Trabalhos Relacionados

Unidos para 25 fps (metade da frequência elétrica), no Brasil utiliza-se 30 fps devido à frequência elétrica ser 60Hz;

 Resolução de tela: É o número de pixels distintos que podem ser apresentados em cada dimensão, podendo ser medido em largura × altura.

Neste trabalho utilizaremos o FFMPEG para realizar as transcodificações de vídeo. Ele é um software livre capaz de transcodificar de todas as características mencionadas acima em uma ampla variedade de formatos atuais e obsoletos. Também é capaz de executar em diversos sistemas operacionais (FFmpeg,2016).

2.6

Trabalhos Relacionados

As pesquisas relacionadas com a área de interesse dessa dissertação abrangem temas sobre modelos de avaliação de desempenho e custo, transcodificação de vídeo, computação em nuvem, auto-scaling, modelos de custo elétrico em nuvem, e otimização. Alguns desses trabalhos permeiam mais de uma área, no entanto, não foram encontrados trabalhos que contenham todas as áreas cobertas por essa dissertação.

O uso de computação em nuvem para transcodificação foi abordada porLIN et al.(2013). Os autores utilizam a capacidade de paralelização oferecida por diversas instâncias na nuvem para reduzir o tempo de transcodificação de vídeos. Eles propõe um algoritmo para obter uma solução otimizada para o desempenho na transcodificação paralela de vídeos. Já em (YANG et al.,2015), a computação em nuvem foi utilizada para que fosse atingido um critério de Quality of Service - QOSatravés do provimento dinâmico de recursos da nuvem, ou seja, ajustando a quantidade de recursos dinamicamente para se adequar a variações na entrada de vídeos. Também foi utilizada uma política de que o primeiro vídeo a chegar seria o primeiro vídeo a ser transcodificado (First come, first served - FCFS). Entretanto, em nenhum desses trabalhos, o custo foi abordado. Esses trabalhos também trataram apenas de nuvens públicas.

Modelagem estocástica para sistemas em nuvem, foi utilizada em (DE SOUSA et al.,

2014). Os autores apresentam uma estratégia para o planejamento de sistemas de ensino a distância (Virtual Learning Environment - VLE) em infraestruturas privadas. Essa estratégia visa avaliar o desempenho e custo através de modelos de Rede de Petri Estocástica (SPN). O modelo proposto recebe como parâmetro o tempo entre chegadas para diferentes quantidades de usuários simultâneos, e foi avaliado tempo de resposta para cada configuração de hardware e software. O modelo SPN foi validado para duas infraestruturas com grau de significância de 5%. Posteriormente o modelo foi utilizado para avaliar o tempo de resposta e custo, considerando maiores cargas de trabalho. No entanto, este trabalho não levou em conta os mecanismos de elasticidade focando no custo da aquisição do hardware necessário para implantar uma nuvem capaz de atender a demanda.

2.6. TRABALHOS RELACIONADOS 39

Já o mecanismo de elasticidade na nuvem foi avaliado por modelos em (CAMPOS et al.,

2015). Os autores avaliam o desempenho do auto-scaling em nuvens privadas através de modelos de Cadeia de Markov de Tempo Contínuo (CTMC). Foram considerados fatores como: tipo de VM, tamanho da imagem da VM, e a probabilidade da VM estar no cache. O modelo CTMC proposto foi utilizado para identificar a influência de cada um dos fatores em relação ao tempo de instanciação de uma nova VM. Para isso foi utilizada a técnica de Planejamento de Experimentos (Design of Experiments - DOE).

DUPONT et al.(2015) analisou estratégias de elasticidade na nuvem. Os autores levam

em conta o tempo necessário para iniciar recursos no scaling-up, que pode levar o sistema a não reagir a picos inesperados de carga. Também foi discutido nesse trabalho, o desperdício pela utilização parcial dos recursos alugados devido à granularidade das opções de aquisições de recursos na nuvem. Para isso os autores defenderam que a camada de software participe das ações de auto-scaling. Essa abordagem permitiu redefinir as configurações da elasticidade para oferecer recursos computacionais em quantidade suficiente à demanda.

Modelos também foram usados para identificar o custo decorrente da opção de diferentes tipos de contrato na nuvem. Em (RIBAS et al.,2015) os autores apresentaram uma Rede de Petri Colorida (Colored Petri Net - CPN) para simular a utilização de instâncias Spot para prover instâncias elásticas. Instâncias Spot não possuem um preço fixo por hora, o seu custo muda de acordo com a oferta e demanda da nuvem pública. O cliente da nuvem oferece um preço da instância, se o preço oferecido pelo provedor for inferior, a instância será criada, caso o preço seja maior que a oferta do cliente, a instância é terminada. Os autores identificaram que instâncias Spot podem ajudar a reduzir o custo quando comparadas com instâncias sob demanda e reservadas, porém, esse trabalho não leva em conta requisições de usuários e SLAs, que definem a demanda da aplicação por mais recursos.

Com enfoque em nuvens privadas, redução de consumo elétrico e computação verde,

(BOHRA; CHAUDHARY,2010) propôs um modelo para predizer instantaneamente a potência

elétrica de máquinas virtuais hospedadas em um hardware. O modelo estatístico leva em conta o relacionamento entre a potência e a utilização dos subcomponentes do sistema. Então, utilizou-se técnicas de regressão linear para predizer o consumo do hardware e da VMs a partir da utilização instantânea dos subcomponentes que sustentam a VM (CPU, cache, memória RAM e disco). Os parâmetros do modelo foram identificados através de método caixa branca. Isto é, foi possível medir a utilização de cada componente dentro da VM. Foram executados diversos benchmarks para treinar o modelo através da variação da CPU, memória e IO. O modelo elétrico gerado segundo esse método alcançou uma precisão de até 94%.

(LI et al.,2012) também propõe um modelo para identificação da potência de baixa

complexidade através da utilização dos componentes de maior impacto: CPU, memória e disco da VM, levando em conta também a potência do hardware. O modelo proposto melhora a precisão utilizando uma regressão linear múltipla por partes, gerando mais de uma regressão, levando em conta a baixa, média e alta utilização dos recursos. Esse modelo alcançou uma