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

• Main Author: Sodré, Daniel Marcondes Bougleux
• Publication Date: 2024
• Format: Bachelor thesis
• Language: por
• Source: Repositório Institucional da Universidade Federal Fluminense (RIUFF)
• Download full: https://app.uff.br/riuff/handle/1/34873
• topic: Computação em nuvem; Gerenciamento de recursos; Escalonamento de tarefas; Alinhamento de sequências genéticas; Computação em nuvem; Provedor de serviços da internet; Memória virtual (Computação); Cloud computing; Resource management; Task scheduling; Genetic sequence alignment

Os 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.