Permitindo Maior Reprodutibilidade de Experimentos em Ambientes Distribuídos com Nodos de Baixa Confiabilidade

Abstract

A reprodutibilidade de experimentos, essencial para a verificação da eficácia/eficiência de contribuições científicas, é particularmente desafiadora no contexto de sistemas distribuídos de larga escala. Falhas não programadas durante os experimentos (sejam nos nodos que fazem parte do sistema, ou de comunicação entre eles) podem dificultar a obtenção de significância estatística nos resultados, ou a verificação da validade dos mesmos. Para abordar esse problema propõe-se EASYEXP, uma arquitetura tolerante a falhas para garantir a reprodutibilidade de experimentos em testbeds distribuídos de baixa confiabilidade. No EASYEXP, nodos do ambiente de experimentação "interpretam" trabalhadores e executam ações previstas para os mesmos, seguindo o roteiro pré-definido para o experimento. Na falha de um nodo, substitui-se o mesmo por outro funcional, mantendo o contexto de execução do trabalhador interpretado por ele. Resultados obtidos mostram que o EASYEXP é capaz de manter menor variação (desvio padrão de 1.6%) e maior precisão (95.7%) entre múltiplas execuções de um mesmo experimento, quando comparado àqueles executados de forma tradicional (desvio de até 25% e precisão de apenas 72%).

Usando Redes Neurais para Reconstruir Traços de Sessões de Usuários de Sistemas de Larga Escala

“…Claramente, os custos e as probabilidades de falha de um sistema de monitoramento aumentam na medida em que se ampliam sua abrangência, detalhamento, frequência e durac ¸ão. Para prover tolerância a falhas, uma abordagem típica [Junior et al 2018] é empregar redundância de recursos, que no caso são os agentes de monitoramento. Por exemplo, [Zhang et al 2011] propõem super-dimensionar a quantidade de monitores usados para "fotografar" o sistema alvo da monitorac ¸ão.…”