Alocação de ambientes virtuais baseados em perfis através do monitoramento e aprendizado de padrões de consumo de recursos em cmpd

Abstract

A evolução das ciências Humanas, Médicas e Tecnológicas motivou o desenvolvimento de pesquisas nas respectivas áreas, com o intuito de proporcionar contribuições sociais, econômicas e para a indústria. Tais pesquisas geralmente envolvem simulações complexas, com elevada quantidade de dados a serem processados. A demanda por capacidade de processamento e por armazenamento de dados torna necessário o uso de infraestruturas computacionais de alto desempenho que permitam o desenvolvimento, a implantação e a execução das soluções implementadas, na forma de aplicações científicas, de maneira a obter resultados em tempo hábil. No entanto, é comum que as infraestruturas computacionais com alta capacidade de processamento e armazenamento permaneçam ociosos por períodos de tempo. Isso pode ocorrer devido à uma redução temporária da demanda, ou por uma taxa de utilização reduzida de um determinado recurso, tal como CPU, memória ou acesso a dispositivos de entrada e saída (I/O), por uma aplicação. Modelos de negócio, como a Computação em Nuvem, políticas de acesso aos recursos e a ordem em que aplicações devem ser executadas são alguma das alternativas propostas pela literatura para aumentar a taxa de uso de recursos computacionais. Com o objetivo de abordar o aumento do uso dos recursos computacionais, no contexto de Computação em Nuvem, esta dissertação de mestrado apresenta o desenvolvimento de um escalonador de máquinas virtuais com comportamentos estático, no qual há um conhecimento prévio sobre o perfil de uma aplicação, e dinâmico, no qual há a análise do perfil da aplicação e a tomada de decisões sobre o escalonamento em tempo de execução. O algoritmo de escalonamento desenvolvido visa permitir que máquinas virtuais que executam aplicações classificadas como Computação Massivamente Paralela e Distribuída (CMPD) executem simultaneamente e de forma harmoniosa em uma mesma infraestrutura, compartilhando os recursos de CPU, memória principal e I/O. Com o propósito de permitir que o escalonamento fosse realizado sobre os recursos compartilhados, foi aplicado o conceito de Afinidade entre as Aplicações, com a finalidade de acomodar o uso de diferentes recursos computacionais ociosos por diferentes aplicações, em um mesmo instante de tempo. Para viabilizar a implementação do algoritmo de escalonamento, foi desenvolvido e aplicado o monitoramento online, com o objetivo de obter o histórico de consumo de recursos de uma máquina virtual para obter o seu perfil, além de realizar o monitoramento online da intensividade de uma aplicação ao longo de sua execução, isto é, quantificar o uso do recurso mais usado por uma aplicação. Como contribuições, esta dissertação pretende estimular a pesquisa e o desenvolvimento de algoritmos de escalonamento de aplicações científicas em nuvens computacionais, com o foco na melhoria do aproveitamento dos recursos através da alocação de máquinas virtuais baseada na afinidade e no perfil de consumo de recursos. Almeja-se com isso, minimizar o impacto sobre o desempenho das aplicações, além de reduzir o makespan de um fila de execução. Os resultados obtidos indicam que a análise das particularidades das aplicações contribui para melhorar o aproveitamento dos recursos e reduzir os problemas causados em função da concorrência.