Classificação Automática de Processos em um Sistema Operacional de Uso Geral
Resumo
A tarefa mais importante do escalonador em um sistema operacional multitarefa de uso geral é propiciar uma fatia justa de tempo de processador a todos os processos, de forma a obter um bom desempenho e um tempo de resposta adequado às aplicações interativas. Cada processo tem demandas próprias de processamento e de tempo de resposta, que nem sempre podem ser facilmente informadas pelo usuário ou inferidas pelo escalonador. Este artigo tem por objetivo explorar as possibilidades de aplicação de técnicas de mineração de dados à massa de informações mantidas pelo núcleo do sistema para cada processo, visando 1) descobrir automaticamente grupos de processos com comportamento similar e 2) classificar automaticamente novos processos nesses grupos. A classificação automática dos processos em grupos de comportamento similar pode auxiliar significativamente a tarefa do escalonador de processos.
Referências
J. Han and M. Kamber Data mining: concepts and techniques. Morgan Kaufmann 2006.
J. Nieh and M. Lam Implementation and Evaluation of SMART: A Scheduler for Multimedia Applications ACM Symposium on Operating Systems Principles pp.506-519 1997.
N. Hussein C. Kolivas F. Haron and C. H. Yong Extending The Linux Operating System For Grid Computing APAN Network Research Workshop 2004.
L. A. Torrey J. Coleman and B. P. Miller L. A. Torrey and J. Coleman and B. P. Miller Software: Practice and Experience vol.37 n.4 pp.347-364. Wiley Online Library 2007
S. Lim and S. B. Cho Applying machine learning techniques to improve Linux process scheduling TENCON IEEE Region 10 pp.1-6. IEEE 2005.
S. Suranauwarat and H. Taniguchi The design implementation and initial evaluation of an advanced knowledge-based process scheduler ACM SIGOPS Operating Systems Review vol.35 n.4 pp.61-81. ACM 2001. (Pubitemid 33608745)
S. Lim and S. B. Cho Intelligent OS process scheduling using fuzzy inference with user models New Trends in Applied Artificial Intelligence pp.725-734. Springer 2007. (Pubitemid 350270779)
R. Faulkner and R. Gomes The Process File System and Process Model in UNIX System V USENIX Conference Proceedings 1991.
R. Bouckaert E. Frank R. Kirkby P. Reutemann A. Seewald and D. Scuse WEKA Manual for Version 3.7.2 University of Waikato New Zealand 2002.
M. Ester H. P. Kriegel J. Sander X. and Xu A density-based algorithm for discovering clusters in large spatial databases with noise International Conference on Knowledge Discovery and Data mining pp.226-231. AAAI Press 1996.
H. Liu and H. Motoda Feature Selection for Knowledge Discovery and Data Mining. Kluwer Academic Publishers 1998.
R. Kohavi and G. H. John Wrappers for feature subset selection Artificial intelligence vol.97 n.1 pp.273-324. Elsevier 1997. (Pubitemid 127401107)
H. Liu and L. Yu Toward integrating feature selection algorithms for classification and clustering Toward integrating feature selection algorithms for classification and clustering vol.17 n.4 pp.491-502. IEEE 2005. (Pubitemid 40495592)
