| Processo: | 21/12582-0 |
| Modalidade de apoio: | Bolsas no Brasil - Programa Capacitação - Treinamento Técnico |
| Data de Início da vigência: | 01 de novembro de 2021 |
| Data de Término da vigência: | 31 de janeiro de 2023 |
| Área de conhecimento: | Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação |
| Acordo de Cooperação: | MCTI/MC |
| Pesquisador responsável: | Nelson Luis Saldanha da Fonseca |
| Beneficiário: | Judy Carolina Guevara Amaya |
| Instituição Sede: | Instituto de Computação (IC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil |
| Vinculado ao auxílio: | 15/24494-8 - Comunicação e processamento de big data em nuvens e névoas computacionais, AP.TEM |
| Assunto(s): | Escalonamento de processos Redes de computadores |
| Palavra(s)-Chave do Pesquisador: | Computação na Nevoa | computação nuvem | Escalonamento | Redes de Computadores |
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) | |
| Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa: | |
| Mais itensMenos itens | |
| TITULO | |
| Matéria(s) publicada(s) em Outras Mídias ( ): | |
| Mais itensMenos itens | |
| VEICULO: TITULO (DATA) | |
| VEICULO: TITULO (DATA) | |