Escalonamento de Processos Sequenciais e Paralelos em um Cluster Dedicado a Simulações Biológicas
Bibliographic record
Abstract
Neste trabalho foram estudadas diferentes políticas de escalonamento de processos em um pequeno cluster de computadores dedicado a simulações de modelos biológicos. Para isto o perfil típico de carga de trabalho neste cluster dedicado foi reproduzido artificialmente, o qual leva em conta três diferentes tipos de processos: sequenciais leves, sequenciais pesados e processos paralelos pesados baseados na biblioteca MPI. O cluster de computadores utilizado é baseado em Linux e foi montado com o pacote NPACI Rocks. Para o escalonamento de processos foi utilizado o Sun Grid Engine (SGE), que acompanha o NPACI Rocks. O SGE oferece integração com o MPI e permite a criação de filas de processos com características distintas. Foi realizado um estudo comparativo entre o comportamento de diferentes políticas de escalonamento submetidas à carga de trabalho em questão. As métricas adotadas e os objetivos desejados foram os de redução do tempo médio de execução dos processos, aumento da taxa média de processos executados e redução do tempo ocioso dos processadores do cluster. Esta avaliação nos permitiu estabelecer uma forma eficiente para gerenciar os recursos computacionais deste cluster de computadores dedicado.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".