IEEE LATIN AMERICA TRANSACTIONS, VOL. 4, NO. 5, SEPTEMBER 2006
373
Modelo de Migração baseado na Avaliação da
Carga e Tempo de Vida de Processos em
Ambientes Distribuídos Heterogêneos
Rodrigo Fernandes de Mello e Luciano José Senger
Resumo—Este artigo apresenta um modelo para quantificar
impactos na migração de processos em ambientes compostos por
computadores de capacidade heterogênea. Esse modelo é
composto por equações que resultam em um fator de migração.
Esse fator reflete quanto um computador sobrecarregado será
aliviado e quanto um computador receptor tornar-se-á carregado
em função da migração de processos. Esse fator é utilizado para
compor uma heurística de migração de processos como objetivo
de balancear a carga no ambiente. Resultados experimentais
permitem comprovar as contribuições desse modelo em relação a
outros trabalhos relacionados. Essas contribuições referem-se à
queda no tempo de resposta dos processos, ou seja, a otimização
do desempenho.
Palavras chave—migração de processos, balanceamento de
carga, computação de alto desempenho.
I.
INTRODUÇÃO
A
disponibilidade de microprocessadores de baixo custo
e a evolução das redes de computadores viabiliza
economicamente o desenvolvimento de sistemas distribuídos
baseados em multicomputadores de memória distribuída [1].
Nesses sistemas os processos executam sobre os
computadores de uma rede, comunicando-se para a realização
de um mesmo trabalho computacional. A distribuição desses
processos pode ser feita de forma manual ou automática, por
meio de um algoritmo de balanceamento de carga. Esses
algoritmos buscam distribuir, de forma eqüitativa, a carga
entre todos os computadores do sistema. Krueger e Livny [6]
demonstram que os métodos de balanceamento de carga
reduzem as médias e desvios padrão dos tempos de resposta
dos processos. Baixos tempos de resposta compreendem
menor tempo de execução de processos e, conseqüentemente,
maior desempenho.
Algoritmos de balanceamento de carga são compostos pelas
políticas de: transferência, seleção, localização e informação
[9], [12]. A política de transferência classifica um computador
como emissor ou receptor de processos de acordo com sua
Recebido em 2006-07-27
Rodrigo Fernandes de Mello: Universidade de São Paulo. Instituto de
Ciências Matemáticas e de Computação. Caixa Postal 668. 13560-970~~São
Carlos -- SP. [email protected].
Luciano José Senger: Universidade Estadual de Ponta Grossa.
Departamento de Informática. Av. Carlos Cavalcanti, 4748. 84030900~~Ponta Grossa -- PR. [email protected].
ocupação. A política de seleção define o processo que deve
ser transferido do computador mais ocupado para o mais
ocioso. A política de localização define qual computador deve
receber ou enviar processos. Um computador servidor ou
emissor oferece processos, pois está sobrecarregado; um
computador receptor requer processos, pois está ocioso. A
política de informação define quando e como as informações
sobre a ocupação dos computadores são atualizadas no
sistema. Essas informações são utilizadas pela política de
localização.
Diversos trabalhos sobre balanceamento de carga foram
realizados tanto para ambientes compostos por computadores
de capacidade homogênea [5], [10], [12] quanto heterogênea
[7], contudo eles não avaliam custos de migração de
processos. Esses custos são relacionados às operações de
transferência do estado de processos sobre a rede de
comunicação e ao reestabelecimento de seus canais de
comunicação (tais como arquivos abertos, sockets etc). Tais
custos tornam-se mais significativos conforme há aumento na
carga de comunicação. Essa situação é comum tratando-se de
aplicações paralelas. A migração de processos pode causar
perda de desempenho do sistema em casos onde não é
realizada uma análise da situação de carga dos computadores.
Essa situação se agrava quando processos são transferidos
para computadores sobrecarregados, os quais tendem a
realizar nova migração.
Essas questões relativas à migração de processos motivaram
Halchor-Balter e Downey [4] na proposta de um modelo de
custo de migração baseado na idade dos processos. Esse
estudo conclui que há benefícios na migração de processos
com grande tempo de vida. Contudo, esse estudo é incompleto
em suas avaliações, pois além da avaliação do tempo de
execução dos processos, há a necessidade de avaliar a carga
que esses processos impõem sobre o sistema. Processos com
longos períodos de execução, mas que apresentam pouca
ocupação, quando migrados, não agregam benefícios para o
computador emissor. Além disso, esses processos sofrem
acréscimo de custo de migração em seu tempo de execução.
Observando essas limitações, este artigo apresenta um
modelo que permite quantificar os custos e impactos causados
na migração de processos em ambientes compostos por
computadores de capacidade de processamento heterogênea.
Os resultados desse modelo são utilizados para propor uma
374
IEEE LATIN AMERICA TRANSACTIONS, VOL. 4, NO. 5, SEPTEMBER 2006
heurística que decide sobre a viabilidade de migração de
processos. Essa heurística visa balancear a carga do ambiente
e, conseqüentemente, reduzir o tempo de resposta dos
processos. Esse modelo avalia três aspectos: o custo de
migração, a carga imposta e o tempo de vida dos processos.
Em experimentos utilizando um simulador desse modelo, foi
possível comprovar suas contribuições na homogeneização da
carga do ambiente, o que, conseqüentemente, gerou maior
desempenho das aplicações. O artigo é composto pelas
seguintes seções: 2) Modelo de migração baseado no
conhecimento sobre o tempo de vida e carga de processos; 3)
Tomada de decisão utilizando o modelo proposto; 4)
Simulador; 5) Resultados; 6) Conclusões e Referências.
II. MODELO DE MIGRAÇÃO DE PROCESSOS BASEADO NO
CONHECIMENTO SOBRE O TEMPO DE VIDA E CARGA DE
PROCESSOS
As limitações do trabalho de Halchor-Balter e Downey [4]
motivaram a criação de um modelo que permite quantificar os
custos e impactos causados pela migração de processos em
ambientes compostos por computadores de capacidade de
processamento heterogênea. Os custos compreendem a
quantidade de recursos consumida para transferir processos
entre computadores. Os impactos compreendem o quanto será
afetado o tempo de execução do processo a ser transferido e o
balanceamento da carga do ambiente. A transferência de
processos não deve ocorrer em casos onde o tempo de
execução aumente ou o ambiente seja desbalanceado. O
modelo proposto avalia três aspectos: o custo de migração, a
carga imposta e o tempo de vida dos processos. Nesse modelo
cada processo Pi impõe, durante toda sua execução, uma carga
total Li sobre o computador que executa. Essa carga total é
caracterizada por uma função f(t) que varia durante o ciclo de
vida do processo.
execução, no instante t0, até sua idade atual no instante tatual
(equação 2). O terceiro parâmetro é a carga sobressalente, ou
seja, aquela que falta ser executada para terminar um processo
(equação 3). Esse parâmetro é obtido através da integração do
instante atual tatual até o instante tfinal, que representa o final da
execução de um processo. Para obter a função f(t) são
realizadas medições durante a execução do processo e
utilizado o modelo de predição de ciclo de vida de processos
proposto por Senger et al. [8]. Esse modelo permite prever o
tempo de execução de um processo através de um algoritmo
de aprendizado baseado em instâncias.
L total
³
final
0
D
actual
0
f ( t ) i dt i ³
0
,i
(1)
f ( t ) i dt i
0
³
L exec
L ss ,i
³
,i
actual
(2)
f ( t ) i dt i
f ( t ) i dt i
³
final
atual
f ( t ) i dt i
(3)
Além dos parâmetros obtidos pela função f(t), o modelo
proposto neste artigo requer outros parâmetros. Um desses se
refere à caracterização da carga dos computadores do
ambiente, que é obtida através da equação 4, onde é realizado
um somatório das cargas sobressalentes de cada processo no
instante atual tatual. Outro parâmetro utilizado é o custo de
migração dos processos, dado pela equação 5, onde: MCfixo
representa o custo fixo para salvar o estado de um processo;
MCtransfer-memo representa o custo para transferir a memória do
processo para o computador destino, apresentada na equação
6; MCreinic-canais representa o custo para reiniciar os canais de
comunicação de acesso ao disco rígido e rede. A equação 6
utilizada pela equação 5 é composta por: Pmemo,i que representa
a quantidade ocupada de memória (em bytes) pelo processo
Pi; CAPlarg-banda representa a largura de banda, ou capacidade
de transferência de dados, entre o computador que emite e o
que recebe a carga.
max
CL atual
¦³
p 0
MC i MC
fixo
final
actual
p
f ( t ) p dt p
(4)
MC transfer memo ,i MC reinic canais ,i
(5)
Pmemo ,i
CAP l arg banda
(6)
MC transfer memo ,i
Fig. 1. Exemplo da carga imposta por um processo em execução
A figura 1 ilustra a carga de um processo durante sua
execução. O modelo proposto neste artigo utiliza essa função
para definir alguns de seus parâmetros. O primeiro parâmetro
é a carga total Ltotal,i de um processo Pi (equação 1), a qual é
obtida através da integração do gráfico da função. O segundo
parâmetro permite obter a quantidade de carga executada do
processo Pi, para isso deve-se integrar do início de sua
Utilizando as equações anteriormente apresentadas é
proposto um fator de migração (equação 8) para avaliar os
custos e impactos na transferência de processos. Quando esse
fator é igual a 1, o sistema entra em perfeito equilíbrio, pois
cada computador executa uma carga equivalente à sua
capacidade de execução. Caso isso não seja possível, pode-se
aproximar desse valor através do somatório da carga de n
processos enquanto o fator d 1. Caso nenhum processo do
FERNANDES DE MELLO AND SENGER : A MIGRATION FACTOR TO DETERMINE THE
computador sobrecarregado resulte em um fator de migração
Mfator igual ou menor a um, então pode-se optar por um
processo que tenha um fator d CAPrec/CAPem. Nesse caso o
fator é comparado à diferença percentual de desempenho entre
o computador destino (receptor) e fonte (emissor).
(7)
N ss ,i L ss ,i u CAP em
MC
N ss ,i
fator , i
CL em ( CL rec III.
(8)
N ss ,i
CAP rec
MC i )
TOMADA DE DECISÃO
Esta seção apresenta as decisões que podem ser tomadas à
partir de valores do fator de migração (equação 8) de
processos. Para caracterizar essas decisões, considere dois
computadores C1 e C2 de capacidade heterogênea. O
computador C1 tem capacidade igual a 1000 MIPS e o
segundo igual a C2 500 MIPS. O computador C1 tem 3
processos em execução com as respectivas cargas P1 = 5, P2 =
2 e P3 = 1, sendo a carga total dos computadores dada pela
equação 4, a carga de C1 é igual a 8. O computador C2 tem 1
processo P1 com carga igual a 4, sendo a carga de C2 = 4.
Considere que o computador C1 requer transferência de carga,
pois observa seu estado de alta carga em relação aos demais
computadores do ambiente. Nesse momento os processos de
C1 são ordenados pela carga e são obtidos seus fatores de
migração segundo a tabela I.
TABELA I
FATORES DE
Processo
P1
P2
P3
MIGRAÇÃO DOS PROCESSOS DE C1
Fator de Migração
5
8 ( 4 (( 5 u 1000 ) y 500 ))
0 . 83
2
8 ( 4 (( 2 u 1000 ) y 500 ))
lim x o 0
1
8 ( 4 ((1 u 1000 ) y 500 ))
0 .5
2
x
f
Observando a tabela I pode-se concluir que o fator de
migração do processo P1 é igual a -0.83. Observe nesse caso
que o computador C1 terá carga igual a 3 após a migração e o
computador C2 igual a 14. Esse desbalanceamento não é
desejado, por isso qualquer valor negativo no fator de
migração representa uma piora de desempenho do computador
receptor de processos. Para o processo P2, Mfator = f o que
significa que a carga do computador receptor será a mesma
carga atual do computador emissor do processo. Nesse caso a
migração não traz benefício algum para o ambiente, será
apenas realizada uma transferência de carga. Para o processo
P3, Mfator = 0.5, isso significa que há benefícios em sua
375
migração, pois há um melhor balanceamento das cargas e cada
computador deve executar cargas de acordo com sua
capacidade de processamento.
Há benefícios sempre que 0 < Mfator,i d CAPrec/CAPem,ou
seja, sempre que o fator de migração não prejudique o
balanceamento e sobrecarregue o computador receptor
(quando Mfator d 0) ou quando apenas ocorre uma
transferência da carga sem benefícios para o ambiente
(quando Mfator,i > CAPrec/CAPem).
A equação do fator de migração (equação 8) pode ser
extendida para melhorar o balanceamento de carga através de
migração de k processos (equação 9). Por exemplo, considere
uma situação onde um computador apresenta diversos
processos Pi onde i = 1, 2, 3, ..., n. Nesse caso pode-se somar
os fatores de migração de k processos enquanto d
CAPrec/CAPem e migrá-los para outro (ou outros)
computadores ociosos.
k
¦M
p 0
factor , i
d
CAP rec
CAP em
(9)
IV. SIMULADOR
Para avaliar o modelo proposto foi construído um
simulador. Esse simulador1
é parametrizado com as
ocupações de CPU e memória que cada processo causa no
sistema, e com a capacidade de cada computador do ambiente.
A ocupação de CPU dos processos é definida em MI (milhões
de instruções) necessárias para processá-los. A ocupação de
memória é definida em bytes. A capacidade de cada
computador é definida em MIPS (milhões de instruções por
segundo).
O simulador implementa uma heurística que toma decisões
de balanceamento de carga no ambiente. Essa heurística
considera que se a carga de um computador estiver acima da
média dos demais, esse é um emissor de processos. Essa
avaliação de carga é periódica e pode ser configurada. O
computador com menor carga é selecionado e a equação 8 é
aplicada para decidir qual o processo ou processos são os mais
adequados para migração. Caso processos sejam selecionados
para migração, essa etapa é realizada e os custos de
transferência são adicionados em seus tempos de execução.
Ao final da simulação sabe-se o tempo total de execução de
cada processo com todos os custos embutidos.
O simulador foi construído em uma linguagem orientada a
objetos. Suas classes principais são:
1) Computer -- contém a representação de um
computador no ambiente tais como sua capacidade em
MIPS, memória e fila de processos. O principal método
dessa classe é responsável por um laço de repetição que
simula um escalonador selecionando e executando
processos. Como esse laço representa o escalonador em
um instante de execução t, nele é adicionado código para,
periodicamente, avaliar a carga do computador e julgar a
necessidade de migração. Caso haja migração dois
1
Simulador disponível em http://www.icmc.usp.br/~mello/outr.html
376
IEEE LATIN AMERICA TRANSACTIONS, VOL. 4, NO. 5, SEPTEMBER 2006
métodos podem ser chamados. O primeiro implementa o
modelo de Halchor-Balter e Downey, o segundo o modelo
proposto neste trabalho. Dessa forma, pode-se comparar os
resultados dos dois modelos;
2) MidProcess -- representa um processo no ambiente.
Aplicações multiprocessadas são compostas por várias
instâncias dessa classe. Ela contém informações sobre a
ocupação total do processo em MI (milhões de instruções),
memória, instante inicial e final de execução, e custos
decorridos de migrações;
3) Simulator -- inicia o simulador e submete processos
para execução de acordo com uma função de distribuição
de probabilidades. Após a chegada desses processos ao
sistema, eles são atribuídos aos computadores através de
uma função distribuição normal. A função de distribuição
de chegada de processos ao sistema e seus parâmetros
podem ser definidos pelo usuário. São suportadas as
funções disponíveis na biblioteca PSOL (The
Probability/Statistics Object Library)2 adotada no projeto.
O simulador gera resultados de tempos médios de resposta
dos processos, em segundos. Experimentos são executados até
que o número de amostras seja estatisticamente representativo
para calcular um intervalo de confiança de 95%. Para isso são
adotadas as equações descritas em [11]. Na equação 10 é
calculado o somatório dos tempos de execução T de cada um
dos n processos submetidos ao ambiente. A equação 11
calcula o somatório do quadrado dos tempos de execução. Os
resultado dessas equações são utilizados para calcular a
variância aproximada dos tempos de execução (equação 12).
A equação 13 resulta no intervalo de confiança de 95%
aproximado dos experimentos. O valor 1,96 é adotado pois
representa que 95% dos valores estão contidos dentro de uma
distribuição Normal [11]. Caso a média obtida na equação 10
multiplicada por 0,05 seja maior que o intervalo de confiança,
pode-se parar os experimentos que o conjuntos de amostras já
é estatisticamente representativo para aplicar medidas de
resumo tais como média, desvio padrão, variância, intervalo
de confiança etc. Isso representa que a amostra apresenta
variação inferior a 5% da média.
n
Sum
(10)
¦T
i
i 1
n
Sum 2
¦T
i
˜ Ti
(11)
i 1
s2
( n ˜ Sum 2 ) ( Sum ˜ Sum )
n ˜ ( n 1)
ic
1,96 ˜
s2
n
(12)
(13)
na análise de seis traços de execução nos seguintes ambientes
de produção: iPSC/860 com 128 nós da NASA Ames; IBM
SP1 com 128 nós da Argonne; Paragon com 400 nós da
SDSC; Butterfly com 126 nós da LLNL; IBM SP2 com 512
nós da CTC; Paragon com 96 nós da ETH, Zurich.
Segundo esse modelo, processos chegam ao ambiente
segundo uma distribuição exponencial de média 1500
segundos. Além disso, esse modelo propõem uma distribuição
de probabilidades para o número de processos que compõem
uma mesma aplicação paralela e para a carga desses
processos. Uma implementação desse modelo3 foi adotada
para criar arquivos contendo as características de aplicações
para simulação. Esses arquivos são lidos e interpretados pelo
simulador, que submete processos para execução.
Para realizar as simulações foram adotados três ambientes
compostos por 8, 32 e 128 computadores com as capacidades
de CPU (em MIPS) variando uniformemente entre 500 e 1400
MIPS e memória (em MBytes) variando uniformemente entre
64 e 512 MBytes. As figuras 2, 3 e 4 apresentam os resultados
obtidos em tempos médios de resposta (segundos) variando
em função do número de aplicações paralelas submetidas. São
apresentados resultados em um ambiente sem migração, com
migração baseada no tempo de vida dos processos (proposta
de Halchor-Balter e Downey) e na heurística que utiliza o
modelo proposto neste artigo (Heurística). Esses experimentos
exploram a migração de processos em ambientes com
diferentes escalas. Resultados obtidos motivam a adoção da
nova heurística para otimizar o balanceamento de carga em
ambientes distribuídos escaláveis, pois otimiza o tempo de
resposta de processos, que, conseqüentemente, executam mais
rápido. A otimização deve-se ao fato do modelo proposto
considerar a quantidade de carga dos processos sobressalente
e como os computadores reagem à transferência desse
processamento.
Nos experimentos com 8 e 32 computadores a heurística
apresenta melhores resultados, seguida pelo modelo baseado
no tempo de vida de processos e por ambientes sem migração.
Contudo, pode-se notar que o modelo baseado no tempo de
vida tem seu desempenho prejudicado, conforme o número de
computadores do ambiente aumenta. Isso torna-se ainda mais
evidente na figura 4, que apresenta informações sobre um
ambiente composto por 128 computadores. Nesse caso, o
modelo de tempo de vida apresenta piores resultados que
ambientes sem migração de processos, pois cargas são
transferidas entre computadores sem considerar o quanto os
aliviam ou sobrecarregam. Nos três ambientes adotados, a
heurística baseada no modelo proposto neste trabalho
apresenta melhores resultados.
V. RESULTADOS
Para parametrizar o simulador foi estudado o modelo de
carga de trabalho de Feitelson [2], [3]. Esse modelo é baseado
2
PSOL é uma biblioteca estatística licenciada sob GNU/GPL e
desenvolvida pela Universidade do Alabama -- disponível em
http://www.math.uah.edu/psol.
3
Disponível em
http://www.cs.huji.ac.il/labs/parallel/workload/models.html.
FERNANDES DE MELLO AND SENGER : A MIGRATION FACTOR TO DETERMINE THE
Fig. 2. Resultados para o modelo de carga de Feitelson – 8 computadores
VI. CONCLUSÕES
Este artigo apresentou um modelo que permite quantificar
os custos e impactos causados na migração de processos em
ambientes compostos por computadores de capacidade de
processamento heterogênea. As equações propostas no
modelo foram utilizadas para definir uma heurística de
migração de processos com o objetivo de balanceamento de
carga. Esse modelo analisa a ocupação de cada processos e
seleciona os mais adequados para migração. Essa análise e
seleção são feitas através de um fator de migração. Esse fator
reflete quanto o computador sobrecarregado será aliviado e
quanto o computador destino tornar-se-á carregado em função
da migração de cada processo.
377
Fig. 4. Resultados para o modelo de carga de Feitelson – 128 computadores
Experimentos foram conduzidos utilizando um simulador e
três ambientes de diferentes escalas. Esses experimentos
comprovam que uma heurística baseada no modelo proposto
otimiza o tempo médio de resposta de processos quando
comparados ao modelo de migração de processos baseado no
tempo de vida [4] e a um ambiente sem migração.
O modelo baseado no tempo de vida apresentou resultados
piores, conforme aumentou o número de computadores do
ambiente. Isso deve-se ao fato desse modelo não considerar
quanto a carga de todo o ambiente é afetada ao transferir
processos. Esses resultados desmotivam a adoção do modelo
de Halchor-Balter e Downey em ambientes escaláveis.
AGRADECIMENTOS
Os autores agradecem o suporte da Fundação de Amparo à
Pesquisa do Estado de São Paulo (processo número 04/024119).
REFERÊNCIAS
[1]
[2]
[3]
Fig. 3. Resultados para o modelo de carga de Feitelson – 32 computadores
[4]
[5]
[6]
[7]
R. Buyya. High Performance Cluster Computing-Architecture and
Systems, volume1. PrenticeHall, 1999.
D. G. Feitelson. Metrics for parallel job scheduling and their convergence. In D. G. Feitelson and L. Rudolph, editors, Job Scheduling
Strategies for Parallel Processing, pages 188–205. Springer, 2001. Lect.
Notes Comput. Sci. vol. 2221.
D. G. Feitelson and M. A. Jette. Improved utilization and responsiveness
with gang scheduling. In D. G. Feitelson and L. Rudolph, editors, Job
Scheduling Strategies for Parallel Processing, pages 238–261. Springer,
1997. Lect. Notes Comput. Sci. vol. 1291.
M. Harchol-Balterand A. B. Downey. Exploiting Process Lifetimes
Distributions for Dynamic Load Balancing. ACM Transactions on
Computer Systems, 15(3): 253–285, August 1997.
C. Hui and S. T. Chanson. Hydrodynamic load balancing. IEEE
Transactions on Parallel and Distributed Systems, 10(11): 1118–1137,
nov. 1999.
P. Krueger and M. Livny. The diverse objectives of distributed
scheduling policies. In Seventh Int. Conf. Distributed Computing
Systems, pages 242–249, Los Alamitos, California, 1987. IEEE CS
Press.
R. F. Mello, L. C. Trevelin, M. S. Paiva, and L. T. Yang. Comparative
study of theserver-initiated lowest algorithm using a load balancing
378
index based on the process behavior for heterogeneous environment. In
Networks, Software Tools and Application, ISSN 1386-7857. Kluwer,
2004.
[8] L. J. Senger, M. J. Santana, and R. H. C. Santana. Using runtime
measurements and historical traces for acquiring knowledge in parallel
applications. In International Conference on Computational Science
(ICCS’2004), volume LNCS3036, pages 661–665. Springer Lect. Notes
Comput. Sci, 2004.
[9] N. G. Shivaratri, P. Krueger, and M. Singhal. Load distributing for
locally distributed systems. IEEE Computer, 25 (12):33–44, 1992.
[10] M. M. Theimer and K. A. Lantz. Finding idle machines in a workstationbased distributed system. IEEE Transactions on Software Engineering,
15(11): 1444–1458, nov. 1989.
[11] W. C. Shefler. Statistics: Concepts and Applications. The Benjamin/Cummings, 1988.
[12] S. Zhou and D. Ferrari. An experimental study of load balancing
performance. Technical Report UCB/CSD 87/336, PROGRES Report
N.o 86.8, Computer Science Division (EECS), Universidade da
California, Berkeley, California 94720, jan. 1987.
Rodrigo Fernandes de Mello obteve o título de
bacharel em tecnologia em processamento de
dados em 1997 pela Universidade de Estadual
Paulista Júlio de Mesquita Filho, Bauru, São
Paulo, Brasil, mestre em ciências da computação
em 1999 pela Universidade Federal de São Carlos,
São Paulo, Brasil, e doutor em engenharia elétrica
em 2003 pela Escola de Engenharia de São
Carlos, Universidade de São Paulo, São Carlos,
Brasil. Ele é professor doutor da Universidade de
São Paulo, revisor de periódico da Atmospheric
Environment (1352-2310), revisor de periódico da Revista do CCEI (14152061) e revisor de periódico da Journal of Parallel and Distributed Computing
(0743-7315). Dr. Mello tem interesse em pesquisa nos seguintes temas:
balanceamento de carga, processamento de alto desempenho, avaliação de
desempenho, simulação, clusters e grids computacionais.
Luciano José Senger obteve o título de bacharel
em informática pela Universidade Estadual de
Ponta Grossa, Paraná, Brasil, em 1995, mestre e
doutor em ciências de computação e matemática
computacional pelo Instituto de Ciências
Matemáticas e de Computação, Universidade de
São Paulo, São Carlos, São Paulo, Brasil, em 1997
e 2005, respectivamente. Ele atua como professor
Adjunto
e como pesquisador no grupo de
Sistemas Distribuídos da Universidade Estadual
de Ponta Grossa desde 1998. Dr. Senger atualmente tem interesse na pesquisa
em sistemas distribuídos, algoritmos de escalonamento, redes neurais
artificiais e processamento paralelo.
IEEE LATIN AMERICA TRANSACTIONS, VOL. 4, NO. 5, SEPTEMBER 2006