Optimización multiobjetivo para la planificación de trabajos en entornos de computación distribuida

Abstract

El paradigma de la computación Grid es definido como un sistema distribuido que permite compartir, seleccionar y recolectar recursos autónomos distribuidos geográficamente de forma dinámica y descentralizada. Uno de los principales actores en la computación Grid, son los meta-planificadores, cuya principal función es asignar los trabajos a los recursos siguiendo los requisitos computacionales y de calidad de servicio demandados por los usuarios.

Los usuarios a menudo deben de cumplir plazos y presupuestos para experimentos enrolados en importantes proyectos. A causa de eso, la optimización del tiempo de ejecución y el coste económico asociado es un factor clave a considerar en el proceso de planificación de trabajos. Sin embargo, este tipo de objetivos son conflictivos entre ellos, debido a que los recursos más económicos suelen ser más lentos que los más caros.

Actualmente, la computación verde está en auge dentro del campo de la computación y consiste en permitir a las organizaciones usar eficientemente recursos tecnológicos, reduciendo costes mientras se adoptan tecnologías que respeten el medio ambiente. El tiempo de ejecución y el consumo de energía son también objetivos conflictivos entre sí, ya que los recursos con más rendimiento frecuentemente implican un mayor consumo de energía.

En esta Tesis se ha considerado una visión multi-objetivo para minimizar los objetivos conflictivos mencionados. Se han realizado diversos análisis con diferentes topologías distribuidas, workflows y propuestas de optimización multi-objetivo basadas en algoritmos evolutivos e inteligencia colectiva, también se han incluido comparaciones con otros resultados publicados en la literatura y metaplanificadores grid reales.

The paradigm of grid computing is defined as a distributed system that allows sharing, selecting, and collecting autonomous resources geographically distributed in a dynamic and decentralized way. One of the most challenging actors is the metascheduler, which main function is to assign jobs to resources by following computational and quality of service requirements demanded by users.

Users often have to consider deadlines and budgets for experiments related to important projects. Because of that, the optimization of execution time and cost is a key factor to consider in the job scheduling process carried out by the metaschedulers. However, these types of objectives are in conflict with each other, because generally cheaper resources are usually slower than expensive ones.

Green Computing is becoming a popular topic in the computational field in the last few years and it consists of enabling organizations to use technological resources efficiently and reduce costs while adopting technologies that respect the environment. Execution time and energy consumption are also conflicting objectives, because faster resources frequently imply higher energy consumptions.

A multi-objective approach is considered in this Thesis to minimize the mentioned conflicting objectives. Various analyses have been carried out with different distributed topologies, workflows, and multi-objective optimization proposals based on evolutionary and swarm intelligence algorithms. We have also included comparisons with other results published in the literature and with real grid metaschedulers.