This thesis deals with the scheduling problem for a constellation of Earth observation satellites, focusing on modelling the attitude dynamics to assess the tasking capabilities. A target selection algorithm is developed considering the time dependent manoeuvres between targets and the time-dependent value of the observed targets. Further, a closed-loop dynamics simulation is carried out to assess the agility of the 6U platform and verify the results of the algorithm. The work does not intend to present definitive numerical results, rather the goal is to develop a holistic framework that allows appraising the performance of a platform and the fulfilment of the mission objectives, aiming to maximise the collective value of the observed targets. Given the inputs in terms of platform, sensor, orbit and list of targets, this work serves to simulate the target selection and imaging at an arbitrary day and time for a chosen observation window. / Denna studie behandlar problemet med schemaläggning för en konstellation av jordobservationssatelliter och fokuserar på att modellera attityddynamiken för autonomt utförda uppgifter med beaktande av satellitens kapacitet. En målvalsalgoritm utvecklades med hänsyn till både tidsberoende manövrar mellan målen och tidsberoende värden för de observerade målen. Dessutom utfördes en simulering av styrdynamik i ett slutet system för en 6U-plattform för att bedöma och verifiera målvalsalgoritmen. Arbetet avser inte att presentera definitiva numeriska resultat, utan syftet var att utveckla ett helhetsramverk för möjlig bedömning av plattformens prestanda och att studera plattformens förmåga att välja mål som maximerar det samlade värdet av de observerade målen. Med givna ingångsvärden i form av plattform, sensor, omloppsbana samt lista over mål, ger detta arbete möjlighet att simulera satellitens val av mål i en avbildning vid en godtycklig dag och tid för ett valt observationsfönster.

Cloud-native is a new computing paradigm that takes advantage of key characteristics of cloud computing, where applications are packaged as containers. The lifecycle of containerized applications is typically managed by container orchestration tools such as Kubernetes, the most popular container orchestration system that automates the containers’ deployment, maintenance, and scaling. Kubernetes has become the de facto standard for container orchestrators in the cloud-native era. Meanwhile, with the increasing demand for High-Performance Computing (HPC) over the past years, containerization is being adopted by the HPC community and various processors and special-purpose hardware are utilized to accelerate HPC applications. The architecture of cloud systems has been gradually shifting from homogeneous to heterogeneous with different processors and hardware accelerators, which raises a new challenge: how to exploit different computing resources efficiently? Much effort has been devoted to improving the use efficiency of computing resources in heterogeneous systems from the perspective of task scheduling, which aims to match different types of tasks to optimal computing devices for execution. Existing proposals do not take into account the variation in I/O performance between heterogeneous nodes when scheduling tasks. However, I/O performance is an important but often overlooked factor that can be a potential performance bottleneck for HPC tasks. This thesis proposes an I/O-aware scheduler named cmio-scheduler for containerized data-intensive HPC tasks in Kubernetes-based heterogeneous clusters, which is aware of the I/O throughput of compute nodes when making task placement decisions. In principle, cmio-scheduler assigns data-intensive HPC tasks to the node that fulfills the tasks’ requirements for CPU, memory, and GPU and has the highest I/O throughput. The experimental results demonstrate that cmio-scheduler reduces the execution time by 19.32% for the overall workflow and 15.125% for parallelizable tasks on average. / Cloud-native är ett nytt dataparadigm som drar nytta av de viktigaste egenskaperna hos molntjänster, där applikationer paketeras som behållare. Livscykeln för applikationer i containrar hanteras vanligtvis av verktyg för containerorkestrering, t.ex. Kubernetes, det mest populära systemet för containerorkestrering, som automatiserar installation, underhåll och skalning av containrar. Kubernetes har blivit de facto-standard för containerorkestrar i den molnnativa eran. Med den ökande efterfrågan på högpresterande beräkningar (HPC) under de senaste åren har containerisering antagits av HPC-samhället och olika processorer och specialhårdvara används för att påskynda HPC-tillämpningar. Arkitekturen för molnsystem har gradvis skiftat från homogen till heterogen med olika processorer och hårdvaruacceleratorer, vilket ger upphov till en ny utmaning: hur kan man utnyttja olika datorresurser på ett effektivt sätt? Mycket arbete har ägnats åt att förbättra utnyttjandet av datorresurser i heterogena system ur perspektivet för uppgiftsfördelning, som syftar till att matcha olika typer av uppgifter till optimala datorutrustning för utförande. Befintliga förslag tar inte hänsyn till variationen i I/O-prestanda mellan heterogena noder vid schemaläggning av uppgifter. I/O-prestanda är dock en viktig men ofta förbisedd faktor som kan vara en potentiell flaskhals för HPC-uppgifter. I den här avhandlingen föreslås en I/O-medveten schemaläggare vid namn cmio-scheduler för containeriserade dataintensiva HPC-uppdrag i Kubernetes-baserade heterogena kluster, som är medveten om beräkningsnodernas I/O-genomströmning när den fattar beslut om placering av uppdrag. I princip tilldelar cmio-scheduler dataintensiva HPC-uppgifter till den nod som uppfyller uppgifternas krav på CPU, minne och GPU och som har den högsta I/O-genomströmningen. De experimentella resultaten visar att cmio-scheduler i genomsnitt minskar exekveringstiden med 19,32 % för det totala arbetsflödet och med 15,125 % för parallelliserbara uppgifter.