Impacto do Uso de Virtualização na Execução de Modelos Preditivos com Ia para Agricultura Digital

Resumo

O aumento do uso de técnicas baseadas em Inteligência Artificial (IA) na sociedade contemporânea aumenta a demanda por recursos naturais e tecnológicos, tornando necessária a discussão de formas mais eficientes para execução desses modelos e, consequentemente, uma mitigação do impacto ambiental. Nesse sentido, surge a virtualização através das máquinas virtuais (MV), técnica aplicada para a execução de máquinas convidadas (guests), com recursos definidos e isolados, que operam de forma independente sobre uma máquina hospedeira (host), o que é viabilizado pelo hipervisor, software responsável por criar e gerenciar tais ambientes virtuais, que cria uma camada extra que em tese pode culminar em um impacto no desempenho e na ocorrência dos eventos de hardware. Em síntese, MV são essenciais no contexto de servidores, pois sua utilização permite a consolidação de cargas de trabalho em uma mesma infraestrutura física, enquanto oferece partição de recursos, isolamento e flexibilidade de configuração, de certa forma endossando uma computação mais sustentável com um melhor aproveitamento dos recursos. Dessa forma, o presente estudo se concentra na comparação quantitativa, por meio de avaliação experimental desses ambientes computacionais, com a execução de um modelo voltado à agricultura digital e baseado em Redes Neurais Recorrentes para a predição da oferta de massa de forragem em uma área de manejo bovino (potreiro), integrando assim um Sistema de Apoio à Decisão, contrastando com a performance obtida quando executado em uma máquina host. Mais especificamente, este modelo faz uso de uma arquitetura Long Short-Term Memory (LSTM) e possui como entrada amostras de variáveis meteorológicas e de ambiente, coletadas em campo nativo do bioma Pampa, sendo processadas por três camadas de 30, 15 e 1 neurônios, tendo uma saída expressa em kg/ha. Adotou-se o sistema operacional GNU/Linux (Ubuntu 22.04.05 LTS) e, para a execução do modelo em MV, utilizou-se o VMware Workstation 17, em sua versão gratuita, com quatro gigabytes (GB) de memória e quatro núcleos reservados a cada MV, executadas em um host composto por um microprocessador multicore AMD Ryzen 7 5700U de até 4,3 GHz e 8 núcleos com 16 threads, placa de vídeo integrada AMD Radeon Graphics 8, 12 GB de memória DDR4, sendo que nos testes com a máquina host apenas 4 núcleos foram mantidos ativos a fim da experimentação com ambientes mais similares. O escopo dos experimentos buscou evidenciar o comportamento do tempo de execução e dos eventos de hardware em diferentes cenários e ambientes, com foco no paralelismo de duas instâncias e na distribuição dessa carga, com captura dos dados através da ferramenta de instrumentação oficial do Linux, o Perf, repetindo cada teste dez vezes. A análise desses eventos de hardware se deu através da quantidade de ciclos, instruções, falhas de página, migrações, desvios, migrações de Unidade Central de Processamento (CPU), Stalled Cycles Frontend (SCF) e a média de CPUs utilizadas. No que tange o tempo de execução, constatou-se que, ao adotar a execução em MV, ele triplica, indo de 116,69 segundos (s) para 391,67 s, com essa razão crescendo ainda mais no caso em que há execução concorrente de instâncias do modelo em uma única MV (superando 500 s), demonstrando que a distribuição da carga entre diferentes MV foi eficaz. Já nos eventos de hardware, o comportamento para os ciclos e as instruções é análogo ao do tempo de execução, visto que compõem a equação para cálculo de desempenho, mas também nota-se um aumento de 60% nas falhas de página nos ambientes virtualizados, reflexo da sobreposição entre a gerência de memória do host e da MV, bem como observado nos desvios, com acréscimo de 162%, consequência da maior carga de instruções e da forma como a virtualização manipula o fluxo de execução, e nos SCF, com aumento de 235%, resultado da mediação feita pelo hipervisor entre a MV e o hardware, o que introduz atrasos adicionais no envio e decodificação das instruções, além de um uso médio de CPUs ligeiramente menor nos ambientes virtualizados. Em contrapartida, as migrações de CPUs decrescem cerca 70% em MV, indicando maior liberdade do escalonador em realocar processos no host, havendo mais restrições com a virtualização. Os resultados indicam que a execução do modelo em MV aumenta o tempo de processamento devido à sobrecarga do hipervisor, refletida nos eventos de hardware. A distribuição das instâncias entre MV trouxe ganhos sobre a execução concentrada, evidenciando que desta forma a virtualização é uma alternativa viável para gerenciamento de recursos em IA, especialmente em servidores. Ressalta-se ainda a indissociabilidade entre ensino, pesquisa e extensão do estudo, articulando conceitos acadêmicos a problemas reais do Pampa gaúcho e indo ao encontro do subdesafio de Desenvolver algoritmos energeticamente eficientes, recentemente reforçado pela Sociedade Brasileira de Computação (Grandes Desafios da Computação 2025-2035).