Search

Ambientes de Nuvem são amplamente utilizados para a execução de experimentos científicos modelados como workflows. Muitos Sistemas de Gerência de Workflows Científicos (SGWfC) oferecem apoio a execuções na nuvem. Em geral, esses SGWfCs possuem um escalonador de atividades que segue um modelo de custo bem definido. Um problema de se criar modelos de custos para escalonar workflows na nuvem é que precisamos modelar manualmente grande parte das características do ambiente. Entretanto, eventos como migração de máquinas virtuais ou flutuações de desempenho não são facilmente modelados. De forma a gerar um escalonamento sem a necessidade de modelar todas as características do ambiente de antemão, esse artigo propõe um simulador chamado WorkflowSim4RL que utiliza técnicas de Aprendizado por Reforço (AR - da área de aprendizado de máquina) para descobrir como melhor escalonar as ativações do workflow. Por meio do AR o escalonador não necessita conhecer todas as características do ambiente e do workflow sendo executado. Experimentos com traces de workflows reais mostraram a viabilidade da proposta.