Uma Heurística para a Execução de Workflows com Restrições de Confidencialidade em Ambientes Conteinerizados
Resumo
Ambientes conteinerizados são ideais para a execução de workflows científicos, pois oferecem um ambiente flexível e de fácil instanciação. Embora existam soluções para execução de workflows em ambientes conteinerizados, estas não foram projetadas para lidar com workflows científicos, especialmente aqueles com requisitos de confidencialidade. A não conformidade com esses requisitos permite que usuários mal-intencionados infiram resultados não publicados ou a própria estrutura dos workflows. A dispersão de dados e a criptografia podem ser adotadas nesse contexto, mas não de forma independente do escalonamento, pois isso pode aumentar o tempo total de execução ou o custo financeiro associado. Neste artigo, apresentamos a Okinawa, uma heurística para execução de workflows em ambientes conteinerizados com restrições de confidencialidade.
Palavras-chave:
Workflow, Escalonamento, Confidencialidade, Contêiner, Computação em Nuvem
Referências
Abazari, F. et al. (2019). Mows: multi-objective workflow scheduling in cloud computing based on heuristic algorithm. Sim. Mod. Pract. and Theory., 93.
Abraham, S. (2023). The hpc container experience on the summit supercomputer. In PEARC ’23, page 273–277.
Branco-Jr., E. C., Monteiro, J. M., et al. (2016). A flexible mechanism for data confidentiality in cloud database scenarios. In ICEIS 2016, pages 359–368.
de Oliveira, D., Liu, J., and Pacitti, E. (2019). Data-Intensive Workflow Management: For Clouds and Data-Intensive and Scalable Computing Environments. Morgan & Claypool.
Ferreira, W. et al. (2024). AkôFlow: um Middleware para execução de Workflows científicos em múltiplos ambientes conteinerizados. In Proc. of the 39th SBBD. SBC.
Guerine, M. A., Stockinger, M. B., et al. (2019). A provenance-based heuristic for preserving results confidentiality in cloud-based scientific workflows. FGCS, 97:697–713.
Javed, O. and Toor, S. (2021). An evaluation of container security vulnerability detection tools. ICCBDC ’21, page 95–101.
Rosseti, I., Ocaña, K., and de Oliveira, D. (2017). Towards preserving results confidentiality in cloud-based scientific workflows. WORKS ’17, New York, NY, USA. ACM.
Sakellariou, R. et al. (2009). Mapping workflows on grid resources: Experiments with the montage workflow. In ERCIM W. Group on Grids, pages 119–132.
Shishido, H., Estrella, J. C., et al. (2018). Multi-objective optimization for workflow scheduling under task selection policies in clouds. In CEC, pages 1–8.
Silva, R. et al. (2021). Análise de desempenho da distribuição de workflows científicos em nuvens com restrições de confidencialidade. In XX WPerformance, pages 37–48.
Sujana, J. A. J. et al. (2019). Smart pso-based secured scheduling approaches for scientific workflows in cloud computing. Soft. Comp., 23(5):1745–1765.
Tawfeek, M. A. et al. (2018). Service flow management with multi-objective constraints in heterogeneous computing. In ICCES, pages 258–263.
Teylo, L. et al. (2017). A hybrid evolutionary algorithm for task scheduling and data assignment of data-intensive scientific workflows on clouds. FGCS, 76:1–17.
Topcuoglu, H. et al. (2002). Performance-effective and low-complexity task scheduling for heterogeneous computing. IEEE TPDS, 13(3):260–274.
Abraham, S. (2023). The hpc container experience on the summit supercomputer. In PEARC ’23, page 273–277.
Branco-Jr., E. C., Monteiro, J. M., et al. (2016). A flexible mechanism for data confidentiality in cloud database scenarios. In ICEIS 2016, pages 359–368.
de Oliveira, D., Liu, J., and Pacitti, E. (2019). Data-Intensive Workflow Management: For Clouds and Data-Intensive and Scalable Computing Environments. Morgan & Claypool.
Ferreira, W. et al. (2024). AkôFlow: um Middleware para execução de Workflows científicos em múltiplos ambientes conteinerizados. In Proc. of the 39th SBBD. SBC.
Guerine, M. A., Stockinger, M. B., et al. (2019). A provenance-based heuristic for preserving results confidentiality in cloud-based scientific workflows. FGCS, 97:697–713.
Javed, O. and Toor, S. (2021). An evaluation of container security vulnerability detection tools. ICCBDC ’21, page 95–101.
Rosseti, I., Ocaña, K., and de Oliveira, D. (2017). Towards preserving results confidentiality in cloud-based scientific workflows. WORKS ’17, New York, NY, USA. ACM.
Sakellariou, R. et al. (2009). Mapping workflows on grid resources: Experiments with the montage workflow. In ERCIM W. Group on Grids, pages 119–132.
Shishido, H., Estrella, J. C., et al. (2018). Multi-objective optimization for workflow scheduling under task selection policies in clouds. In CEC, pages 1–8.
Silva, R. et al. (2021). Análise de desempenho da distribuição de workflows científicos em nuvens com restrições de confidencialidade. In XX WPerformance, pages 37–48.
Sujana, J. A. J. et al. (2019). Smart pso-based secured scheduling approaches for scientific workflows in cloud computing. Soft. Comp., 23(5):1745–1765.
Tawfeek, M. A. et al. (2018). Service flow management with multi-objective constraints in heterogeneous computing. In ICCES, pages 258–263.
Teylo, L. et al. (2017). A hybrid evolutionary algorithm for task scheduling and data assignment of data-intensive scientific workflows on clouds. FGCS, 76:1–17.
Topcuoglu, H. et al. (2002). Performance-effective and low-complexity task scheduling for heterogeneous computing. IEEE TPDS, 13(3):260–274.
Publicado
14/10/2024
Como Citar
SILVA, Rodrigo A. P.; FERREIRA, Wesley; PACITTI, Esther; FROTA, Yuri; DE OLIVEIRA, Daniel.
Uma Heurística para a Execução de Workflows com Restrições de Confidencialidade em Ambientes Conteinerizados. In: SIMPÓSIO BRASILEIRO DE BANCO DE DADOS (SBBD), 39. , 2024, Florianópolis/SC.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2024
.
p. 536-548.
ISSN 2763-8979.
DOI: https://doi.org/10.5753/sbbd.2024.240418.
