Horário: 14h
Palestrante: João Bachiega Junior (doutorando)
Orientadora: Profa Aletéia P. F. de Araújo
Título: Uma análise sobre Gerenciamento de Recursos na Computacão em Névoa
Resumo: A computação em névoa é um paradigma que permite o provisionamento de recursos e serviços computacionais na borda da rede, mais próximos dos dispositivos finais e usuários, com menor latência, complementando a Computação em Nuvem. A heterogeneidade e o grande número de dispositivos são desafios para obter provisionamento de recursos otimizado neste ambiente. Embora algumas publicações tenham contextualizado o gerenciamento de recursos na computação em névoa, não há nenhum consenso sobre as etapas que compõem este processo. Para preencher esta lacuna, será apresentada uma análise e proposta uma definição para o provisionamento de recursos em Computação em Névoa.
Horário: 14h20
Palestrante: Breno Gustavo Soares da Costa (doutorando)
Orientadora: Profa Aletéia P. F. de Araújo
Título: Monitoramento: funcionalidade essencial no contexto da orquestração em Fog Computing
Resumo: O monitoramento é uma funcionalidade essencial no contexto da orquestração em Fog Computing. O monitoramento é responsável pela coleta e entrega oportuna dos dados aos módulos da orquestração responsáveis pela tomada de decisão.
Horário: 14h40
Palestrante: Aldo Henrique Dias Mendes (doutorando)
Orientadora: Profa Célia Ghedini Ralha
Título: Proposta Arquitetural Multiagente para Gerenciamento Otimizado de Recursos em Nuvem Computacional
Resumo: A computação em nuvem oferece diversos desafios de pesquisa relacionados ao gerenciamento otimizado de recursos, mais especificamente referente à instanciação dinâmica de máquinas virtuais (MVs) sob demanda, referentes as diversas configurações de CPU, memória e disco. Existem diversas pesquisas que definem modelos com as melhores estratégias de gerenciamento de recurso utilizando a visão do provedor de nuvem. Considerando a visão do usuário, existem questões importantes envolvidas na instanciação de MVs, tais como, tempo de execução, custo e garantia da qualidade de serviço (Quality of Service - QoS). O uso de sistema multiagente com a tomada de decisão autônoma de agentes pode oferecer alternativa de gerenciamento de recurso dinâmico e otimizado determinando as MVs necessárias para garantir o menor custo com o melhor desempenho, reduzindo o desperdício de recursos e mantendo QoS para cumprimento do acorde de serviço (Service Level Agreement - SLA). Neste sentido, esse trabalho apresenta uma proposta arquitetural multiagente para monitorar, predizer e provisionar recursos de computação em nuvem com a visão do usuário. A proposta denominada MAS-Cloud+ apresenta agentes com um modelo híbrido de racionalidade para o gerenciamento de recursos com uso de heurística, otimização linear e meta-heurística. As tomadas de decisões dos agentes priorizam o tempo de execução das aplicações e o custo com foco no usuário para instanciar as MVs independente de plataforma de nuvem (e.g., AWS EC2 e Microsoft Azure). Foi realizado um estudo de caso na área de Bioinformática comparando sequências de DNA de diferentes tamanhos para avaliar o desempenho e as ocorrências de violação de SLA. Comparando as escolhas do modelo híbrido de provisionamento verificou-se que o modelo otimizado apresenta uma melhoria de 23, 50% no desempenho e 21, 04% no custo quando comparado ao heurístico, e 19, 27% no desempenho com 6, 53% no custo comparado ao meta-heurístico.
Horário: 15h
Palestrante: Aurélio Ribeiro Costa (doutorando)
Orientadora: Profa Célia Ghedini Ralha
Title: Towards Modularity Optimization Using Reinforcement Learning for Community Detection in Dynamic Social Networks
Abstract: The identification of community structure in social network is an important problem tackled in literature of network analysis. Many solutions to the community detection problem are constrained to static scenarios and some of them can be adapted to dynamic scenarios with limitations on the resulting performance, on the other hand, some solutions employed to static scenarios simply do not fit to dynamic scenarios, moreover when considering the demand to analyze constantly growing networks. In this context, we propose an approach to the problem of community detection in dynamic networks based on reinforcement learning strategy to deal with temporal aspects on big networks using a local optimization on modularity function of the changed entities. An experiment using synthetic and real-world dynamic network data shows results comparable to static scenarios.
Local: Teams MS - Equipe PPGI-316415 Seminário, Canal Seminários 1-2022
Profa Célia Ghedini Ralha (Este endereço de email está sendo protegido de spambots. Você precisa do JavaScript ativado para vê-lo.)
Coordenadora Seminários de Pós-Graduação em Informática 1-2022