Escalonamento multiobjetivo de aplicações de diferentes classes de serviço em redes de computação nuvem-névoa

Resumo

Com os dispositivos finais. Porém, a capacidade de processamento dos dispositivos que fazem parte da nevoa é limitada, comparada com o poder computacional das máquinas que compõem a nuvem. A fim de suportar a execução de aplicações de diferentes classes de serviço, é crucial explorar novas estratégias de gerenciamento de recursos que promovam a sinergia entre a nuvem e a névoa nas tarefas de processamento. No entanto, a eficácia dessas estratégias depende em grande parte do escalonamento do workflow da aplicação. No escalonamento de aplicações, a redução tanto do tempo de processamento de todas as tarefas (makespan), quanto do custo desse processamento, constituem dois objetivos altamente desejáveis, mas esses objetivos são conflitantes. Embora existam algoritmos heurísticos e meta-heurísticos com complexidade polinomial, capazes de produzir escalonamentos aproximados ou quase ótimos a custo aceitável de perda de otimalidade, eles exigem muitos conhecimentos prévios dos especialistas e a intervenção humana, geralmente em termos de esquemas de codificação. Os recentes avanços na área da Inteligência Artificial (IA), em especial os relacionados ao aprendizado de máquina e às Redes Neurais Artificiais (RNA), tem tornado os algoritmos de aprendizado por reforço e aprendizado profundo cada vez mais versáteis e poderosos, facilitando seu uso para encontrar escalonamentos de workflows. No entanto, a maior parte das contribuições existentes concentra-se no escalonamento de workflows com um único objetivo, e o processo de tomada de decisões não leva em consideração as interações entre a nuvem e a névoa, nem envolve aplicações com diferentes classes de serviços. Este plano de trabalho visa propor mecanismos de escalonamento que guiem o processamento de aplicações com diferentes classes de serviço em redes de computação nuvem-névoa, minimizando o makespan e o custo de processamento, através da integração de estratégias de provisionamento de QoS, como a diferenciação de serviços, com técnicas de inteligência artificial como o aprendizado por reforço e o aprendizado profundo (AU)