MAESTRO: Uma Abordagem para a Composição e Análise de Workflows Baseados em Scripts por Meio de Ontologias

  • Luiz Gustavo Dias Universidade Federal Fluminense
  • Bruno Lopes Universidade Federal Fluminense
  • Daniel de Oliveira Universidade Federal Fluminense

Resumo


Especificar workflows que implementam experimentos científicos por meio de scripts é uma tarefa desafiadora principalmente porque cada etapa do experimento pode ser implementada por múltiplos programas. Uma escolha inadequada de programas pode causar inconsistências devido a incompatibilidade de formatos, dependências, etc. Ademais, mesmo que um script seja bem especificado e devidamente executado, analisar os dados produzidos sem que tenhamos conhecimento acerca dos termos do domínio do experimento e como ele foi especificado pode se tornar um desafio. No presente artigo apresentamos a abordagem MAESTRO que é baseada em ontologias e dados proveniência para auxiliar a composição e análise do workflow implementado como script. A abordagem MAESTRO combina o conceito de Linha de Experimento e dados de domínio, e utiliza reasoners para especificar um script e apoiar consultas analíticas. A MAESTRO foi avaliada por meio de um estudo de viabilidade na área de bioinformática e os resultados se mostraram promissores.

Palavras-chave: Gerência de Workflows, Dados de Proveniência, Ontologia

Referências

Babalou, S. and König-Ries, B. (2020). Towards Multiple Ontology Merging with CoMerger. In Proc. of the ISWC 2020, pages 59–64.

Baranowski, M. et al. (2012). Constructing workflows from script applications. Sci. Program., 20(4):359–377.

Barba, L. A. et al. (2021). Scientific computing with python on high-performance heterogeneous systems. Comput. Sci. Eng., 23(4):5–7.

Carvalho, L. A. M. C. et al. (2017). NiW: Converting Notebooks into Workflows to Capture Dataflow and Provenance. In Proc. of the K-CAP, pages 12–16.

Crist, J. (2016). Dask & Numba: Simple libraries for optimizing scientific python code. In IEEE BigData 2016, pages 2342–2343.

De Bruijn, J., Bussler, C., Domingue, J., Fensel, D., Hepp, M., Kifer, M., König-Ries, B., Kopecky, J., Lara, R., Oren, E., et al. (2005). Web service modeling ontology (wsmo). Interface, 5(1):50.

Deelman, E. et al. (2005). Pegasus: A framework for mapping complex scientific workflows onto distributed systems. Scientific Programming, 13(3):219–237.

Dias, L., Lopes, B., and de Oliveira, D. (2020a). Ontoexpline: Rumo a uma ontologia para representação de linhas de experimento algébricas. In Anais do XIV Brazilian e-Science Workshop, pages 33–40, Porto Alegre, RS, Brasil. SBC.

Dias, L. G., Lopes, B., and de Oliveira, D. (2019). Aplicação de ontologias de proveniência em workflows científicos: um mapeamento sistemático. In Anais do XIII Brazilian e-Science Workshop, Porto Alegre, RS, Brasil. SBC.

Dias, L. G., Mattoso, M., Lopes, B., and de Oliveira, D. (2020b). Experiencing dfanalyzer for runtime analysis of phylogenomic dataflows. In Anais do XIII Simpósio Brasileiro de Bioinformática, pages 105–116, Porto Alegre, RS, Brasil. SBC.

Filgueira, R. et al. (2020). Dispel4py: An open-source python library for data-intensive seismology. In EGU General Assembly Conf., page 6790.

Freire, J., Koop, D., Santos, E., and Silva, C. T. (2008). Provenance for computational tasks: A survey. Comput. Sci. Eng., 10(3):11–21.

Gannon, D. et al. (2007). In Workflows for e-Science, Scientific Workflows for Grids, pages 1–8. Springer.

Gil, Y. (2013). Mapping semantic workflows to alternative workflow execution engines. In 2013 IEEE ICSC, pages 377–382. IEEE Computer Society.

Gil, Y. et al. (2007). On the black art of designing computational workflows. In Proc.s of the WORKS, page 53–62, New York, NY, USA.

Gil, Y., Ratnakar, V., and Fritz, C. (2010). Assisting scientists with complex data analysis tasks through semantic workflows. In AAAI Fall Symposium. AAAI.

Guarino, N. (1997). Understanding, building and using ontologies. Int. J. Human-Computer Studies, 46(2-3):293–310.

Lamprecht, A. et al. (2021). Perspectives on automated composition of workflows in the life sciences. F1000Research, 10:897.

Marinho, A. et al. (2017). Deriving scientific workflows from algebraic experiment lines: A practical approach. FGCS, 68:111–127.

Martin, D., Burstein, M., Hobbs, J., Lassila, O., McDermott, D., McIlraith, S., Narayanan, S., Paolucci, M., Parsia, B., Payne, T., et al. (2004). Owl-s: Semantic markup for web services. W3C member submission, 22(4).

Patil, A. A., Oundhakar, S. A., Sheth, A. P., and Verma, K. (2004). Meteor-s web service annotation framework. In Proceedings of the 13th international conference on World Wide Web, pages 553–562.

Ristov, S. et al. (2021). AFCL: An abstract function choreography language for serverless workflow specification. FGCS, 114:368–382.

Silva, V. et al. (2020). Dfanalyzer: Runtime dataflow analysis tool for computational science and engineering applications. SoftwareX, 12:100592.

Wang, G. and Peng, B. (2019). Script of scripts: A pragmatic workflow system for daily computational research. PLoS Comput. Biol., 15(2).

Weibel, S. L. and Koch, T. (2000). The dublin core metadata initiative. D-lib magazine, 6(12):1082–9873.
Publicado
25/09/2023
DIAS, Luiz Gustavo; LOPES, Bruno; DE OLIVEIRA, Daniel. MAESTRO: Uma Abordagem para a Composição e Análise de Workflows Baseados em Scripts por Meio de Ontologias. In: SIMPÓSIO BRASILEIRO DE BANCO DE DADOS (SBBD), 38. , 2023, Belo Horizonte/MG. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2023 . p. 256-268. ISSN 2763-8979. DOI: https://doi.org/10.5753/sbbd.2023.232456.