Análise de Desempenho da Distribuição de Workflows Científicos em Nuvens com Restrições de Confidencialidade
Resumo
As nuvens fornecem um ambiente sob demanda que permite que cientistas migrem seus experimentos locais para um ambiente elástico. Os experimentos são modelados como workflows científicos, e muito deles são intensivos em computação e produção de dados. O armazenamento desses dados preocupa, uma vez que a confidencialidade pode ser comprometida. Usuários maliciosos podem inferir conhecimento dos resultados e da estrutura dos workflows. Dispersão dos dados e criptografia podem ser adotados para aumentar a confidencialidade, mas esses mecanismos não pode ser adotados de forma desacoplada ao escalonamento do workflow, sob o risco de aumentar o tempo de execução e despesas. Nesse artigo, apresentamos a SaFER (workflow Scheduling with conFidEntiality pRoblem), uma abordagem de escalonamento que considera restrições de confidencialidade dos dados.
Palavras-chave:
escalonamento, grafo de conflitos, plano de dispersão, confidencialidade, safer
Referências
Abazari, F., Analoui, M., Takabi, H., e Fu, S. (2019). Mows: multi-objective workflow scheduling in cloud computing based on heuristic algorithm.Simulation Modelling Practice and Theory, 93:119–132.
Branco-Jr., E. C., Monteiro, J. M., Reis, R., e Machado, J. C. (2016). A new mechanism to preserving data confidentiality in cloud database scenarios. InICEIS, volume 291,pages 261–283. Springer.
de Oliveira, D., Liu, J., e Pacitti, E. (2019). Data-Intensive Workflow Management: For Clouds and Data-Intensive and Scalable Computing Environments. Synthesis Lectures on Data Management. Morgan & Claypool Publishers.
de Oliveira, D., Ogasawara, E. S., Baião, F. A., e Mattoso, M. (2010). Scicumulus: A lightweight cloud middleware to explore many task computing paradigm in scientific workflows. In IEEE CLOUD 2010, Miami, pages 378–385.
Deelman, E., Vahi, K., Juve, G., Rynge, M., Callaghan, S., Maechling, P., Mayani, R.,Chen, W., da Silva, R. F., Livny, M., e Wenger, R. K. (2015). Pegasus, a workflow management system for science automation.Future Generation Comp. Syst., 46:17–35.
Ennajjar, I., Tabii, Y., e Benkaddour, A. (2017). Securing data in cloud computing by classification. BDCA’17, New York, NY, USA. ACM.
Freire, J., Koop, D., Santos, E., e Silva, C. T. (2008). Provenance for Computational Tasks: A Survey. Computing in Science & Engineering, pages 20–30.
Gendreau, M., Potvin, J.-Y., et al. (2010). Handbook of metaheuristics, volume 2. Springer.
González, L. M. V., Rodero-Merino, L., Caceres, J., e Lindner, M. A. (2009). A break in the clouds: towards a cloud definition.Computer Communication Review, 39(1):50–55.
Guerine, M., Stockinger, M. B., Rosseti, I., Simonetti, L. G., Ocaña, K. A., Plastino, A.,e de Oliveira, D. (2019). A provenance-based heuristic for preserving results confidentiality in cloud-based scientific workflows. Future Generation Computer Systems, 97:697 – 713.
Lee, K., Paton, N. W., Sakellariou, R., Deelman, E., Fernandes, A. A. A., e Mehta, G. (2009). Adaptive workflow processing and execution in pegasus. CCPE, 21(16):1965–1981.
Liu, J., Pacitti, E., Valduriez, P., e Mattoso, M. (2015). A survey of data-intensive scientific workflow management.J. Grid Comput., 13(4):457–493.
Shishido, H. Y., Estrella, J. C., e Toledo, C. F. M. (2018). Multi-objective optimizationfor workflow scheduling under task selection policies in clouds. InCEC, pages 1–8. IEEE.
Sujana, J. A. J., Revathi, T., Priya, T. S., e Muneeswaran, K. (2019). Smart pso-based secured scheduling approaches for scientific workflows in cloud computing. Soft. Comp., 23(5):1745–1765.
Tawfeek, M. A. e AbdulHamed, A. A. (2018). Service flow management with multi-objective constraints in heterogeneous computing. InICCES, pages 258–263. IEEE.
Teylo, L., de Paula Junior, U., Frota, Y., de Oliveira, D., e de A. Drummond, L. M.(2017). A hybrid evolutionary algorithm for task scheduling and data assignment of data-intensive scientific workflows on clouds. Future Gener. Comput. Syst., 76:1–17.
Branco-Jr., E. C., Monteiro, J. M., Reis, R., e Machado, J. C. (2016). A new mechanism to preserving data confidentiality in cloud database scenarios. InICEIS, volume 291,pages 261–283. Springer.
de Oliveira, D., Liu, J., e Pacitti, E. (2019). Data-Intensive Workflow Management: For Clouds and Data-Intensive and Scalable Computing Environments. Synthesis Lectures on Data Management. Morgan & Claypool Publishers.
de Oliveira, D., Ogasawara, E. S., Baião, F. A., e Mattoso, M. (2010). Scicumulus: A lightweight cloud middleware to explore many task computing paradigm in scientific workflows. In IEEE CLOUD 2010, Miami, pages 378–385.
Deelman, E., Vahi, K., Juve, G., Rynge, M., Callaghan, S., Maechling, P., Mayani, R.,Chen, W., da Silva, R. F., Livny, M., e Wenger, R. K. (2015). Pegasus, a workflow management system for science automation.Future Generation Comp. Syst., 46:17–35.
Ennajjar, I., Tabii, Y., e Benkaddour, A. (2017). Securing data in cloud computing by classification. BDCA’17, New York, NY, USA. ACM.
Freire, J., Koop, D., Santos, E., e Silva, C. T. (2008). Provenance for Computational Tasks: A Survey. Computing in Science & Engineering, pages 20–30.
Gendreau, M., Potvin, J.-Y., et al. (2010). Handbook of metaheuristics, volume 2. Springer.
González, L. M. V., Rodero-Merino, L., Caceres, J., e Lindner, M. A. (2009). A break in the clouds: towards a cloud definition.Computer Communication Review, 39(1):50–55.
Guerine, M., Stockinger, M. B., Rosseti, I., Simonetti, L. G., Ocaña, K. A., Plastino, A.,e de Oliveira, D. (2019). A provenance-based heuristic for preserving results confidentiality in cloud-based scientific workflows. Future Generation Computer Systems, 97:697 – 713.
Lee, K., Paton, N. W., Sakellariou, R., Deelman, E., Fernandes, A. A. A., e Mehta, G. (2009). Adaptive workflow processing and execution in pegasus. CCPE, 21(16):1965–1981.
Liu, J., Pacitti, E., Valduriez, P., e Mattoso, M. (2015). A survey of data-intensive scientific workflow management.J. Grid Comput., 13(4):457–493.
Shishido, H. Y., Estrella, J. C., e Toledo, C. F. M. (2018). Multi-objective optimizationfor workflow scheduling under task selection policies in clouds. InCEC, pages 1–8. IEEE.
Sujana, J. A. J., Revathi, T., Priya, T. S., e Muneeswaran, K. (2019). Smart pso-based secured scheduling approaches for scientific workflows in cloud computing. Soft. Comp., 23(5):1745–1765.
Tawfeek, M. A. e AbdulHamed, A. A. (2018). Service flow management with multi-objective constraints in heterogeneous computing. InICCES, pages 258–263. IEEE.
Teylo, L., de Paula Junior, U., Frota, Y., de Oliveira, D., e de A. Drummond, L. M.(2017). A hybrid evolutionary algorithm for task scheduling and data assignment of data-intensive scientific workflows on clouds. Future Gener. Comput. Syst., 76:1–17.
Publicado
18/07/2021
Como Citar
SILVA, Rodrigo A. P.; PACITTI, Esther; FROTA, Yuri; OLIVEIRA, Daniel de.
Análise de Desempenho da Distribuição de Workflows Científicos em Nuvens com Restrições de Confidencialidade. In: WORKSHOP EM DESEMPENHO DE SISTEMAS COMPUTACIONAIS E DE COMUNICAÇÃO (WPERFORMANCE), 20. , 2021, Evento Online.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2021
.
p. 37-48.
ISSN 2595-6167.
DOI: https://doi.org/10.5753/wperformance.2021.15721.
