Aprendizado por reforço para o escalonamento de tarefas em ambientes de computação em nuvem

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorCarvalho, Aline Marins Paes-
Autor(es): dc.contributorBoeres, Maria Cristina Silva-
Autor(es): dc.contributorDrummond, Lúcia Maria de Assumpção-
Autor(es): dc.contributorOliveira, Daniel Cardoso Moraes de-
Autor(es): dc.creatorD’Almeida, Marcelo Andrade Rodrigues-
Data de aceite: dc.date.accessioned2024-07-11T17:50:16Z-
Data de disponibilização: dc.date.available2024-07-11T17:50:16Z-
Data de envio: dc.date.issued2018-02-20-
Data de envio: dc.date.issued2018-02-20-
Data de envio: dc.date.issued2018-
Fonte completa do material: dc.identifierhttps://app.uff.br/riuff/handle/1/5808-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/758528-
Descrição: dc.descriptionDiferente de outros tipos de processamento de alto desempenho (Computação em Grid e Clusters), em um ambiente de computação em nuvem, a infraestrutura é provida como um serviço, cujo preço pode ser dado em função da quantidade de máquinas, tipo de máquina e tempo total utilizado pelo cliente. Esse modelo de negócios faz com que a eficiência de execução seja de interesse e responsabilidade de quem está usando a infraestrutura, ou seja, do cliente e não necessariamente do provedor, uma vez que o cliente pode economizar dinheiro caso não dependa tanto do tempo, ou dependa de menos máquinas e de um processamento menor, associado a tipos de máquina mais econômicas. Ambientes de computação em nuvem são amplamente utilizados para a execução de workflows científicos, onde, o pesquisador, não possuindo infraestrutura disponível compatível com suas necessidades de processamento, requere esse modelo da Computação em Nuvem, podendo ainda recorrer ao uso de Sistemas Gerenciadores de Workflows Científicos (SGWC) para gerenciar a execução por ele. Este trabalho sugere uma abordagem de escalonamento de tarefas utilizando Aprendizado por Reforço, o qual tem o propósito de ser uma forma adaptativa ao se basear nas características da infraestrutura e das tarefas (de workflows, por exemplo), bem como ajustável através de restrições de tempo e/ou dinheiro providas pelo usuário. A solução proposta tem o objetivo final de ser integrada à SGWCs, onde o sistema gerenciador irá se encarregar de usar as decisões tomadas pelo escalonador adaptativo proposto. A solução conta com uma gama de gráficos que auxiliam a interpretação dos resultados. Sendo assim, o trabalho proposto se encarrega de classificar máquinas e tarefas, bem como, tomar todas as decisões de alocação, além de disponibilizar uma melhor apresentação dos resultados-
Descrição: dc.descriptionDifferent from other types of HPC - High Performance Computing - (Grid Com- puting and Clusters), in a Cloud Computing environment, the infrastructure is provided as a service which price may be given in function of the quantity of machines, types of machines and total time consumed by the user. This business model makes execution efficiency of interest and responsibility of those who are using the infrastructure, that is, the client and not necessarily the provider, since the client can save money if he doesn’t have hard time restrictions, or uses less machines or less processing, associated to eco- nomic machine types. Cloud environments are broadly used for execution of Scientific Work-flows, where, the researcher, not having available infrastructure compatible with its processing needs, requires a Cloud Computing business model, and it may use Scientific Work-flow Management System (SWMS) for the management of execution for him. This work proposes an approach for task scheduling using Reinforcement Learning, which has the purpose of being an adaptive method when basing on infrastructure and tasks cha- racteristics (from Work-flows, for example), as well as adjustable over restrictions of time and/or money (cost) provided by the user. The proposed solution has the final objective of being integrated to a SWMS, which would take care of using the decisions chosen by the proposed adaptive scheduler. The solution still counts with a variety of graphics that help results interpretation. Thus, the proposed work takes care of classifying machines and tasks, as well as, take allocation decisions, besides making available a better results presentation-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttp://creativecommons.org/licenses/by-nc-nd/3.0/br/-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectAprendizado por reforço-
Palavras-chave: dc.subjectComputação em nuvem-
Palavras-chave: dc.subjectWorkflows científicos-
Palavras-chave: dc.subjectEscalonamento de tarefa-
Palavras-chave: dc.subjectComputação em nuvem-
Palavras-chave: dc.subjectFluxo de trabalho-
Palavras-chave: dc.subjectTrabalho científico-
Palavras-chave: dc.subjectAlgoritmo-
Palavras-chave: dc.subjectReinforcement learning-
Palavras-chave: dc.subjectQ-learning-
Palavras-chave: dc.subjectSarsa-
Palavras-chave: dc.subjectCloud computing-
Palavras-chave: dc.subjectScientific workflows-
Título: dc.titleAprendizado por reforço para o escalonamento de tarefas em ambientes de computação em nuvem-
Tipo de arquivo: dc.typeTrabalho de conclusão de curso-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.