Simulando infraestruturas-computacionais-para-a-ubicomp

See discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/266136998
Simulando infraestruturas computacionais para a Ubicomp: Um estudo de caso
com o SIMGrid
Conference Paper · July 2013
DOI: 10.13140/2.1.2314.3680
CITATIONS
0
READS
296
2 authors:
Some of the authors of this publication are also working on these related projects:
Cultural Crowds View project
Rodolfo Migon Favaretto
Instituto Federal de Educação, Ciência e Tecnologia Sul-Rio-Grandense (IFSUL)
44 PUBLICATIONS 132 CITATIONS
SEE PROFILE
Adenauer Correa Yamin
Universidade Federal de Pelotas
226 PUBLICATIONS 888 CITATIONS
SEE PROFILE
All content following this page was uploaded by Rodolfo Migon Favaretto on 26 September 2014.
The user has requested enhancement of the downloaded file.

REVISTA LUPS, VOL. 1, NO. 1, JULHO 2013 1
Simulando infraestruturas computacionais para a
Ubicomp: Um estudo de caso com o SIMGrid
Rodolfo Migon Favaretto, UFPel; Adenauer Corrêa Yamin, UFPel
Resumo—O estudo de grids computacionais na computação ubı́qua, assim como outras áreas da ciência, está baseado
em um conjunto de metodologias e ferramentas. Experimentos em plataformas de sistemas distribuı́dos com grids
computacionais reais, apesar de resultarem em dados mais confiáveis, implicam na consideração de muitos parâmetros,
existem custos com aquisição e infraestrutura e complexas interações ocorrem, o que, muitas vezes, torna a implementação
prática do grid inviável. Como alternativa, existem várias ferramentas de simulação de grids, através das quais torna-se
possı́vel avaliar e comparar o comportamento de diferentes aplicações e algoritmos em diferentes cenários. Este capı́tulo faz
uma revisão dos conceitos de computação ubı́qua e grids computacionais. Também faz um apanhado geral das ferramentas de
simulação Bricks, GangSim, OptorSim, GridSim, apresentando-as sob aspectos como descrição, linguagem de implementação
e plataformas suportadas, apresentando na última seção um estudo de caso com a ferramenta SimGrid.
Palavras-Chave—Computação Ubı́qua, Grids Computacionais, Ferramentas de Simulação, SimGrid.
F
1 Introdução
Aanálise do comportamento de sistemas base-
ados em grids pode ser feita através de mo-
delos de simulação ou analı́ticos, ou por meio da
experimentação de um sistema real. Em sistemas
distribuı́dos como os grids, muitos parâmetros
devem ser considerados, e complexas interações
ocorrem, o que torna a sua modelagem analı́tica
impraticável.
Experimentos em plataformas reais, embora re-
sultem em dados mais confiáveis, apresentam uma
série de limitações: sua escalabilidade, sua pe-
quena possibilidade de reconfiguração de software,
sua dificuldade em juntar diferentes componentes
da infraestrutura de hardware e topologia de rede,
sua dependência em relação a um conjunto de
condições reais, entre outros fatores. Isso faz com
que os resultados obtidos por uma plataforma
real dificilmente sejam representativos de outras
plataformas.
• Rodolfo Migon Favaretto: Programa de Pós-Graduação
em Computação, Universidade Federal de Pelotas - UFPel,
Centro de Desenvolvimento Tecnológigo - CDTec.
E-mail: rmfavaretto@inf.ufpel.edu.br
• Adenauer Corrêa Yamin: Programa de Pós-Graduação
em Computação, Universidade Federal de Pelotas - UFPel.
E-mail: adenauer@inf.ufpel.edu.br
O objetivo deste capı́tulo é desenvolver um
estudo que permita delimitar algumas caracte-
rı́sticas funcionais das mais representativas ferra-
mentas de simulação de grids presentes na litera-
tura. Essas caracterı́sticas servirão de base para
identificar os pontos fortes de cada ferramenta,
auxiliando no processo de especificação das fun-
cionalidades que devem estar presentes em um
ambiente de simulação quando se quer efetuar
algum experimento como por exemplo analisar o
comportamento de uma aplicação ubı́qua em um
ambiente de grid computacional. Traz também
uma série de conceitos relacionados com compu-
tação ubı́bua e grids computacionais.
2 Infra-estruturas para computação
ubı́qua
Esta seção é responsável por apresentar os mais
importantes conceitos e definições de Computação
Ubı́qua e Grids Computacionais, bem como os
princı́pios da área e uma série de conceitos rela-
cionados.
2.1 Computação Ubı́qua
Na primeira Era da Informática, através dos
mainframes, compartilhados por vários usuários,
LABORATORY OF UBIQUITOUS AND PARALLEL SYSTEMS c

LUPS

Figura 1. Evolução da Computação
era disponibilizada a computação as pessoas. Atu-
almente, na segunda Era da Informática, tem-
se a era do computador pessoal [1]. O cenário
previsto por Mark Weiser no inı́cio da década
de 1990 é considerado como a Terceira Era da
Informática [2]. A questão abordada por Weiser
é que no futuro a computação estaria presente
até mesmo nos objetos mais banais de nosso dia-
a-dia, como etiquetas de roupas, canetas, livros,
entre outros. Esta computação auxiliaria nas ta-
refas humanas diárias com mı́nimas mudanças
na forma de exercê-las. As tecnologias estariam
entrelaçadas com o cotidiano de tal forma que se
tornariam indistinguı́veis dele.
A Computação Ubı́qua (Ubiquitous Compu-
ting), ou Ubicomp, muitas vezes chamada de
Computação Pervasiva (Pervasive Computing),
é um novo paradigma computacional onde o
usuário dispõe de acesso a computação de forma
invisı́vel e onipresente. Invisı́vel no sentido de
que o usuário não necessita de conhecimentos
especı́ficos da tecnologia para beneficiar-se dela. A
computação passa a fazer parte da vida do usuário
de forma natural. A onipresença se dá ao fato da
possibilidade de uso da tecnologia em qualquer
lugar. A figura 1 ilutra a evolução da computação.
Em [3], os autores defendem que a Computa-
ção Ubı́qua é criada a partir da união de três
outras áreas: Computação Móvel, Computação
em Grade e Computação com Consciência de
Contexto. A seguir são caracterizadas cada uma
das áreas.
• Computação Móvel: Consiste na mobili-
dade tanto de hardware quanto de software.
No caso de hardware pode-se considerar dis-
positivos móveis como notebooks e PDAs. No
caso de software são aplicações que migram
de um dispositivo para outro através de uma
rede sem interromper a computação sendo
realizada.
• Computação em Grade: De acordo com
[4], é basicamente Computação Distribuı́da
em um ambiente de grande heterogeneidade
com recursos dispersos. A próxima geração
de Computação em Grade associa novas tec-
nologias como webservices e peer-to-peer.
• Computação com Consciência de Con-
texto: Estrutura de software inteligente que
se adapta e reage ao ambiente em que está
inserido [5].
Mas há uma distinção entre Computação Per-
vasiva e Ubı́qua, sendo a computação Ubı́qua in-

tegradora de avanços da Computação Móvel e da
Computação Pervasiva, a computação Pervasiva
é relacionada à capacidade de dispositivos serem
embutidos no universo fı́sico para a obtenção de
informações do meio para a construção dinâmica
de novos modelos computacionais. A questão é
que a Computação Pervasiva é o que integra a
computação e o ambiente fı́sico no qual ela está
imersa [6]. A figura 2 apresenta o Grau de Imersão
Computacional x Mobilidade.
Figura 2. Grau de Imersão Computacional x Mobi-
lidade
Relações entre computação Ubı́qua, Pervasiva e
Móvel
Tendo em vista todas as definições mencionadas,
o termo Computação Ubı́qua será usado aqui
como uma junção da Computação Pervasiva e
da Computação Móvel. A justificativa de se re-
alizar uma diferenciação desses termos é que um
dispositivo que está embutido em um ambiente,
não necessariamente é móvel [7]. Devido a isso,
quando for utilizado o termo Computação Ubı́-
qua, será considerado o alto grau de dispositivos
embarcados da computação Pervasiva juntamente
com o alto grau de mobilidade da computação
Móvel.
Princı́pios da Computação Ubı́qua
De acordo com [7], pelos menos três princı́pios são
identificados na Computação Ubı́qua, a saber:
• Diversidade: Ao contrario do computador
pessoal, que é um dispositivo de propósito
geral que atende várias necessidades distintas
do usuário, os dispositivos ubı́quos acenam
com uma nova visão da funcionalidade do
computador, que é a de propósito especı́fico,
que atende necessidades especı́ficas de usuá-
rios particulares. Apesar de vários disposi-
tivos poderem oferecer funcionalidades que
se sobrepõem, um pode ser mais apropriado
para uma função do que outro.
• Descentralização: Na computação ubı́qua
as responsabilidades são distribuı́das entre
vários dispositivos pequenos que assumem e
executam certas tarefas e funções. Estes dis-
positivos cooperam entre si para a construção
de inteligência no ambiente, que é refletida
nas aplicações.
• Conectividade: Na computação ubı́qua,
tem-se a visão da conectividade sem frontei-
ras, em que dispositivos e as aplicações que
executam neles movem-se juntamente com o
usuário, de forma transparente, entre diver-
sas redes heterogêneas, tais como as redes
sem fio de longa distância, entre outras.
2.2 Grids Computacionais
Grids Computacionais, também conhecidos por
grades, são infraestruturas de computação que
conectam múltiplos recursos computacionais de
diversos computadores para permitir a execu-
ção de aplicações com alta demanda de recursos
computacionais, memória e espaço em disco. A
figura 3 ilustra essa ideia. Neste capı́tulo, toda vez
que houver referência as palavras grid ou grade
computacional, deve-se entender como sinônimos.
A idéia do grid é utilizar todo recurso compu-
tacional ocioso para permitir que novos tipos de
aplicações sejam criados ou estender aplicações
existentes utilizando recursos de sistemas distri-
buı́dos altamente conectados [8].
De acordo com [9], Grids Computacionais nas-
ceram da comunidade de Processamento de Alto
Desempenho, motivada pela utilização de com-
putadores independentes e dispersos como plata-
forma de execução de aplicações paralelas.
O termo grid computacional surgiu da analogia
com as redes de interligação do sistema de energia
elétrica (do inglês power grids), nas quais utiliza-
se a eletricidade sem necessariamente saber a
localizaçãoo fı́sica da usina que a gerou, sendo

Figura 3. Ambiente de Grid Computacional
sua utilização totalmente transparente aos seus
usuários [10], [11]. Ao contrário dos sistemas dis-
tribuı́dos tradicionais, esse ambiente precisa con-
siderar questões como segurança, acesso uniforme
aos recursos geograficamente distribuı́dos (inde-
pendentemente da localização fı́sica dos mesmos),
descoberta e agregação dinâmica de recursos e
qualidade de serviço. Dessa forma, entre os gran-
des desafios apresentados por esse ambiente, são
mais relevantes [12]:
• heterogeneidade: os recursos de hardware
e software, que constituem o ambiente podem
ser os mais diversos possı́veis e agregam uma
grande quantidade de tecnologias diferentes.
• escalabilidade: o aumento do número de
recursos pode acarretar em perda de desem-
penho do ambiente.
• dinamismo: a natureza dinâmica desse tipo
de ambiente deve ser cuidadosamente tratada
porque a ocorrência de falhas na rede de
comunicação e nas máquinas agregadas pode
alterar a disponibilidade dos recursos.
• compartilhamento de recursos: como os
recursos não são dedicados, pode haver uma
elevada variação na quantidade de poder
computacional disponı́vel no ambiente.
• multiplicidade de domı́nios administra-
tivos: os recursos podem pertencer a di-
ferentes proprietários, cada um com regras
distintas para a gerência e utilização dos
recursos.
Diante de todos esses desafios, é necessário
que a computação em grid ofereça meios para
que o desenvolvedor da aplicação possa escrever
programas em linguagens de alto nı́vel, capazes
de acessar o grid e utilizar seus recursos de forma
eficiente e transparente sem que para isso o usuá-
rio tenha que se preocupar em tratar questões do
ambiente [13].
Os Grids se tornaram possı́veis devido à grande
melhoria em desempenho e redução de custos,
tanto de redes de computadores, quanto de micro-
processadores. Através deles é possı́vel explorar as
potencialidades das redes de computadores, com
o objetivo especı́fico de disponibilizar camadas
virtuais que permitam a um usuário ter apli-
cações altamente exigentes, bem como aderir a
comunidades virtuais de grande escala, com uma
grande diversidade de recursos de computação e
de repositórios de informações [14].
Tipos de Grids Computacionais
Krauter, Buyya e Maheswaran elaboraram em
2002 uma resenha dos principais sistemas de
grades existentes até então [15] e propuseram
uma taxonomia identificando diferentes tipos de
grades. Para eles, uma Grade de Computação
(Computing Grid) é um sistema de Computa-
ção em Grade que visa a integração de recursos
computacionais dispersos para prover uma maior
capacidade combinada de processamento aos seus
usuários.
Já as Grades Computacionais Oportunis-
tas (Opportunistic Grids ou Scavenging Grids)
são um subtipo de grades que utiliza os perı́odos
ociosos de estações de trabalho de funcionários de
uma organização, laboratórios acadêmicos, má-
quinas de estudantes, etc. para formar, dinami-
camente, uma grade de computação.
Grades de Dados (Data Grids) são sistemas
cujo objetivo principal é o acesso, pesquisa e
processamento de grandes volumes de dados, po-
tencialmente distribuı́dos em vários repositórios,
conectados por uma rede de grande área, como
uma WAN.
Grades de Serviços (Service Grids) oferecem
serviços viabilizados pela integração de diversos
recursos computacionais como, por exemplo, um
ambiente para trabalho colaborativo, ou uma pla-
taforma para aprendizado à distância. Uma vari-
ante importante deste tipo de grade são os chama-
dos Colaboratórios (Collaboratories), laborató-
rios fı́sicos compartilhados através da Internet de

forma que vários pesquisadores e estudantes pos-
sam realizar experimentos cientı́ficos à distância.
Os colaboratórios permitem que laboratórios de
alto custo possam ser compartilhados por pessoas
localizadas em diferentes cidades, reduzindo os
custos e otimizando o uso de recursos escassos.
Principais serviços
Sistemas de grades computacionais são hoje em
dia implementados como uma camada de mid-
dleware que executa sobre sistemas operacionais
convencionais. Esse middleware é responsável por
esconder os detalhes e particularidades dos dife-
rentes sistemas operacionais sobre os quais ele
opera e também por oferecer serviços de alto
nı́vel para a execução de aplicações do usuário.
A Figura 4 apresenta uma arquitetura genérica
implementada pela maioria dos sistemas de gra-
des da atualidade [16].
Figura 4. Arquitetura genérica de uma grade com-
putacional
O Agente de Acesso é o principal ponto
de acesso para usuários em sua interação com
a grade. Ele é executado em cada nó a partir
do qual aplicações serão submetidas para execu-
ção na grade. Além de possibilitar a execução
de aplicações, ele deve permitir ao usuário que
especifique requisitos e parâmetros da execução,
deve permitir que o usuário monitore a execução
de suas aplicações e deve auxiliar na coleta dos
resultados gerados pelas aplicações. Muitos sis-
temas de grades implementam uma versão Web
do agente de acesso permitindo que o usuário
interaja com a grade usando um navegador Web
qualquer.
O Serviço Local de Oferta de Recursos
é executado nas máquinas que exportam seus
recursos para a grade e é responsável por exe-
cutar aplicações nos nós da grade. Para tanto, ele
precisa obter o código executável da aplicação,
iniciar sua execução (normalmente em um novo
processo), coletar e apresentar eventuais erros que
possam ocorrer durante ou antes da execução da
aplicação e devolver os resultados da execução
da aplicação para o usuário que a solicitou. Este
serviço é também responsável por gerenciar o
uso local dos recursos de um determinado nó e
por prover, para a grade, informações sobre a
disponibilidade de recursos neste nó.
O Serviço Global de Gerenciamento de
Recursos é responsável por monitorar o estado
dos recursos compartilhados em toda a grade e
por responder a solicitações de utilização desses
recursos. Para tanto, ele auxilia o Serviço de
Escalonamento a efetuar o casamento das requi-
sições por recursos solicitadas pelos usuários com
as ofertas de recursos. Ele mantém informações
dinamicamente atualizadas sobre quais aglome-
rados e quais nós estão com recursos disponı́veis
e dados sobre a utilização destes recursos como,
por exemplo, utilização do processador, quanti-
dade de memória RAM disponı́vel, quantidade de
espaço em disco disponı́vel, etc. Por esse motivo,
ele pode também ser chamado de Serviço de
Informações sobre Recursos. Em alguns casos,
esse serviço pode também ser responsável por de-
tectar falhas nos nós da grade e notificar o agente
de acesso sobre erros na execução de aplicações
presentes nos nós com problemas.
O Serviço de Escalonamento determina,
para cada aplicação, onde e quando ela irá ser
executada. Ele recebe solicitações de execução de
aplicações, obtém informações sobre a disponibili-
dade de recursos consultando o Serviço de Global
de Gerenciamento de Recursos e determina a
ordem e o local de execução das aplicações ou das
diferentes tarefas de uma aplicação.
Finalmente, o Serviço de Segurança é res-
ponsável por três tarefas principais: (i) proteger
os recursos compartilhados de forma que um nó
que exporta seus recursos para a grade não sofra
ataques executados por aplicações maliciosas, (ii)

autenticação dos usuários de forma que se saiba
quem é responsável por cada aplicação e pela
sua execução, permitindo que sejam estabelecidas
relações de confiança e que usuários sejam respon-
sabilizados pelos seus atos e (iii) fornecer canais
seguros de comunicação garantindo a integridade
e confiabilidade dos dados.
A forma como estes serviços são organizados,
agrupados e implementados pode variar muito de
um middleware de grades para outro. Mas, de
forma geral, todos os principais sistemas de grades
oferecem essas funcionalidades.
3 Ferramentas de simulação
Nesta seção, serão apresentadas as principais fer-
ramentas de simulação de grids computacionais
presentes na literatura, com a intenção de ressal-
tar alguns de seus principais aspectos e caracte-
rı́sticas. As ferramentas aqui relatadas darão um
panorama do estado da arte no que diz respeito
a simulação de infraestruturas em grids.
As ferramentas aqui tratadas serão GridSim,
Bricks, GangSim e OptorSim. Na seção seguinte,
será realizado um estudo de caso com a ferrameta
SimGrid, motivo pelo qual ela não é citada nesta
seção.
3.1 GridSim
O GridSim [17] é um toolkit que propõe facilitar
a simulação de diferentes classes de recursos he-
terogêneos, usuários, aplicações e escalonadores.
Ele pode ser usado para simular escalonadores de
tarefas, para sistemas distribuı́dos como clusters
(um único domı́nio administrativo) e grids (múlti-
plos domı́nios administrativos). A tabela 1 resume
algumas caracterı́sticas dessa ferramenta.
Tabela 1
Alguns aspectos da ferramenta GridSim
Aspectos GridSim
Linguagem de Implementação Java
Plataformas Suportadas S.O com JVM
Interface da ferramenta Modo texto e GUI
Suporte a simulação multithreaded Sim
Dentre as principais funcionalidades da ferra-
menta GridSim, podem ser citadas as seguintes:
• Possibilita o estudo de diversos aspectos re-
lacionados a um grid ou sistemas paralelos,
como clusters.
• Permite a modelagem de aplicações com di-
ferentes modelos de paralelismo.
• Possui extensões que facilitam o estudo de
dados e aspectos especı́ficos da rede do grid.
3.2 Bricks
Bricks é uma ferramenta de avaliação de desem-
penho que permite a análise e comparação de
diferentes estratégias de escalonamento de tarefas
em sistemas computacionais de alto desempenho
de escala global, como grids [18].
A ferramenta é empregada para simular diver-
sos conceitos de um sistema computacional distri-
buı́do, como o de algoritmos de escalonamento, da
topologia de sistemas cliente-servidor e de estra-
tégias de processamento para redes e servidores.
A tabela 2 resume algumas caracterı́sticas dessa
ferramenta.
Tabela 2
Alguns aspectos da ferramenta Bricks
Aspectos Bricks
Plataformas Suportadas S.O com JVM
Interface da ferramenta Modo texto
Suporte a simulação multithreaded Não
Como funcionalidades da ferramenta Bricks,
destacan-se as seguintes:
• Voltado ao estudo de algoritmos de escalona-
mento de tarefas.
• Permite a integração de ferramentas externas
ao simulador.
• Estabelece um modelo de grid que facilita a
análise das interações cliente-servidor.
3.3 GangSim
O simulador GangSim foi criado para auxiliar
estudos de estratégias de escalonamento em am-
bientes de grid. Estes estudos procuram avaliar
o impacto das polı́ticas de alocação de recursos
adotadas por sites e organizações virtuais (VO)
no desempenho apresentado por tais sites e VOs.
A ferramenta simula, assim, grandes grupos ou
gangs de sites e usuários [19]. A tabela 3 resume
algumas caracterı́sticas dessa ferramenta.
A seguir são listadas algumas funcionalidades
da ferramenta GangSim:

Tabela 3
Alguns aspectos da ferramenta GangSim
Aspectos GangSim
Linguagem de Implementação Perl
Plataformas Suportadas Linux
• Voltado para a avaliação do impacto das
polı́ticas de alocação de recursos adotadas
por sites e Organizações Virtuais.
• Possibilidade de integrar instâncias de simu-
lação com ferramentas de monitoração.
• Acesso remoto via interface Web.
3.4 OptorSim
A ferramenta Optorsim [20] é um simulador pro-
jetado como um framework modularizado, com o
qual podem ser estudadas estratégias de escalo-
namento que utilizam o conceito de replicação de
dados.
A replicação significa criação de cópias de
dados em recursos geograficamente distribuı́dos,
uma das principais técnicas de otimização na
redução do custo de acesso aos dados. Trata-
se, dessa forma, de um simulador voltado para
grids de dados, nos quais as transferências de
dados constituem um importante fator limitante
do desempenho das tarefas executadas. A tabela 4
resume algumas caracterı́sticas dessa ferramenta.
Tabela 4
Alguns aspectos da ferramenta OptorSim
Aspectos OptorSim
Plataformas Suportadas S.O com JV
Interface da ferramenta Modo texto e GUI
Suporte a simulação multithreaded Sim
Alguma das funcionalidades da ferramenta Op-
torSim são apresentadas abaixo:
• Voltado ao estudo de algoritmos de escalona-
mento de tarefas que empregam o conceito de
replicação.
• Adota um modelo de grid, que facilita a
avaliação de grids de dados.
• Provê interface gráfica para facilitar a cons-
trução de simulações e sua análise.
4 Estudo de caso: SimGrid
A ferramenta SimGrid, concebida em 1999, foi
fruto de um projeto de pós-doutorado desen-
volvido por Henri Casanova. A motivação foi a
necessidade de se utilizar simulação, ao invés de
experimentos reais, no estudo prático de algorit-
mos de escalonamento para aplicações cientı́ficas
paralelas em plataformas computacionais distri-
buı́das e heterogêneas [21].
A tabela 5 resume alguns aspectos da ferra-
menta SimGrid.
Tabela 5
Alguns aspectos da ferramenta SimGrid
Aspectos SimGrid
Linguagem de Implementação C
Plataformas Suportadas Linux, Mac, Win
Dentre as caracterı́sticas da ferramenta Sim-
Grid, destacam-se as seguintes:
• Facilita o estudo de estratégias de escalona-
mento de tarefas.
• Provê componente que auxilia o desenvolvi-
mento de aplicações reais para grids.
• Provê componente que auxilia o desenvolvi-
mento de programas MPI.
• Provê componente para a avaliação de tarefas
paralelas em sistemas distribuı́dos.
Arquitetura do SimGrid
A arquitetura do SimGrid, ilustrada na figura 5
mostra os componentes da arquitetura e suas re-
lações. Cada componente é descrito na sequência.
1) Ambiente MSG
O ambiente MSG visa a realização de simulações
em termos de agentes de comunicação. É usual-
mente utilizado no estudo de heurı́sticas para um
problema, possibilitando uma comparação entre
elas. O realismo da simulação não é objetivo
principal deste módulo, e muitos detalhes técnicos
da plataforma do grid são omitidos.
2) Ambiente GRAS
GRAS (Grid Reality and Simulation) é um ambi-
ente concebido como um framework que facilita o
desenvolvimento de aplicações distribuı́das orien-
tadas a eventos.

Figura 5. Componentes do SimGrid e suas relações
3) Ambiente SMPI
O ambiente SMPI é um framework que permite
executar aplicações MPI não alteradas, tanto em
modo de simulação, quanto em modo de aplicação
real (atuando como um GRAS para MPI).
4) Ambiente SimDag
Este ambiente é dedicado à simulação de aplica-
ções paralelas, por meio do modelo DAG (Direct
Acyclic Graphs). Com este modelo é possı́vel
especificar relações de dependência entre tarefas
de um programa paralelo.
5) Camada SURF (núcleo do simulador)
Logo abaixo da camada formada pelos ambientes
de programação, há o núcleo de todos os simula-
dores implementados pelo SimGrid, denominado
SURF. Este núcleo provê um conjunto de funcio-
nalidades para simular uma plataforma virtual.
6) Camada XBT
A camada XBT (eXtended Bundle of Tools)
implementa diversas funcionalidades, dentre elas
estruturas de dados usadas pelo SURF, serviço
de Direct Acyclic Graphs, biblioteca de funções
para representação e manipulação de grafos. Além
disso, o XBT provê suporte à portabilidade da
ferramenta.
5 Considerações Finais
Neste estudo foram revisados os conceitos de
Computação Ubı́qua e Grids Computacionais.
Também foram apresentadas algumas das prin-
cipais ferramentas de simulação para grades de
computadores presentes na literatura.
Ao traçar estes aspectos de cada simulador,
é possı́vel determinar qual simulador utilizar
quando se quer analisar o comportamento de
determinados programas e algoritmos em ambi-
entes de grids computacionais sem que haja a
necessidade de se ter um ambiente de grade real.
Referências
[1] Mark Weiser. The Computer for the 21st Century. Scien-
tific American, 265(3):94–104, September 1991.
[2] Jan Krikke. T-engine: Japan’s ubiquitous computing
architecture is ready for prime time. IEEE Pervasive
Computing, 4:4–9, April 2005.
[3] Adenauer Yamin, Iara Augustin, Luciano Cavalheiro
da Silva, Rodrigo Araujo Real, Alberto E. Schaeffer Filho,
and Claudio F. Resin Geyer. Exehda: adaptive middleware
for building a pervasive grid environment. In Proceeding of
the 2005 conference on Self-Organization and Autonomic
Informatics (I), pages 203–219, Amsterdam, The Nether-
lands, The Netherlands, 2005. IOS Press.
[4] Adenauer Corrêa Yamin. Arquitetura para um ambiente
de grade computacional direcionada às aplicações distri-
buı́das, móveis e conscientes de contexto da computação
pervasiva. Tese de doutorado em ciência da computação,
Instituto de Informática-UFRGS, Porto Alegre-RS, 2004.
[5] Bill N. Schilit and Marvin M. Theimer. Disseminating
active map information to mobile hosts, 1994.
[6] C.; Souza C. H. M. Bolsoni, E. P.; Cardoso. Compu-
tação ubı́qua, cloud computing e plc para continuidade
comunicacional diante de desastres. Anais eletrônicos V
Seminário Internacional de Defesa Civil - DEFENCIL,
2009.
[7] R. B. Araujo. Computação ubı́qua: princı́pios, tecnologias
e desafios. XXI Simpósio Brasileiro de Redes de Compu-
tadores, pages 45–115, 2003.

[8] Ian Foster, Carl Kesselman, and Steven Tuecke. The ana-
tomy of the grid: Enabling scalable virtual organizations.
Int. J. High Perform. Comput. Appl., 15:200–222, August
2001.
[9] Ian Foster and Carl Kesselman, editors. The grid: blue-
print for a new computing infrastructure. Morgan Kauf-
mann Publishers Inc., San Francisco, CA, USA, 1999.
[10] Ian Foster, Carl Kesselman, Jeffrey M. Nick, and Steven
Tuecke. Grid services for distributed system integration.
Computer, 35:37–46, June 2002.
[11] Ian Foster and Carl Kesselman. The Grid 2: Blueprint
for a New Computing Infrastructure. Morgan Kaufmann
Publishers Inc., San Francisco, CA, USA, 2003.
[12] Parvin Asadzadeh, Rajkumar Buyya, Chun Ling Kei,
Deepa Nayar, and Srikumar Venugopal. Global grids
and software toolkits: A study of four grid middleware
technologies. In HIGH PERFORMANCE COMPUTING:
PARADIGM AND INFRASTRUCTURE, LAURENCE
YANG AND MINYI GUO (EDS), ISBN: 0-471-65471-X.
Wiley Press, 2005.
[13] Aletéia Patrı́cia Favacho Araújo. Paralelização autonô-
mica de metaheurı́sticas em ambientes de grid. Tese
de doutorado em ciência da computação, Pontifı́cia Uni-
versidade Católica do Rio de Janeiro/PUC-Rio, Rio de
Janeiro,RJ, 2008.
[14] Mark Baker, Rajkumar Buyya, and Domenico Laforenza.
Grids and grid technologies for wide-area distributed com-
puting. Softw. Pract. Exper., 32:1437–1466, December
2002.
[15] Klaus Krauter, Rajkumar Buyya, and Muthucumaru
Maheswaran. A taxonomy and survey of grid resource
management systems for distributed computing. Softw.
Pract. Exper., 32:135–164, 2002.
[16] Goldchleger A. Carneiro M. R. F. de Camargo, R. Y.
and F. Kon. Pattern Languages of Program Design 5
(PLoPd5), chapter The Grid Architectural Pattern: Leve-
raging Distributed Processing Capabilities. Pages 337 - 356.
Addison-Wesley., 2006.
[17] Rajkumar Buyya and Manzur Murshed. Gridsim: A
toolkit for the modeling and simulation of distributed
resource management and scheduling for grid computing.
CONCURRENCY AND COMPUTATION: PRACTICE
AND EXPERIENCE (CCPE, 14(13):1175–1220, 2002.
[18] Atsuko Takefusa, Satoshi Matsuoka, Kento Aida, Hide-
moto Nakada, and Umpei Nagashima. Overview of a
performance evaluation system for global computing sche-
duling algorithms. In Proceedings of the 8th IEEE In-
ternational Symposium on High Performance Distributed
Computing, HPDC ’99, pages 11–, Washington, DC, USA,
1999. IEEE Computer Society.
[19] C. L. Dumitrescu and I. Foster. Gangsim: a simulator
for grid scheduling studies. In Proceedings of the Fifth
IEEE International Symposium on Cluster Computing and
the Grid (CCGrid’05) - Volume 2 - Volume 02, CCGRID
’05, pages 1151–1158, Washington, DC, USA, 2005. IEEE
Computer Society.
[20] William H. Bell, David G. Cameron, Luigi Capozza,
A. Paul Millar, Kurt Stockinger, and Floriano Zini. Optor-
sim - a grid simulator for studying dynamic data replica-
tion strategies. International Journal of High Performance
Computing Applications, page 2003, 2003.
[21] Henri Casanova. Simgrid: A toolkit for the simulation of
application scheduling. In Proceedings of the 1st Inter-
national Symposium on Cluster Computing and the Grid,
CCGRID ’01, pages 430–, Washington, DC, USA, 2001.
IEEE Computer Society.
Rodolfo Migon Favaretto Mestrando do
Programa de Pós-Graduação em Computa-
ção da UFPel. Também é pós-graduando
Lato Sensu em Engenharia de Sistemas pela
ESAB Escola Superior Aberta do Brasil Vila
Velha ES. Possui Bacharelado (2011) em
Ciência da Computação pela Universidade
Regional Integrada do Alto Uruguai e das
Missões - URI Campus de Erechim. Atua nas
áreas de Sistemas Distribuı́dos, Arquiteturas de Computadores,
Desenvolvimento de aplicações Web e linguagens de programação.
Adenauer Corrêa Yamin possui graduação
em Engenharia Elétrica pela Universidade
Católica de Pelotas (UCPEL, 1981), mes-
trado e doutorado em Computação pela
Universidade Federal do Rio Grande do Sul
(UFRGS, 1994 e 2004). Atua como professor
do Programa de Pós-Graduação em Compu-
tação da UFPEL, e do Centro Politécnico da
UCPEL. Tem pesquisado na área de ambi-
entes de execução paralelos e distribuı́dos para grades e nuvens
computacionais, middlewares e aplicações conscientes de contexto
na computação ubı́qua.
View publication stats
View publication stats

Simulando infraestruturas-computacionais-para-a-ubicomp

Mais conteúdo relacionado

Mais procurados (20)

Semelhante a Simulando infraestruturas-computacionais-para-a-ubicomp (18)

Mais de Ademar Trindade (20)

Último (10)

Simulando infraestruturas-computacionais-para-a-ubicomp