Bolsa 19/12783-6 - Computação em nuvem, Computação de alto desempenho - BV FAPESP
Busca avançada
Ano de início
Entree

Migração eficiente de aplicações científicas e de engenharia de alto desempenho para a nuvem

Processo: 19/12783-6
Modalidade de apoio:Bolsas no Brasil - Doutorado
Data de Início da vigência: 01 de julho de 2019
Data de Término da vigência: 30 de junho de 2023
Área de conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
Pesquisador responsável:Edson Borin
Beneficiário:Antonio Carlos Guimarães Junior
Instituição Sede: Instituto de Computação (IC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
Vinculado ao auxílio:13/08293-7 - CECC - Centro de Engenharia e Ciências Computacionais, AP.CEPID
Bolsa(s) vinculada(s):21/09849-5 - Avaliação homomórfica eficiente com múltiplas chaves para aplicações em genômica, BE.EP.DR
Assunto(s):Computação em nuvem   Computação de alto desempenho   Confidencialidade   Informação
Palavra(s)-Chave do Pesquisador:Computação com preservação de confidencialidade | computação na nuvem | Computação na nuvem

Resumo

No cenário de computação na nuvem, o usuário pode escolher entre várias configurações de hardware e preços para configurar seu cluster de computadores de alto desempenho. Isso abre a oportunidade para várias otimizações, como evitar longas filas de esperas de tarefas e criar clusters especializados para cada aplicação. No entanto, migrar o código para a nuvem, selecionar o conjunto de recursos com melhor custo-benefício para cada aplicação e lidar com as flutuações de carga computacional nas infra-estruturas ainda são desafios que precisam ser resolvidos. Algumas aplicações também possuem requisitos não funcionais que não são facilmente atendidos na nuvem. Um exemplo importante é o processamento de informações sensíveis. A nuvem é um ambiente compartilhado gerenciado por terceiros. Mesmo que o provedor de nuvem possa ser considerado confiável, há muitos fatores que podem comprometer a segurança e a privacidade das informações. Em um ambiente compartilhado, as vulnerabilidades na infraestrutura subjacente podem ser exploradas por usuários mal-intencionados para atacar outros usuários. Além disso, é difícil garantir que o provedor siga os protocolos de segurança necessários, tanto no que diz respeito aos aspectos técnicos como à conduta da equipe de funcionários. É razoavelmente fácil obter proteção para dados em repouso, com a maioria dos provedores de nuvem oferecendo soluções prontas para criptografia de disco. Durante o processamento, no entanto, os dados são igualmente vulneráveis, enquanto as técnicas que permitem uma computação eficiente com preservação de confidencialidade ainda estão em um estágio inicial de desenvolvimento. Em termos de desempenho, as alternativas mais promissoras atualmente parecem ser ambientes de execução confiável baseados em hardware, como o Intel SGX e ARM TrustZone. Eles impõem um comportamento honesto por meio de atestação de software e oferecem confidencialidade por meio do isolamento de hardware. Suas desvantagens estão na dependência de hardware à prova de adulteração, na necessidade de confiar no fabricante do hardware e na ausência de noções prováveis de segurança. Por outro lado, primitivas criptográficas, como a criptografia completa e parcialmente homomórfica, podem ser usadas para obter garantias formais de segurança, mas elas não possuem níveis práticos de desempenho para muitas aplicações. Neste projeto, estamos particularmente interessados em aplicações de aprendizagem profunda, que são frequentemente empregadas em base de dados que contêm informações sensíveis, como no processamento de dados sísmicos, que geralmente está ligado a um alto valor monetário no contexto da exploração de hidrocarbonetos. Essas aplicações exigem alto poder computacional e diferentes recursos da nuvem. O principal objetivo aqui é investigar técnicas e métodos para permitir uma migração eficiente de tais aplicações, considerando sua necessidade de preservar a confidencialidade dos dados. O estudo aborda o problema do ponto de vista da computação de alto desempenho (HPC), com o objetivo de otimizar o uso e o custo dos recursos da nuvem. (AU)

Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa:
Mais itensMenos itens
Matéria(s) publicada(s) em Outras Mídias ( ):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)

Publicações científicas
(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)
GUIMARAES, ANTONIO; LACALLE, LUIS; RODAMILANS, CHARLES B.; BORIN, EDSON. High-performance IO for seismic processing on the cloud. CONCURRENCY AND COMPUTATION-PRACTICE & EXPERIENCE, . (13/08293-7, 19/12783-6)
GUIMARAES, ANTONIO; LACALLE, LUIS; RODAMILANS, CHARLES B.; BORIN, EDSON. High-performance IO for seismic processing on the cloud. CONCURRENCY AND COMPUTATION-PRACTICE & EXPERIENCE, v. 33, n. 18, SI, . (13/08293-7, 19/12783-6)
Publicações acadêmicas
(Referências obtidas automaticamente das Instituições de Ensino e Pesquisa do Estado de São Paulo)
GUIMARÃES JUNIOR, Antonio Carlos. Accelerating FHE for arbitrary computation. 2023. Tese de Doutorado - Universidade Estadual de Campinas (UNICAMP). Instituto de Computação Campinas, SP.

Por favor, reporte erros na lista de publicações científicas utilizando este formulário.