ESTRATEGIAS DE APRENDIZAJE POR REFUERZO PARA AUTOESCALADO DE WORKFLOWS CIENTÍFICOS EN INFRAESTRUCTURAS CLOUD

ELINA PACINI; CARLOS CATANIA; YISEL GARI; LUCIANO ROBINO

Mendoza, Mendoza

Jornada; XXVIII Jornadas de Investigación de la Universidad Nacional de Cuyo; 2024

Universidad Nacional de Cuyo

Los workflows científicos representan una importante abstracción para el modelado y la ejecución de experimentos de gran envergadura en múltiples disciplinas. El paradigma de computación Cloud facilita el acceso elástico a la infraestructura computacional requerida para la ejecución de este tipo de aplicaciones. Las estrategias de autoescalado buscan explotar la elasticidad de Cloud para lograr ejecuciones eficientes de los workflow. El autoescalado es un problema de toma de decisiones en el cual es necesario establecer cuándo y cómo incrementar o reducir los recursos computacionales, y cómo ajustarlos a la carga de trabajo actual  considerando algún criterio de optimización como pueden ser el tiempo y el costo económico asociado. El aprendizaje por Refuerzo (AR) aparece como un enfoque promisorio para el autoescalado en Cloud ya que permite aprender políticas adecuadas para el manejo de recursos que a su vez son transparentes (sin intervención humana), dinámicas (sin planes computados estáticamente) y adaptables (constantemente actualizadas). En la presente investigación se desarrolló un autoscalador basado en estrategias de AR para ajustar dinámicamente los recursos virtualizados disponibles y satisfacer las demandas de carga de trabajo variables de los workflows científicos. Al optimizar objetivos como el makespan (tiempo de finalización del flujo de trabajo) y el costo, el autoscaling busca mejorar la eficiencia de la ejecución de workflows en entornos Cloud.