SciCumulus-ECM: Um Serviço de Custos para a Execução de Workflows Científicos em Nuvens Computacionais 1

Tamanho: px
Começar a partir da página:

Download "SciCumulus-ECM: Um Serviço de Custos para a Execução de Workflows Científicos em Nuvens Computacionais 1"

Transcrição

1 SciCumulus-ECM: Um Serviço de Custos para a Execução de Workflows Científicos em Nuvens Computacionais 1 Vitor Viana 1, Daniel de Oliveira 1, Eduardo Ogasawara 1,2, Marta Mattoso 1 1 Universidade Federal do Rio de Janeiro 2 CEFET/RJ {vitorgv, danielc, ogasawara, Resumo O conceito de computação em nuvem vem se firmando como um novo modelo computacional que proporciona aos cientistas uma oportunidade de se utilizar diversos recursos distribuídos para a execução de experimentos científicos. Muitos dos experimentos científicos existentes, modelados como workflows científicos, devem controlar a execução de atividades que consomem e produzem grandes volumes de dados. Há uma demanda por alto desempenho na execução destes experimentos uma vez que muitas destas atividades são computacionalmente intensivas. As técnicas de paralelismo são consideradas um ponto chave em todo o processo de experimentação. Entretanto, paralelizar um workflow científico em um ambiente de nuvem não é uma tarefa trivial. Uma das tarefas mais complexas é definir a melhor configuração possível do ambiente de nuvem, i.e., o número ideal de máquinas virtuais a serem utilizadas e como projetar a estratégia de execução paralela. Devido ao grande número de opções para configurar o ambiente de nuvem, esta tarefa de configuração se torna inviável de ser executada manualmente e, caso não seja realizada da melhor forma possível, pode produzir impactos negativos de desempenho, ou aumento excessivo no custo monetário da execução. Este artigo propõe o SciCumulus-ECM (SciCumulus Environment Cost Model), um serviço baseado em um modelo de custo para determinar a melhor configuração possível para o ambiente de acordo com restrições impostas pelos cientistas. O SciCumulus-ECM foi projetado para ser acoplado ao SciCumulus, um middleware especializado na gerência da execução paralela de atividades de workflows científicos em nuvens computacionais. Keywords: Computação em Nuvem, Workflows Científicos, Modelo de Custo 1. INTRODUÇÃO Com a crescente necessidade de analisar uma quantidade grande de informações e dados científicos complexos, os cientistas têm utilizado em seus experimentos diversas aplicações científicas baseadas em simulações computacionais. Este tipo de experimento é comumente modelado como um workflow científico (Mattoso et al. 2010). Os workflows científicos são abstrações nas quais um conjunto de programas é organizado em um fluxo coerente de atividades em que a saída de uma atividade é transferida para a próxima atividade do fluxo como uma entrada, criando assim uma dependência entre as mesmas. Workflows científicos são normalmente gerenciados utilizando mecanismos complexos chamados Sistemas de Gerência de Workflows Científicos (SGWfC). Em muitos casos, estes workflows demandam uma grande capacidade computacional e podem ser executados durante semanas ou até meses. As atividades de um workflow podem ser reexecutadas tantas vezes quanto for necessário, variando-se os dados de entrada e os parâmetros a serem consumidos, para analisar os dados que são produzidos pelo workflow. Esta situação é comum em muitos experimentos e é chamada de varredura de parâmetros (do inglês parameter sweep). Em muitos casos, estes workflows podem não executar em um tempo viável quando utilizamos um único computador comum (workstation) ou um cluster de baixo poder computacional. Devido a esta característica, alguns workflows científicos necessitam de certo grau de paralelismo para reduzir o tempo total de execução. Ainda assim, mesmo aplicando técnicas de paralelismo, a execução do workflow pode ser inviável se os cientistas não executarem seus experimentos em ambientes de alto desempenho (do inglês HPC High Performance Computing). 1 Este trabalho foi parcialmente financiado pelo CNPq e CAPES 1

2 As nuvens computacionais (Vaquero et al. 2009) têm se apresentado como um ambiente alternativo de HPC onde serviços acessados através da Web permitem que diferentes tipos de usuários obtenham uma grande variedade de recursos virtualizados (baseados em Máquinas Virtuais MV). As nuvens têm demonstrado aplicabilidade a uma ampla gama de problemas em vários domínios, incluindo os científicos (Hey et al. 2009). Com as nuvens, um cientista comum é capaz de executar experimentos alocando apenas os recursos necessários. Uma vantagem importante do ambiente de nuvem é que o cientista não precisa adquirir um equipamento caro como um supercomputador, ou realizar configurações complexas como em uma grade. Imagens de MVs podem ser criadas e pré-configuradas de forma a facilitar o trabalho do cientista. Além disso, os recursos são escaláveis, ou seja, se o cientista precisar de mais recursos, pode requisitá-los e também se desfazer dos mesmos sempre que desejar. Apesar das nuvens representarem um avanço tecnológico, o gerenciamento da execução paralela de workflows científicos em nuvens é ainda uma questão em aberto. Uma infraestrutura específica para a execução paralela de workflows científicos nas nuvens é necessária. Uma das soluções propostas recentemente para oferecer essa infraestrutura é o SciCumulus (Oliveira et al. 2010). O SciCumulus é um middleware projetado para distribuir, gerenciar e monitorar a execução paralela de atividades de workflows científicos na nuvem. O SciCumulus orquestra a execução das atividades de workflow em um conjunto distribuído de MVs. O SciCumulus tem o diferencial frente aos outros middlewares de criar e configurar todo o ambiente na nuvem sem que o cientista tenha que interagir com o mesmo. No entanto, na sua versão atual, o SciCumulus cria as MVs de acordo com a definição prévia do cientista. Entretanto, podem existir diversas combinações de tipos de MVs para serem escolhidas durante a configuração de um ambiente de nuvem, ou seja, dado um conjunto de tipos de MVs, a decisão de qual deles será instanciado para executar o experimento não é uma tarefa simples de realizar. Este artigo propõe uma solução chamada SciCumulus-ECM para determinar a melhor configuração possível de MVs em um ambiente de nuvem. O SciCumulus-ECM é composto por um agente autônomo e um modelo de custo. O agente captura informações do ambiente de nuvem de forma independente das execuções dos workflows e as armazena em um banco de proveniência (Freire et al. 2008) (também localizado na nuvem). O modelo de custo, inspirado em modelos de custo para execução de consultas de banco de dados (Elmasri e Navathe 2006), determina uma configuração de ambiente adequada para a execução do workflow, de acordo com as restrições informadas pelos cientistas. Desta forma, o objetivo deste trabalho é preparar todo o ambiente de acordo com a demanda do workflow e do cientista, antes do SciCumulus escalonar as atividades do workflow nas nuvens. O modelo de custos apresentado neste artigo foi elaborado para ser orientado a métricas de Qualidade de Serviço (do inglês QoS Quality of Service) (Costa e Furtado 2009), o que significa que seu objetivo é aumentar a satisfação dos cientistas, mantendo um bom nível de QoS. A contribuição apresentada, neste artigo, visa explorar a elasticidade presente nos ambientes de nuvem. Porém, outros sistemas de alto desempenho, caso possuam algum grau de flexibilidade, também podem se beneficiar. Este artigo está organizado da seguinte forma. A Seção 2 discute os trabalhos relacionados e o conceito de QoS. A Seção 3 descreve brevemente a arquitetura do SciCumulus, o middleware responsável por gerenciar a execução distribuída do workflow. A Seção 4 apresenta o agente de captura de informações da nuvem e o modelo de custos proposto para apoiar o escalonamento dinâmico de recursos na nuvem. A Seção 5 nos traz resultados experimentais. E, finalmente, a Seção 6 conclui este artigo. 2. TRABALHOS RELACIONADOS O termo Qualidade de Serviço (QoS) (Costa e Furtado 2009) refere-se a todas as características não funcionais de um serviço (no nosso caso, a execução paralela de um workflow na nuvem) que pode ser usado por um cliente (ou um cientista, no contexto deste trabalho) para avaliar a qualidade do serviço. Importantes aspectos são: (i) o Desempenho, (ii) Confiabilidade (iii) Capacidade e (iv) Custo. No entanto, neste artigo, vamos nos concentrar apenas no desempenho e custo. Furtado e Costa (2008), analisam a arquitetura centralizada e hierárquica de acordo com as restrições de throughput e QoS para serviços 2

3 distribuídos, de forma semelhante a este artigo. Sobre as restrições de QoS, os autores afirmam que as limitações de tempo estão entre os critérios mais utilizados de QoS. Embora os autores usem restrições de QoS em um modelo de custos, seu objetivo é diferente do que os apresentados neste trabalho, porque eles não têm a intenção de configurar ambientes distribuídos. Dias et al. (2010) propõem o Heracles, uma abordagem para execução de workflows baseados em técnicas peer-to-peer. Semelhante a este trabalho, Dias et al. focam em atender restrições de cientistas, porém não tem como objetivo a configuração do ambiente, já que focam na execução em clusters que já são ambientes com configuração definida. Singh, Kesselman, e Deelman (2007) propõem um modelo de custo, onde os nós de uma grade devem anunciar a disponibilidade de recursos para a comunidade de usuários. Além disso, apresentam um algoritmo para selecionar o conjunto de recursos a ser provido que, de forma semelhante a este trabalho, otimiza o desempenho das aplicações, minimizando os custos dos recursos. Difere do trabalho apresentado neste artigo, pois não têm a intenção de configurar ambientes distribuídos. E neste trabalho, os provedores não necessitam anunciar os recursos disponíveis, mas devem possuir um serviço capaz de disponibilizar essas informações. Garg, Buyya. e Siegel (2009) apresentam duas heurísticas para agendamento de aplicações paralelas em grades que gerenciam restrições de tempo e custo. Porém, diferem do trabalho apresentado nesse artigo, pois não tem como objetivo a configuração o ambiente. 3. A ARQUITETURA DO SCICUMULUS O SciCumulus foi projetado para orquestrar a execução de atividades de um workflow científico em um conjunto distribuído de MVs. O SciCumulus possui uma arquitetura em três camadas que é por si só distribuída. A camada de Desktop é a responsável por iniciar a execução paralela de atividades de workflow na nuvem e por transferir os dados para dentro e para fora da nuvem. Seus componentes são implantados em qualquer SGWfC existente. Esta camada é constituída de três componentes principais: Uploader, Dispatcher, e Downloader. A camada de Distribuição gerencia a execução de atividades paralelas em ambientes de nuvem criando atividades (Cloud Activities (Oliveira et al. 2010)) que contêm os programas a serem executados, os valores dos parâmetros e dados de entrada para serem consumidos. A camada de distribuição possui seis componentes principais: Execution Broker, Parameter Sweeper, Encapsulator, Scheduler, Data Summarizer e Distribution Controller. A camada de execução invoca códigos executáveis em várias MVs disponíveis. Ela tem três componentes principais: Instance Controller, Configurator e Executor. Esta camada também controla o fluxo de execução na MV quando a atividade está associada a duas ou mais aplicações a serem executadas (Cloud Activity com pipeline (Oliveira et al. 2011)). Seus componentes também armazenam dados de origem em um repositório, também localizado na nuvem. Mais detalhes sobre a arquitetura SciCumulus podem ser encontrados em trabalhos anteriores (Oliveira et al. 2010, 2011). Embora o SciCumulus possua três camadas com diversos componentes, a abordagem proposta neste trabalho está no escopo da camada de distribuição pois é nesta camada que o escalonamento é realizado e para isso devemos configurar o ambiente na mesma. 4. SCICUMULUS-ECM: SELEÇÃO DINÂMICA DE SERVIÇOS DE MÁQUINAS VIRTUAIS Com a evolução da computação em nuvem, diversos tipos de recursos estão disponíveis para utilização. Por exemplo, a Amazon EC2 (Amazon EC2 2010) fornece mais de 10 diferentes tipos de MVs que podem ser instanciadas para utilização. A escolha do tipo de MV para ser instanciada na execução paralela de um workflow científico impacta no desempenho do mesmo. Dessa forma, é necessário possuir serviços que sejam capazes de determinar quais desses recursos computacionais serão instanciados e utilizados, seguindo um critério específico como o tempo total de execução do workflow ou custo monetário. Para fazer esse tipo de escolha possível, deve-se inicialmente capturar informações fundamentais do ambiente de nuvem, catalogar recursos com funcionalidades equivalentes que podem ser selecionados, e aplicar um modelo de custo a fim de determinar a configuração ideal do ambiente. É importante ressaltar que este problema é inerente às nuvens, pois sua configuração é dinâmica. Esta seção 3

4 apresenta o agente de captura de informações da nuvem, o modelo de proveniência implementado e o modelo de custos de dois critérios, com suporte a QoS para nuvens, permitindo melhor uso dos recursos e o cumprimento dos requisitos impostos pelo cientista. A partir dos requisitos descritos pelos cientistas acerca da execução do workflow (tempo total de execução e custo monetário de execução, uma vez que os provedores de nuvem cobram por hora de utilização), está sob a responsabilidade de um componente otimizador (acoplado à arquitetura do SciCumulus) determinar os recursos da nuvem que serão instanciados, para execução de um determinado workflow, em um determinado tempo. Em outras palavras, este componente é responsável por aperfeiçoar a seleção e instanciação dinâmica de MVs antes de escalonar as atividades. As próximas subseções apresentam a formalização considerada no desenvolvimento do modelo de custos, o agente autônomo, o esquema de proveniência e o modelo do custo em si. Este modelo de custo é utilizado pelo otimizador, durante a simulação, para a obtenção da melhor configuração possível do ambiente. 4.1 Definições Gerais Considere VM = {VM 0, VM 1, VM 2,, VM n-1 } como o conjunto de n MVs disponíveis identificados por um agente Ag. Para cada máquina VM i, também considere o conjunto P = {P 0, P 1, P 2,..., P m-1 }, conjunto de m programas instalados e configurados por cada máquina VM i. Outros parâmetros também são considerados e devem ser formalizados: (i) Disponibilidade: A disponibilidade de uma MV, denotada por A(VM i ), corresponde à porcentagem de tempo que um tipo de MV está disponível para uso, (ii) Confiabilidade: definimos confiabilidade de uma MV R(VM i ) como a razão entre o número de solicitações atendidas pela VM i e o número de pedidos recebidos pela VM i, (iii) Custo de Inicialização: o custo de inicialização é estimado analisando o histórico dos tempos de inicialização de cada tipo de MV e usando a configuração da MV, (iv) Custo de Transferência: os custos necessários para transferir certa quantidade de dados a partir da máquina do cliente ao provedor de serviço, (v) Custo de armazenamento: custo baseado no espaço necessário para o armazenamento de informações na nuvem, e (vi) Custo de Execução: custo de execução de um programa P j em uma MV denominada VM i. Este custo inclui o custo desde o início da execução do programa até o seu final, ignorando-se os custos de inicialização e transferência envolvidos. 4.2 Agente de Captura de Informações da Nuvem e Modelo de Proveniência Para que o modelo de custo seja capaz de decidir a melhor configuração do ambiente, levando em consideração os critérios do cientista, com relação ao custo e ao tempo de execução de uma atividade, são necessárias várias informações sobre os provedores de serviços disponíveis e sobre o ambiente de nuvem. No contexto do SciCumulus-ECM, estas informações são coletadas através de um agente autônomo capaz de fazer uma varredura entre os diversos provedores de serviços disponíveis na nuvem, compatíveis com o agente, e de capturar dados sobre hardware, software e sobre o próprio provedor. Alguns desses dados são os tipos de MVs disponíveis, preço para utilização do serviço, capacidade de armazenamento, sistemas operacionais, taxas de transferência, entre outras informações. O SciCumulus utiliza as informações obtidas pelo agente para realizar o escalonamento das atividades. O trabalho do agente começa a partir do momento que o cientista seleciona um ou mais provedores de serviços na nuvem como elegíveis para executar seu workflow científico. A partir desse momento, o agente, através de APIs disponibilizadas pelos provedores, consegue os dados necessários. Em sua versão inicial, o agente contempla o provedor Amazon EC2, que foi escolhido devido à estabilidade e confiabilidade. Porém, uma das metas traçadas é que, futuramente, ele esteja configurado para outros provedores, como o GoGrid. O agente coleta os dados relativos ao ambiente, como tipo de MVs, características de MVs, contas de usuário, etc. e os armazena em um esquema relacional do PostgreSQL que também se encontra em uma instância na nuvem. O esquema utilizado pelo agente e pelo SciCumulus é apresentado na Fig. 1. 4

5 Fig. 1 Modelo de Proveniência de informações do ambiente utilizado pelo SciCumulus Para o armazenamento dos dados coletados pelo agente, foi projetado um modelo de proveniência canônico de solução de nuvem capaz de relacionar os diversos tipos de dados de provedores de nuvem e dos ambientes. Dessa forma pode-se obter informações importantes para a configuração do ambiente e o escalonamento de atividades a posteriori. De posse dessas informações, fica a cargo do otimizador analisá-las e decidir, baseado no modelo de custo descrito a seguir, qual a melhor configuração de MVs dentre os critérios escolhidos pelo cientista. As principais classes do modelo são Image, VMType, Provider e Pricing. Na Fig. 1 podemos ver o modelo completo. A classe Image armazena os dados sobre as imagens disponíveis no provedor de nuvem, tais como nome, descrição, arquitetura, etc. A partir destas imagens, pode-se instanciar as MVs necessárias. A classe VMType armazena os dados referentes aos tipos existentes de MVs e suas características, como memória RAM, número de cores do processador, entre outras características. A classe Provider é onde ficam as informações sobre o provedor de serviços na nuvem, no caso unicamente a Amazon. E a classe Pricing é onde são registrados os dados sobre os custos monetários para a utilização dos serviços do provedor. 4.3 Modelo de Custo Proposto Um modelo de custo consiste em um conjunto de fórmulas, que estimam os custos envolvidos em um ambiente computacional particular (Elmasri e Navathe 2006). No nosso caso, o ambiente de nuvem. O modelo de custo foi incorporado no otimizador do SciCumulus. O otimizador utiliza o modelo de custos para simular várias execuções e decidir quando escolher um tipo e número de MV baseado em um destes dois critérios: tempo de execução e custo monetário, com a prioridade escolhida pelo cientista. Por se tratar de ambientes distribuídos, o otimizador precisa ser eficiente, uma vez que pode haver elevados custos de comunicação envolvidos na obtenção de informações sobre o ambiente. A seguir, detalhamos cada um dos parâmetros envolvidos no modelo de custo. O custo total para rodar um programa P j de uma máquina virtual VM i, denotado por C Ti,j é definido na Equação 1. (1) onde C Ii é o custo de inicialização da máquina virtual VM i, C Ei,j é o custo de execução do programa P j na máquina virtual VM i e C Rj é o custo de transferência de dados envolvido na execução do programa Pj. Podemos estender a Equação 1, para que ela abranja também os critérios de qualidade "Disponibilidade" e "Confiança", como definido anteriormente. Assim, a Equação 2, define o custo total da implementação. (2) 5

6 Os valores de A(VM i ) e R(VM i ) são números inteiros entre 0 e 1, e dividindo o tempo total de execução por estes critérios de qualidade, estaremos aumentando o tempo de execução de MVs menos confiáveis ou constantemente indisponíveis. Esta informação deverá ser fornecida pelo provedor para as aplicações clientes que desejam utilizar seus recursos e, na equação, é representada por I(VM i ). Assim, podemos simplesmente definir o custo de inicialização como na Equação 3: (3) O custo de execução é a soma dos custos de execução de cada programa P j de uma MV específica VM i VM i (. (4) O custo de transferência é calculado com base no volume de dados transferidos para dentro e para fora do ambiente de nuvem e o preço cobrado pelo provedor do serviço, conforme definido na Equação 5, (5) onde C U é o custo de envio, o C D é o custo de transferência e C S é o custo de armazenamento de dados no provedor. O tempo total de execução para rodar todos os programas em VM, denotado por é definido na Equação 6, onde T Ii é o maior tempo de inicialização das MVs, T Ei,j é o tempo de execução de cada programa Pj nas MVs e T Rj é o tempo de transferência envolvido na execução de cada programa P j nas MVs. (6) O tempo de inicialização deve ser calculado previamente através da análise de tempos de inicialização T Ii de cada VM i e selecionando a maior delas, porque todas as MVs são instanciadas em paralelo, tal como definido pela Equação 7. (7) O tempo de execução do workflow é a soma dos tempos de execução de cada programa P j em uma determinada máquina virtual VM i variando o número de parâmetros da atividade. A Equação 8 define o tempo de execução. (8) O tempo de transferência é calculado com base no volume de dados que são capturados e enviados para o servidor e a largura de banda disponível e é definido pela seguinte forma: (9) Onde t Ui é o tempo de upload e t Di é o tempo para fazer o download de e para uma VM i específica. A fim de utilizar o modelo em um ambiente de nuvem com workflow científico real, foi desenvolvido um componente de otimização na arquitetura do SciCumulus que é detalhada por Oliveira et al. (2010). O componente de otimização é um simulador implementado em Java Versão 6 Update 25 e baseado no CloudSim (Buyya et al. 2009), que simula várias combinações de tipos de MVs e transferência de dados, para produzir a melhor configuração do ambiente possível para o SciCumulus. 5. RESULTADOS EXPERIMENTAIS Diversos testes foram executados de forma a avaliar o SciCumulus-ECM. Estes testes foram baseados em execuções prévias de workflows nas quais já se conhecia qual era a melhor configuração do ambiente para a execução dos experimentos. A princípio, apenas MVs do mesmo tipo foram analisadas. Nesta seção, são apresentados alguns dos resultados obtidos pelo otimizador e sua comparação com os resultados reais 6

7 de execução. Como caso real de execução de workflows científicos para calibrar o modelo, foram utilizadas 524 execuções do workflow de cristalografia (Oliveira et al. 2011), que foi executado em paralelo na nuvem da Amazon. Este workflow é representativo devido a sua característica de necessitar de grande poder de processamento e de produzir um grande volume de dados. Por esta razão, havia sido escolhido como estudo de caso do quarto Provenance Challenge (twiki.ipaw.info/bin/view/challenge/). Os Workflows de cristalografia focam em determinar uma estrutura tridimensional de moléculas analisando os padrões de difração obtidos após submissão a raios-x. A configuração de execução utilizada neste artigo se refere ao processamento paralelo de imagens de entrada separadas em grupos de 3 imagens, o que gerou um conjunto de 667 atividades a serem executadas na nuvem. Dado o volume de dados a ser processado, este workflow, em uma máquina com um core, executa em aproximadamente segundos (12,8 horas). Inicialmente o otimizador simula a instanciação de uma MV para cada atividade a ser executada. Intuitivamente, podemos perceber que esta abordagem dificilmente consegue atender aos critérios fornecidos pelos cientistas, a não ser que os mesmos sejam demasiadamente flexíveis. Desta maneira, a partir deste cenário inicial o otimizador vai reduzindo o número de MVs envolvidas na execução e verificando se o tempo total de execução reduziu proporcionalmente até alcançar as restrições impostas pelo cientista. (dependendo da prioridade de critério fornecida: tempo ou custo monetário) ,5 Tempo de Execução (segundos) Large Xlarge Quad CPU XLarge High CPU XLarge Preço (em doláres americanos) 2 1,5 1 Real Simulado , Quantidade de Cores virtuais Quantidade de cores virtuais Fig. 2 Resultados simulados para o tempo de execução Fig. 3 Comparação entre o custo simulado e o custo real Este processo é executado para cada tipo de MV existente analisando o custo monetário e o tempo decorrido de execução. Para a execução mostrada neste artigo as restrições foram de US$ 10,00 de custo monetário e 1 hora de tempo de execução máximo. Uma vez que problemas de exploração de parâmetros são em sua maioria embaraçosamente paralelos (atividades independentes), a mudança do tipo de máquina não impactou tanto no desempenho simulado do workflow. Este comportamento pode ser explicado uma vez que workflows embaraçosamente paralelos são considerados um padrão altamente escalável para nuvens (Jackson et al. 2010). Nesta simulação a restrição de tempo imposta foi alcançada utilizando entre 16 e 256 cores virtuais, como apresentado na Fig. 2. Embora o desempenho tenha sido equivalente utilizando os diferentes tipos de MVs, o custo monetário foi significantemente diferente. Por exemplo, o preço pago nas simulações variou de US$ 2,44 (16 cores) até US$ 39,16 (256 cores). Neste experimento foi definido como prioridade o custo monetário ao invés do tempo de execução. Desta forma, o otimizador fixou o número de MVs em 16 (uma vez que utilizando esta quantidade de cores a restrição de tempo era satisfeita) e mudou os tipos de MV possíveis a fim de reduzir os custos. Como 7

8 resultado a instancia Large da Amazon foi considerada a mais adequada do ponto de vista de custo monetário. 6. CONCLUSÕES Este trabalho apresenta uma solução que engloba um agente de captura de informações, dados de proveniência e um modelo de custo baseado em nuvem que visa determinar a melhor configuração possível do ambiente de nuvem antes de efetivamente escalonar as atividades do workflow neste ambiente. Este modelo de custo foca na otimização de dois critérios: tempo de execução total do workflow e custo monetário de execução. Com os resultados obtidos, pode-se verificar que o modelo de custo foi capaz de avaliar satisfatoriamente o custo envolvido na execução do experimento nas diferentes configurações do ambiente na nuvem. Todos os resultados de simulação no que se referiu ao custo foram na prática equivalentes aos custos reais (3% de diferença). Isto indica que uma sintonia fina do otimizador ainda é necessária, entretanto os resultados atuais são motivadores e significativos. Os próximos passos incluem a realização de novos experimentos utilizando este modelo de custos para instanciar o ambiente, a fim de avaliar sua eficiência, além de propor novas heurísticas de simulação que demandem menos tempo de processamento. REFERÊNCIAS Amazon EC2, (2010), Amazon Elastic Compute Cloud (Amazon EC2), Buyya, R., Ranjan, R., Calheiros, R., (2009), "Modeling and Simulation of Scalable Cloud Computing Environments and the CloudSim Toolkit: Challenges". In: Proc. of HPCS 2009HPCS 2009, Leipzig, Germany. Costa, R. L. D. C., Furtado, P., (2008), "Scheduling in Grid Databases". In: Advanced Information Networking and Applications Workshops, International Conference on, p , Los Alamitos, CA, USA. Costa, R. L. D. C., Furtado, P., (2009), "Runtime Estimations, Reputation and Elections for Top Performing Distributed Query Scheduling". In: th IEEE/ACM International Symposium on Cluster Computing and the Grid2009 9th IEEE/ACM International Symposium on Cluster Computing and the Grid, p , Shanghai, China. Dias, J., Ogasawara, E., Oliveira, D., Pacitti, E., Mattoso, M., (2010), "Improving Many-Task Computing in Scientific Workflows Using P2P Techniques". In: MTAGS 2010, p , New Orleans, LA, USA. Elmasri, R., Navathe, S. B., (2006), Fundamentals of Database Systems. 5 ed. Addison Wesley. Freire, J., Koop, D., Santos, E., Silva, C. T., (2008), "Provenance for Computational Tasks: A Survey", Computing in Science and Engineering, v.10, n. 3, p Garg, S. K., Buyya, R., Siegel, H. J., (2009), "Scheduling Parallel Applications on Utility Grids: Time and Cost Trade-off Management". Computer Science 2009, Thirty-Second Australasian Computer Science Conference (ACSC 2009), Wellington, New Zealand. Hey, T., Tansley, S., Tolle, K., (2009), The Fourth Paradigm: Data-Intensive Scientific Discovery. Microsoft Research. Jackson, K. R., Ramakrishnan, L., Muriki, K., Canon, S., Cholia, S., Shalf, J., Wasserman, H. J., Wright, N. J., (2010), "Performance Analysis of High Performance Computing Applications on the Amazon Web Services Cloud". In: Proceedings of the 2010 IEEE Second International Conference on Cloud Computing Technology and Science, p , Washington, DC, USA. Mattoso, M., Werner, C., Travassos, G. H., Braganholo, V., Murta, L., Ogasawara, E., Oliveira, D., Cruz, S. M. S. D., Martinho, W., (2010), "Towards Supporting the Life Cycle of Large-scale Scientific Experiments", Int Journal of Business Process Integration and Management, v. 5, n. 1, p Oliveira, D., Ocana, K., Ogasawara, E., Dias, J., Baião, F., Mattoso, M., (2011), "A Performance Evaluation of X-ray Crystallography Scientific Workflow using SciCumulus". In: International Conference on Cloud ComputingInternational Conference on Cloud Computing, Washington D.C. Oliveira, D., Ogasawara, E., Baião, F., Mattoso, M., (2010), "SciCumulus: A Lightweigth Cloud Middleware to Explore Many Task Computing Paradigm in Scientific Workflows". In: International Conference on Cloud Computing, p , Miami, FL. Singh, G., Kesselman, C., Deelman, E., (2007), "A provisioning model and its comparison with best-effort for performancecost optimization in grids". In: Proceedings of the 16th international symposium on High performance distributed computing - HPDC '07the 16th international symposium, p. 117, Monterey, California, USA. Vaquero, L. M., Rodero-Merino, L., Caceres, J., Lindner, M., (2009), "A break in the clouds: towards a cloud definition", SIGCOMM Comput. Commun. Rev., v. 39, n. 1, p

Heurísticas para Controle de Execução de Atividades de Workflows Científicos na Nuvem 1

Heurísticas para Controle de Execução de Atividades de Workflows Científicos na Nuvem 1 Heurísticas para Controle de Execução de Atividades de Workflows Científicos na Nuvem 1 Flavio da Silva Costa Orientadora: Marta Mattoso Colaborador: Daniel de Oliveira Nível: Mestrado Programa de Engenharia

Leia mais

SciCumulus 2.0: Um Sistema de Gerência de Workflows Científicos para Nuvens Orientado a Fluxo de Dados *

SciCumulus 2.0: Um Sistema de Gerência de Workflows Científicos para Nuvens Orientado a Fluxo de Dados * paper:6 SciCumulus 2.0: Um Sistema de Gerência de Workflows Científicos para Nuvens Orientado a Fluxo de Dados * Vítor Silva 1, Daniel de Oliveira 2 e Marta Mattoso 1 1 COPPE Universidade Federal do Rio

Leia mais

Distribuição de Bases de Dados de Proveniência na Nuvem *

Distribuição de Bases de Dados de Proveniência na Nuvem * Distribuição de Bases de Dados de Proveniência na Nuvem * Edimar Santos 1, Vanessa Assis 1, Flavio Costa 1, Daniel de Oliveira 2 e Marta Mattoso 1 1 Programa de Engenharia de Sistemas e Computação COPPE

Leia mais

Paralelização de Tarefas de Mineração de Dados Utilizando Workflows Científicos 1

Paralelização de Tarefas de Mineração de Dados Utilizando Workflows Científicos 1 Paralelização de Tarefas de Mineração de Dados Utilizando Workflows Científicos 1 Carlos Eduardo Barbosa, Eduardo Ogasawara, Daniel de Oliveira, Marta Mattoso PESC COPPE Universidade Federal do Rio de

Leia mais

Captura de Metadados de Proveniência para Workflows Científicos em Nuvens Computacionais

Captura de Metadados de Proveniência para Workflows Científicos em Nuvens Computacionais Captura de Metadados de Proveniência para Workflows Científicos em Nuvens Computacionais Carlos Paulino, Daniel de Oliveira, Sérgio Manuel Serra da Cruz, Maria Luiza Machado Campos, Marta Mattoso Universidade

Leia mais

Avaliação de dependabilidade em infraestruturas Eucalyptus geograficamente distribuídas

Avaliação de dependabilidade em infraestruturas Eucalyptus geograficamente distribuídas Avaliação de dependabilidade em infraestruturas Eucalyptus geograficamente distribuídas Jonathan Brilhante(jlgapb@cin.ufpe), Bruno Silva(bs@cin.ufpe) e Paulo Maciel(prmm@cin.ufpe) Agenda 1. 2. 3. 4. 5.

Leia mais

UM SERVIÇO DE CUSTO PARA A EXECUÇÃO PARALELA DE WORKFLOWS CIENTÍFICOS EM NUVENS DE COMPUTADORES. Vitor de Gamboa Viana

UM SERVIÇO DE CUSTO PARA A EXECUÇÃO PARALELA DE WORKFLOWS CIENTÍFICOS EM NUVENS DE COMPUTADORES. Vitor de Gamboa Viana UM SERVIÇO DE CUSTO PARA A EXECUÇÃO PARALELA DE WORKFLOWS CIENTÍFICOS EM NUVENS DE COMPUTADORES Vitor de Gamboa Viana Dissertação de Mestrado apresentada ao Programa de Pós-graduação em Engenharia de Sistemas

Leia mais

CloudSimDB: Um Simulador para o Provisionamento de Máquinas Virtuais para o Processamento de Aplicações Centradas em Banco de Dados *

CloudSimDB: Um Simulador para o Provisionamento de Máquinas Virtuais para o Processamento de Aplicações Centradas em Banco de Dados * CloudSimDB: Um Simulador para o Provisionamento de Máquinas Virtuais para o Processamento de Aplicações Centradas em Banco de Dados * Humberto Lima, Felipe Aragão, Jonas Lima, Flávio R.C. Sousa, José Maria

Leia mais

Monitoramento em Tempo Real de Workflows Científicos Executados em Paralelo em Ambientes Distribuídos *

Monitoramento em Tempo Real de Workflows Científicos Executados em Paralelo em Ambientes Distribuídos * Monitoramento em Tempo Real de Workflows Científicos Executados em Paralelo em Ambientes Distribuídos * Julliano Pintas, Daniel de Oliveira, Kary Ocaña, Jonas Dias, Marta Mattoso Programa de Engenharia

Leia mais

Extendendo Grids com gerenciamento de recursos de Cloud para computação científica

Extendendo Grids com gerenciamento de recursos de Cloud para computação científica Extendendo Grids com gerenciamento de recursos de Cloud para computação científica 1. Introdução Bruno Barcarollo Gauer 1 1 Universidade Federal do Paraná (UFPR) Curitiba PR Brazil bbg09@inf.ufpr.br A

Leia mais

Soluções para criar a sua própria nuvem

Soluções para criar a sua própria nuvem Soluções para criar a sua própria nuvem Maicon de Vargas Pereira 1 Faculdade de Tecnologia Senac Pelotas Rua Gonçalves Chaves, 602 Pelotas RS Brasil Caixa Postal 96.015-560 Curso Superior de Tecnologia

Leia mais

Expandindo uma Arquitetura para HPC em Nuvens Computacionais Utilizando Conceitos de Computação

Expandindo uma Arquitetura para HPC em Nuvens Computacionais Utilizando Conceitos de Computação Expandindo uma Arquitetura para HPC em Nuvens Computacionais Utilizando Conceitos de Computação Autonômica Emanuel F. Coutinho 1, Gabriel A. L. Paillard 1 Leonardo O. Moreira 1, Ernesto Trajano de Lima

Leia mais

Levantamento sobre Computação em Nuvens

Levantamento sobre Computação em Nuvens Levantamento sobre Computação em Nuvens Mozart Lemos de Siqueira Doutor em Ciência da Computação Centro Universitário Ritter dos Reis Sistemas de Informação: Ciência e Tecnologia Aplicadas mozarts@uniritter.edu.br

Leia mais

Xavantes: Structured Process Execution Support for Grid Environments

Xavantes: Structured Process Execution Support for Grid Environments Xavantes: Structured Process Execution Support for Grid Environments Fábio R. L. Cicerre 1, Edmundo R. M. Madeira 1, Luiz E. Buzato 1 1 Instituto de Computação Universidade Estadual de Campinas (UNICAMP)

Leia mais

The Eucalyptus Open- source Cloud-computing System. Janaina Siqueira Lara Wilpert Marcelo Scheidt Renata Silva

The Eucalyptus Open- source Cloud-computing System. Janaina Siqueira Lara Wilpert Marcelo Scheidt Renata Silva The Eucalyptus Open- source Cloud-computing System Janaina Siqueira Lara Wilpert Marcelo Scheidt Renata Silva Sumário Introdução Trabalhos Correlatos Eucalyptus Design Conclusões Visão Geral Introdução:

Leia mais

Carlos Eduardo Paulino Silva

Carlos Eduardo Paulino Silva CAPTURA DE DADOS DE PROVENIÊNCIA DE WORKFLOWS CIENTÍFICOS EM NUVENS COMPUTACIONAIS Carlos Eduardo Paulino Silva Dissertação de Mestrado apresentada ao Programa de Pós-graduação em Engenharia de Sistemas

Leia mais

Arquitetura e Sistema de Monitoramento para

Arquitetura e Sistema de Monitoramento para Arquitetura e Sistema de Monitoramento para 1 Computação em Nuvem Privada Mestranda: Shirlei A. de Chaves Orientador: Prof. Dr. Carlos Becker Westphall Colaborador: Rafael B. Uriarte Introdução Computação

Leia mais

Curso Tecnológico de Redes de Computadores 5º período Disciplina: Tecnologia WEB Professor: José Maurício S. Pinheiro V. 2009-2

Curso Tecnológico de Redes de Computadores 5º período Disciplina: Tecnologia WEB Professor: José Maurício S. Pinheiro V. 2009-2 Curso Tecnológico de Redes de Computadores 5º período Disciplina: Tecnologia WEB Professor: José Maurício S. Pinheiro V. 2009-2 Aula 1 Conceitos da Computação em Nuvem A computação em nuvem ou cloud computing

Leia mais

Tipos de Sistemas Distribuídos (Cluster e Grid)

Tipos de Sistemas Distribuídos (Cluster e Grid) Tipos de Sistemas Distribuídos (Cluster e Grid) Sistemas Distribuídos Mauro Lopes Carvalho Silva Professor EBTT DAI Departamento de Informática Campus Monte Castelo Instituto Federal de Educação Ciência

Leia mais

Computação em Grid e em Nuvem

Computação em Grid e em Nuvem Computação em Grid e em Nuvem Computação em Nuvem Molos 1 Definição Um grid computacional é uma coleção recursos computacionais e comunicação utilizados para execução aplicações Usuário vê o grid como

Leia mais

Panorama de Aplicações de Alto Desempenho em Nuvem

Panorama de Aplicações de Alto Desempenho em Nuvem EXTRAÇÃO DE DADOS NO CONTEXTO DE UMA REDE SOCIAL DE CONSUMO Panorama de Aplicações de Alto Desempenho em Nuvem Jonathan Patrick Rosso, Claudio Schepke jonathan.p.rosso@gmail.com, claudioschepke@unipampa.edu.br

Leia mais

CLOUD COMPUTING: COMPARANDO COMO O MUNDO ONLINE PODE SUBSTITUIR OS SERVIÇOS TRADICIONAIS

CLOUD COMPUTING: COMPARANDO COMO O MUNDO ONLINE PODE SUBSTITUIR OS SERVIÇOS TRADICIONAIS CLOUD COMPUTING: COMPARANDO COMO O MUNDO ONLINE PODE SUBSTITUIR OS SERVIÇOS TRADICIONAIS João Antônio Bezerra Rodrigues¹, Claudete Werner¹, Gabriel Costa Silva² ¹Universidade Paranaense (Unipar) Paranavaí

Leia mais

RELATÓRIO DE ATIVIDADES DISCIPLINA: ARQUITETURAS PARALELAS. Hadoop e QEF: Uma abordagem distribuída para aplicações de Astronomia

RELATÓRIO DE ATIVIDADES DISCIPLINA: ARQUITETURAS PARALELAS. Hadoop e QEF: Uma abordagem distribuída para aplicações de Astronomia UNIVERSIDADE FEDERAL FLUMINENSE INSTITUTO DE COMPUTAÇÃO (IC) RELATÓRIO DE ATIVIDADES DISCIPLINA: ARQUITETURAS PARALELAS Hadoop e QEF: Uma abordagem distribuída para aplicações de Astronomia Henrique Klôh

Leia mais

CloudNet: dynamic pooling of cloud resources by live WAN migration of virtual machines

CloudNet: dynamic pooling of cloud resources by live WAN migration of virtual machines CloudNet: dynamic pooling of cloud resources by live WAN migration of virtual machines Timothy Wood, Prashant Shenoy, K.K. Ramakrishnan, Jacobus Van der Merwe VEE '11 Proceedings of the 7th ACM SIGPLAN/SIGOPS

Leia mais

Proposta para Grupo de Trabalho. GT-Computação em Nuvem para Ciência: Armazenamento de Dados. Roberto Samarone dos Santos Araujo

Proposta para Grupo de Trabalho. GT-Computação em Nuvem para Ciência: Armazenamento de Dados. Roberto Samarone dos Santos Araujo Proposta para Grupo de Trabalho GT-Computação em Nuvem para Ciência: Armazenamento de Dados Roberto Samarone dos Santos Araujo Agosto/2011 1 Título GT-Computação em Nuvem para Ciência: Armazenamento de

Leia mais

Cloud Computing. Andrêza Leite. andreza.lba@gmail.com

Cloud Computing. Andrêza Leite. andreza.lba@gmail.com Cloud Computing Andrêza Leite andreza.lba@gmail.com Roteiro O que é cloud computing? Classificação O que está 'por traz' da cloud? Exemplos Como montar a sua? O que é cloud computing? Cloud Computing O

Leia mais

ANÁLISE COMPARATIVA DE PLATAFORMAS DE COMPUTAÇÃO EM NUVEM

ANÁLISE COMPARATIVA DE PLATAFORMAS DE COMPUTAÇÃO EM NUVEM ANÁLISE COMPARATIVA DE PLATAFORMAS DE COMPUTAÇÃO EM NUVEM Igor dos Passos Granado¹, Ricardo de Melo Germano¹, Claudete Werner¹, Gabriel Costa Silva² ¹Universidade Paranaense (Unipar) Paranavai PR Brasil

Leia mais

O que é Grid Computing

O que é Grid Computing Grid Computing Agenda O que é Grid Computing Grid vs Cluster Benefícios Tipos de Grid Aplicações Ferramentas e padrões Exemplos no mundo Exemplos no Brasil Grid no mundo dos negócios Futuro O que é Grid

Leia mais

SISTEMAS DISTRIBUÍDOS

SISTEMAS DISTRIBUÍDOS SISTEMAS DISTRIBUÍDOS Cluster, Grid e computação em nuvem Slide 8 Nielsen C. Damasceno Introdução Inicialmente, os ambientes distribuídos eram formados através de um cluster. Com o avanço das tecnologias

Leia mais

CLOUD COMPUTING. Andrêza Leite. andreza.leite@univasf.edu.br

CLOUD COMPUTING. Andrêza Leite. andreza.leite@univasf.edu.br CLOUD COMPUTING Andrêza Leite andreza.leite@univasf.edu.br Roteiro O que é cloud computing? Classificação O que está 'por traz' da cloud? Exemplos Como montar a sua? O que é cloud computing? Cloud Computing

Leia mais

ADAPTANDO UMA APLICAÇÃO PARA CLOUD: UMA ANÁLISE ENTRE OS ESFORÇOS UTILIZADOS

ADAPTANDO UMA APLICAÇÃO PARA CLOUD: UMA ANÁLISE ENTRE OS ESFORÇOS UTILIZADOS ADAPTANDO UMA APLICAÇÃO PARA CLOUD: UMA ANÁLISE ENTRE OS ESFORÇOS UTILIZADOS Cleverson Nascimento de Mello¹, Claudete Werner¹, Gabriel Costa Silva² ¹Universidade Paranaense (Unipar) Paranavaí PR Brasil

Leia mais

Segurança da Informação

Segurança da Informação INF 108 Segurança da Informação Computação em Nuvem Prof. João Henrique Kleinschmidt Introdução Centralização do processamento Surgimento da Teleinformática Década de 60 Execução de programas localmente

Leia mais

SciProvMiner: Arquitetura para Captura de Proveniência de dados de Workflows Científicos utilizando o Modelo OPM

SciProvMiner: Arquitetura para Captura de Proveniência de dados de Workflows Científicos utilizando o Modelo OPM SciProvMiner: Arquitetura para Captura de Proveniência de dados de Workflows Científicos utilizando o Modelo OPM Tatiane O. M. Alves Regina M. M. Braga Departamento de Ciência da Computação Universidade

Leia mais

Faculdade Integrada do Ceará FIC Graduação em Redes de Computadores

Faculdade Integrada do Ceará FIC Graduação em Redes de Computadores Faculdade Integrada do Ceará FIC Graduação em Redes de Computadores Disciplina - Sistemas Distribuídos Prof. Andrey Halysson Lima Barbosa Aula 12 Computação em Nuvem Sumário Introdução Arquitetura Provedores

Leia mais

Fernando Seabra Chirigati. Universidade Federal do Rio de Janeiro EEL879 - Redes de Computadores II Professores Luís Henrique Costa e Otto Duarte

Fernando Seabra Chirigati. Universidade Federal do Rio de Janeiro EEL879 - Redes de Computadores II Professores Luís Henrique Costa e Otto Duarte Fernando Seabra Chirigati Universidade Federal do Rio de Janeiro EEL879 - Redes de Computadores II Professores Luís Henrique Costa e Otto Duarte Introdução Grid x Nuvem Componentes Arquitetura Vantagens

Leia mais

CloudReports: uma ferramenta gráfica para a simulação de ambientes computacionais em nuvem baseada no framework CloudSim

CloudReports: uma ferramenta gráfica para a simulação de ambientes computacionais em nuvem baseada no framework CloudSim IX Workshop em Clouds, Grids e Aplicações 103 CloudReports: uma ferramenta gráfica para a simulação de ambientes computacionais em nuvem baseada no framework CloudSim Thiago Teixeira Sá 1,2, José Marques

Leia mais

Um Modelo de Virtualização em Grades Computacionais para Inserção de Recursos Ociosos

Um Modelo de Virtualização em Grades Computacionais para Inserção de Recursos Ociosos Um Modelo de em Grades Computacionais para Inserção de Recursos Ociosos Apresentado por: Josiney de Souza e Rubens Massayuki Suguimoto CI853 - Tópicos em Redes de Computadores III Prof. Aldri Luiz dos

Leia mais

Planejamento de execução de aplicação baseada no tipo de tarefa com o foco na análise de desempenho

Planejamento de execução de aplicação baseada no tipo de tarefa com o foco na análise de desempenho Planejamento de execução de aplicação baseada no tipo de tarefa com o foco na análise de desempenho Emerson da Silva Borges, Maurício Amaral de Almeida Pós-Graduação / Strictu Sensu - Programa de Mestrado

Leia mais

EUCALYPTUS: UMA PLATAFORMA CLOUD COMPUTING PARA

EUCALYPTUS: UMA PLATAFORMA CLOUD COMPUTING PARA EUCALYPTUS: UMA PLATAFORMA CLOUD COMPUTING PARA QUALQUER TIPO DE USUÁRIO Gustavo Henrique Rodrigues Pinto Tomas 317624 AGENDA Introdução: Cloud Computing Modelos de Implementação Modelos de Serviço Eucalyptus

Leia mais

UMA ABORDAGEM DE APOIO À EXECUÇÃO PARALELA DE WORKFLOWS CIENTÍFICOS EM NUVENS DE COMPUTADORES. Daniel Cardoso Moraes de Oliveira

UMA ABORDAGEM DE APOIO À EXECUÇÃO PARALELA DE WORKFLOWS CIENTÍFICOS EM NUVENS DE COMPUTADORES. Daniel Cardoso Moraes de Oliveira UMA ABORDAGEM DE APOIO À EXECUÇÃO PARALELA DE WORKFLOWS CIENTÍFICOS EM NUVENS DE COMPUTADORES Daniel Cardoso Moraes de Oliveira Tese de Doutorado apresentada ao Programa de Pós-graduação em Engenharia

Leia mais

Características Básicas de Sistemas Distribuídos

Características Básicas de Sistemas Distribuídos Motivação Crescente dependência dos usuários aos sistemas: necessidade de partilhar dados e recursos entre utilizadores; porque os recursos estão naturalmente em máquinas diferentes. Demanda computacional

Leia mais

2 Computação na Nuvem

2 Computação na Nuvem 18 2 Computação na Nuvem 2.1 Definição A ideia essencial da computação na nuvem é permitir um novo modelo onde o consumo de recursos computacionais, e.g., armazenamento, processamento, banda entrada e

Leia mais

João Víctor Rocon Maia Engenharia de Computação - UFES

João Víctor Rocon Maia Engenharia de Computação - UFES João Víctor Rocon Maia Engenharia de Computação - UFES Agenda Quem usa? Conceito Ilustração Vantagens Tipologia Topologia Como fazer? O que é preciso? Infraestrutura Sistema Operacional Software Eucalyptus

Leia mais

Gerenciamento e Interoperabilidade de Redes

Gerenciamento e Interoperabilidade de Redes EN-3610 Gerenciamento e Interoperabilidade de Redes Computação em Nuvem Introdução Centralização do processamento Surgimento da Teleinformática Década de 60 Execução de programas localmente Computadores

Leia mais

Desafios e Oportunidades de Pesquisa na Área de HPC Cloud

Desafios e Oportunidades de Pesquisa na Área de HPC Cloud Desafios e Oportunidades de Pesquisa na Área de HPC Cloud IBM Research Brasil Marco A. S. Netto IV Escola Regional de Alto Desempenho de São Paulo São Carlos Cloud 2 HPC Cloud Poucos Usuários Privacidade/Segurança

Leia mais

V M 2 T - Um Sistema para Auxílio na Migração de VMs em Nuvens OpenStack

V M 2 T - Um Sistema para Auxílio na Migração de VMs em Nuvens OpenStack V M 2 T - Um Sistema para Auxílio na Migração de VMs em Nuvens OpenStack Felipe Aparecido dos Santos Novais 1, Lúcio Agostinho Rocha 1, Fábio Luciano Verdi 1 1 Departamento de Computação Universidade Federal

Leia mais

Classificação::Modelo de implantação

Classificação::Modelo de implantação Classificação::Modelo de implantação Modelo de implantação::privado Operada unicamente por uma organização; A infra-estrutura de nuvem é utilizada exclusivamente por uma organização: Nuvem local ou remota;

Leia mais

The Eucalyptus Open-source Cloud-computing System

The Eucalyptus Open-source Cloud-computing System The Eucalyptus Open-source Cloud-computing System O sistema Open Source de nuvens computacionais Eucalyptus Daniel Nurmi, Rich Wolski, Chris Grzegorczyk, Graziano Obertelli, Sunil Soman, Lamia Youseff,

Leia mais

23/05/12. Computação em Nuvem. Computação em nuvem: gerenciamento de dados. Computação em Nuvem - Características principais

23/05/12. Computação em Nuvem. Computação em nuvem: gerenciamento de dados. Computação em Nuvem - Características principais Computação em Nuvem Computação em nuvem: gerenciamento de dados Computação em nuvem (Cloud Computing) é uma tendência recente de tecnologia cujo objetivo é proporcionar serviços de Tecnologia da Informação

Leia mais

UMA PROPOSTA PARA COMPARAÇÃO DE PROVEDORES DE COMPUTAÇÃO EM NUVEM DESDE UMA PERSPECTIVA DE INTEGRAÇÃO DE APLICAÇÕES 1

UMA PROPOSTA PARA COMPARAÇÃO DE PROVEDORES DE COMPUTAÇÃO EM NUVEM DESDE UMA PERSPECTIVA DE INTEGRAÇÃO DE APLICAÇÕES 1 UMA PROPOSTA PARA COMPARAÇÃO DE PROVEDORES DE COMPUTAÇÃO EM NUVEM DESDE UMA PERSPECTIVA DE INTEGRAÇÃO DE APLICAÇÕES 1 Igor G. Haugg 2, Rafael Z. Frantz 3, Fabricia Roos-Frantz 4, Sandro Sawicki 5. 1 Pesquisa

Leia mais

Houston, we have a cloud! Um estudo das aplicações da Computação Forense em uma das tecnologias mais evidentes da atualidade.

Houston, we have a cloud! Um estudo das aplicações da Computação Forense em uma das tecnologias mais evidentes da atualidade. Houston, we have a cloud! Um estudo das aplicações da Computação Forense em uma das tecnologias mais evidentes da atualidade. André Guaraldo (101487) Giuliano R. Pinheiro (108759) Oscar Esgalha (108231)

Leia mais

CLOUD COMPUTING PEDRO MORHY BORGES LEAL. MAC0412 - Organização de Computadores Prof. Alfredo Goldman 7 de dezembro de 2010

CLOUD COMPUTING PEDRO MORHY BORGES LEAL. MAC0412 - Organização de Computadores Prof. Alfredo Goldman 7 de dezembro de 2010 CLOUD COMPUTING PEDRO MORHY BORGES LEAL MAC0412 - Organização de Computadores Prof. Alfredo Goldman 7 de dezembro de 2010 0 CLOUD COMPUTING 1 1. Introdução Com o grande avanço da tecnologia de processadores,

Leia mais

Testbed para métricas de dependabilidade em cloud computing.

Testbed para métricas de dependabilidade em cloud computing. Testbed para métricas de dependabilidade em cloud computing. Jonathan Brilhante(jlgapb@cin.ufpe.br), Bruno Silva (bs.cin.ufpe.br) e Paulo Maciel(prmm@cin.ufpe.br) Agenda 1. 2. 3. 4. 5. Motivação Objetivos

Leia mais

UNIFIED DATA PROTECTION RESUMO DA SOLUÇÃO

UNIFIED DATA PROTECTION RESUMO DA SOLUÇÃO UNIFIED DATA PROTECTION RESUMO DA SOLUÇÃO arcserve UDP Impulsionadas pelo aumento no volume dos dados e os avanços da tecnologia como a virtualização, as arquiteturas atuais para proteção dos dados deixam

Leia mais

Análise do impacto de operações de live migration em ambientes de computação em nuvem Workshop MoDCS 2012.2

Análise do impacto de operações de live migration em ambientes de computação em nuvem Workshop MoDCS 2012.2 Análise do impacto de operações de live migration em ambientes de computação em nuvem Workshop MoDCS 2012.2 Matheus D'Eça Torquato de Melo (mdetm@cin.ufpe.br) Paulo Maciel (prmm@cin.ufpe.br) 12 Roteiro

Leia mais

DAS6607 - Inteligência Artificial Aplicada à Controle de Processos e Automação Industrial

DAS6607 - Inteligência Artificial Aplicada à Controle de Processos e Automação Industrial DAS6607 - Inteligência Artificial Aplicada à Controle de Processos e Automação Industrial Aluno: André Faria Ruaro Professores: Jomi F. Hubner e Ricardo J. Rabelo 29/11/2013 1. Introdução e Motivação 2.

Leia mais

CONCEITOS E APLICAÇÕES DA COMPUTAÇÃO EM NUVEM

CONCEITOS E APLICAÇÕES DA COMPUTAÇÃO EM NUVEM CONCEITOS E APLICAÇÕES DA COMPUTAÇÃO EM NUVEM Rogério Schueroff Vandresen¹, Willian Barbosa Magalhães¹ ¹Universidade Paranaense(UNIPAR) Paranavaí-PR-Brasil rogeriovandresen@gmail.com, wmagalhaes@unipar.br

Leia mais

Desempenho de um Cluster Virtualizado em Relação a um Cluster Convencional Similar

Desempenho de um Cluster Virtualizado em Relação a um Cluster Convencional Similar Desempenho de um Cluster Virtualizado em Relação a um Cluster Convencional Similar David Beserra 1, Alexandre Borba¹, Samuel Souto 1, Mariel Andrade 1, Alberto Araujo 1 1 Unidade Acadêmica de Garanhuns

Leia mais

SciMulator: Um Ambiente de Simulação de Workflows Científicos em Redes P2P *

SciMulator: Um Ambiente de Simulação de Workflows Científicos em Redes P2P * SciMulator: Um Ambiente de Simulação de Workflows Científicos em Redes P2P * Jonas Dias 1, Carla Rodrigues 1, Eduardo Ogasawara 1, Daniel de Oliveira 1, Vanessa Braganholo 2, Esther Pacitti 3, Marta Mattoso

Leia mais

Arquitetura de SGBD. Prof. Antonio Almeida de Barros Junior

Arquitetura de SGBD. Prof. Antonio Almeida de Barros Junior Arquitetura de SGBD Prof. Antonio Almeida de Barros Junior Agenda Caracterização de SGBDs SGBDs Centralizados SGBDs Cliente-Servidor SGBDs Distribuídos Homogêneos Multi-SGBDs Heterogêneos SGBDs Paralelos

Leia mais

1 http://www.google.com

1 http://www.google.com 1 Introdução A computação em grade se caracteriza pelo uso de recursos computacionais distribuídos em várias redes. Os diversos nós contribuem com capacidade de processamento, armazenamento de dados ou

Leia mais

Acelere o valor da computação em nuvem com a IBM

Acelere o valor da computação em nuvem com a IBM Acelere o valor da computação em nuvem com a IBM Obtenha soluções em nuvem comprovadas para as suas prioridades mais urgentes Destaques da solução Saiba sobre os benefícios mais comuns de implementações

Leia mais

5 Mecanismo de seleção de componentes

5 Mecanismo de seleção de componentes Mecanismo de seleção de componentes 50 5 Mecanismo de seleção de componentes O Kaluana Original, apresentado em detalhes no capítulo 3 deste trabalho, é um middleware que facilita a construção de aplicações

Leia mais

COMPUTAÇÃO EM NUVEM. Michele Marques Costa 1,2, Julio César2 ¹Universidade paranaense (Unipar)

COMPUTAÇÃO EM NUVEM. Michele Marques Costa 1,2, Julio César2 ¹Universidade paranaense (Unipar) COMPUTAÇÃO EM NUVEM Michele Marques Costa 1,2, Julio César2 ¹Universidade paranaense (Unipar) Paranavaí PR Brasil Mih_nai@hotmail.com juliocesar@unipar.br Resumo. Este artigo contém a definição e citação

Leia mais

Implementação de Clusters Virtuais em Hosts Windows

Implementação de Clusters Virtuais em Hosts Windows Implementação de Clusters Virtuais em Hosts Windows David Beserra 1, Alexandre Borba 1, Samuel Souto 1, Mariel Andrade 1, Alberto Araújo 1 1 Unidade Acadêmica de Garanhuns Universidade Federal Rural de

Leia mais

Computação em Nuvem & OpenStack

Computação em Nuvem & OpenStack Computação em Nuvem & OpenStack Grupo de Pesquisa em Software e Hardware Livre Ação Computação em Nuvem: Charles Christian Miers André Rover de Campos Glauber Cassiano Batista Joinville Roteiro Definições

Leia mais

O que é Cloud Computing (Computação nas Nuvens)?

O que é Cloud Computing (Computação nas Nuvens)? O que é Cloud Computing (Computação nas Nuvens)? Introdução A denominação Cloud Computing chegou aos ouvidos de muita gente em 2008, mas tudo indica que ouviremos esse termo ainda por um bom tempo. Também

Leia mais

SIMMYCLOUD, simulando o gerenciamento de recursos virtualizados em plataformas de Computação em Nuvem

SIMMYCLOUD, simulando o gerenciamento de recursos virtualizados em plataformas de Computação em Nuvem SIMMYCLOUD, simulando o gerenciamento de recursos virtualizados em plataformas de Computação em Nuvem Cássio P. Alkmin, Daniel Cordeiro 1 Instituto de Matemática e Estatística Universidade de São Paulo

Leia mais

Uma nuvem privada oportunista para execução de aplicações Bag-of-Tasks

Uma nuvem privada oportunista para execução de aplicações Bag-of-Tasks 1102 31 o Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos SBRC 2013 Uma nuvem privada oportunista para execução de aplicações Bag-of-Tasks Patricia Alanis 1, Abmar Barros 1, Francisco

Leia mais

Monitoramento de Rede de Nuvens Privadas

Monitoramento de Rede de Nuvens Privadas Monitoramento de Rede de Nuvens Privadas White Paper Autores: Dirk Paessler, CEO da Paessler AG Dorte Winkler, Redatora Técnica na Paessler AG Primeira Publicação: Maio de 2011 Edição: Fevereiro de 2013

Leia mais

Relatório de Piloto Tecnológico Plataforma de Cloud Privada baseada em OpenStack Março 2015

Relatório de Piloto Tecnológico Plataforma de Cloud Privada baseada em OpenStack Março 2015 Relatório de Piloto Tecnológico Plataforma de Cloud Privada baseada em OpenStack Março 2015 Resumo Executivo: A Inok realizou uma instalação piloto para analisar as funcionalidades, características técnicas,

Leia mais

Minicurso Computação em Nuvem Prática: Openstack

Minicurso Computação em Nuvem Prática: Openstack Grupo de Pesquisa em Software e Hardware Livre André Rover de Campos Membro Colméia andreroverc@gmail.com Joinville Minicurso Computação em Nuvem Prática: Openstack Roteiro Definições Virtualização Data

Leia mais

Computação em Nuvem. (Cloud Computing) Pesquisa & Desenvolvimento

Computação em Nuvem. (Cloud Computing) Pesquisa & Desenvolvimento Computação em Nuvem (Cloud Computing) Pesquisa & Desenvolvimento Santo André: 20 de fevereiro de 2013 Características de um bom Data Center Bom Desempenho Escalabilidade Alta Disponibilidade Economia Gerência

Leia mais

Estratégias para Alocação Dinâmica de Recursos em um Ambiente Híbrido de Computação em Nuvem

Estratégias para Alocação Dinâmica de Recursos em um Ambiente Híbrido de Computação em Nuvem 128 XI Workshop de Computação em Clouds e Aplicações Estratégias para Alocação Dinâmica de Recursos em um Ambiente Híbrido de Computação em Nuvem Paulo Antonio Leal Rego 1, Emanuel Ferreira Coutinho 1,2,

Leia mais

Instituto de Computação, Universidade Federal do Amazonas (UFAM) Manaus-AM, Brasil

Instituto de Computação, Universidade Federal do Amazonas (UFAM) Manaus-AM, Brasil Elicitação de Requisitos a partir de Modelos de Processos de Negócio e Modelos Organizacionais: Uma pesquisa para definição de técnicas baseadas em heurísticas Marcos A. B. de Oliveira 1, Sérgio R. C.

Leia mais

Requisitos de Ferramentas Especializadas de Gestão de Configuração de Software

Requisitos de Ferramentas Especializadas de Gestão de Configuração de Software Requisitos de Ferramentas Especializadas de Gestão de Configuração de Software Ricardo Terra 1 1 Departamento de Ciência da Computação Universidade Federal de Minas Gerais (UFMG) Campus da Pampulha 31.270-010

Leia mais

Uso de SGBDs NoSQL na Gerência da Proveniência Distribuída em Workflows Científicos

Uso de SGBDs NoSQL na Gerência da Proveniência Distribuída em Workflows Científicos Uso de SGBDs NoSQL na Gerência da Proveniência Distribuída em Workflows Científicos Guilherme R. Ferreira, Carlos Filipe Jr. e Daniel de Oliveira Instituto de Computação Universidade Federal Fluminense

Leia mais

Heterogeneous Cloud Computing. Rodrigo Shizuo Yasuda RA 074358

Heterogeneous Cloud Computing. Rodrigo Shizuo Yasuda RA 074358 Heterogeneous Cloud Computing Rodrigo Shizuo Yasuda RA 074358 1 Índice Autores Introdução Motivação OpenStack RabbitMQ Modificação Resultados Comentários Referências 2 Autores Steve Crago Diretor Assistente

Leia mais

Carlos Filipe Marques Teixeira Júnior. Guilherme Rangel Ferreira. RELACIONAIS E NoSQL PARA DADOS DE PROVENIÊNCIA EM WORKFLOWS CIENTÍFICOS

Carlos Filipe Marques Teixeira Júnior. Guilherme Rangel Ferreira. RELACIONAIS E NoSQL PARA DADOS DE PROVENIÊNCIA EM WORKFLOWS CIENTÍFICOS Universidade Federal Fluminense Instituto de Computação Departamento de Ciência da Computação Carlos Filipe Marques Teixeira Júnior Guilherme Rangel Ferreira UMA COMPARAÇÃO ENTRE SGBD S RELACIONAIS E NoSQL

Leia mais

et al.. SciMulator: Um Ambiente de Simulação de Workflows Científicos em Redes P2P. VI

et al.. SciMulator: Um Ambiente de Simulação de Workflows Científicos em Redes P2P. VI SciMulator: Um Ambiente de Simulação de Workflows Científicos em Redes P2P Jonas Dias, Carla Rodrigues, Eduardo Ogasawara, Daniel De Oliveira, Vanessa Braganholo, Esther Pacitti, Marta Mattoso To cite

Leia mais

ATIVIDADES PRÁTICAS SUPERVISIONADAS

ATIVIDADES PRÁTICAS SUPERVISIONADAS ATIVIDADES PRÁTICAS SUPERVISIONADAS Ciência da Computação 5ª série Sistemas Operacionais A atividade prática supervisionada (ATPS) é um método de ensinoaprendizagem desenvolvido por meio de um conjunto

Leia mais

Cloud Computing. Edy Hayashida E-mail: edy.hayashida@uol.com.br

Cloud Computing. Edy Hayashida E-mail: edy.hayashida@uol.com.br Cloud Computing Edy Hayashida E-mail: edy.hayashida@uol.com.br Facebook 750 milhões de usuários 42% de todos os usuários do Facebook estão localizado na América, 27% na Ásia e 25% na Europa 4% na África

Leia mais

Monitoramento de Rede de Nuvens Privadas

Monitoramento de Rede de Nuvens Privadas Monitoramento de Rede de Nuvens Privadas White Paper Autores: Dirk Paessler, CEO da Paessler AG Gerald Schoch, Redator Técnico na Paessler AG Primeira Publicação: Maio de 2011 Edição: Fevereiro de 2015

Leia mais

2 Auto-sintonia de Bancos de Dados e Agentes de Software

2 Auto-sintonia de Bancos de Dados e Agentes de Software 2 Auto-sintonia de Bancos de Dados e Agentes de Software A uso da abordagem de agentes de software 1 pode trazer benefícios a áreas de aplicação em que é necessário construir sistemas autônomos, ou seja,

Leia mais

UNIVERSIDADE FEDERAL DE SANTA CATARINA

UNIVERSIDADE FEDERAL DE SANTA CATARINA UNIVERSIDADE FEDERAL DE SANTA CATARINA Uso Eficiente De Energia Para Cloud Computing Através De Simulações Rafael Rodrigues de Freitas Florianópolis SC 2011/2 UNIVERSIDADE FEDERAL DE SANTA CATARINA CENTRO

Leia mais

Compartilhamento de Dados e Recursos Computacionais de Armazenamento em Redes P2P Sociais

Compartilhamento de Dados e Recursos Computacionais de Armazenamento em Redes P2P Sociais Compartilhamento de Dados e Recursos Computacionais de Armazenamento em Redes P2P Sociais Fabrício Barros Gonçalves, Carlo Oliveira, Vanessa Braganholo Programa de Pós-Graduação em Informática (PPGI) Universidade

Leia mais

Modelagem de Desempenho, Dependabilidade e Custo para o Planejamento de Infraestruturas de Nuvem

Modelagem de Desempenho, Dependabilidade e Custo para o Planejamento de Infraestruturas de Nuvem Modelagem de Desempenho, Dependabilidade e Custo para o Planejamento de Infraestruturas de Nuvem Universidade Federal de Pernambuco Centro de Informática Aluno: Erica Sousa etgs@cin.ufpe.br Orientador:

Leia mais

SimiFlow: Uma Arquitetura para Agrupamento de Workflows por Similaridade

SimiFlow: Uma Arquitetura para Agrupamento de Workflows por Similaridade SimiFlow: Uma Arquitetura para Agrupamento de Workflows por Similaridade Vítor Silva, Fernando Chirigati, Kely Maia, Eduardo Ogasawara, Daniel de Oliveira, Vanessa Braganholo, Leonardo Murta, Marta Mattoso

Leia mais

UMA ABORDAGEM PARA ALTERAÇÃO NA DEFINIÇÃO DE ATIVIDADES DE WORKFLOWS CIENTÍFICOS EM TEMPO DE EXECUÇÃO. Igor de Araujo dos Santos

UMA ABORDAGEM PARA ALTERAÇÃO NA DEFINIÇÃO DE ATIVIDADES DE WORKFLOWS CIENTÍFICOS EM TEMPO DE EXECUÇÃO. Igor de Araujo dos Santos UMA ABORDAGEM PARA ALTERAÇÃO NA DEFINIÇÃO DE ATIVIDADES DE WORKFLOWS CIENTÍFICOS EM TEMPO DE EXECUÇÃO Igor de Araujo dos Santos Dissertação de Mestrado apresentada ao Programa de Pós-graduação em Engenharia

Leia mais

Gerenciamento de Workflows Científicos em Bioinformática

Gerenciamento de Workflows Científicos em Bioinformática Gerenciamento de Workflows Científicos em Bioinformática Agosto de 2007 Estudante: Orientador: Co-orientadora: Luciano Antonio Digiampietri João Carlos Setubal Claudia Bauzer Medeiros Roteiro Introdução

Leia mais

Um Modelo de Virtualização em Grades Computacionais para Inserção de Recursos Ociosos

Um Modelo de Virtualização em Grades Computacionais para Inserção de Recursos Ociosos Um Modelo de Virtualização em Grades Computacionais para Inserção de Recursos Ociosos Josiney de Souza e Rubens Massayuki Suguimoto Mestrado em Informática - Grid Computing Grid Computing, computação em

Leia mais

Agenda CLOUD COMPUTING I

Agenda CLOUD COMPUTING I Agenda O que é Cloud Computing? Atributos do Cloud Computing Marcos do Cloud Computing Tipos do Cloud Computing Camadas do Cloud computing Cloud Computing Tendências O Cloud Computing do Futuro Pros &

Leia mais

Computação em Nuvem (Cloud Computing)

Computação em Nuvem (Cloud Computing) Computação em Nuvem (Cloud Computing) Prof. Ricardo J. Rabelo UFSC Universidade Federal de Santa Catarina DAS Departamento de Automação e Sistemas Introdução Os modelos ASP e SaaS têm sido hoje usados

Leia mais

Banco de Dados em Nuvem: Conceitos, Características, Gerenciamento e Desafios

Banco de Dados em Nuvem: Conceitos, Características, Gerenciamento e Desafios Banco de Dados em Nuvem: Conceitos, Características, Gerenciamento e Desafios Darlan Florêncio de Arruda e José Almir Freire de Moura Júnior Faculdade de Ciência e Tecnologia de Caruaru - Universidade

Leia mais

Gestão em Sistemas de Informação. Profa.: Me. Christiane Zim Zapelini E-mail: christianezapelini@nwk.edu.br

Gestão em Sistemas de Informação. Profa.: Me. Christiane Zim Zapelini E-mail: christianezapelini@nwk.edu.br Gestão em Sistemas de Informação Profa.: Me. Christiane Zim Zapelini E-mail: christianezapelini@nwk.edu.br Gestão em Sistemas de Informação Cloud Computing (Computação nas Nuvens) 2 Cloud Computing Vocês

Leia mais

Cloud Computing: Quando a nuvem pode ser um risco para o negócio. Marco Lima aka Mago Enterprise Technology Specialist

Cloud Computing: Quando a nuvem pode ser um risco para o negócio. Marco Lima aka Mago Enterprise Technology Specialist Cloud Computing: Quando a nuvem pode ser um risco para o negócio Marco Lima aka Mago Enterprise Technology Specialist 05 De onde vem o termo nuvem? Business Servidores SAN WAN SAN LANs Roteador NAS Switch

Leia mais

ENGENHARIA DE SOFTWARE E COMPUTAÇÃO EM NUVEM COMO SERVIÇO

ENGENHARIA DE SOFTWARE E COMPUTAÇÃO EM NUVEM COMO SERVIÇO UNIVERSIDADE FEDERAL DE PERNAMBUCO CENTRO DE INFORMÁTICA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO 2015.2 ENGENHARIA DE SOFTWARE E COMPUTAÇÃO EM NUVEM COMO SERVIÇO Aluna: Marcela Pereira de Oliveira Orientador:

Leia mais

Cisco Intelligent Automation for Cloud

Cisco Intelligent Automation for Cloud Dados técnicos do produto Cisco Intelligent Automation for Cloud Os primeiros a adotarem serviços com base em nuvem buscavam uma economia de custo maior que a virtualização e abstração de servidores podiam

Leia mais

Renan Borges Pereira¹, Rodrigo Rodrigues da Silva². Faculdade de Tecnologia de Ourinhos FATEC. renanzaum_1@hotmail.com¹, rodrigues_fatec@hotmail.

Renan Borges Pereira¹, Rodrigo Rodrigues da Silva². Faculdade de Tecnologia de Ourinhos FATEC. renanzaum_1@hotmail.com¹, rodrigues_fatec@hotmail. Renan Borges Pereira¹, Rodrigo Rodrigues da Silva² Faculdade de Tecnologia de Ourinhos FATEC renanzaum_1@hotmail.com¹, rodrigues_fatec@hotmail.com² Há algum tempo o termo computação em nuvem ou Cloud Computing

Leia mais