Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Von Paumgartten, Aletéia Patrícia Favacho de Araújo | - |
Autor(es): dc.creator | Carvalho Sobrinho, Matheus de | - |
Data de aceite: dc.date.accessioned | 2024-07-22T12:55:00Z | - |
Data de disponibilização: dc.date.available | 2024-07-22T12:55:00Z | - |
Data de envio: dc.date.issued | 2022-04-01 | - |
Data de envio: dc.date.issued | 2022-04-01 | - |
Data de envio: dc.date.issued | 2022-04-01 | - |
Data de envio: dc.date.issued | 2021-11-11 | - |
Fonte completa do material: dc.identifier | https://repositorio.unb.br/handle/10482/43268 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/814136 | - |
Descrição: dc.description | Dissertação (Mestrado em Informática) — Universidade de Brasília, Brasília, 2021. | - |
Descrição: dc.description | A federação em nuvem surgiu para estender os recursos disponíveis entre diferentes prove dores de nuvem, interconectados para aumentar a disponibilidade de maneira transparente e ilimitada para o usuário final. As plataformas de orquestração em nuvem se tornaram uma forma de gerenciar as demandas por alto poder computacional em diferentes prove dores, que executam aplicativos que demandam alto consumo de memória e/ou proces samento, tais como os workflows de Bioinformática. A grande quantidade de recursos disponíveis entre vários provedores em uma federação torna difícil escolher qual é o mais adequado para determinados workflows. Este trabalho propõe um Serviço de Predição de Recursos por Aprendizado de Máquina, denominado sPCRAM. O sPCRAM utiliza um modelo de aprendizado de máquina combinado com uma meta-heurística GRASP para dimensionar os recursos de forma transparente e adequada, determinando o custo mon etário e o tempo de execução antes da execução do workflows. O sPCRAM permite que o usuário defina de forma interativa o tipo de execução, calibre o tempo e o custo. Os re sultados demonstram que o sPCRAM pode estimar adequadamente o tempo de execução e o custo dos recursos de federação em nuvem, em média, 97,70% mais rápido do que a técnica de força bruta para seleção de recursos. | - |
Descrição: dc.description | Cloud federation emerged to extend the resources available across different cloud providers, interconnected to increase availability in a transparent and unlimited way for the end user. As cloud orchestration platforms if needed a way to manage how demands for high computational power in different providers that run applications that demand high con sumption of memory and/or processing, such as the workflows of Bioinformatics. A large amount of resources available across multiple providers in a federation makes it difficult to choose which one is best suited for certain workflows. This work offers a Machine Learning Resource Prediction Service, called sPCRAM. sPCRAM uses a machine learning model combined with a GRASP metaheuristic to transparently and appropriately size resources, determining the monetary cost and execution time before executing the workflows. The sPCRAM allows the user to interactively adjust run type, gauge or time, and cost. The results demonstrate that sPCRAM can estimate the runtime and cost of cloud federation resources on average 97.70% faster than the brute force technique for resource selection. | - |
Formato: dc.format | application/pdf | - |
Direitos: dc.rights | Acesso Aberto | - |
Direitos: dc.rights | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data. | - |
Palavras-chave: dc.subject | Federação da nuvem | - |
Palavras-chave: dc.subject | Previsão de recursos | - |
Palavras-chave: dc.subject | Aprendizagem de máquina | - |
Palavras-chave: dc.subject | Workflows de bioinformática | - |
Título: dc.title | Predição de recursos para workflows científicos de bioinformática em nuvens federadas com aprendizado de máquina | - |
Aparece nas coleções: | Repositório Institucional – UNB |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: