Serviço de Predição de Recursos para Execução Eficiente de Workflows de Bioinformática em Nuvem Federada com Aprendizado de Máquina
Resumo
A grande quantidade de recursos disponíveis entre vários provedores em uma federação torna difícil escolher um que seja adequado para determinados workflows. Este trabalho propõe um Serviço de Predição de Recursos de Aprendizado de Máquina chamado sPCRAM. O sPCRAM usa um modelo de aprendizado de máquina combinado com uma meta-heurística GRASP para dimensionar os recursos de forma transparente e adequada, determinando o custo monetário e o tempo de execução antes da execução do workflow. Os resultados demonstram que o sPCRAM pode estimar adequadamente o tempo de execução e o custo dos recursos da federação em nuvem em média 97,70% mais rápido do que a técnica de força bruta para seleção de recursos.Referências
Buyya, R., Ranjan, R., and Calheiros, R. N. (2010). Intercloud: Utility-oriented federation of cloud computing environments for scaling of application services. In International Conference on Algorithms and Architectures for Parallel Processing, pages 13–31. Springer.
Chaisiri, S., Lee, B.-S., and Niyato, D. (2011). Optimization of resource provisioning cost in cloud computing. IEEE transactions on services Computing, 5(2):164–177.
Feo, T. A. and Resende, M. G. (1995). Greedy randomized adaptive search procedures. Journal of global optimization, 6(2):109–133.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., et al. (2011). Scikit-learn: Machine learning in python. the Journal of machine Learning research, 12:2825–2830.
Rochwerger, B., Breitgand, D., Levy, E., Galis, A., Nagin, K., Llorente, I. M., Montero, R., Wolfsthal, Y., Elmroth, E., Caceres, J., et al. (2009). The reservoir model and architecture for open federated cloud computing. IBM Journal of Research and Development, 53(4):4–1.
Rosa, M. J., Ralha, C. G., Holanda, M., and Araujo, A. P. (2021). Computational resource and cost prediction service for scientific workflows in federated clouds. Future Generation Computer Systems, 125(2):844–858.
Chaisiri, S., Lee, B.-S., and Niyato, D. (2011). Optimization of resource provisioning cost in cloud computing. IEEE transactions on services Computing, 5(2):164–177.
Feo, T. A. and Resende, M. G. (1995). Greedy randomized adaptive search procedures. Journal of global optimization, 6(2):109–133.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., et al. (2011). Scikit-learn: Machine learning in python. the Journal of machine Learning research, 12:2825–2830.
Rochwerger, B., Breitgand, D., Levy, E., Galis, A., Nagin, K., Llorente, I. M., Montero, R., Wolfsthal, Y., Elmroth, E., Caceres, J., et al. (2009). The reservoir model and architecture for open federated cloud computing. IBM Journal of Research and Development, 53(4):4–1.
Rosa, M. J., Ralha, C. G., Holanda, M., and Araujo, A. P. (2021). Computational resource and cost prediction service for scientific workflows in federated clouds. Future Generation Computer Systems, 125(2):844–858.
Publicado
16/11/2021
Como Citar
SOBRINHO, Matheus de C.; PAUMGARTTEN, Aletéia P. F. de Araújo Von.
Serviço de Predição de Recursos para Execução Eficiente de Workflows de Bioinformática em Nuvem Federada com Aprendizado de Máquina. In: ESCOLA REGIONAL DE ALTO DESEMPENHO DO CENTRO-OESTE (ERAD-CO), 4. , 2021, Evento Online.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2021
.
p. 22-26.
DOI: https://doi.org/10.5753/eradco.2021.18419.
