Cloud AutoDroid: Um Sistema Distribuído Escalável para Execução de Ferramentas de IA Generativa
Resumo
A Cloud AutoDroid foi desenvolvida para resolver problemas de escalabilidade na execução de experimentos com redes neurais complexas, como a MalSynGen, que exigem alto poder computacional. Com uma arquitetura distribuída, a ferramenta permite a execução autoescalável de tarefas de IA. Disponível como um serviço SaaS (Software as a Service), a Cloud AutoDroid oferece uma plataforma para experimentação em larga escala, embora ainda requeira intervenção para a alocação inicial de nós.
Palavras-chave:
Computação Distribuída, Arquitetura de Software, Inteligência Artificial
Referências
Bhatia, H., Di Natale, F., Moon, J. Y., Zhang, X., Chavez, J. R., Aydin, F., Stanley, C., Oppelstrup, T., Neale, C., Schumacher, S. K., Ahn, D. H., Herbein, S., Carpenter, T. S., Gnanakaran, S., Bremer, P.-T., Glosli, J. N., Lightstone, F. C., and Ingólfsson, H. I. (2021). Generalizable coordination of large multiscale workflows: challenges and learnings at scale. In Proceedings of the International Conference for High Performance Computing, Networking, Storage and Analysis, SC ’21, New York, NY, USA. Association for Computing Machinery.
Bragança, H., Rocha, V., Barcellos, L., Souto, E., Kreutz, D., and Feitosa, E. (2023). Capturing the behavior of android malware with mh-100k: A novel and multidimensional dataset. In Anais do XXIII Simpósio Brasileiro de Segurança da Informação e de Sistemas Computacionais, pages 510–515, Porto Alegre, RS, Brasil. SBC.
Chen, K., Lee, Y., and Soh, H. (2021). Multi-modal mutual information (mummi) training for robust self-supervised deep reinforcement learning. In 2021 IEEE international conference on robotics and automation (ICRA), pages 4274–4280. IEEE.
Krawczuk, P., Papadimitriou, G., Tanaka, R., Anh Do, T. M., Subramanya, S., Nagarkar, S., Jain, A., Lam, K., Mandal, A., Pottier, L., and Deelman, E. (2021). A performance characterization of scientific machine learning workflows. In 2021 IEEE Workshop on Workflows in Support of Large-Scale Science (WORKS), pages 58–65.
Kuba, M. (2023). Otel component performance benchmarks. Disponível em: [link].
Laviola, L., Paim, K., Kreutz, D., and Mansilha, R. (2023). Autodroid: disponibilizando a ferramenta droidaugmentor como serviço. In Anais da XX Escola Regional de Redes de Computadores, pages 145–150, Porto Alegre, RS, Brasil. SBC.
Laviola, L. F., Nogueira, A. G. D., Kreutz, D., and Mansilha, R. B. (2024). Cloud autodroid: uma arquitetura de backend para executar serviços de ia generativa na nuvem. In Anais da VIII Escola Regional de Engenharia de Software, pages 258–267, Porto Alegre, RS, Brasil. SBC.
Nogueira, A., Paim, K., Bragança, H., Mansilha, R., and Kreutz, D. (2024a). Malsyngen: redes neurais artificiais na geração de dados tabulares sintéticos para detecção de malware. In Anais Estendidos do XXIV Simpósio Brasileiro de Segurança da Informação e de Sistemas Computacionais, pages 129–136, Porto Alegre, RS, Brasil. SBC.
Nogueira, A. G. D., de Oliveira, L. F. A., da Silva, A. L. G., Kreutz, D., and Mansilha, R. B. (2024b). Otimização de hiperparâmetros da droidaug-mentor para geração de dados sintéticos de malware android. In Anais da XXI Escola Regional de Redes de Computadores / VIII Workshop de Segurança (ERRC/WRSeg). Disponível em: [link].
Polyxronou, I. (2024). Designing a scalable and reproducible machine learning workflow. Master’s thesis, University of West Attica.
Tagliabue, J., Bowne-Anderson, H., Tuulos, V., Goyal, S., Cledat, R., and Berg, D. (2023). Reasonable scale machine learning with open-source metaflow.
Wozniak, J. M., Davis, P. E., Shu, T., Ozik, J., Collier, N., Parashar, M., Foster, I., Brettin, T., and Stevens, R. (2018). Scaling deep learning for cancer with advanced workflow storage integration. In Proceedings of Machine Learning in High Performance Computing Environments, Argonne, IL, USA. Argonne National Laboratory. Available at: [link].
Zaharia, M., Chen, A., Davidson, A., Ghodsi, A., Hong, S. A., Konwinski, A., Murching, S., Nykodym, T., Ogilvie, P., Parkhe, M., et al. (2018). Accelerating the machine learning lifecycle with mlflow. IEEE Data Eng. Bull., 41(4):39–45.
Bragança, H., Rocha, V., Barcellos, L., Souto, E., Kreutz, D., and Feitosa, E. (2023). Capturing the behavior of android malware with mh-100k: A novel and multidimensional dataset. In Anais do XXIII Simpósio Brasileiro de Segurança da Informação e de Sistemas Computacionais, pages 510–515, Porto Alegre, RS, Brasil. SBC.
Chen, K., Lee, Y., and Soh, H. (2021). Multi-modal mutual information (mummi) training for robust self-supervised deep reinforcement learning. In 2021 IEEE international conference on robotics and automation (ICRA), pages 4274–4280. IEEE.
Krawczuk, P., Papadimitriou, G., Tanaka, R., Anh Do, T. M., Subramanya, S., Nagarkar, S., Jain, A., Lam, K., Mandal, A., Pottier, L., and Deelman, E. (2021). A performance characterization of scientific machine learning workflows. In 2021 IEEE Workshop on Workflows in Support of Large-Scale Science (WORKS), pages 58–65.
Kuba, M. (2023). Otel component performance benchmarks. Disponível em: [link].
Laviola, L., Paim, K., Kreutz, D., and Mansilha, R. (2023). Autodroid: disponibilizando a ferramenta droidaugmentor como serviço. In Anais da XX Escola Regional de Redes de Computadores, pages 145–150, Porto Alegre, RS, Brasil. SBC.
Laviola, L. F., Nogueira, A. G. D., Kreutz, D., and Mansilha, R. B. (2024). Cloud autodroid: uma arquitetura de backend para executar serviços de ia generativa na nuvem. In Anais da VIII Escola Regional de Engenharia de Software, pages 258–267, Porto Alegre, RS, Brasil. SBC.
Nogueira, A., Paim, K., Bragança, H., Mansilha, R., and Kreutz, D. (2024a). Malsyngen: redes neurais artificiais na geração de dados tabulares sintéticos para detecção de malware. In Anais Estendidos do XXIV Simpósio Brasileiro de Segurança da Informação e de Sistemas Computacionais, pages 129–136, Porto Alegre, RS, Brasil. SBC.
Nogueira, A. G. D., de Oliveira, L. F. A., da Silva, A. L. G., Kreutz, D., and Mansilha, R. B. (2024b). Otimização de hiperparâmetros da droidaug-mentor para geração de dados sintéticos de malware android. In Anais da XXI Escola Regional de Redes de Computadores / VIII Workshop de Segurança (ERRC/WRSeg). Disponível em: [link].
Polyxronou, I. (2024). Designing a scalable and reproducible machine learning workflow. Master’s thesis, University of West Attica.
Tagliabue, J., Bowne-Anderson, H., Tuulos, V., Goyal, S., Cledat, R., and Berg, D. (2023). Reasonable scale machine learning with open-source metaflow.
Wozniak, J. M., Davis, P. E., Shu, T., Ozik, J., Collier, N., Parashar, M., Foster, I., Brettin, T., and Stevens, R. (2018). Scaling deep learning for cancer with advanced workflow storage integration. In Proceedings of Machine Learning in High Performance Computing Environments, Argonne, IL, USA. Argonne National Laboratory. Available at: [link].
Zaharia, M., Chen, A., Davidson, A., Ghodsi, A., Hong, S. A., Konwinski, A., Murching, S., Nykodym, T., Ogilvie, P., Parkhe, M., et al. (2018). Accelerating the machine learning lifecycle with mlflow. IEEE Data Eng. Bull., 41(4):39–45.
Publicado
19/05/2025
Como Citar
LAVIOLA, Luiz Felipe; KREUTZ, Diego; BRANDÃO MANSILHA, Rodrigo.
Cloud AutoDroid: Um Sistema Distribuído Escalável para Execução de Ferramentas de IA Generativa. In: SALÃO DE FERRAMENTAS - SIMPÓSIO BRASILEIRO DE REDES DE COMPUTADORES E SISTEMAS DISTRIBUÍDOS (SBRC), 43. , 2025, Natal/RN.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 129-138.
ISSN 2177-9384.
DOI: https://doi.org/10.5753/sbrc_estendido.2025.7856.
