Pesquisas em Andamento

Pesquisas atualmente em andamento, sendo conduzidas por Carlos Diego C. P., seus grupos de pesquisas e alunos dos programas de gradução e pós-graduação (Mestrado e Doutorado) em Ciências da Computação.

Data Lakes como camada de integração centralizada para ambientes empresariais distribuídos e monolíticos

Área de Estudo

Engenharia de Dados; Integração de Aplicações; Arquitetura Empresarial.

Objetivo da Pesquisa

Investigar como a adoção de Data Lakes como camada de integração centralizada pode contribuir para a redução do acoplamento entre sistemas, melhoria da escalabilidade e governança dos dados, mitigando os desafios associados ao acesso direto a bases transacionais em arquiteturas empresariais complexas.

Linhas de Problemas de Pesquisa

1. Redução de acoplamento em arquiteturas híbridas

   • Problema: Como a implementação de Data Lakes pode reduzir o acoplamento entre aplicações monolíticas e microsserviços, promovendo maior autonomia e escalabilidade?

   • Justificativa: O acesso direto aos bancos transacionais cria dependências entre serviços, dificultando a evolução dos sistemas.

2. Eficiência e governança de dados em ambientes de alta carga

   • Problema: Quais práticas de governança e controle de qualidade são eficazes para garantir a integridade e segurança dos dados em Data Lakes utilizados como camada de integração?

   • Justificativa: A descentralização de acessos pode comprometer a segurança e integridade dos dados.

3. Desempenho de Consumo Multitemporal de Dados

   • Problema: De que forma os mecanismos de consumo de dados (real-time, batch, histórico) impactam a performance e a latência das aplicações que acessam um Data Lake como fonte primária de integração?

   • Justificativa: O uso de temporalidades distintas como diferencial estratégico, mas também como um desafio técnico.

Referências

1. Kreps, J., Narkhede, N., & Rao, J. (2011).
   Kafka: A Distributed Messaging System for Log Processing.
   In: Proceedings of the 6th ACM International Conference on Distributed Event-Based Systems.
   [Apresenta fundamentos do streaming de dados, essencial para integração em tempo real.]

2. Hai, R., Geisler, S., & Jarke, M. (2016).
   Data lake concept and systems: A survey.
   In: Proceedings of the 11th International Conference on Advanced Information Systems Engineering (CAiSE).
   [Explora os fundamentos técnicos e arquiteturais dos Data Lakes.]

3. Richardson, C. (2018).
   Microservices Patterns: With examples in Java.
   Manning Publications.
   [Discute a relação entre acoplamento, governança e evolução de arquiteturas com foco em microsserviços.]

4. Hohpe, G., & Woolf, B. (2003).
   Enterprise Integration Patterns: Designing, Building, and Deploying Messaging Solutions.
   Addison-Wesley.
   [Referência clássica para padrões de integração entre aplicações empresariais.]

5. Tsai, W., Bai, X., & Zhao, H. (2020).
   Big Data Management Systems: Data Lakes and Data Warehouses.
   [Aponta as diferenças, convergências e implicações de Data Lakes como infraestruturas centrais.]

Algoritmos otimizados de escalonamento para Kubernetes: Uma revisão sistemática da literatura

Área de Pesquisa

Computação em Nuvem; Engenharia de Software; Sistemas Distribuídos; Cloud Native.

Objetivo da Pesquisa

Analisar criticamente os algoritmos de escalonamento otimizados propostos na literatura para Kubernetes, com foco em sua aplicabilidade, benefícios e desafios em diferentes contextos de uso, como computação geral, inteligência artificial e edge computing.

Linhas de Problemas de Pesquisa

1. Eficiência de algoritmos otimizados em ambientes reais

   • Problema: Como os algoritmos de escalonamento otimizados se comportam em ambientes de produção em comparação com os testes experimentais descritos na literatura?

   • Justificativa: A maioria dos estudos analisados foi conduzida em ambientes controlados, e há lacuna quanto à aplicabilidade prática e à escalabilidade dos algoritmos.

2. Escalonamento multicritério para ambientes heterogêneos

   • Problema: De que forma algoritmos multicritério podem melhorar a alocação de recursos em clusters heterogêneos (CPU/GPU, edge/cloud)?

   • Justificativa: Mapeamento de abordagens que incluem variáveis como uso de GPU, latência de rede e consumo energético, mas a eficácia combinada ainda é incerta.

3. Integração de técnicas de aprendizado de máquina em algoritmos de escalonamento

   • Problema: Quais modelos de aprendizado de máquina são mais eficazes na previsão de demanda e na adaptação dinâmica de escalonamento em clusters Kubernetes?

   • Justificativa: Muitos estudos usam LSTM, PSO ou modelos genéticos, mas faltam comparações sistemáticas sobre qual abordagem entrega melhor QoS e custo-benefício.

Referências

1. Ahmed, G. et al. (2021).
   KubCG: A dynamic Kubernetes scheduler for heterogeneous clusters.
   Software: Practice and Experience, 51(2), 213–234.
   https://onlinelibrary.wiley.com/doi/abs/10.1002/spe.2898
   [Apresenta um agendador dinâmico que considera heterogeneidade de recursos, com foco em GPUs.]

2. Harichane, I.; Makhlouf, S. A.; Belalem, G. (2022).
   KubeSC-RTP: Smart scheduler for Kubernetes platform on CPU-GPU heterogeneous systems.
   Concurrency and Computation: Practice and Experience, 34(21), e7108.
   https://doi.org/10.1002/cpe.7108
   [Integra predição de tempo de execução para decidir uso de CPU vs GPU.]

3. Carvalho, M.; Macedo, D. F. (2023).
   Container Scheduling in Co-Located Environments Using QoE Awareness.
   IEEE Transactions on Network and Service Management, 20(3), 3247–3260.
   https://doi.org/10.1109/TNSM.2023.3244090
   [Explora uso de LSTM para maximizar QoE em ambientes co-localizados.]

4. Chiang, M.-C. et al. (2023).
   Dynamic Resource Management for Machine Learning Pipeline Workloads.
   SN Computer Science, 4(5).
   https://doi.org/10.1007/s42979-023-02101-8
   [Propõe HYPREL, que melhora throughput em até 60% em clusters ML distribuídos.]

5. Menouer, T. (2021).
   KCSS: Kubernetes container scheduling strategy.
   Journal of Supercomputing, 77(8), 4267–4293.
   https://doi.org/10.1007/s11227-020-03427-3
   [Algoritmo multicritério com foco em redução de makespan e consumo energético.]

Planejamento de capacidade em ambientes de Computação em Nuvem: desafios, estratégias e tendências tecnológicas

Objetivo da Pesquisa

Investigar modelos, abordagens e ferramentas para o planejamento de capacidade em ambientes de computação em nuvem, considerando diferentes perfis de carga de trabalho, variabilidade na demanda e os impactos de decisões de alocação de recursos na eficiência operacional e econômica dos sistemas.

Área de Pesquisa

Computação em Nuvem; Engenharia de Software; Sistemas Distribuídos; Planejamento de Capacidade.

Linhas de Problemas de Pesquisa

1. Modelos preditivos para planejamento de capacidade sob cargas variáveis

   • Problema: Como modelos baseados em aprendizado de máquina podem prever flutuações de demanda e orientar decisões de provisionamento em tempo real?

   • Justificativa: A variabilidade de workloads dificulta previsões estáveis, sendo uma das principais barreiras para o planejamento eficiente.

2. Impacto do overprovisioning e underprovisioning em estratégias de capacidade

   • Problema: Quais são os impactos de decisões incorretas de alocação de recursos (over/underprovisioning) nos níveis de QoS e custo em ambientes multitenant?

   • Justificativa: A má alocação de recursos gera desperdícios financeiros ou degradação de performance, e é destacada como desafio central no artigo.

3. Comparação entre estratégias estáticas e dinâmicas de Planejamento de Capacidade

   • Problema: Em que cenários estratégias dinâmicas superam abordagens estáticas no planejamento de capacidade em cloud computing?

   • Justificativa: Abordagens estáticas são limitadas em ambientes com alta variabilidade, mas carece de análise comparativa sistemática.

Referências

1. Islam, S., Keung, J., Lee, K., & Liu, A. (2012).
   Empirical prediction models for adaptive resource provisioning in the cloud.
   Future Generation Computer Systems, 28(1), 155–162.
   https://doi.org/10.1016/j.future.2011.05.027
   [Modelos empíricos preditivos aplicados ao planejamento de capacidade adaptativo.]

2. Wada, H., Suzuki, J., Yamano, Y., & Oba, K. (2011).
   Evolutionary deployment optimization for service-oriented clouds.
   Software: Practice and Experience, 41(5), 469–493.
   https://doi.org/10.1002/spe.1028
   [Otimização evolutiva aplicada à alocação de serviços em nuvem.]

3. Chen, H., Bahsoon, R., & Theodoropoulos, G. (2014).
   Autonomic provisioning of backend databases in cloud systems.
   In: IEEE Transactions on Services Computing, 7(4), 614–627.
   https://doi.org/10.1109/TSC.2013.20
   [Provisionamento automático com foco em backend e workloads variáveis.]

4. Menasce, D. A., & Bennani, M. N. (2006).
   Autonomic virtualized environments.
   In: Proceedings of the 2006 IEEE International Conference on Autonomic Computing.
   https://doi.org/10.1109/ICAC.2006.1662391
   [Discussão clássica sobre ambientes virtuais autônomos e planejamento.]

5. Chieu, T. C., Mohindra, A., Karve, A. A., & Segal, A. (2009).
   Dynamic scaling of Web applications in a virtualized cloud computing environment.
   In: IEEE International Conference on e-Business Engineering.
   https://doi.org/10.1109/ICEBE.2009.61
   [Aborda escalabilidade dinâmica com foco em aplicações web e planejamento de capacidade.]