Lidando com Demanda e Variedade de Servicos em Grades Computacionais

Marcelo Silva Santos1 , Alvaro Vincius de Souza Co lho1 e Departamento de Ci ncias Exatas e Tecnol gicas - DCET e o Universidade Estadual de Santa Cruz - UESC Rod. Ilh us-Itabuna, Km. 16 45.662-900 Ilh us BA Brasil e e Resumo. Grades computacionais s o largamente estudadas como alternativa a para computacao de alto desempenho. Quando as consideramos em ambien tes baseados em reciprocidade, a selecao dos servicos a serem oferecidos e a unica forma se obter receita e, assim, manter o interesse dos n s em permaneo cer no sistema. Ocorre que computar o melhor portfolio de servicos possvel e intrat vel, de forma que os n s implementam heursticas de selecao. Este traa o balho explora o desempenho de diferentes heursticas submetidas a diferentes condicoes no tocante a demanda e variedade de servicos. `
1

1. Introducao
A distribuicao e o paralelismo vem sendo atalhos bastantes estudados quando se cami nha rumo a computacao de alto desempenho. Neste sentido, as grades computacionais ` s o uma alternativa atraente, possibilitando o uso de uma federacao de recursos para a execucao de aplicacoes paralelas [Andrade et al. 2007]. Todavia, estes recursos s o dis a ponibilizados por diferentes domnios administrativos (os n s da grade), e cada um deles o e aut nomo. Logo, e necess rio conciliar interesses diversos para que eles permanecam o a no sistema. Para alcancar este objetivo, o ganho obtido por cada n precisa superar seus o custos. Os n s de uma grade valoram os servicos diferentemente uns dos outros o [Mowbray et al. 2006]. Por esse motivo, para cada n , a alocacao de recursos precisa ter o custos e receitas em vista, de forma que se perceba um lucro. Para isso, pode-se empregar modelos de negociacao baseados em teorias de mercado [Buyya and Vazhkudai 2000], mas estes modelos imp em uma s rie de mecanismos de controle como os que se v o e e nas operacoes comerciais e banc rias em geral, gerando custos marginais transacio a nais (contratos, auditoria, contabilidade, cobranca e registros banc rios). Alternativa a mente, emprega-se modelos baseados em reciprocidade, prescindindo destes controles [Andrade et al. 2007]. Em ambientes assim, a unica maneira de um n conseguir receber o recursos (e receita) e sendo recproco1 . Logo, os n s devem encontrar a melhor selecao o possvel de servicos. Como isto e computacionalmente intrat vel, usa-se heursticas de a selecao [Co lho et al. 2009]. Ocorre que essas heursticas n o podem ser avaliadas em e a condicoes reais de operacao por conta da complexidade e do indeterminismo desses am bientes. Neste sentido, Co lho e Brasileiro apresentam uma metodologia que permite e avaliar heursticas sob diferentes condicoes [Co lho and Brasileiro 2009], e exploraram e o desempenho de algumas delas considerando diferentes orcamentos m dios disponveis e para os n s. Neste artigo, exploramos outros aspectos: o tamanho do universo de servicos o disponveis e a quantidade de servicos diferentes consumidos pelos n s. o
1

Por simplicacao, consideramos que as estrat gias cuidar o de marginalizar os free riders e a

2. Descricao do Problema
Consideramos ambientes em que os n s oferecem e consomem servicos computacionais, o como a execucao de um software, a disponibilizacao de algum conjunto de dados, etc. usando um modelo de reciprocidade. Al m disso, e importante observar que os servicos e n o s o consumidos indistintamente pois cada n consome alguns servicos especcos, a a o desinteressando-se pelos demais. Andrade et.al. [Andrade et al. 2007] deniu Favor Tpico (F T ) como sendo as diferentes proporcoes em que cada servico e consumido por um n . Portanto, para estabelecer uma parceria recproca com um n p qualquer2 , o o e necess rio oferecer algum servico s que esteja em F T (p). Por isso, cada conjunto de a servicos gera um resultado diferente, tanto nos aspectos de custo quanto nos de receita, que vir pela reciprocidade dos demais [Co lho et al. 2008]. Do ponto de vista computaa e cional, por m, e impratic vel determinar a melhor escolha de servicos devido as possveis e a ` combinacoes de servicos, mais o indeterminismo inerente ao ambiente. Com isso, a selecao de servicos precisa ser feita baseando-se em heursticas [Co lho et al. 2009]. e Al m disso, o ambiente que consideramos neste trabalho se comp e de m ltiplos aspece o u tos distintos, que podem descortinar cen rios que favorecem de maneira diferenciada as a estrat gias que os n s implementam para a selecao de servico. Co lho et al. exploraram e o e um desses aspectos: o orcamento m dio disponvel para os n s. Neste trabalho, fazemos e o uma extens o daqueles resultados, explorando outros aspectos do ambiente, medindo de a que maneira eles impactam no desempenho das heursticas. As possveis caractersticas ambientais se pode avaliar s o muitas. Algumas, a por m, merecem ser destacadas. A quantidade de servicos consumidos pelos n s em e o seus favores tpicos, que chamaremos de tamanho do seu favor tpico (|F T |), impacta na probabilidade encontrar servicos lucrativos, j que a chance de se encontrar um servico a que seja consumido por um n p e diretamente proporcional a (|F T (p)|). Por outro lado, o o universo de servicos afeta tamb m a probabilidade de se encontrar servicos lucrativos, e j que, havendo muitos n s e poucos servicos passveis de serem oferecidos, espera-se a o maior probabilidade de se encontrar parcerias (servicos lucrativos), ao passo que no caso oposto espera-se que esta probabilidade diminua. Acontece que, neste ambiente, a avaliacao absoluta dessas heursticas n o e pra a ticavel computacionalmente porque e impossvel compar -las com um seletor otimo, j a a que ele n o pode ser implementado por conta da complexidade e do indeterminismo do a sistema. Desta forma, abordaremos o problema usando uma metodologia alternativa.

3. Metodologia de afericao de desempenho

Co lho e Brasileiro apresentam uma metodologia que mapeia o problema da selecao e de servicos numa variacao do problema da mochila, permitindo-se ajustar diferen tes par metros do ambiente e assim gerar conjuntos de mochilas cujas caractersticas a representam aspectos do ambiente e permitem avaliar o desempenho das heursticas [Co lho and Brasileiro 2009]. Este novo problema torna a selecao de servicos trat vel e a metodologicamente, j que e possvel se desenvolver um algoritmo de refer ncia que a e busca a solucao otima, algo impratic vel no problema da selecao de servicos original. Esta a metodologia tamb m permite se estimar analiticamente a perfomance de uma heurstica e p ssima que seleciona os servicos de maneira aleat ria. e o
2

Considerando que p seja recproco

Para comparar o desempenho das heursticas em cen rios variados, estabelece a mos, usando a metodologia proposta, par metros que representam as seguintes caraca tersticas: uma comunidade de 50 n s com diferentes (|F T |), e diferentes tamanhos o de universos de servicos, xando o orcamento m dio em 10, 0. Utilizando dados obti e dos em experimentos reais usando caractersticas similares [Co lho et al. 2009], consi e derando que os custos s o compostos de diferentes fatores, e de acordo com o Teorema a do Limite Central (TLC), denimos os custos dos servicos a partir de uma distribuicao X N(0.75, 0.25). Como a receita e oriunda da reciprocidade de diferentes n s, tamb m o e de acordo com o TLC, denimo-na usando a m dia e o desvio padr o dos valores obtidos e a nos mesmos experimentos, como X N(10.34, 2.5).

4. Resultados
Implementamos, segundo a metodologia, dois experimentos: um testando v rios tamaa nhos de universo de servicos e outro testando diferentes quantidades m dias de servicos e consumidas pelos n s (|F T |). Como par metros de limite, usamos o algoritmo de reo a fer ncia (chamado de Referential), que conhece a lucratividade real dos servicos e ime plementa uma solucao otima, e uma avaliacao analtica (chamada Analytical) baseada nas vari veis denidas na secao 3, representando o desempenho de um seletor aleat rio3 . a o Nestes experimentos, usamos duas heursticas: uma, Cost-based, toma os servicos em or dem crescente de custos, maximizando a quantidade de servicos oferecidos para aumentar a receita total recebida; a outra, Reciprocation-based, toma os servico de acordo com a ordem esperada de receita, algo factvel em ambientes reais, onde se pode considerar a reciprocidade dos n s e os servicos por eles consumidos. o

(a) Lucro variando o universo de servicos

(b) Lucro variando o tamanho |F T |

Figura 1. Lucro: diferentes universos de servicos e tamanhos de favor tpico

Para avaliar o desempenho das heursticas em diferentes universo de servicos, consideramos a raz o entre a quantidade de servicos e de n s (). Note que a probabilia o dade de um servico n o gerar receita (n o ser consumido) e diretamente proporcional a a a ` relacao entre a quantidade de servicos e de n s. Para cada valor de , geramos um to o tal de 1000 mochilas, produzindo resultados com 95% de conanca, e erro m ximo de a 0, 15%. A Figura 1(a) mostra o lucro obtido pelas heursticas para diferentes valores de . Se o total de servicos e grande em relacao ao de n s (200 servicos, = 4) a heurstica o Cost-Based tem desempenho pr ximo do limite inferior. Para valores altos ( 5, 5) prao ticamente n o faz mais diferenca usar qualquer heurstica, pois a chance de se encontrar a
3

Consideramos que heursticas piores do que a selecao aleat ria s o in teis o a u

servicos lucrativos se torna muito exgua. Por outro lado, com valores menores ( entre 1 e 3, 5) a heurstica Reciprocation-based se destaca, j que h uma probabilidade maior a a de se encontrar servicos lucrativos (ou parcerias lucrativas). Neste intervalo, a heurstica Cost-based e signicativamente melhor que Analytical, devido a quantidade de servicos ` oferecidos. De modo geral, por m, Cost-based n o se destaca, pois a quantidade de e a servicos oferecidos a mais acaba sendo proporcionalmente muito pequena. Note que to das as heursticas tiveram desempenho muito aqu m do algoritmo de refer ncia, porque a e e probabilidade de um servico n o gerar receita (n o ser consumido) e diretamente propor a a cional a relacao entre a quantidade de servicos e de n s e, nos experimentos, chega a 72%. ` o Isto explica o desempenho de reciprocation-based chegar muito pr ximo de Referential o quando = 1. O outro experimento avaliou o desempenho das mesmas heursticas variando o ta manho m dio do favor tpico (|F T |)). Note que quanto maior for a quantidade de servicos e que um n consome, (seu (|F T |)) maior ser a probabilidade de ele conseguir um doao a dor e, assim, estabelecer uma parceria lucrativa. Parametrizamos mochilas representando ambientes em que os n s consomem diferentes quantidades m dias de servicos: o valor o e de (|F T |) variou em (1, 2, ..., 10) e, para cada um desses valores, gerou-se um total de 1000 mochilas, tamb m segundo a metodologia descrita sa secao 3, produzindo resultae dos com erro m ximo de 0, 15% com 95% de conanca. Na Figura 1(b) podemos ver que a o desempenho de todas as heursticas cresce com o tamanho de (|F T |), conforme espe rado. A heurstica Reciprocaton-based supera a heurstica Cost-based porque consegue encontrar mais servicos lucrativos, mas esta ultima consegue um desempenho melhor do que Analytical em funcao da quantidade de servicos oferecidos a mais. O desempenho de todas as heursticas tende a se estabilizar quando o valor de (|F T |) cresce muito, o que faz sentido: no limite, se todos os n s consumirem todos os servicos, ent o n o h sentido o a a a se implementar nenhuma heurstica de selecao, e a lucratividade dos n s se equiparar . o a

5. Trabalhos Relacionados
H trabalhos que tratam de compartilhamento recproco de recursos. A Network of Faa vors (NoF) [Andrade et al. 2007] e um esquema que dispensa conanca ou negociacao pr via, al m de promover relacoes mutuamente lucrativas entre os n s. Satsiou e Tassiue e o las [Satsiou and Tassiulas 2007] prop em um framework onde se troca recursos usando o um vetor de reputacoes, que computa a reputacao dos demais n s da comunidade. Toda o via, nenhum dos trabalhos considera mecanismos para selecionar servicos com vista na lucratividade, a m de aumentar o interesse de os n s permanecerem no sistema. o Coelho et. al. exploraram aspectos de lucratividade, relacionando-a com a selecao de servicos [Co lho et al. 2008], bem como evidenciaram a variacao de lucra e tividade em funcao da estrat gia de selecao implementada pelos n s [Co lho et al. 2009], e o e al m de mostrar uma metodologia para aferir o desempenho de heursticas em diferene tes condicoes ambientais [Co lho and Brasileiro 2009]. Tais trabalhos, por m, focaram e e o desempenho das heursticas submetidas a cen rios que diferiam entre si em um unico a aspecto: o orcamento m dio disponvel para os n s. e o

6. Conclus es o
Apesar de se posar como uma alternativa para se prover recursos computacionais diversicados, com alto desempenho e de forma escal vel, as grades computacionais multia

servico em geral, e as baseadas em reciprocidade em particular, est o instrinsecamente a ligadas a um ambiente muito complexo em seus diversos aspectos envolvidos. Para explor -los h que se considerar tanto as vari veis ambientais quanto as estrat gias compora a a e tamentais dos n s. Neste trabalho focamo-nos em duas dessas vari veis e consideramos o a duas estrat gias. Em linhas gerais, corroboramos os resultados de trabalhos similares: e a estrat gia que traz melhores resultados, e aquela que busca promover relacoes mutuae mente vantajosas entre os n s, oferecendo os servicos que s o consumidos pelos n s mais o a o recprocos sendo, portanto, os servicos que se espera serem os mais lucrativos. Entre trabalhos futuros poderemos explorar outros aspectos ambientais, bem como considerar duas variacoes de Reciprocation-based que implementam mecanismos de otimizacao progressiva, cujo desempenho, mostou-se ligeiramente melhor em trabalhos anteriores. Al m disso, sendo um ambiente cooperativo e iterativo, onde os n s podem e o coletar e usar informacoes ao mesmo tempo em que podem trabalhar em associacao com outros, e interessante estudar a aplicacao de m todos de aprendizagem de m quina, bem e a como estudar a implemementacao distribuida e colaborativa de t cnicas de otimizacao e combinat ria como espalhamento de partculas, algoritmos gen ticos, col nia de formio e o gas, redes neurais, etc..

Refer ncias e
Andrade, N., Brasileiro, F., Cirne, W., and Mowbray, M. (2007). Automatic grid assembly by promoting collaboration in peer-to-peer grids. J. Parallel Distrib. Comput., 67(8):957966. Buyya, R. and Vazhkudai, S. (2000). Compute power market: Towards a market-oriented grid. The First IEEE/ACM International Symposium on Cluster Computing and the Grid (CCGrid 2001). Co lho, A. and Brasileiro, F. (2009). On the evaluation of services selection algorithms in e multi-services p2p grids. In Fourth IEEE International Workshop on Business-driven IT Management (BDIM09), pages 5260, Piscataway, NJ, USA. IEEE Press. Co lho, A., Brasileiro, F., and Maciel, P. D. (2009). Using heuristics to improve service e portfolio selection in p2p grids. In IM09: Proceedings of the 11th IFIP/IEEE international conference on Symposium on Integrated Network Management, pages 438444, Piscataway, NJ, USA. IEEE Press. Co lho, A., Maciel Jr., P. D., Figueiredo, F. d., Candeia, D., and Brasileiro, F. (2008). On e the impact of choice in multi-service p2p grids. In Third IEEE International Workshop on Business-driven IT Management (BDIM08), pages 98101, Salvador, Bahia, Brazil. Mowbray, M., Brasileiro, F., Andrade, N., Santana, J., and Cirne, W. (2006). A reciprocation-based economy for multiple services in peer-to-peer grids. In P2P06: Proceedings of the Sixth IEEE International Conference on Peer-to-Peer Computing, pages 193202, Washington, DC, USA. Satsiou, A. and Tassiulas, L. (2007). A trust-based exchange framework for multiple services in p2p systems. In P2P 07: Proceedings of the Seventh IEEE International Conference on Peer-to-Peer Computing, pages 4552, Washington, DC, USA. IEEE Computer Society.