PPGCC - Programa de Pós-graduação em Ciência da Computação
URI permanente desta comunidadehttp://www.hml.repositorio.ufop.br/handle/123456789/596
Navegar
5 resultados
Resultados da Pesquisa
Item Simplicity, reproducibility and scalability for huge wireless sensor network simulations.(2018) Silva, Matheus Leônidas; Lima, Joubert de Castro; Lima, Joubert de Castro; Loureiro, Antonio Alfredo Ferreira; Aquino, André Luiz Lins deNeste trabalho apresentamos duas contribuições para a literatura de redes de sensores sem fio (WSN). A primeira é um modelo geral para alcançar a reprodutibilidade no nível do kernel em simuladores paralelos. Infelizmente, os usuários devem implementar do zero como suas simulações se repetem em simuladores WSN, mas uma simulação paralela ou distribuída impõe o princípio de concorrência, não trivial de ser implementada por não especialistas. Testes usando o simulador chamado JSensor comprovaram que o modelo garante o nível mais restrito de reprodutibilidade, mesmo quando as simulações adotam diferentes números de threads ou diferentes máquinas em múltiplas execuções. A segunda contribuição é o simulador JSensor, um simulador paralelo de uso geral para aplicações WSN de grande escala e algoritmos distribuídos de alto nível. O JSensor introduz elementos de simulação mais realistas, como o ambiente representado por células personalizáveis e eventos de aplicação que representam fenômenos naturais, como raios, vento, sol, chuva e muito mais. As células são colocadas em uma grade que representa o ambiente com características do espaço definido pelos usuários, como temperatura, pressão e qualidade do ar. Avaliações experimentais mostram que o JSensor tem boa escalabilidade em arquiteturas de computadores multi-core, alcançando um speedup de 7,45 em uma máquina com 16 núcleos com tecnologia Hyper-Threading, portanto 50% dos núcleos são virtuais. O JSensor também provou ser 21% mais rápido que o OMNeT++ ao simular um modelo do tipo flooding.Item A Java middleware for High Performance Computing (HPC) and Internet of Things (IoT).(2017) Cimino, Leonardo de Souza; Lima, Joubert de Castro; Lima, Joubert de Castro; Aquino, André Luiz Lins de; Costa, Fábio Moreira; Almeida, André Luís Barroso deItem A high performance Java middleware for general purpose computing and capacity planning.(2016) Almeida, André Luís Barroso de; Lima, Joubert de Castro; Lima, Joubert de Castro; Oliveira, Ricardo Augusto Rabelo; Costa, Fábio MoreiraMiddlewares ou Frameworks são fundamentais no desenvolvimento de aplicações distribuídas devido a complexidade das mesmas. Muitas soluções foram propostas nas últimas três décadas de melhorias e a linguagem Java faz parte destes esforços. A comunidade Java é enorme e a linguagem oferece suporte para computação de alto desempenho (HPC), assim como para plataformas de pequeno porte, tais como as adotadas para IoT. Os middlewares Java para HPC implementam funcionalidades, tais como escalonamento de processos, tolerância a falhas, portabilidade de código, instalação simplificada em grandes clusters, desenvolvimento colaborativo na pilha de serviços em nuvem, execução de código existente sem refatoração, suporte a estruturas de dados distribuídas e nativas, execução de tarefas de forma assíncrona no cluster, suporte a criação de variáveis globais distribuídas, conceito de super-pares e muitas outras melhorias. Infelizmente, tais funcionalidades nunca foram reunidas em uma API única de uma solução de middleware simples e rápida. Neste trabalho, é apresentado o Java Cá&Lá ou simplesmente JCL, um middleware para desenvolvedores Java que adota computação reflexiva e possui modelo de programação baseado em endereçamento compartilhado e distribuído. O JCL reúne diversas funcionalidades apresentadas separadamente nas últimas décadas, permitindo construir aplicações paralelas ou distribuídas a partir de poucas instruções portáveis e sendo capaz de ser executado sobre diferentes plataformas, incluindo as IoT. Este trabalho apresenta as funcionalidades e a arquitetura do JCL, compara e contrasta JCL e seus concorrentes, e apresenta resultados experimentais de aplicações JCL.Item TerraME HPA : uma arquitetura de alto desempenho para simulação paralela de modelos ambientais.(2014) Silva, Saulo Henrique Cabral; Carneiro, Tiago Garcia de Senna; Lima, Joubert de CastroO contínuo aumento da complexidade dos modelos ambientais pode demandar o uso de múltiplos paradigmas de modelagem para descrever as interações entre sociedade e natureza. Além disto, o crescente volume de dados e de cálculos utilizados nestes modelos exige que as simulações tirem máximo proveito do paralelismo de hardware existente em arquiteturas multiprocessador e multicomputador. Neste contexto, este trabalho apresenta e avalia uma abordagem para o desenvolvimento e simulação de modelos ambientais concorrentes e baseados em múltiplos paradigmas. O objetivo principal é gerar simulações escaláveis e o objetivo secundário é produzir modelos concorrentes flexíveis. Isto é, modelos que possam ser facilmente verificados e evoluídos. A abordagem proposta consiste na tradução automatizada do código anotado do modelo sequencial em um código paralelo passível de ser executado por uma máquina virtual, cujo modelo de concorrência e mecanismo para balanceamento de carga independam dos paradigmas de modelagem utilizados. Para implementar esta abordagem, a plataforma de modelagem e simulação ambiental TerraME foi estendida de duas formas, dando origem a plataforma TerraME HPA (High Perfomance Architecture). Primeiro, a ela foi adicionada um pré-processador que traduz o código anotado dos modelos em programas concorrentes na linguagem de programação Lua. Depois, o interpretador Lua originalmente distribuído com o TerraME foi substituído pelo interpretador MOOM, também desenvolvido neste trabalho. O MOOM utiliza o mecanismo de bag-of-tasks para executar funções Lua em paralelo. Desta forma, ele reduz o nível de concorrência programado pelos modeladores e distribui a carga de trabalho das simulações entre os processadores disponíveis em hardware. Finalmente, vários benchmarks selecionados na literatura foram utilizados para avaliar o desempenho e a escalabilidade de diferentes plataformas de programação concorrente na linguagem Lua (ALua, Lane, Luaproc e MOOM) e de diferentes plataformas destinadas ao desenvolvimento simulações ambientais de alto desempenho: TerraME HPA, Repast HPC e D-MASON versões 1.5 e 2.1. Os resultados evidenciam que, quando comparados aos trabalhos correlatos, o interpretador MOOM e a plataforma TerraME HPA apresentaram uma escalabilidade muito boa em todos os cenários avaliados. As aplicações Lua resultantes desta abordagem são flexíveis, pois ao ignorar as anotações, os interpretadores permitem que elas sejam verificadas e evoluídas sequencialmente.Item Representação e computação de cubos de dados completos ou parciais em clusters de computadores de baixo custo.(Programa de Pós-Graduação em Ciência da Computação. Departamento de Ciência da Computação, Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto., 2012) Moreira, Angélica Aparecida; Lima, Joubert de CastroA abordagem PnP (Pipe ’n Prune) é considerada uma das abordagens mais promissoras da literatura para computação de cubos em arquiteturas de computadores com memória distribuída. Infelizmente, a abordagem PnP gera uma enorme quantidade de dados redundantes. No geral, a PnP não considera a uniformidade nos dados, denominada skew. Não considerar o skew no particionamento da carga de trabalho impõe máxima redundância de dados, mesmo com dados uniformes. Diante deste cenário, foi desenvolvida a abordagem P2CDM (acrônimo de Parallel Cube Computation with Distributed Memory), que possui comunicação minimizada e gera redundância de dados sob demanda, dependendo do grau de uniformidade dos dados. Neste sentido, a abordagem P2CDM permite a computação de cubos completos a partir de um certo grau de uniformidade nos dados e cubos parciais quando o grau de uniformidade nos dados ultrapassar um limite predefinido. Os experimentos demonstram que as abordagens PnP e P2CDM possuem acelerações similares, porém a abordagem P2CDM ´e 20-25% mais rápida e consome 30-40% menos memória em cada nó do cluster, quando comparada com a abordagem PnP.