Predição de recursos para workflows científicos de bioinformática em nuvens federadas com aprendizado de máquina

Abstract

A federação em nuvem surgiu para estender os recursos disponíveis entre diferentes prove dores de nuvem, interconectados para aumentar a disponibilidade de maneira transparente e ilimitada para o usuário final. As plataformas de orquestração em nuvem se tornaram uma forma de gerenciar as demandas por alto poder computacional em diferentes prove dores, que executam aplicativos que demandam alto consumo de memória e/ou proces samento, tais como os workflows de Bioinformática. A grande quantidade de recursos disponíveis entre vários provedores em uma federação torna difícil escolher qual é o mais adequado para determinados workflows. Este trabalho propõe um Serviço de Predição de Recursos por Aprendizado de Máquina, denominado sPCRAM. O sPCRAM utiliza um modelo de aprendizado de máquina combinado com uma meta-heurística GRASP para dimensionar os recursos de forma transparente e adequada, determinando o custo mon etário e o tempo de execução antes da execução do workflows. O sPCRAM permite que o usuário defina de forma interativa o tipo de execução, calibre o tempo e o custo. Os re sultados demonstram que o sPCRAM pode estimar adequadamente o tempo de execução e o custo dos recursos de federação em nuvem, em média, 97,70% mais rápido do que a técnica de força bruta para seleção de recursos.