Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2017. / Submitted by Albânia Cézar de Melo (albania@bce.unb.br) on 2017-06-23T15:58:25Z No. of bitstreams: 1 2017_MichelJunioFerreiraRosa.pdf: 5524444 bytes, checksum: 5d5619de97abe6264644960d0d2da01c (MD5) / Approved for entry into archive by Raquel Viana (raquelviana@bce.unb.br) on 2017-08-04T19:59:58Z (GMT) No. of bitstreams: 1 2017_MichelJunioFerreiraRosa.pdf: 5524444 bytes, checksum: 5d5619de97abe6264644960d0d2da01c (MD5) / Made available in DSpace on 2017-08-04T19:59:58Z (GMT). No. of bitstreams: 1 2017_MichelJunioFerreiraRosa.pdf: 5524444 bytes, checksum: 5d5619de97abe6264644960d0d2da01c (MD5) Previous issue date: 2017-08-04 / A computação em nuvem concebeu um modelo computacional interessante, que fornece um conjunto de recursos tais como armazenamento, banco de dados e poder de processamento, todos disponibilizados como serviços. Recentemente, o conceito de computação em nuvem se estendeu para a computação em nuvens federadas, nas quais diferentes provedores se interconectam para disponibilizarem mais recursos de maneira integrada e transparente ao usuário final. Assim, o uso de plataformas de nuvem tem sido amplamente incentivado em aplicações que demandam muito poder de processamento e/ou armazenamento, como por exemplo os workflows de bioinformática. Todavia, os usuários que operam tais workflows se deparam com uma variedade e quantidade muito grande de recursos disponíveis, sendo difícil a escolha correta dos mesmos para um determinado workflow. Esse dimensionamento está longe de ser trivial e, para tratar desse problema, este trabalho propõe uma abordagem chamada sPCR (Serviço de Predição de Custos e Recursos Computacionais), que mescla a metaheurísticas GRASP e o método de regressão linear múltipla, com o objetivo de dimensionar os recursos para os usuários de forma transparente, ao informar o custo financeiro e o tempo de execução antes mesmo de iniciar o workflow. Além disso, o sPCR permite que o usuário possa interagir e escolher entre execuções de alto desempenho, de baixo orçamento, ou definir o quanto quer pagar e em quanto tempo quer a finalização do workflow, tudo de forma automática e transparente. Os resultados mostram a adequação do sPCR para estimar os recursos, custos e tempos de execução dos workflows testados. / Cloud computing provides an interesting computational model which provides a set of features, such as storage, database, and processing power, all made available as services. Recently, the concept of cloud computing has been extended to cloud federations in which different providers interconnect to provide more resources to the end user in an integrated and transparent way. The use of cloud platforms has been widely encouraged in applications that require a lot of processing and / or storage power, such as bioinformatics workflows. However, users who operate such workflows are faced with a very large variety and quantity of available resources, making it difficult to choose the correct ones for a certain workflow. This design is far from trivial and, in order to address this problem, this work proposes an approach called sPCR (Service of Costs and Computational Resources Prediction) which merges GRASP metaheuristics and the multiple linear regression method, with the purpose of transparently measuring resources for users by reporting the financial cost and runtime before even starting the workflow. In addition, sPCR allows the user to interact and choose between high-performance, low-budget runs, or set how much to pay and how long to finish the workflow, all automatically and transparently. The results show the adequacy of the sPCR to estimate the resources, costs and execution times of the tested workflows.