WorkflowSim4RL: Aprendizado por Reforço Aplicado ao Escalonamento de Workflows Científicos em Nuvens
Resumo
Ambientes de Nuvem são amplamente utilizados para a execução de experimentos científicos modelados como workflows. Muitos Sistemas de Gerência de Workflows Científicos (SGWfC) oferecem apoio a execuções na nuvem. Em geral, esses SGWfCs possuem um escalonador de atividades que segue um modelo de custo bem definido. Um problema de se criar modelos de custos para escalonar workflows na nuvem é que precisamos modelar manualmente grande parte das características do ambiente. Entretanto, eventos como migração de máquinas virtuais ou flutuações de desempenho não são facilmente modelados. De forma a gerar um escalonamento sem a necessidade de modelar todas as características do ambiente de antemão, esse artigo propõe um simulador chamado WorkflowSim4RL que utiliza técnicas de Aprendizado por Reforço (AR da área de aprendizado de máquina) para descobrir como melhor escalonar as ativações do workflow. Por meio do AR o escalonador não necessita conhecer todas as características do ambiente e do workflow sendo executado. Experimentos com traces de workflows reais mostraram a viabilidade da proposta.
Referências
Chen, W. and Deelman, E. (2012). Workflowsim: A toolkit for simulating scientific workflows in distributed environments. In E-science (e-science), 2012 IEEE 8th International Conference on, pages 1–8. IEEE.
Costa, B. F., Mattoso, M., and Dutra, I. (2009). Applying reinforcement learning to scheduling strategies in an actual grid environment. International Journal of High Performance Systems Architecture, 2(2):116–128.
Deelman, E., Gannon, D., Shields, M., and Taylor, I. (2009). Workflows and e-science: An overview of workflow system features and capabilities. Future Generation Computer Systems, 25(5):528–540.
Deelman, E., Mehta, G., Singh, G., Su, M.-H., and Vahi, K. (2007). Pegasus: mapping large-scale workflows to distributed resources. In Workflows for e-Science, pages 376–394. Springer.
Mattoso, M., Werner, C., Travassos, G., Braganholo, V., Murta, L., Ogasawara, E., Oliveira, F., and Martinho, W. (2009). Desafios no apoio à composição de experimentos científicos em larga escala. Seminário Integrado de Software e Hardware, SEMISH, 9:36.
Mattoso, M., Werner, C., Travassos, G. H., Braganholo, V., Ogasawara, E., Oliveira, D., Cruz, S., Martinho, W., and Murta, L. (2010). Towards supporting the life cycle of large scale scientific experiments. International Journal of Business Process Integration and Management, 5(1):79–92.
Ogasawara, E., Dias, J., Oliveira, D., Porto, F., Valduriez, P., and Mattoso, M. (2011). An algebraic approach for data-centric scientific workflows. Proc. of VLDB Endowment, 4(12):1328–1339.
Oliveira, D., Ogasawara, E., Ocaña, K., Baião, F., and Mattoso, M. (2012). An adaptive parallel execution strategy for cloud-based scientific workflows. Concurrency and Computation: Practice and Experience, 24(13):1531–1550.
Sutton, R. S. and Barto, A. G. (1998). Reinforcement learning: An introduction, volume 1. MIT press Cambridge.
Travassos, G. H. and Barros, M. O. (2003). Contributions of in virtuo and in silico experiments for the future of empirical studies in software engineering. In 2nd Workshop on Empirical Software Engineering the Future of Empirical Studies in Software Engineering, pages 117–130.
Vaquero, L. M., Rodero-Merino, L., Caceres, J., and Lindner, M. (2008). A break in the clouds: towards a cloud definition. ACM SIGCOMM Computer Communication Review, 39(1):50–55.
Zhao, Y., Hategan, M., Clifford, B., Foster, I., Von Laszewski, G., Nefedova, V., Raicu, I., Stef-Praun, T., and Wilde, M. (2007). Swift: Fast, reliable, loosely coupled parallel computation. In Services, 2007 IEEE Congress on, pages 199–206. IEEE.
