@InProceedings{MoraisPeSaRaLoPaXa:2014:AnDeCo,
               author = "Morais, Marcos Vinicius Bueno de and Pessoa, Alex Sandro Aguiar 
                         and Saad, Sandra Isay and Ramos, Camila G. and Lobo, Bianca and 
                         Palma, Gilca and Xavier, Luiz Felipe",
          affiliation = "Climatempo and {Instituto Nacional de Pesquisas Espaciais (INPE)} 
                         and Climatempo and Climatempo and Climatempo and Climatempo and 
                         Climatempo",
                title = "An{\'a}lise do Desempenho Computacional de Modelos Num{\'e}ricos 
                         de Previs{\~a}o do Tempo e de Ondas na Arquitetura EC2 Amazon 
                         Cloud",
            booktitle = "Proceedings...",
                 year = "2014",
         organization = "Congresso Nacional de Matem{\'a}tica Aplicada e Computacional, 
                         35.",
             keywords = "Cloud Computing, Paralelismo, Computa{\c{c}}{\~a}o de alto 
                         desempenho, Previs{\~a}o Num{\'e}rica de Tempo, WRF, WW3, Amazon 
                         EC2, AW.",
             abstract = "Com os constantes avan{\c{c}}os dos modelos num{\'e}ricos de 
                         previs{\~a}o de tempo e ondas, na execu{\c{c}}{\~a}o de grades 
                         cada vez mais refinadas, sempre houve a necessidade de 
                         utiliza{\c{c}}{\~a}o e r{\'a}pida atualiza{\c{c}}{\~a}o dos 
                         equipamentos e servidores que executam estes modelos, de tal forma 
                         a agilizar a previs{\~a}o e efetuar c{\'a}lculos com maior 
                         precis{\~a}o e acur{\'a}cia. A computa{\c{c}}{\~a}o em nuvens, 
                         com a habilidade de virtualiza{\c{c}}{\~a}o de CPU's e a 
                         facilidade de manuseio nos servidores, permite que os modelos mais 
                         atuais sejam executados de forma cada vez mais r{\'a}pida e 
                         precisa. Por isso, diversas empresas e comunidades 
                         cient{\'{\i}}ficas t{\^e}m substitu{\'{\i}}do os tradicionais 
                         servidores f{\'{\i}}sicos pelo uso de computa{\c{c}}{\~a}o nas 
                         nuvens, para o desenvolvimento de projetos e at{\'e} no uso de 
                         computa{\c{c}}{\~a}o de alto desempenho operacional. Este 
                         trabalho visou avaliar o desempenho dos modelos num{\'e}ricos WRF 
                         (Weather Research and Forecast, [3]), na sua vers{\~a}o 3.5, e 
                         WW3 (WaveWatch 3rd Generation, [5]), na vers{\~a}o 3.14, que 
                         s{\~a}o rodados operacionalmente na Climatempo, em 
                         inst{\^a}ncias de grande uso de processamento da Amazon Web 
                         Services (AWS). Estes modelos t{\^e}m apresentado bons resultados 
                         quantitativos na previs{\~a}o de tempo e onda [4]. A unidade 
                         selecionada {\'e} otimizada para computa{\c{c}}{\~a}o de alto 
                         desempenho, com codinome cc2.8xlarge, que tem proporcionalmente 
                         mais recursos de CPU do que mem{\'o}ria (RAM) e s{\~a}o 
                         adequadas para aplicativos com processamento intensivo. Esta 
                         inst{\^a}ncia conta com 60,5 Gb de mem{\'o}ria RAM, 88 unidades 
                         de processamento EC2, 3370 GB de armazenamento de inst{\^a}ncias 
                         locais, plataforma de 64 bits e conex{\~a}o Ethernet de 10 
                         Gigabits. Os processadores s{\~a}o Intel ® Xeon ® CPU E5-2670 0 
                         @2.60 Ghz, totalizando 32 n{\'u}cleos (16 f{\'{\i}}sicos e 16 
                         virtuais). O modelo num{\'e}rico de previs{\~a}o do tempo foi 
                         configurado para um passo de tempo de 30 s, com 4 grades no total, 
                         sendo a grade-m{\~a}e, abrangendo a costa brasileira, com 39 km 
                         de espa{\c{c}}amento horizontal, e as outras 3 grades separadas 
                         para as regi{\~o}es nordeste, sudeste e sul da costa, com 13 km. 
                         J{\'a} o modelo oce{\^a}nico foi ajustado com 2 grades, sendo a 
                         primeira com 1.5º de espa{\c{c}}amento horizontal e abrange o 
                         globo, e a segunda pega toda a costa do atl{\^a}ntica da 
                         Am{\'e}rica do Sul. Ambas as rodadas foram feitas para 24 horas 
                         de previs{\~a}o. Para avalia{\c{c}}{\~a}o do desempenho de 
                         execu{\c{c}}{\~a}o em paralelo foram escolhidos, juntamente com 
                         o tempo, os {\'{\i}}ndices SpeedUp e Efici{\^e}ncia [2], 
                         comumente utilizados para avalia{\c{c}}{\~a}o do desempenho de 
                         modelos num{\'e}ricos de previs{\~a}o em clusters com 
                         v{\'a}rios n{\'u}cleos [1]. Os resultados demonstraram que o WRF 
                         {\'e} otimizado utilizando todas as unidades de processamento 
                         f{\'{\i}}sico (16 cores). A partir disto, o modelo acaba 
                         diminuindo a efici{\^e}ncia n{\~a}o melhorando o tempo ou o 
                         {\'{\i}}ndice de SpeedUp. J{\'a} para o modelo de ondas, a 
                         condi{\c{c}}{\~a}o {\'o}tima dada com 12 n{\'u}cleos, com um 
                         m{\'{\i}}nimo de efici{\^e}ncia para 28 n{\'u}cleos. Na 
                         otimiza{\c{c}}{\~a}o, o tempo de execu{\c{c}}{\~a}o da rodada 
                         do WRF e do WW3 foi respectivamente de 3.3 min e 6.6 min.",
  conference-location = "Natal",
      conference-year = "2014",
                label = "lattes: 2681016875171472 2 MoraisPeSaRaLoPaXa:2014:AnDeCo",
             language = "pt",
           targetfile = "morais_analise.pdf",
               volume = "5",
        urlaccessdate = "11 maio 2024"
}