Esta tese apresenta uma abordagem dinâmica e incremental para a exploração de características de execução e de submissão de aplicações paralelas visando o escalonamento de processos. Modelos de classificação e de predição de características de aplicações são construídos, utilizando algoritmos de aprendizado de máquina adaptados como ferramentas para a aquisição de conhecimento sobre a carga de trabalho. Os paradigmas conexionista e baseado em instâncias orientam a aquisição de conhecimento e os algoritmos e suas extensões permitem a atualização do conhecimento obtido, a medida que informações mais recentes tomamse disponíveis. Esses algoritmos são implementados e avaliados utilizando informações obtidas através da monitoração da execução de aplicações paralelas e da utilização de traços de execução representativos da carga de trabalho sequencial e paralela de diferentes centros de computação. A avaliação é conduzida visando observar o desempenho nas tarefas de aquisição de conhecimento e classificação, assim como o desempenho computacional das implementações dos algoritmos. Algoritmos de escalonamento são definidos e avaliados para observar as vantagens da utilização do conhecimento adquirido, considerando cenários de execução baseados em máquinas paralelas e sistemas distribuídos. Os resultados obtidos com este trabalho justificam a importância da utilização desse conhecimento nas decisões do software de escalonamento em sistemas computacionais distribuídos e contribuem para a definição de mecanismos adequados para a aquisição e utilização desse conhecimento em sistemas paralelos reais.

This thesis presents a dynamic and incremental approach for exploring execution and submission characteristics of parallel applications aiming at improving process scheduling. Models for classifying and predicting applications behavior are developed, considering machine learning algorithms as tools for acquiring knowledge about workload. The neural network and instancebased paradigms guide the knowledge acquisition and the algorithms and their extensions allow knowledge updating when new information occurs. The algorithms are implemented and evaluated using information obtained from monitoring the parallel application execution and using representative sequential and parallel workload traces acquired from different computing centers. The evaluation is conducted aiming at observing the knowledge acquisition and classilication tasks performance as well as the algorithms implementation computing performance. Scheduling algorithms are developed and evaluated for observing the knowledge utilization improvements, using parallel machines and distributed systems as an execution platform. The results obtained in this thesis justify the importance of employing knowledge for software scheduling decisions on distributed computing systems and allow developing suitable mechanisms for acquiring and using application knowledge in real parallel systems.