Implantando balanceamento de carga em SmartNICs para ambientes de microsserviços usando unidades de computação heterogêneas

• Processo: 23/05183-8
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Data de Início da vigência: 01 de outubro de 2023
• Data de Término da vigência: 30 de setembro de 2026
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Fabio Luciano Verdi
• Beneficiário: Alireza Shirmarz
• Instituição Sede: Centro de Ciências em Gestão e Tecnologia (CCGT). Universidade Federal de São Carlos (UFSCAR). Campus de Sorocaba. Sorocaba , SP, Brasil
• Empresa: Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de Computação (FEEC)
• Vinculado ao auxílio: 21/00199-8 - Redes e serviços inteligentes rumo 2030 (SMARTNESS), AP.PCPE
• Assunto(s): Redes de computadores Balanceamento de carga Plano de dados programável
• Palavra(s)-Chave do Pesquisador: aplicações de XR e AR | Balanceamento de Carga | micro-serviços | offloading | programabilidade de plano de dados | Redes de Computadores

Resumo

Atualmente, aplicações denominadas cloud-native têm usado massivamente frameworks de microsserviços. A função de balanceamento de carga de software na estrutura de microsserviço aloca pacotes de dados que entram no data-center para cada pod (nó). Neste sentido, desenvolveremos este projeto de pesquisa considerando três aspectos principais: (1) a função de balanceamento de carga é implementada e implantada inteiramente em uma SmartNIC; (2) existe um conjunto de unidades de processamento heterogêneas, incluindo principalmente CPU e GPUs; (3) a função de balanceamento de carga deve estar ciente de duas questões principais: (a) o balanceador de carga deve conhecer a carga nas unidades de processamento para que o tráfego seja enviado aos Pods com base nessa carga e (b) deve estar ciente do tipo de tráfego que entra no data-center. Este último aspecto significa que, dependendo do tráfego, o balanceamento de carga pode decidir enviar tráfego para a CPU ou GPU. Normalmente, tráfego de aplicações XR/AR e cloud gaming devem ser enviados para a GPU. Caso contrário, o tráfego deve ser encaminhado para as unidades de CPU. O desafio aqui é como identificar o tipo de tráfego considerando que ele é criptografado. Para resolver este problema, pretende-se utilizar algoritmos de Machine Learning (ML) para classificar o tipo de tráfego e trabalhar em conjunto com o balanceador de carga para melhorar o desempenho e economizar energia. Em resumo, neste trabalho, damos um passo adiante para criar um balanceador de carga inteligente para alocar os pacotes recebidos para a unidade de processamento apropriada na estrutura de microsserviços com unidades de processamento heterogêneas. (AU)