ࡱ> /1.ebjbjUU > ??e|| 7999999tJ99N77s ""#d0```099`| :Resumo Experimentos cientficos so comumente modelados em Workflows Cientficos. Estes Workflows geralmente so computacionalmente intensivos. Com isso, ambientes de processamento de alto desempenho (PAD), tais como clusters, grades e nuvem de computadores so bastante utilizados. Este ltimo ambiente oferece a vantagem da elasticidade, que permite aumentar e/ou diminuir a quantidade de mquinas virtuais (VMs) a serem instanciados, sob demanda, sem que os cientistas necessitem adquirir infraestrutura prpria. Alm disso, geralmente, os workflows so modelados, gerenciados e executados em Sistemas de Gerncia de Workflows Cientficos (SGWfC) e muitos destes sistemas oferecem apoio a execues na nuvem, como por exemplo o SciCumulus. Cada SGWfC possui um escalonador de atividades prprio que segue um modelo de custo bem definido. A dificuldade de se criar modelos de custos para escalonar workflows na nuvem que precisamos modelar manualmente grande parte das caractersticas do ambiente, o que torna esta tarefa bastante complexa. Sem contar que eventos como migrao de mquinas virtuais ou flutuaes de desempenho no so facilmente modelados. Assim, esse trabalho prope criar um escalonador que utiliza tcnicas de Aprendizado por Reforo (AR - da rea de aprendizado de mquina) para descobrir como melhor escalonar as ativaes do workflow. Para tanto, foi desenvolvido uma extenso de um conhecido simulador de workflows denominado de WorkflowSim, chamada de WorkflowSim4RL que implementa os conceitos do aprendizado por reforo onde o aprendizado ocorre em ambiente simulado. Aps obtido o plano de escalonamento, este plano aplicado em ambiente de nuvem atravs da extenso do SciCulumus, chamada de SciCumulus4RL. Para a avaliao deste trabalho foi utilizado o Montage, que um workflow cientfico usualmente utilizado em trabalhos relacionados a este tema. Os resultados obtidos pela execuo deste workflow no SciCumulus4RL foram promissores, pois o escalonador proposto foi mais eficiente que o escalonador comumente conhecido FCFS (em ingls, First come - First Server, ou seja, o primeiro a chegar o primeiro a ser servido) para ambientes com muitas mquinas virtuais. Palavras-chave: Workflow cientfico, escalonamento, aprendizado por reforo, nuvem de computadores, simulao, Sistemas de Gerncia de Workflows Cientfico. Abstract Scientific experiments are commonly modeled in Scientific Workflows. These Workflows are usually computationally intensive. Thus, high-performance processing (HPC) environments such as clusters, grids, and cloud computing are widely used. This last environment offers the advantage of elasticity, which allows to increase and/or decrease the amount of virtual machines (VMs) to be instantiated, on demand, without the scientists needing to acquire their own infrastructure. In addition, workflows are typically modeled, managed, and run on Scientific Workflows (SWfMS) systems, and many of these systems support cloud execution such as SciCumulus. Each SWfMS has its own activity scheduler that follows a well-defined cost model. The difficulty in creating cost models for scheduling workflows in the cloud is that we need to manually model most of the features of the environment, which makes this task quite complex. Not to mention that events such as virtual machine migration or performance fluctuations are not easily modeled. This work proposes to create a scheduler that uses Reinforcement Learning (RL - from the Machine Learning area) techniques to find out how best to scheduler workflow activations. For this, an extension of a well-known workflows simulator called WorkflowSim4RL was developed that implements the concepts of reinforcement learning where learning occurs in a simulated environment. After obtaining the scheduling plane, this plane is applied in a cloud environment through the extension of SciCulumus, called SciCumulus4RL. For the evaluation of this work was used the Montage, which is a scientific workflow usually used in works related to this theme. The results obtained by the execution of this workflow in SciCumulus4RL were promising, since the proposed scheduler was more efficient than the commonly known scheduler FCFS (First come, First Served) for environments with many virtual machines. Keywords: Scientific workflow, scheduling, reinforcement learning, cloud computing, Simulation, Scientific Workflow Management Systems. <FYc * m w I Q 6HPQR0VWa迭hOJQJ^JmH sH  hZhOJQJ^JmH sH "hCJ2OJQJ^JaJ2mH sH (hZhCJ2OJQJ^JaJ2mH sH hOJQJ^JhOJQJ^JhOJQJ^JhCJ2OJQJ^JaJ28<=>?@ABCDEFGHQR1egdZ $7$8$H$a$gdiEY 7$8$H$gdZYkab  cdkljkCcqrdehZhmH sH  hZhOJQJ^JmH sH  hZhOJQJ^JmH sH hOJQJ^JmH sH 1<P1h:p. A!"#$% Dp^ 666666666vvvvvvvvv666666>6666666666666666666666666666666666666666666666666hH6666666666666666666666666666666666666666666666666666666666666666662 0@P`p2( 0@P`p 0@P`p 0@P`p 0@P`p 0@P`p 0@P`p8XV~_HmHnHsHtH@`@ NormalCJ_HaJmHsHtHDA D 0Default Paragraph FontRiR 0 Table Normal4 l4a (k ( 0No List PK![Content_Types].xmlj0Eжr(΢Iw},-j4 wP-t#bΙ{UTU^hd}㨫)*1P' ^W0)T9<l#$yi};~@(Hu* Dנz/0ǰ $ X3aZ,D0j~3߶b~i>3\`?/[G\!-Rk.sԻ..a濭?PK!֧6 _rels/.relsj0 }Q%v/C/}(h"O = C?hv=Ʌ%[xp{۵_Pѣ<1H0ORBdJE4b$q_6LR7`0̞O,En7Lib/SeеPK!kytheme/theme/themeManager.xml M @}w7c(EbˮCAǠҟ7՛K Y, e.|,H,lxɴIsQ}#Ր ֵ+!,^$j=GW)E+& 8PK!Ptheme/theme/theme1.xmlYOo6w toc'vuر-MniP@I}úama[إ4:lЯGRX^6؊>$ !)O^rC$y@/yH*񄴽)޵߻UDb`}"qۋJחX^)I`nEp)liV[]1M<OP6r=zgbIguSebORD۫qu gZo~ٺlAplxpT0+[}`jzAV2Fi@qv֬5\|ʜ̭NleXdsjcs7f W+Ն7`g ȘJj|h(KD- dXiJ؇(x$( :;˹! I_TS 1?E??ZBΪmU/?~xY'y5g&΋/ɋ>GMGeD3Vq%'#q$8K)fw9:ĵ x}rxwr:\TZaG*y8IjbRc|XŻǿI u3KGnD1NIBs RuK>V.EL+M2#'fi ~V vl{u8zH *:(W☕ ~JTe\O*tHGHY}KNP*ݾ˦TѼ9/#A7qZ$*c?qUnwN%Oi4 =3ڗP 1Pm \\9Mؓ2aD];Yt\[x]}Wr|]g- eW )6-rCSj id DЇAΜIqbJ#x꺃 6k#ASh&ʌt(Q%p%m&]caSl=X\P1Mh9MVdDAaVB[݈fJíP|8 քAV^f Hn- "d>znNJ ة>b&2vKyϼD:,AGm\nziÙ.uχYC6OMf3or$5NHT[XF64T,ќM0E)`#5XY`פ;%1U٥m;R>QD DcpU'&LE/pm%]8firS4d 7y\`JnίI R3U~7+׸#m qBiDi*L69mY&iHE=(K&N!V.KeLDĕ{D vEꦚdeNƟe(MN9ߜR6&3(a/DUz<{ˊYȳV)9Z[4^n5!J?Q3eBoCM m<.vpIYfZY_p[=al-Y}Nc͙ŋ4vfavl'SA8|*u{-ߟ0%M07%<ҍPK! ѐ'theme/theme/_rels/themeManager.xml.relsM 0wooӺ&݈Э5 6?$Q ,.aic21h:qm@RN;d`o7gK(M&$R(.1r'JЊT8V"AȻHu}|$b{P8g/]QAsم(#L[PK-![Content_Types].xmlPK-!֧6 +_rels/.relsPK-!kytheme/theme/themeManager.xmlPK-!Ptheme/theme/theme1.xmlPK-! ѐ' theme/theme/_rels/themeManager.xml.relsPK] e e eiEYrLZ>eg@e@@UnknownG*Ax Times New Roman5Symbol3" Arial9SFRB24889SFRM12009SFTI12009SFBX1200ACambria Math"kvkv !0$PeZ!xxResumoHelioHelioOh+'0x  4 @ LX`hpResumoHelioNormal_WordconvHelio1Microsoft Office Outlook@e@^M"@"՜.+,0 hp|   Resumo Title  !"#$%'()*+,-0Root Entry F`""21Table`WordDocument> SummaryInformation(DocumentSummaryInformation8&CompObjy  F'Microsoft Office Word 97-2003 Document MSWordDocWord.Document.89q  F#Documento do Microsoft Office Word MSWordDocWord.Document.89q