Biological Sequence Comparison on Cloud-Based GPU Environment

Sousa, Walisson P.; Soares, Filipe M.; Brum, Rafaela; Figueiredo, Marco; Melo, Alba Cristina Magalhães Alves de; Castro, Maria Clicia Stelling de; Bentes, Cristiana

doi:10.1007/978-3-031-29769-4_12

High Performance Computing in Clouds 2023

DOI: 10.1007/978-3-031-29769-4_12

|View full text |Cite

Biological Sequence Comparison on Cloud-Based GPU Environment

Walisson P. Sousa

Filipe M. Soares

Rafaela Brum

et al.

Help me understand this report

Search citation statements

Order By: Relevance

Paper Sections

Select...

Citation Types

Supporting

Mentioning

Contrasting

Year Published

2023

Publication Types

Select...

Other1

Relationship

Self Cite0

Independent1

Authors

Journals

Cited by 1 publication

References 30 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

Análise de Custo e Desempenho de um Sistema de Modelagem Atmosférica Tolerante a Falhas no AWS ParallelCluster

Melo,

Drummond,

Souto

2023

Anais Do XXIV Simpósio Em Sistemas Computacionais De Alto Desempenho (SSCAD 2023)

View full text Add to dashboard Cite

Este trabalho teve como objetivo analisar o desempenho do modelo de previsão numérica do tempo BRAMS em execução em um cluster AWS criado com o AWS ParallelCluster em diferentes mercados de instâncias, comparandoo com a execução no supercomputador Santos Dumont. Foi proposta uma metodologia para executar uma versão tolerante a falhas do BRAMS no mercado de Spot, onde as instâncias podem ser revogadas, embora ofereçam custos mais baixos. Os tempos de execução na nuvem foram satisfatórios quando comparados ao Santos Dumont. Em geral, a solução Spot reduziu o custo financeiro quando comparado ao uso de instâncias regulares On-Demand. Apenas em um cenário com muitas revogações, o que consequentemente aumenta o tempo de execução e o custo, a opção de usar o mercado On-Demand foi mais adequada.

show abstract

Análise de Custo e Desempenho de um Sistema de Modelagem Atmosférica Tolerante a Falhas no AWS ParallelCluster

Melo,

Drummond,

Souto

2023

Anais Do XXIV Simpósio Em Sistemas Computacionais De Alto Desempenho (SSCAD 2023)

View full text Add to dashboard Cite

show abstract

scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.

Contact Info

hi@scite.ai

10624 S. Eastern Ave., Ste. A-614

Henderson, NV 89052, USA

Blog Terms and Conditions API Terms Privacy Policy Contact Cookie Preferences Do Not Sell or Share My Personal Information

Made with 💙 for researchers

Part of the Research Solutions Family.

Biological Sequence Comparison on Cloud-Based GPU Environment

Cited by 1 publication

References 30 publications

Análise de Custo e Desempenho de um Sistema de Modelagem Atmosférica Tolerante a Falhas no AWS ParallelCluster

Análise de Custo e Desempenho de um Sistema de Modelagem Atmosférica Tolerante a Falhas no AWS ParallelCluster

Contact Info

Product

Resources

About