Escalonamento com consciência energética para fluxos de trabalho científicos sem servidor: uma abordagem de aprendizado de máquina (2024)
- Authors:
- USP affiliated authors: LEJBMAN, ALFREDO GOLDMAN VEL - IME ; ROSA, LUCAS DE SOUSA - IME
- Unidade: IME
- DOI: 10.5753/eradsp.2024.239934
- Subjects: APRENDIZADO COMPUTACIONAL; SIMULAÇÃO; REDES NEURAIS; EFICIÊNCIA ENERGÉTICA
- Language: Português
- Abstract: Este artigo propõe abordar os desafios de eficiência energética e escalonamento de fluxos de trabalho científicos em ambientes de computação sem servidor. Integrando técnicas de aprendizado de máquina e simulação, a pesquisa visa preencher lacunas entre eficiência energética e escalonamento sem servidor. A metodologia inclui coleta de dados históricos, previsão de consumo energético por meio de aprendizado de máquina e desenvolvimento de políticas de escalonamento com redes neurais profundas. O projeto também envolve adaptação de sistemas de gerenciamento de fluxo de trabalho e validação em ambientes reais, visando oferecer soluções viáveis para os desafios atuais em HPC.
- Imprenta:
- Publisher: SBC
- Publisher place: Proto Alegre
- Date published: 2024
- Source:
- Título: Anais
- Conference titles: Escola Regional de Alto Desempenho de São Paulo - ERAD-SP
- Este periódico é de acesso aberto
- Este artigo NÃO é de acesso aberto
-
ABNT
ROSA, Lucas de Sousa e GOLDMAN, Alfredo. Escalonamento com consciência energética para fluxos de trabalho científicos sem servidor: uma abordagem de aprendizado de máquina. 2024, Anais.. Proto Alegre: SBC, 2024. Disponível em: https://doi.org/10.5753/eradsp.2024.239934. Acesso em: 06 fev. 2026. -
APA
Rosa, L. de S., & Goldman, A. (2024). Escalonamento com consciência energética para fluxos de trabalho científicos sem servidor: uma abordagem de aprendizado de máquina. In Anais. Proto Alegre: SBC. doi:10.5753/eradsp.2024.239934 -
NLM
Rosa L de S, Goldman A. Escalonamento com consciência energética para fluxos de trabalho científicos sem servidor: uma abordagem de aprendizado de máquina [Internet]. Anais. 2024 ;[citado 2026 fev. 06 ] Available from: https://doi.org/10.5753/eradsp.2024.239934 -
Vancouver
Rosa L de S, Goldman A. Escalonamento com consciência energética para fluxos de trabalho científicos sem servidor: uma abordagem de aprendizado de máquina [Internet]. Anais. 2024 ;[citado 2026 fev. 06 ] Available from: https://doi.org/10.5753/eradsp.2024.239934 - An experimental analysis of regression-obtained HPC scheduling heuristics
- Exploring simplicity and efficiency: regression-based scheduling heuristics in HPC
- On limits of machine learning techniques in the learning ofscheduling policies
- In search of efficient scheduling heuristics from simulations and machine learning
- The influence of organizational factors on inter-team knowledge sharing effectiveness in agile environments
- Improving the performance of actor model runtime environments on multicore and manycore platforms
- Towards automatic actor pinning on multi-core architectures
- A simple BSP-based model to predict execution time in GPU applications
- A comparison of GPU execution time prediction using machine learning and analytical modeling
- Message from the program committee co-chairs. [Apresentação]
Informações sobre o DOI: 10.5753/eradsp.2024.239934 (Fonte: oaDOI API)
Download do texto completo
| Tipo | Nome | Link | |
|---|---|---|---|
 |
3206519.pdf | Direct link |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
