Extraindo o máximo de instâncias da nuvem ao atrasar tarefas para melhorar a utilização de recursos

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorRebello, Eugene Francis Vinod-
Autor(es): dc.contributorBoeres, Maria Cristina Silva-
Autor(es): dc.contributorOliveira, Daniel Cardoso Moraes de-
Autor(es): dc.creatorSodré, Daniel Marcondes Bougleux-
Data de aceite: dc.date.accessioned2025-01-03T11:37:03Z-
Data de disponibilização: dc.date.available2025-01-03T11:37:03Z-
Data de envio: dc.date.issued2024-10-01-
Data de envio: dc.date.issued2024-10-01-
Fonte completa do material: dc.identifierhttps://app.uff.br/riuff/handle/1/34873-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/919031-
Descrição: dc.descriptionOs provedores de nuvem oferecem recursos computacionais através de diferentes modelos de serviços, dentre eles, o IaaS é o mais antigo e, ainda assim, amplamente utilizado. No IaaS, os provedores de nuvem fornecem uma grande quantidade de opções de máquinas virtuais com diferentes capacidades pré-configuradas, a custos fixos. Sendo assim, cabe ao usuário descobrir como extrair o melhor desempenho possível da configuração escolhida. Dada a importância da memória para o desempenho de aplicações, ferramentas de gerenciamento de elasticidade vertical de memória, como o framework VEMoC, atuam aumentando ou diminuindo os recursos disponíveis nas instâncias (VMs ou contêineres) de acordo com a demanda, para maximizar a utilização de memória da infraestrutura subjacente. Algumas dessas ferramentas adotam o uso de suspensão para corrigir decisões que, em retrospecto, foram mal concebidas. Como a suspensão pode ser uma operação custosa para aplicações que lidam com grandes quantidades de dados, este trabalho de conclusão de curso procura demonstrar como o escalonamento cuidadoso de tarefas pode ajudar a maximizar a utilização de recursos de uma instância computacional e reduzir custos tanto para os usuários quanto para os provedores de nuvem, sem o uso de suspensão. Foi investigado, como um estudo de caso, a ferramenta de bioinformática MASA, que efetua o alinhamento de sequências genéticas par a par. Este trabalho propõe um modelo que permite co-escalonar múltiplos alinhamentos em uma única instância da nuvem aproveitando melhor as quantidades de núcleos e memória disponíveis. O escalonamento não-preemptivo resultante é capaz de efetivamente dobrar a vazão de experimentos de alinhamento de sequências genéticas que usam o MASA.-
Descrição: dc.descriptionCloud providers offer computing resources through different service models, among which Infrastructure-as-a-Service (IaaS) is the oldest and still most widely used. Under the IaaS model, cloud providers offer numerous virtual machine configurations with different architectural resources and pre-set capacities at fixed rates depending on location and availability. With so much choice, it is up to the user to identify the instance type that meets their time constraints and financial restrictions and then figure out how to extract the best possible performance for their application from the chosen instance. Given the influence that memory has on application performance, vertical memory elasticity management tools, such as the VEMoC framework, are often adopted to increase or decrease the capacity of resources within instances (VMs or containers) depending on demand to maximize the memory utilization of the underlying infrastructure. Some of these tools adopt the use of VM or container suspension to correct prior decisions that, in retrospect, were not appropriate. As suspension can be a costly operation for applications that handle large amounts of data, this final year project seeks to demonstrate how judicious task scheduling can help maximize the use of an instance’s resources and reduce costs for both users and cloud providers, without the use of task suspension. The use of the MASA bioinformatics tool for pair-wise genetic sequence alignments was investigated as a case study. This work proposes a model that enables multiple alignments to be co-scheduled in a single cloud instance, making better use of the amount of cores and memory available. The resulting non-preemptive schedule can effectively double the throughput of genetic sequence alignment experiments when using MASA.-
Descrição: dc.description38 f.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectComputação em nuvem-
Palavras-chave: dc.subjectGerenciamento de recursos-
Palavras-chave: dc.subjectEscalonamento de tarefas-
Palavras-chave: dc.subjectAlinhamento de sequências genéticas-
Palavras-chave: dc.subjectComputação em nuvem-
Palavras-chave: dc.subjectProvedor de serviços da internet-
Palavras-chave: dc.subjectMemória virtual (Computação)-
Palavras-chave: dc.subjectCloud computing-
Palavras-chave: dc.subjectResource management-
Palavras-chave: dc.subjectTask scheduling-
Palavras-chave: dc.subjectGenetic sequence alignment-
Título: dc.titleExtraindo o máximo de instâncias da nuvem ao atrasar tarefas para melhorar a utilização de recursos-
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.