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

• Autor(a) principal: D’Almeida, Marcelo Andrade Rodrigues
• Data de Publicação: 2018
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da Universidade Federal Fluminense (RIUFF)
• Texto Completo: https://app.uff.br/riuff/handle/1/5808
• topic: Aprendizado por reforço; Computação em nuvem; Workflows científicos; Escalonamento de tarefa; Computação em nuvem; Fluxo de trabalho; Trabalho científico; Algoritmo; Reinforcement learning; Q-learning; Sarsa; Cloud computing; Scientific workflows

Diferente 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