WS-SSA: escalonamento de fluxos de trabalho em computação em nuvem usando o algoritmo de enxame de salpas

Por que um tráfego digital mais inteligente importa

Por trás de cada mapa online, análise médica ou descoberta de ondas gravitacionais existe um emaranhado de tarefas de computador que precisam ser executadas na ordem certa, nas máquinas certas e o mais rápido e barato possível. Na computação em nuvem moderna, esses trabalhos são divididos em milhares de etapas interligadas distribuídas por datacenters ao redor do mundo. Se esse tráfego digital for gerido de forma inadequada, cientistas esperam mais tempo por respostas e provedores consomem mais eletricidade do que o necessário. Este artigo apresenta uma nova forma de orquestrar fluxos de trabalho complexos, usando inspiração de uma fonte inesperada: cadeias de pequenas criaturas oceânicas chamadas salpas.

Como grandes trabalhos científicos são fragmentados

Grandes aplicações científicas e empresariais raramente rodam como um único programa. Em vez disso, são decompostas em muitas tarefas menores que dependem umas das outras. Pesquisadores representam essa estrutura como um grafo acíclico direcionado: nós representam tarefas e setas mostram quais resultados devem ser produzidos antes que outras tarefas possam começar. Em um datacenter em nuvem, essas tarefas são mapeadas para máquinas virtuais — computadores baseados em software que diferem em velocidade, memória e capacidade de rede. O desafio é decidir qual tarefa deve rodar em qual máquina, e quando, de modo que todo o fluxo de trabalho termine o mais rápido possível enquanto se faz bom uso dos recursos.

Por que encontrar o melhor plano é tão difícil

Escolher um escalonamento ideal para milhares de tarefas interdependentes distribuídas por muitas máquinas diferentes é um exemplo clássico de problema dito NP‑difícil: o número de atribuições possíveis explode tão rapidamente que verificar todas é impossível na prática. Por causa disso, sistemas em nuvem dependem de atalhos inteligentes, conhecidos como heurísticas e metaheurísticas, para buscar boas — mas não garantidamente perfeitas — soluções. Regras tradicionais, como primeiro a chegar-primeiro a ser atendido ou round robin, são simples mas ineficientes em grande escala. Abordagens mais avançadas, incluindo algoritmos genéticos, otimização por enxame de partículas e otimização por colônia de formigas, procuram de forma mais inteligente, mas ainda podem ficar presas em soluções medianas, requerer ajuste cuidadoso de parâmetros ou ignorar dependências importantes entre tarefas.

Aprendendo com cadeias de salpas no oceano

O novo método, chamado WS-SSA, adapta o Salp Swarm Algorithm às realidades dos fluxos de trabalho em nuvem. Na natureza, salpas deslocam-se pelo mar em cadeias com um líder à frente e seguidores atrás, ajustando a rota enquanto procuram alimento. WS-SSA trata cada plano de escalonamento possível como um membro dessa cadeia. O melhor plano conhecido desempenha o papel de “alimento”, guiando o movimento do escalonamento líder, enquanto os seguidores ajustam-se gradualmente em direção a regiões promissoras. Uma escolha de projeto-chave é que cada posição nesse enxame artificial codifica diretamente qual máquina virtual executa cada tarefa, usando inteiros simples em vez de valores contínuos que precisariam ser traduzidos depois. Combinado com uma ordenação cuidadosa das tarefas que sempre respeita suas dependências, isso garante que cada escalonamento candidato considerado pelo enxame seja válido e imediatamente executável.

Colocando o novo planejador à prova

Para avaliar o desempenho do WS-SSA, os autores executaram simulações extensivas usando o WorkflowSim, um conjunto de ferramentas que imita fluxos de trabalho científicos reais sobre o ambiente amplamente usado CloudSim. Testaram cinco aplicações de referência das áreas de astronomia, sismologia, física de ondas gravitacionais e bioinformática, com tamanhos de fluxo de trabalho variando de poucas dezenas a mil tarefas e configurações de nuvem variando de algumas a cem máquinas virtuais. WS-SSA foi comparado com seis regras clássicas de escalonamento e três métodos metaheurísticos modernos, incluindo o algoritmo de otimização de baleias, algoritmos genéticos e otimização por enxame de partículas. A métrica principal foi o tempo total de conclusão, ou makespan, enquanto o consumo total de energia pelas máquinas virtuais foi acompanhado como uma medida secundária estreitamente relacionada.

O que os resultados significam para tempo e energia

Ao longo desse amplo conjunto de experimentos, o WS-SSA produziu consistentemente escalonamentos mais rápidos do que os métodos concorrentes. Em média, reduziu o makespan em cerca de um terço em comparação com heurísticas tradicionais, e ainda obteve ganhos de algumas a mais de vinte porcento sobre metaheurísticas bem estabelecidas. Como o tempo ocioso e a computação desperdiçada também foram reduzidos, o consumo total de energia caiu em paralelo — frequentemente em margens semelhantes — sem que o algoritmo precisasse otimizar explicitamente o uso de energia. Testes estatísticos em 30 execuções independentes confirmaram que essas melhorias não foram fruto do acaso, especialmente para fluxos de trabalho maiores e mais complexos. O estudo mostra que uma versão discreta e simples da estratégia inspirada em salpas pode navegar de forma confiável pelo enorme espaço de escalonamentos possíveis e adaptar-se a diferentes estruturas de fluxo de trabalho e configurações de máquinas.

Ciência mais rápida com nuvens mais eficientes

Em termos práticos, WS-SSA é um controlador de tráfego mais inteligente para a rodovia de dados que sustenta a ciência moderna e serviços em nuvem. Ao coordenar quando e onde cada tarefa é executada, encurta o tempo entre o disparo de um trabalho complexo e a obtenção do resultado final, ao mesmo tempo em que reduz a conta de energia dos datacenters subjacentes. O trabalho não altera como os fluxos de trabalho em si são definidos; em vez disso, oferece uma forma mais eficiente de executá‑los em plataformas de nuvem existentes. Extensões futuras que considerem custo, energia e prazos simultaneamente poderiam transformar esses escalonadores inspirados em enxames em uma ferramenta importante para infraestruturas de computação mais verdes e mais responsivas.

Citação: Sharawy, A.A., Sakr, R.H., Eladrosy, W. et al. WS-SSA: workflow scheduling in cloud computing using salp swarm algorithm. Sci Rep 16, 13402 (2026). https://doi.org/10.1038/s41598-026-48037-w

Palavras-chave: escalonamento de fluxo de trabalho na nuvem, otimização metaheurística, algoritmo de enxame de salpas, computação científica, nuvem energeticamente eficiente