Un equipo de investigación de la Universidad de Jaén ha desarrollado dos nuevos modelos matemáticos que optimizan el trabajo en los grandes centros de datos aumentando el consumo de renovables para reducir la huella ambiental. Los investigadores han logrado obtener un rendimiento óptimo de las máquinas funcionando con un 67% de electricidad amable con el medio ambiente.
Fundación Descubre.- Un equipo de investigación de la Universidad de Jaén, junto con la Universidad de Ciencia y Tecnología de Bydgoszcz y la de Gda?sk de Polonia, ha optimizado el consumo con cualquier tipo de energías renovables en los centros de datos con dos nuevos modelos matemáticos. Con la aplicación de estos sistemas, se reduce la huella ambiental de las máquinas que gestionan la información y ejecutan los procesos en remoto. Esto contribuye a equilibrar la alta demanda de recursos informáticos actuales y la responsabilidad ecológica.
En la nube, se almacenan y procesan datos y programas sin necesidad de que estén en un ordenador físico al alcance. Es ya frecuente guardar archivos, fotos o programas en servidores externos que están conectados a Internet. Esos grandes centros de datos consumen una ingente cantidad de recursos tanto energéticos, de funcionamiento y refrigeración, como de espacio físico, ancho de banda y personal de mantenimiento.
El investigador de la Universidad de Jaén Francisco Javier Maldonado, coautor de los artículos.
La generalización cada vez más extendida de estos servidores requieren la reducción de estos recursos para que sean más respetuosos con el medio ambiente y minimizar su impacto en la sociedad. En esa línea, la necesidad de sustituir el consumo de energía tradicional en los sistemas de computación entra en conflicto actualmente con la exigencia de mantener un rendimiento constante y fiable, debido a la intermitencia y limitaciones tecnológicas de las fuentes de energía renovables.
Los algoritmos que han incluido los expertos en la gestión de las máquinas exploran diversas configuraciones y encuentran la mejor forma de distribuir la energía renovable según las condiciones cambiantes, lo que maximiza su uso y minimiza el impacto de la intermitencia.
Así, presentan en el artículo ‘Game theory-based virtual machine migration for energy sustainability in cloud data centers’, publicado en la revista Applied Energy, y en ‘Enhanced virtual machine migration for energy sustainability optimization in cloud computing through knowledge acquisition’, de Computers and Electrical Engineering dos modelos matemáticos diferentes con los que han obtenido un consumo de hasta el 67% de sostenibles, mejorando otros sistemas utilizados con anterioridad, como el Q-Learning o enfoques rígidos, que no podían adaptarse de manera ágil a los cambios en la oferta y demanda de energía en tiempo real.
Esquema del funcionamiento de la Teoría de Juegos incluyendo el algoritmo PSO-GTA.
Las propuestas de los investigadores se centran en la adquisición de conocimiento automático (PSO), por el que la máquina aprende a medida que va gestionando procesos, y la teoría de juegos. Este modelo matemático está basado en la toma de decisiones estratégicas y en los resultados que se obtienen cuando varios agentes interactúan entre sí. “Como si de un juego de naipes se tratara, se analizan situaciones de conflicto en el suministro de energía teniendo en cuenta las características de cada máquina, su capacidad de carga, la velocidad, el almacenamiento ocupado… Así, se decide cuál es la que debe ejecutar la tarea que se le asigna y si puede funcionar con energía renovable para un trabajo adecuado”, indica a la Fundación Descubre el investigador de la Universidad de Jaén Francisco Javier Maldonado, coautor de los artículos.
Para que los sistemas funcionen adecuadamente, la carga de trabajo y los recursos que consumen han de equilibrarse de manera constante. En este sentido, las máquinas deben tomar decisiones que vayan encaminadas a esa misión y poder adaptarse a las fluctuaciones tanto en la disponibilidad de energía como en las demandas computacionales.
Por un lado, el modelo llamado PSO-GTA combina la teoría de juegos y algoritmos de enjambre de partículas (Particle Swarm Optimization–Game Theory Approach) que se basan en el comportamiento de algunos animales en su grupo. Las posibles soluciones, las partículas, se mueven a través del espacio de posibilidades para encontrar la mejor opción, basándose en su propia experiencia y la de sus vecinas.
Por otra parte, el modelo KAGWO (Knowledge Acquisition version of the Gray Wolf Optimizer) simplifica el proceso de implementación al requerir menos ajustes en la configuración. Es lo que se conoce como modelo bioinspirado, es decir, basado en la manera en la que algunos animales se comportan para tomar decisiones y adquirir conocimiento.
Los grandes centros de datos deben sustituir el consumo de energía tradicional en los sistemas de computación, al mismo tiempo que mantener un rendimiento constante y fiable. Pixabay.
Concretamente, toma de referencia la táctica de una manada de lobos para cazar a su presa que se enfoca en la creación de triángulos concéntricos que se van moviendo para favorecer el ataque en un momento dado. De la misma forma, las máquinas se fijan un objetivo, como ejecutar la tarea de la manera más sencilla y con los menores recursos energéticos posibles. “Simultáneamente, como los lobos, establecen la mejor estrategia de movimiento de las máquinas virtuales donde se deben lanzar los programas o aplicaciones con unas reglas concretas previamente dadas”, añade el investigador.
Ambos modelos han obtenido resultados similares en las pruebas realizadas en los servidores de la propia Universidad de Jaén que cuenta con cuatro grandes centros de datos. Los investigadores continúan sus trabajos orientándolos al uso de técnicas avanzadas, como redes neuronales, y hacia estudios comparativos más amplios para mejorar los métodos de optimización en la computación en la nube.
Los trabajos se han financiado con el proyecto ‘Optimización de la sostenibilidad energética en centros de computación cloud mediante planificación experta con análisis de la interpretabilidad’ de la Consejería de Universidad, Investigación e Innovación de la Junta de Andalucía.