Pular para o conteúdo principal

Máquinas Virtuais ou Container - qual escolher?

 Em fases posteriores da pesquisa é possível que seja necessário provisionar um ambiente para o experimento por isso assisti essa palestra para entender melhor as diferenças entre Máquinas Virtuais e Containers.

Link do vídeo: https://youtu.be/RVJrlT6lGF0

Hands On em Ambientes Virtuais (Canal Instituto de Computação - UFF)

O Hands-on mostrará conceitos e passos principais para criação e manipulação de ambientes virtuais, com contêineres, através de Docker Containers e Máquinas Virtuais como por exemplo, KVM  

Material disponível em: https://bit.ly/2EWW3Ku


Interessante as diferenças em deploy de hypervisors:

1) bare metal (server): não tem Host OS, o hypervisor roda direto no hardware da máquina

2) hosted (computador pessoal): o hypervisor roda sob o Host OS, ou seja, depende do sistema operacional da máquina, o que inclui mais uma camada no ambiente


O container garante o isolamento através do contexto e a limitação dos recursos que a aplicação vai utilizar da máquina através do control groups. Com diferentes contextos podemos usar diferentes versões do mesmo software. Com os control groups podemos limitar por exemplo a memória usada. Mas o container depende do kernel da máquina onde foram instalados então as dependências do kernel são definidas a priori porém isso confere mais leveza ao ambiente (menos overhead). 

Docker é uma ferramenta de gerenciamento de container. É possível empacotar uma aplicação com os pré requisitos dela e criar uma imagem ISO para ser transportada para outras máquinas. A configuração da máquina fica no arquivo DockerFile onde é especificado desde a ISO do kernel base até o comando de inicialização da aplicação. 

A imagem da máquina pode receber um rótulo e uma versão, a versão otimiza a criação da imagem. O tamanho da imagem aqui é bem menor que de uma máquina virtual. 

Criação
sudo docker build -t <dono do repo no Docker Hub/nome da image:versão> <local para criar a imagem> 

Listar as imagens
sudo docker images

Executar
sudo docker run --name <nome do container> <dono do repo no Docker Hub/nome da image:versão>

Listar os containers que estão em execução
sudo docker ps -a
sudo docker stat

Atenção: o container só permanece em execução se a aplicação estiver ativa! 

Para publicar no DockerHub
sudo docker push <dono do repo no Docker Hub/nome da image:versão>

Alterar configurações (uso de recursos)
sudo docker update -m <memória> <nome do container>

No diretório /sys/fs/cgroups existem subdiretórios para cada tipo de recurso dos containers no ar. 

Para executar de modo iterativo inclua -it no comando de run. 
sudo docker start -it --name <nome do container> <dono do repo no Docker Hub/nome da image:versão>

Atenção: é possível no modo iterativo, executar comandos top e ps e visualizar somente os processos do container ! 




Comentários

Postagens mais visitadas deste blog

Connected Papers: Uma abordagem alternativa para revisão da literatura

Durante um projeto de pesquisa podemos encontrar um artigo que nos identificamos em termos de problema de pesquisa e também de solução. Então surge a vontade de saber como essa área de pesquisa se desenvolveu até chegar a esse ponto ou quais desdobramentos ocorreram a partir dessa solução proposta para identificar o estado da arte nesse tema. Podemos seguir duas abordagens:  realizar uma revisão sistemática usando palavras chaves que melhor caracterizam o tema em bibliotecas digitais de referência para encontrar artigos relacionados ou realizar snowballing ancorado nesse artigo que identificamos previamente, explorando os artigos citados (backward) ou os artigos que o citam (forward)  Mas a ferramenta Connected Papers propõe uma abordagem alternativa para essa busca. O problema inicial é dado um artigo de interesse, precisamos encontrar outros artigos relacionados de "certa forma". Find different methods and approaches to the same subject Track down the state of the art rese...

Aprendizado de Máquina Relacional

 Extraído de -> https://www.lncc.br/~ziviani/papers/Texto-MC1-SBBD2019.pdf   Aprendizado de máquina relacional (AMR) destina-se à criação de modelos estatísticos para dados relacionais (seria o mesmo que dados conectados) , isto é, dados cuja a informação relacional é tão ou mais impor tante que a informação individual (atributos) de cada elemento.    Essa classe de aprendizado tem sido utilizada em diversas aplicações, por exemplo, na extração de informação de dados não estruturados [Zhang et al. 2016] e na modelagem de linguagem natural [Vu et al. 2018].   A adoção de técnicas de aprendizado de máquina relacional em tarefas de comple mentação de grafo de conhecimento se baseia na premissa de existência de regularidades semânticas presentes no mesmo . Modelos grafos probabilísticos  Baseada em regras / heurísticas que não podem garantir 100% de precisão no resultado da inferência mas os resultados podem ser explicados. Modelos de características de ...

Knowledge Graph Embedding with Triple Context - Leitura de Abstract

  Jun Shi, Huan Gao, Guilin Qi, and Zhangquan Zhou. 2017. Knowledge Graph Embedding with Triple Context. In Proceedings of the 2017 ACM on Conference on Information and Knowledge Management (CIKM '17). Association for Computing Machinery, New York, NY, USA, 2299–2302. https://doi.org/10.1145/3132847.3133119 ABSTRACT Knowledge graph embedding, which aims to represent entities and relations in vector spaces, has shown outstanding performance on a few knowledge graph completion tasks. Most existing methods are based on the assumption that a knowledge graph is a set of separate triples, ignoring rich graph features, i.e., structural information in the graph. In this paper, we take advantages of structures in knowledge graphs, especially local structures around a triple, which we refer to as triple context. We then propose a Triple-Context-based knowledge Embedding model (TCE). For each triple, two kinds of structure information are considered as its context in the graph; one is the out...