Um Erkenntnisse aus großen Mengen wissenschaftlicher Rohdaten zu gewinnen, sind komplexe Datenanalysen erforderlich. Scientific Workflows sind ein Ansatz zur Umsetzung solcher Datenanalysen. Um Skalierbarkeit zu erreichen, setzen die meisten Workflow-Management-Systeme auf bereits existierende Lösungen zur Verwaltung verteilter Ressourcen, etwa Batch-Scheduling-Systeme. Die Abschätzung der Ressourcen, die zur Ausführung einzelner Arbeitsschritte benötigt werden, wird dabei immer noch an die Nutzer:innen delegiert. Dies schränkt die Leistung und Benutzerfreundlichkeit von Workflow-Management-Systemen ein, da den Nutzer:innen oft die Zeit, das Fachwissen oder die Anreize fehlen, den Ressourcenverbrauch genau abzuschätzen. Diese Arbeit untersucht, wie die Ressourcennutzung während der Ausführung von Workflows automatisch erlernt werden kann. Im Gegensatz zu früheren Arbeiten werden Scheduling und Vorhersage von Ressourcenverbrauch in einem engeren Zusammenhang betrachtet. Dies bringt verschiedene Herausforderungen mit sich, wie die Quantifizierung der Auswirkungen von Vorhersagefehlern auf die Systemleistung. Die wichtigsten Beiträge dieser Arbeit sind: 1. Eine Literaturübersicht aktueller Ansätze zur Vorhersage von Spitzenspeicherverbrauch mittels maschinellen Lernens im Kontext von Batch-Scheduling-Systemen. 2. Ein Scheduling-Verfahren, das statistische Methoden verwendet, um vorherzusagen, welche Scheduling-Entscheidungen verbessert werden können. 3. Ein Ansatz zur Nutzung von zur Laufzeit gemessenem Spitzenspeicherverbrauch in Vorhersagemodellen, die die fortwährende Optimierung der Ressourcenallokation erlauben. Umfangreiche Simulationsexperimente geben Einblicke in Schlüsseleigenschaften von Scheduling-Heuristiken und Vorhersagemodellen. 4. Ein Vorhersagemodell, das die asymmetrischen Kosten überschätzten und unterschätzten Speicherverbrauchs berücksichtigt, sowie die Folgekosten von Vorhersagefehlern einbezieht. / Scientific experiments produce data at unprecedented volumes and resolutions. For the extraction of insights from large sets of raw data, complex analysis workflows are necessary. Scientific workflows enable such data analyses at scale. To achieve scalability, most workflow management systems are designed as an additional layer on top of distributed resource managers, such as batch schedulers or distributed data processing frameworks. However, like distributed resource managers, they do not automatically determine the amount of resources required for executing individual tasks in a workflow. The status quo is that workflow management systems delegate the challenge of estimating resource usage to the user. This limits the performance and ease-of-use of scientific workflow management systems, as users often lack the time, expertise, or incentives to estimate resource usage accurately. This thesis is an investigation of how to learn and predict resource usage during workflow execution. In contrast to prior work, an integrated perspective on prediction and scheduling is taken, which introduces various challenges, such as quantifying the effects of prediction errors on system performance. The main contributions are: 1. A survey of peak memory usage prediction in batch processing environments. It provides an overview of prior machine learning approaches, commonly used features, evaluation metrics, and data sets. 2. A static workflow scheduling method that uses statistical methods to predict which scheduling decisions can be improved. 3. A feedback-based approach to scheduling and predictive resource allocation, which is extensively evaluated using simulation. The results provide insights into the desirable characteristics of scheduling heuristics and prediction models. 4. A prediction model that reduces memory wastage. The design takes into account the asymmetric costs of overestimation and underestimation, as well as follow up costs of prediction errors.

Studien syftar till att undersöka energi-, vatten- och kemikaliåtgång inom processerna blekning och färgning för nyproduktionsimiterande remake respektive nyproduktion. Genom att undersöka det kan en diskussion föras om huruvida nyproduktionsimiterande remake är ett möjligt alternativ för textilindustrin att hantera dess miljöproblem och textilavfall. Genom att testa att bleka, färga och mäta utvalda parametrar har vi i en labbmiljö skapat en testbild av hur en möjlig process skulle kunna se ut. Genom användning av Higg-Index har vi sedan kunnat få fram en indikation på hur hög resursåtgången skulle kunna vara på industriell nivå med konventionella och resurssparande metoder. Resultatet visar att om målet är att färga om till en så mörk färg som möjligt så skall remakeprodukten inte blekas i förväg. Resultaten gav även en indikation på hur många blekningar som skulle behöva göras i labbmiljö för att få ett helt vitt prov. Detta gav en indikation på hur hög energi-, vatten- och kemikaliåtgång skulle varit beroende på önskat resultat. Detta examensarbete har som mål att uppmuntra kritisk diskussion av remake samt ligga till grund för vidare forskning inom området. Detta för att på sikt bidra med lösningar som kan få textilindustrin att bli mer cirkulär. / The study aims to investigate the consumption of energy, water, and chemicals in the bleaching and dyeing processes for new-production imitating remakes versus new production. By examining this, a discussion can be initiated on whether new-production imitating remakes are a viable alternative for the textile industry to address its environmental issues and textile waste. By testing bleaching, dyeing, and measuring selected parameters in a lab environment, we have created a test representation of how a potential process could work. Using the Higg-Index, we have then been able to get an indication of how high the resource consumption would be at an industrial level with conventional and resource-saving methods. The results show that if the goal is to re-dye to the darkest color possible, the remake product should not be pre-bleached. The results also provided an indication of how many bleaching cycles would need to be done in a lab environment to achieve a completely white sample. This gave an indication of what the energy, water, and chemical consumption would be depending on the desired outcome. This thesis aims to encourage discussion of remakes and serve as a foundation for further research in the area, ultimately contributing to solutions that can make the textile industry more circular.