles d’optimisation rigoureux peuvent efficacement combler l’écart entre objectifs de durabilité et contraintes opérationnelles concrètes. »