BioNimbuZ 2 : uma plataforma de federação de nuvens em uma arquitetura orientada a microsserviços

Abstract

A computação em nuvem é um modelo de computação caracterizado, principalmente, pela capacidade de provisionamento de recursos computacionais sob-demanda e na forma de serviços, com foco na economia de recursos. A federação de nuvens surge como resposta às grandes demandas por poder computacional exigidos por aplicações como, por exemplo, as das áreas da biologia ou da astronomia, e também por aplicações de workflows científicos. Nuvens que antes tinham recursos limitados podem agora buscar recursos externos ou, caso possuam recursos que não estejam sendo utilizados, podem alugá-los para aumentarem suas receitas. A abordagem de microsserviços, que tem sido utilizada por grandes empresas, como Netflix e Uber, define serviços que devem possuir pequenas responsabilidades, cada um rodando em seu próprio processo e que se comunicam por meio de mecanismos leves. Ela tem sido atualmente uma abordagem frequentemente utilizada para melhor distribuir sistemas monolíticos. Nesse sentido, a arquitetura apresentada neste trabalho teve como foco prover uma plataforma de federação de nuvens orientada a microsserviços eficiente para a execução de tarefas, e que pudesse integrar novas nuvens de maneira simplificada. Além disso, entre outros benefícios alcançados estão o de criar uma plataforma de federação para execução de aplicações genéricas, de tarifar diretamente seus usuários, de compartilhar credenciais e espaços de armazenamento e de efetuar o download/upload direto de arquivos para os espaços de armazenamento do usuário. Para validar a arquitetura apresentada, a mesma foi comparada com a plataforma de federação de nuvens BioNimbuZ, uma plataforma de federação de nuvens monolítica para a execução de workflows de Bioinformática. Os resultados mostraram uma redução de 70% no tempo para inicializar os componentes da plataforma e uma redução de consumo de recursos de CPU e de memória de 80% e 45%, respectivamente, durante a edição e criação dos workflows. Já durante a execução dos workflows, a redução do consumo de CPU foi de 93%, e de memória foi de 77%.