simulação e modelagem analítica na avaliação de desempenho ... · apesar da utilização de...
TRANSCRIPT
Pontifícia Universidade Católica do Rio Grande do Sul
Faculdade de Informática
Pós-Graduação em Ciência da Computação
Simulação e Modelagem Analítica na
Avaliação de Desempenho de Aplicações para Grades
Computacionais: uma Abordagem Comparativa
Mateus Raeder
Orientador: Prof. Dr. Luiz Gustavo Leão Fernandes
Plano de Estudo e Pesquisa
Porto Alegre, dezembro de 2007
Sumário
LISTA DE FIGURAS 2
LISTA DE TABELAS 3
LISTA DE SÍMBOLOS E ABREVIATURAS 4
Capítulo 1: Introdução 5
1.1 Motivação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2 Organização . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
Capítulo 2: Redes de Autômatos Estocásticos 8
2.1 Formalismo SAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2 Trabalhos que utilizam SAN . . . . . . . . . . . . . . . . . . . . . . . . . . 11
Capítulo 3: Simulação de Grades Computacionais 13
3.1 SIMGRID . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.2 Gras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Capítulo 4: Proposta para a Dissertação de Mestrado 17
4.1 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.2 Ferramentas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.3 Metodologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.4 Cronograma de atividades . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1
Lista de Figuras
2.1 Exemplo de uma Rede de Autômatos Estocásticos . . . . . . . . . . . . . . 9
2.2 Modelo SAN da Situação do Semáforo . . . . . . . . . . . . . . . . . . . . 10
3.1 Componentes do SIMGRID . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.2 Pesquisa e Desenvolvimento com e sem GRAS . . . . . . . . . . . . . . . . 16
2
Lista de Tabelas
2.1 Eventos da Modelagem SAN para o Exemplo 1 . . . . . . . . . . . . . . . . 10
2.2 Eventos da Modelagem SAN para o Semáforo . . . . . . . . . . . . . . . . 11
4.1 Cronograma das Atividades Previstas (2008) . . . . . . . . . . . . . . . . . 19
3
Lista de Símbolos e Abreviaturas
SETI Search for Extraterrestrial Intelligence 5
SAN Stochastic Automata Network 8
UCSD University of California at San Diego 13
API Application Programming Interface 13
MSG Meta-SIMGRID 14
MPI Message Passing Interface 14
GRAS Grid Reality And Simulation 15
SG SIMGRID 15
RL RealLife 15
MPMD Multiple Program, Multiple Data 15
SPMD Single Program, Multiple Data 15
PEPS Performance Evaluation for Parallel Systems 17
4
1 Introdução
Os avanços nos diversos ramos da Ciência (tais como Medicina, Física, Química, Enge-
nharia e Geologia) foram concebidos através da utilização de ferramentas computacionais.
Por exemplo, prospecção de petróleo, simulações metereológicas podendo prever catástro-
fes e análise do DNA humano são agora realizáveis em razão das ferramentas computa-
cionais de simulação. Entretanto, simulações nestes moldes constantemente demandam
um alto poder computacional para que sejam realizadas. Com a �nalidade de evitar os
elevados custos da compra de supercomputadores, a utilização de aglomerados de com-
putadores pessoais de baixo custo surge como uma alternativa atraente. Esta alternativa
começou a ganhar popularidade em 1993 com o projeto Beowulf [1], que ressaltava a idéia
de que aglomerados de computadores pessoais podem ser vistos como supercomputadores.
A partir de então, uma vasta gama de tecnologias criadas para explorar recursos vem
surgindo, entre as quais pode-se destacar o conceito de grade computacional [2, 3].
O principal objetivo dos ambientes de grades computacionais é o compartilhamento dos
recursos computacionais em larga escala, estes podendo estar geogra�camente afastados.
O ponto diferencial das grades computacionais é o que se pode chamar de computação
colaborativa, que se trata da utilização dos ciclos ociosos de computadores (comumente
pessoais) para a obtenção de alto desempenho. Atualmente, a grande maioria das univer-
sidades e empresas possuem uma grande quantidade de computadores que permanecem
ociosos por um grande período de tempo, e tais ciclos podem vir a agregar valor às gra-
des. Alguns softwares, como SETI@Home (Search for Extraterrestrial Intelligence) [4],
por exemplo, buscam a ociosidade em computadores de usuários voluntários e aproveitam
estes períodos para realizar cálculos.
Apesar da utilização de grades computacionais ser uma alternativa que salta aos olhos,
o desenvolvimento de aplicações em tais ambientes é particularmente difícil, devido ao
grande número de variáveis envolvidas e possíveis falhas. Assim sendo, computadores
paralelos tradicionais são de certa forma mais fáceis de utilizar. Plataformas mais distri-
buídas (como as grades computacionais) são espalhadas em diversos domínios adminis-
trativos, trazendo como conseqüência �utuações na disponibilidade dos recursos. Logo, a
condução de experimentos repetitivos para aplicações com tempos de execução relativa-
mente altos torna-se impossibilitada, di�cultando a avaliação de desempenho de aplicações
reais, principalmente considerando as inúmeras possibilidades de con�guração existentes.
5
1. Introdução 6
Esta avaliação de desempenho, no entanto, é uma tarefa imprescindível para a vali-
dação da implementação realizada. Esta importância se deve ao fato de que, quando se
deseja desenvolver determinado sistema para um dado propósito, a expectativa é de que
ele se comporte de maneira adequada, apresentando um bom desempenho e sendo capaz
de executar em um tempo aceitável.
Existem diversas formas de avaliação de desempenho, normalmente divididas em três
grandes grupos:
• Medições : na qual o programa deve estar previamente implementado para que me-
didas sejam coletadas de suas execuções;
• Simulações : na qual um modelo do sistema é criado para observar os fatores que
interferem no seu comportamento;
• Modelagem analítica: que se trata de uma representação matemática do sistema a
ser analisado.
Neste estudo, utilizar-se-á simulação e modelagem analítica, com o intuito de
comparar tais abordagens quando da utilização de aplicações para grades computacionais.
O formalismo analítico a ser utilizado neste trabalho será Rede de Autômatos Esto-
cásticos (SAN - Sthocastic Automata Network) [5], por tratar-se de um formalismo mais
recente e fortemente baseado na teoria de Cadeias de Markov [6], porém expressando os
modelos markovianos de forma mais fácil, compacta e e�ciente.
Na modelagem analítica, entretanto, as métricas de desempenho são geradas através
de parâmetros indicados no modelo. Assim, experimentos realizados através de simulação
surgem como uma escolha bastante viável para a obtenção precisa de tais parâmetros.
Simulações podem ser repetidas, são co�guráveis e geralmente demandam menos tempo
que execuções reais. Este tipo de abordagem vem sendo amplamente utilizada para apon-
tar decisões corretas durante o desenvolvimento de software para ambientes de grades
computacionais. Uma das ferramentas mais conhecidas para a simulação de algoritmos
em grades é o SIMGRID [7, 8], que será utilizada neste trabalho para a realização dos
objetivos nele propostos.
1.1 Motivação
A implementação de aplicações para sistemas computacionais (em diversas ocasiões)
não é trivial, principalmente quando se tratam de aplicações paralelas e distribuídas.
Estudos sobre o desempenho apresentado por tais aplicações antes mesmo de sua im-
plementação de fato, são de grande importância para que as soluções propostas sejam
previamente validadas, evitando problemas relacionados com reconstruções do sistema.
1. Introdução 7
Uma vez previsto o comportamento da aplicação desejada, alterações na implementa-
ção, nos parâmetros ou nas con�gurações da solução proposta podem ser realizados (se
necessário) para que o desempenho real apresente-se conforme o esperado.
Devido ao constante avanço dos ambientes de grades computacionais e sua crescente
utilização, a construção de simuladores facilita ao usuário a avaliação dos sistemas propos-
tos. Isto se deve ao fato de que há uma maior �exibilidade de con�guração e diversi�cação
dos parâmetros do ambiente, �exibilidade esta que se torna bastante complexa de ser re-
alizada na prática.
Na modelagem analítica, por sua vez, as métricas são obtidas através de modelos
construídos com certos parâmetros que vêm da aplicação. Uma das grandes di�culdades
encontradas na construção e resolução deste método, no entanto, é exatamente a de�nição
precisa destes parâmetros, o que acarreta em incertezas nos resultados obtidos aravés dos
modelos.
Com a ferramenta de simulação SIMGRID, os parâmetros providos pelo simulador
podem agregar grande valor na construção do modelo SAN das aplicações, tendo em vista
as con�gurações mais bem de�nidas desta ferramenta.
1.2 Organização
Esta proposta está organizada da seguinte maneira: no Capítulo 2, encontram-se
algumas de�nições sobre o formalismo a ser utilizado no trabalho (SAN). Ainda nesta
seção, alguns trabalhos relacionados com esta abordagem são brevemente descritos, com
a �nalidade de ilustrar utilizações reais deste formalismo. Em seguida, no Capítulo 3,
uma visão geral sobre simulação de grades computacionais é apresentada, com alguns
exemplos de diferentes ferramentas existentes para este �m. As Seções 3.1 e 3.2 descrevem,
respectivamente, o simulador que será utilizado no decorrer do trabalho e uma ferramenta
(utilizada de maneira integrada ao simulador) que auxiliará nas simulações das aplicações
de grades. Finalmente, a proposta de Dissertação de Mestrado é apresentada, descrevendo
objetivos, ferramentas, metodologia de desenvolvimento e atividades que auxiliarão na
pesquisa.
2 Redes de Autômatos Estocásticos
A modelagem utilizando Redes de Autômatos Estocásticos [5] data da década de 80,
e surge como uma importante alternativa para a modelagem de sistemas paralelos. Seu
nome original é Stochastic Automata Network (SAN), e trata-se de um formalismo baseado
na teoria de Cadeias de Markov, como dito anteriormente, expressando modelos markovi-
anos de maneira mais intuitiva e compacta. Através da modelagem com SAN, medidas de
desempenho podem ser incluídas, tais como throughput, atraso de sincronização, tempo
de resposta, dentre outras, mesmo antes da implementação da aplicação. Assim sendo,
ao utilizar a modelagem através de Redes de Autômatos Estocásticos pode-se predizer o
desempenho das aplicações.
O princípio da utilização do formalismo SAN é traduzir (ou abstrair) um sistema real
em sua totalidade em diversos módulos, de maneira independente, modelando diversos
subsistemas. Estes subsistemas, obviamente, terão pontos de interação em alguns mo-
mentos para que o objetivo �nal do conjunto como um todo seja alcançado. Entretanto,
para a obtenção das medidas de desempenho de um sistema, é necessário que o modelo
criado seja resolvido. Nesta seção, a maneira de construção de modelos SAN é detalhada,
visando gerar as estimativas de desempenho do sistema real. Ainda na presente seção,
serão apresentados alguns trabalhos relacionados com a utilização de SAN, com o intuito
de proporcionar ao leitor diferentes visões e aplicações do formalismo em questão.
2.1 Formalismo SAN
Neste documento, será apresentada uma visão mais intuitiva da maneira pela qual os
modelos SAN são construídos, indicando para considerações e explicações mais formais a
leitura da referência [5].
Conforme citado anteriormente, o formalismo de Redes de Autômatos Estocásticos
representa o sistema do qual se deseja obter estimativas através de módulos, abstraindo
o sistema real em diferentes subsistemas. Estes módulos (que são de�nidos na forma
de autômatos estocásticos) são formados basicamente por três componentes: estados,
transições e eventos. Na Figura 2.1 é apresentado um primeiro exemplo de um modelo
SAN com 3 autômatos.
Um estado na modelagem SAN é representado gra�camente por um círculo. Cada
8
2. Redes de Autômatos Estocásticos 9
Figura 2.1: Exemplo de uma Rede de Autômatos Estocásticos
um destes refere-se a um determinado comportamento apresentado pelo sistema, e o
conjunto deles representa o conjunto destes comportamentos. Quando o sistema altera
seu comportamento, seu estado é alterado. Tal situação (mudança de um estado para
outro) é chamada de transição, e é representada por um arco ligando os estados origem
e destino (note que se trata de um grafo dirigido, pois as arestas possuem setas que indicam
sua direção). Entretanto, para que uma mudança de estado aconteça, um evento deve
ocorrer (sendo de�nido por uma função de probabilidade). Assim, quando um evento
do sistema ocorre, o modelo altera seu estado, realizando transições de acordo com as
probabilidades associadas a cada um destes eventos. A ocorrência destes eventos depende
de taxas associadas a cada um deles.
No exemplo da Figura 2.1, percebe-se a existência de três autômatos: A1 (com 4
estados), A2 (com 2 estados) e A3 (com 3 estados). Além disso, o modelo SAN apre-
sentado possui 5 eventos, que são listados na tabela 2.1. Em um modelo SAN podem
ser diferenciados dois tipos de eventos: locais e sincronizantes. Os eventos locais alte-
ram somente o estado interno de um autômato, não interferindo no estado que os outros
autômatos encontram-se. Por exemplo, o evento p do autômato A1 apenas modi�ca-o
internamente, não in�uenciando em nada os autômatos A2 e A3 (note que eventos locais
apenas aparecem em um único autômato). Por outro lado, eventos ditos sincronizantes
apresentam a característica de não apenas alterar o seu estado, mas também de alterar
o estado dos outros autômatos do modelo. São as referidas interações entre os diferentes
subsistemas. Os eventos ca, r, co e pa são sincronizantes no exemplo da Figura 2.1, pois
quando estes eventos ocorrem, mais de um autômato altera seu estado (perceba que os
eventos sincronizantes aparecem em dois ou mais autômatos).
Para alguns eventos, uma probabilidade é associada. No exemplo apresentado, nota-se
que do estado B do autômato A2, na ocorrência do evento ca, há uma probabilidade de
70% de o autômato alcançar o estado R, e uma probabilidade de 30% de continuar no
estado B. Além disto, funções podem ser de�nidas para os eventos, como acontece no
2. Redes de Autômatos Estocásticos 10
Tabela 2.1: Eventos da Modelagem SAN para o Exemplo 1
Tipo Evento Taxalocal p τ1
sincronizante ca τ2sincronizante r τ3sincronizante pa τ4sincronizante co τ5
autômato A3. O evento pa neste autômato, depende do estado do autômato A2. Caso
A2 encontre-se em B, o evento pa levará A3 do estado N para o estado A. Caso contrário
(A2 em R), o evento pa acarreta na transição do estado N para o estado C.
Ao resolver um modelo SAN, as probabilidades de permanência em cada estado (ou de
combinações de estados desejados pelo usuário) são obtidas. Com isto, pode ser realizada
uma análise do comportamento da aplicação modelada com as taxas e probabilidades
de�nidas no modelo, possibilitando que alterações nestes valores sejam realizados, para
melhorar o desempenho, diminuir gargalos, etc.
A Figura 2.2 apresenta uma simples modelagem SAN para representar uma deter-
minada rua, que possui um semáforo, carros passando e pedestres querendo atravessar.
Neste caso, deseja-se obter algumas informações relevantes ao bom equilíbrio entre tra-
vessias de pedestres e de carros, tais como a quantidade de tempo que os pedestres �cam
aguardando para atravessar a rua, que o sinal �ca fechado ou aberto, que os carros param
no semáforo, etc. (não serão discutidos detalhes da resolução do modelo e obtenção das
probabilidades de cada estado, apenas a modelagem em si).
Figura 2.2: Modelo SAN da Situação do Semáforo
O problema pode ser dividido em três entidades, ou subsistemas: semáforo (de carros),
os carros e os pedestres. Cada um destes subsistemas, no entanto, é modelado como um
autômato, conforme pode ser visto na Figura 2.2. O autômato Semáforo possui três
estados: Vermelho, Amarelo e Verde. As transições entre estes estados é dada pela
ocorrência dos eventos L1, S1 e S2. Os autômatos restantes (Carros e Pedestres), por
sua vez, possuem dois estados cada um, e as transições internas de cada um dá-se por
2. Redes de Autômatos Estocásticos 11
meio dos eventos S1 e S2. A Tabela 2.2 ilustra os eventos existentes no modelo, com seus
respectivos tipos e taxas (simbólicas).
Tabela 2.2: Eventos da Modelagem SAN para o Semáforo
Tipo Evento Taxalocal L1 τ1
sincronizante S1 τ2sincronizante S2 τ3
Neste exemplo �ca clara a idéia dos eventos locais e sincronizantes. Suponha que o
estado inicial do modelo seja: o autômato Semáforo no estado Verde; o autômato Carros
no estado Passando; e o autômato Pedestres no estado Parado. Quando o evento L1
ocorrer, apenas o autômato Semáforo terá seu estado alterado (de Verde para Amarelo),
pois L1 não in�uencia nos outros autômatos, tratando-se de um evento local. Em se-
guida, quando o evento S1 ocorrer, simultaneamente o Semáforo passará para o estado
Vermelho, o autômato Carros passará para o estado Parado e o autômato Pedestres para
o estado Passando. Logo, S1 trata-se de um evento sincronizante. De maneira análoga,
quando o Semáforo voltar para o estado Verde (pela ocorrência do evento sincronizante
S2), os autômatos Carros e Pedestres alterarão seus estados para Passando e Parado,
respectivamente.
Cabe ressaltar que não existe uma única maneira de modelar uma determinada situa-
ção ou aplicação. No exemplo apresentado poderiam ter sido utilizadas outras abordagens
para a modelagem, como a utilização de apenas 2 autômatos, por exemplo, representando
o semáforo e os carros, ou até mesmo somente o autômato Semáforo, uma vez que é óbvio
que, quando o semáforo encontra-se fechado pedestres podem atravessar, e quando está
aberto os carros podem passar. Entretanto, a modelagem com 3 autômatos foi realizada
apenas para ilustrar de maneira mais clara os conceitos dos diferentes tipos de eventos.
2.2 Trabalhos que utilizam SAN
Nesta seção, três utilizações do formalismo SAN são brevemente apresentadas e refe-
renciadas para um ocasional interesse em maiores detalhes.
O primeiro deles trata-se de um trabalho realizado por Maraculescu e Nandi [9]. Nele,
os autores apresentaram uma nova metodologia para a modelagem de aplicações de sis-
temas de níveis. O decodi�cador de vídeo MPEG-2 foi a aplicação utilizada para validar
e exempli�car as vantagens desta nova abordagem. O formalismo SAN foi utilizado para
modelar a aplicação, e foi comprovado que esta possui um comportamento estacioná-
rio através de diferentes probabilidades, o que permitiu mapeamentos mais e�cientes da
aplicação. Os próprios autores consideraram SAN como uma ferramenta e�ciente para
modelar a comunicação entre os processos, e ainda relataram a vantagem de que o número
2. Redes de Autômatos Estocásticos 12
de estados não explode.
Outro trabalho interessante com a utilização de SAN trata-se do trabalho descrito
em [10]. Neste trabalho, os autores propuseram o uso de Redes de Autômatos Estocás-
ticos para desenvolver modelos que se aplicassem a programas do tipo mestre/escravo,
considerando dois padrões de comportamento para descrever a comunicação entre os mes-
tres e os escravos: síncrono e assíncrono. Como caso de estudo, o algoritmo de "region
growing"conhecido como Propagation [11] foi utilizado. Esta aplicação trabalha com in-
terpolação de imagens, para gerar uma visão virtual entre dois pontos iniciais distintos.
A aplicação foi modelada utilizando SAN para validar a estratégia de implementação
escolhida. Segundo os autores, a modelagem de programas paralelos é facilitada com o
formalismo SAN, e pôde dar uma visão geral dos resultados que serão obtidos com a
paralelização do Propagation de acordo com alguns fatores, como sincronia/assincronia e
grão �no/grosso.
O trabalho realizado por Mokdad et. al. [12] também utiliza a modelagem SAN.
Neste trabalho, os autores apresentaram um novo algoritmo de roteamento, para melhorar
a qualidade de entrega de pacotes em redes de baixa latência. Os autores mostram
os benefícios desta nova proposta de algoritmo através da avaliação de desempenho de
modelos SAN, além de ressaltar o fato de que o formalismo SAN é muito utilizado para
sistemas complexos, quando a utilização de Cadeias de Markov é inviável.
3 Simulação de Grades
Computacionais
Conforme mencionado anteriormente, aplicações para grades computacionais não pos-
suem seu desempenho trivialmente avaliado, pois o ambiente não apresenta uma estabi-
lidade constante e os recursos variam consideravelmente. Desta maneira, para testes e
validações de aplicações para grades, simuladores surgem como uma alternativa interes-
sante para sistemas reais. Neste contexto, existem diferentes ferramentas utilizadas para
simular plataformas de computação distribuída, dentre as quais pode-se citar algumas
mais notáveis, tais como OptorSim [13], GridSim [14], MicroGrid [15], e SIMGRID [16].
O primeiro simulador (OptorSim), é implementado em Java e trabalha com réplicas
de jobs. Este simulador é utilizado principalmente para comparar diferentes estratégias
de escalonamento com a utilização destas réplicas, simulando o comportamento de grades
conforme alguns parâmetros de�nidos (topologia de rede e conjunto de jobs, por exemplo).
Desenvolvida na Universidade da Califórnia, em São Diego (UCSD - University of Ca-
lifornia at San Diego), a ferramenta MicroGrid, na realidade, trata-se de um emulador.
Ela permite a execução de aplicações construídas com o Globus [17], para que o com-
portamento destas aplicações seja conhecido. O MicroGrid emula uma grade Globus, e
pode ser utilizado como uma ferramenta complementar para veri�car resultados obtidos
através de simulações com execuções reais das aplicações.
Outra ferramenta bastante difundida, trata-se do GridSim, que também simula ambi-
entes de grades computacionais, monitorando seus recursos. Utiliza-se do pacote SimJava
(simulação baseada em eventos), o que torna-o escalável e portável.
Finalmente, para este trabalho escolheu-se a ferramenta SIMGRID, que será descrita
a seguir, na Seção 3.1.
3.1 SIMGRID
A primeira versão do simulador SIMGRID (chamada de SIMGRID v1.0 ) era uma
versão mais simples, e está descrita em [16]. Foi desenvolvida por Henri Casanova, que
modi�cou uma implementação previamente realizada, criando uma estrutura de simula-
ção mais genérica e com uma API (Application Programming Interface) amigável. Após
13
3. Simulação de Grades Computacionais 14
algum tempo, uma nova camada chamadaMSG (Meta-SIMGRID) foi desenvolvida, acres-
centando threads e também a idéia de processos sendo simulados independentemente. No
�nal do ano de 2003, o SIMGRID passou a executar em sua versão SIMGRID v2. A
partir da versão 3, outros diferentes módulos foram adicionados à implementação (alguns
destes sendo tratados a seguir). O simulador encontra-se, ultimamente, em sua versão
3.2.
O SIMGRID é uma das ferramentas mais conhecidas para a simulação de ambientes
de programação distribuída, e neste estudo será utilizado para ambientes de grades com-
putacionais. Alguns de seus principais componentes podem ser vistos na Figura 3.1, os
quais são responsáveis por facilitar determinadas funções.
Figura 3.1: Componentes do SIMGRID
O primeiro componente trata-se do MSG supracitado. É um ambiente de programa-
ção simples, incluído desde a segunda versão do simulador, e foi o primeiro ambiente de
programação distribuída provido no SIMGRID. Neste componente, algumas funcionali-
dades básicas são oferecidas, tais como o gerenciamento de hosts e tarefas. Para facilitar
a comunicação, o simulador trabalha com a noção de canal, que é similar à notação do
MPI (Message Passing Interface). Um canal de comunicação não se trata de um socket,
pois não necessita ser aberto e fechado, mas corresponde a portas abertas nas diferentes
máquinas. Este módulo contém alguns tipos de dados de�nidos (tais como host, tarefa
e processo), além de funções que são utilizadas para a realização das simulações. É nor-
malmente utilizado para a simulação de aplicações distribuídas genéricas.
O próximo componente trata-se do SMPI, que se refere ao ambiente de programação
para aplicações construídas com a utilização da biblioteca MPI. Aplicações implementadas
em MPI serão executadas no simulador através deste módulo, sem que sua implementação
tenha que ser modi�cada.
O componente SURF é responsável por providenciar todas as funcionalidades de simu-
lação da plataforma virtual. É o kernel de todos os componentes do SIMGRID, tratando-se
assim de um módulo de bastante baixo nível.
O último componente (GRAS ) é de maior importância neste estudo, e é descrito na
seção que segue.
3. Simulação de Grades Computacionais 15
3.2 Gras
O componente GRAS (Grid Reality And Simulation) é utilizado para usuários que
desejam desenvolver aplicações reais, ou seja, aplicações com a �nalidade de que, após o
término das simulações, o programa realmente venha a ser distribuído. Este componente
provê uma API simples para a implementação de aplicações distribuídas sobre plata-
formas heterogêneas, permitindo que diversos processos interajam através de trocas de
mensagens.
Entretanto, alguns pontos diferem o componente GRAS de outras clássicas APIs de
troca de mensagem existentes. Alguns destes pontos são:
• Modos de execução: este é o ponto mais importante deste componente. O mó-
dulo GRAS possui duas implementações distintas. A primeira delas é construída no
próprio simulador SIMGRID, o que permite que o usuário execute suas aplicações
em ambientes controlados, sendo esta abordagem extremamente interessante para
estudar os algoritmos propostos. Nesta implementação (chamada de SG , referente
ao SIMGRID), algoritmos podem ser testados sobre diversas condições que seriam
complexas de serem alcançadas em plataformas reais, e erros podem ser inseridos
quantas vezes forem desejadas. A segunda implementação refere-se às plataformas
reais (chamado de RL, referente a RealLife). Após veri�car o bom funcionamento do
algoritmo no simulador, esta implementação permite que este algoritmo seja execu-
tado em plataformas reais, sem que alterações e nem sequer compilações adicionais
sejam realizadas.
• Abordagem de desenvolvimento: o componente em questão foi desenvolvido
para trabalhar com computação distribuída, não paralela. Assim, os algoritmos
são desenvolvidos para existirem como processos independentes que comunicam-se
através de troca de mensagens. Este modelo difere de implementações MPI e PVM,
nas quais o programa explicita o que cada processo deve fazer (de acordo com o
rank, por exemplo). Ou seja, para a execução no GRAS, o modelo deve ser MPMD
(Multiple Program, Multiple Data), ao invés de SPMD (Single Program, Multiple
Data), e a idéia de paralelismo (como ganho de desempenho) não existe.
• Escala de desenvolvimento: diferenciando-se novamente da maioria das imple-
mentações existentes para troca de mensagens, o GRAS foi projetado e desenvolvido
para plataformas grandes e dinâmicas, como grades.
• Simplicidade de utilização: os desenvolvedores do GRAS de�nem este compo-
nente como simples de utilizar, e pretendem que ele assim continue. Por exemplo,
não existem threads no GRAS. Isto se deve ao fato de que programas multi-thread
são demasiadamente complicados para usuários comuns, e não faz parte do plane-
jamento futuro a inclusão de threads neste componente. O não-determinismo e as
3. Simulação de Grades Computacionais 16
race conditions (quando diferentes processos utilizam o mesmo recurso ao mesmo
tempo) são alguns dos fatores que explicam tal ponto de vista.
A ferramenta GRAS, então, habilita o desenvolvimento simultâneo de aplicações distri-
buídas que podem tanto executar em plataformas reais quanto no simulador. O resultado
não é um protótipo, mas sim uma aplicação com as funcionalidades completas, sem a
necessidade de modi�cações no código. A Figura 3.2 representa a pesquisa e o desenvol-
vimento de uma aplicação com e sem a utilização do GRAS.
Figura 3.2: Pesquisa e Desenvolvimento com e sem GRAS
Portanto, esta ferramenta (componente) será de grande importância, tanto para a
realização dos experimentos quanto para a obtenção dos parâmetros necessários para a
modelagem das aplicações, que serão escolhidas no decorrer da pesquisa.
4 Proposta para a Dissertação de
Mestrado
Neste capítulo encontra-se a proposta da Dissertação de Mestrado. Nela, os objetivos
do estudo são relatados, assim como algumas ferramentas que servirão de auxílio para o
seu correto desenvolvimento. A metodologia de pesquisa e de realização das idéias são
descritas, de maneira a dar uma breve visão de como se pretende proceder para alcançar os
objetivos propostos. Finalmente, uma lista de atividades é apresentada, e suas respectivas
relações com o período de tempo em que serão executadas é descrito.
4.1 Objetivos
O objetivo do trabalho a ser realizado é comparar o comportamento e os resul-
tados obtidos através da modelagem SAN de aplicações de grades computaci-
onais, com os resultados obtidos através do simulador SIMGRID . Para tanto,
tem-se como premissa que os resultados do simulador em questão são válidos e aceitáveis.
O intuito da modelagem com SAN, neste contexto, é procurar parametrizar da maneira
mais �el possível o modelo criado para as aplicações, de acordo com os parâmetros obtidos
com o simulador, com a �nalidade de validar a utilização de tal modelagem para este �m.
Ao �nal do estudo, acredita-se que será possível extrair uma conclusão fortemente aceitável
sobre a utilização da abordagem utilizando modelos SAN.
4.2 Ferramentas
Algumas ferramentas serão fundamentais no decorrer do desenvolvimento da pesquisa
proposta. Primeiramente, a utilização da ferramenta PEPS (Performance Evaluation
for Parallel Systems), que faz uso de métodos interativos para resolução de sistemas de
equações, e gera resultados estocásticos e transientes [18]. O primeiro permite ao usuário
saber as probabilidades de cada do modelo SAN correspondente. O segundo, por sua
vez, resulta nos tempos de execução do modelo. Tal software, então, realizará a tarefa de
resolver os modelos SAN propostos.
17
4. Proposta para a Dissertação de Mestrado 18
Além do PEPS, outra aplicação a ser empregada trata-se da própria ferramenta SIM-
GRID (seção 3.1), para a realização das simulações. Esta ferramenta será a base para
a obtenção dos parâmetros da modelagem SAN. Conforme descrito na Seção 3.1, o si-
mulador em questão é dividido em alguns componentes, e o componente que será mais
utilizado para o desenvolvimento do estudo é o componente GRAS (Seção 3.2).
4.3 Metodologia
No decorrer do desenvolvimento da pesquisa em questão, a metodologia adotada será
conforme segue. Primeiramente, dar-se-á a escolha das aplicações a serem utilizadas no
estudo, para que seus comportamentos sejam avaliados. Em seguida, a modelagem SAN
de cada aplicação será realizada, de acordo com suas funcionalidades e interações entre
seus subsistemas (Seção 2). Então, os parâmetros da aplicação serão extraídos a partir do
simulador SIMGRID, e servirão como entrada para os parâmetros da modelagem previa-
mente realizada. Uma vez construído o modelo SAN com os parâmetros corretos de cada
aplicação, estes serão resolvidos (com a utilização da ferramenta PEPS), paralelamente
com a execução da aplicação modelada na ferramenta de simulação. Os resultados obtidos
através do PEPS e do SIMGRID serão analisados e sua corretude será avaliada. Por �m,
comparações destes resultados serão realizados, com a �nalidade de validar a utilização
do modelo SAN proposto.
4.4 Cronograma de atividades
Para a realização da pesquisa proposta neste documento, durante o ano de 2008 al-
gumas atividades serão executadas. Abaixo, segue um detalhamento de cada uma destas
atividades:
• Estudo sobre o SIMGRID: nesta atividade, desenvolver-se-á um estudo mais
detalhado das funcionalidades do simulador SIMGRID, com um foco de mais baixo
nível, procurando o entendimento das funções de programação e a maneira de utilizá-
las, assim como a execução das simulações;
• Escolha das aplicações: para a construção dos modelos e execução da simulação,
algumas aplicações serão escolhidas e avaliadas, procurando-se realizar uma escolha
que agregue valor tanto à simulação quanto à criação da modelagem e escolha dos
parâmetros;
• Criação dos modelos SAN das aplicações: de acordo com os parâmetros e com
as funcionalidades das aplicações, a construção do modelo SAN tenderá a representar
�elmente as aplicações escolhidas;
4. Proposta para a Dissertação de Mestrado 19
• Extrair parâmetros das aplicações: obter do SIMGRID (através do GRAS ) os
parâmetros que servirão para a construção do modelo SAN de cada aplicação;
• Executar os modelos e as simulações: utilizar as ferramentas PEPS e SIMGRID
para coletar os resultados do modelo e da simulação;
• Coletar e comparar os resultados: validar a modelagem SAN proposta de
acordo com a comparação dos resultados obtidos da atividade de execução;
• Escrita do seminário de andamento;
• Escrita da dissertação de mestrado.
A Tabela 4.1 apresenta as atividades descritas acima de acordo com uma linha de
tempo que inicia em Janeiro de 2008 e conclui-se em Dezembro do mesmo ano (foram
acrescentadas à tabela a apresentação do seminário de andamento e a defesa da disserta-
ção).
Tabela 4.1: Cronograma das Atividades Previstas (2008)
Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov DezEstudo sobre o SIMGRID X XEscolha das aplicações X X X
Criação dos modelos SAN das aplicações X XExtrair parâmetros das aplicações X X
Executar os modelos e as simulações X XColetar e comparar os resultados X XEscrita do seminário de andamento X X
Apresentação do seminário de andamento XEscrita da dissertação de mestrado X X X XDefesa da dissertação de mestrado X
Referências Bibliográ�cas
[1] BECKER, D.; STERLING, T. Beowulf project webpa. Disponível em
http://www.beowulf.org/overview/history.html. Acessado em 09/12/2007.
[2] FOSTER, I.; KESSELMAN, C. (Ed.). The grid: blueprint for a new computing in-
frastructure. San Francisco, CA, USA: Morgan Kaufmann Publishers Inc., 1999. ISBN
1-55860-475-8.
[3] FOSTER, I.; KESSELMAN, C.; TUECKE, S. The anatomy of the grid: Enabling
scalable virtual organizations. Int. J. High Perform. Comput. Appl., Sage Publications,
Inc., Thousand Oaks, CA, USA, v. 15, n. 3, p. 200�222, 2001. ISSN 1094-3420.
[4] CALIFORNIA, U. of. SETI@Home webpage. Disponível em
http://setiathome.ssl.berkeley.edu. Acessado em 10/12/2007.
[5] PLATEAU, B.; ATIF, K. Stochastic automata network of modeling parallel systems.
IEEE Trans. Softw. Eng., IEEE Press, Piscataway, NJ, USA, v. 17, n. 10, p. 1093�1108,
1991. ISSN 0098-5589.
[6] BOLCH, G. et al. Queueing networks and Markov chains: modeling and performance
evaluation with computer science applications. New York, NY, USA: Wiley-Interscience,
1998. ISBN 0-471-19366-6.
[7] LEGRAND, A.; MARCHAL, L.; CASANOVA, H. Scheduling distributed applications:
the simgrid simulation framework. In: CCGRID '03: Proceedings of the 3st Interna-
tional Symposium on Cluster Computing and the Grid. Washington, DC, USA: IEEE
Computer Society, 2003. p. 138. ISBN 0-7695-1919-9.
[8] CASANOVA, A. L. H.; QUINSON, M. Simgrid project webpage. Disponível em
http://simgrid.gforge.inria.fr/. Acessado em 07/12/2007.
[9] MARCULESCU, R.; NANDI, A. Probabilistic application modeling for system-level
perfromance analysis. In: DATE '01: Proceedings of the conference on Design, auto-
mation and test in Europe. Piscataway, NJ, USA: IEEE Press, 2001. p. 572�579. ISBN
0-7695-0993-2.
20
REFERÊNCIAS BIBLIOGRÁFICAS 21
[10] BALDO, L. et al. Performance models for master/slave parallel programs. Electr.
Notes Theor. Comput. Sci., v. 128, n. 4, p. 101�121, 2005.
[11] LHUILLIER, M. Modélisation pour la synthse d'images partir d'images. Tese (Dou-
torado) � Institut National Polytechnique de Grenoble, França, 2000.
[12] GUEROUI, A. Quality of service of a rerouting algorithm using stochastic automata
networks. In: ISCC '01: Proceedings of the Sixth IEEE Symposium on Computers and
Communications. Washington, DC, USA: IEEE Computer Society, 2001. p. 338.
[13] BELL, W. et al. OptorSim - A Grid Simulator for Studying Dynamic Data Replica-
tion Strategies. 2003. Disponível em: <mack.ittc.ku.edu/bell03optorsim.html>.
[14] BUYYA, R.; MURSHED, M. M. Gridsim: A toolkit for the modeling and simula-
tion of distributed resource management and scheduling for grid computing. CoRR,
cs.DC/0203019, 2002.
[15] SONG, H. J. et al. The microgrid: A scienti�c tool for modeling computational grids.
Sci. Program., IOS Press, Amsterdam, The Netherlands, The Netherlands, v. 8, n. 3,
p. 127�141, 2000. ISSN 1058-9244.
[16] CASANOVA, H. Simgrid: A toolkit for the simulation of application scheduling. In:
CCGRID '01: Proceedings of the 1st International Symposium on Cluster Computing
and the Grid. Washington, DC, USA: IEEE Computer Society, 2001. p. 430. ISBN
0-7695-1010-8.
[17] FOSTER, I.; KESSELMAN, C. Globus: A Metacomputing Infrastructure Toolkit.
1996. Disponível em: <mack.ittc.ku.edu/article/foster96globus.html>.
[18] STEWART, W. J. Introduction to the numerical solution of markov chains. Princeton
University Press, 1994.