Predicción de consumo de recursos para la ejecución de procesos

García Hernández, Antonio

Predicción de consumo de recursos para la ejecución de procesos

La creación y consumo de datos a través de internet ha experimentado un incremento en los últimos años que implica que cada vez sea más necesario disponer de aplicaciones basadas en tecnologías Big Data que puedan tratar con esa información y obtener un valor de esos datos. Estas tecnologías general...

Descripción completa

Detalles Bibliográficos
Autor:	García Hernández, Antonio
Tipo de recurso:	tesis de maestría
Fecha de publicación:	2022
País:	España
Institución:	Universidad Nacional de Educación a Distancia
Repositorio:	e-spacio. Repositorio Institucional de la UNED
Idioma:	español
OAI Identifier:	oai:e-spacio.uned.es:20.500.14468/14197
Acceso en línea:	https://hdl.handle.net/20.500.14468/14197
Access Level:	acceso abierto
Palabra clave:	1203.04 Inteligencia artificial predicción de consumo de recursos series temporales Google Borg Cluster Traces v3 aprendizaje automático aprendizaje automático profundo Jupyter Notebook Python3 Scikit-Learn Keras TensorFlow

id	ES_761a7a3de3a44cf35ba34ff10e60eecd
oai_identifier_str	oai:e-spacio.uned.es:20.500.14468/14197
network_acronym_str	ES
network_name_str	España
repository_id_str
spelling	Predicción de consumo de recursos para la ejecución de procesosGarcía Hernández, Antonio1203.04 Inteligencia artificialpredicción de consumo de recursosseries temporalesGoogle Borg ClusterTraces v3aprendizaje automáticoaprendizaje automático profundoJupyter NotebookPython3Scikit-LearnKerasTensorFlowLa creación y consumo de datos a través de internet ha experimentado un incremento en los últimos años que implica que cada vez sea más necesario disponer de aplicaciones basadas en tecnologías Big Data que puedan tratar con esa información y obtener un valor de esos datos. Estas tecnologías generalmente funcionan de modo distribuido sobre plataformas empresariales que pueden alcanzar en algunos casos miles de máquinas de procesamiento. Dado que estas plataformas van a gestionar cada vez más volumen de datos, se hace necesario optimizar los recursos existentes en la infraestructura de modo que se continue dando servicio a la ejecución de esas aplicaciones de un modo más eficiente. Una opción podría ser planificar la ejecución de aplicaciones conociendo cuando se van a producir los mayores consumos de recursos por parte de estas. De modo que se pudiese adelantar o retrasar algunos trabajos planificados para que sus picos de consumo no coincidan en tiempo y finalicen incorrectamente por falta de recursos en el sistema. En este trabajo se analizará un conjunto de datos real extraído de una plataforma de procesamiento distribuido donde multitud de aplicaciones ejecutan sus tareas de modo paralelizado y concurrente. Posteriormente, los datos serán utilizados para crear modelos de aprendizaje automático mediante series temporales con la idea de predecir, para la próxima ejecución de una determinada aplicación, cuando se producirá su pico de consumo máximo y cuál será el valor de este.Over the last years, creation and consumption of internet data has been increased. This makes necessary using Big Data technologies for managing these data and getting a value from them. Usually, these technologies work in distributed business environments that can amount to thousands of machines. As these platforms are expected to manage an increasing data volume, finding new ways for optimizing the available resources are needed, so they can continue providing support to those applications that must be executed in distributed environments. One possible solution could be scheduling the applications executions based on their peak resource consumptions. This way, several jobs could be delayed or forwarded so they cannot reach their consumption peaks at the same time and avoid evicting them due to the lack of available resources. This work will analyze a real distributed environment dataset where lots of applications are executed in a parallel way. Next, the dataset will be used for building time series machine learning models that will be able to forecast when will be the consumption peak and what is its value for the next execution of a certain application.Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia ArtificialCaminero Herráez, Agustín CarlosCuadra Troncoso, José Manuele-Spacio UNED20242024-05-2020222022-10-1020222022-10-10master thesishttp://purl.org/coar/resource_type/c_bdccinfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/20.500.14468/14197reponame:e-spacio. Repositorio Institucional de la UNEDinstname:Universidad Nacional de Educación a DistanciaEspañolspaopen accesshttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-nd/4.0/deed.esoai:e-spacio.uned.es:20.500.14468/141972026-06-06T12:38:31Z
dc.title.none.fl_str_mv	Predicción de consumo de recursos para la ejecución de procesos
title	Predicción de consumo de recursos para la ejecución de procesos
spellingShingle	Predicción de consumo de recursos para la ejecución de procesos García Hernández, Antonio 1203.04 Inteligencia artificial predicción de consumo de recursos series temporales Google Borg Cluster Traces v3 aprendizaje automático aprendizaje automático profundo Jupyter Notebook Python3 Scikit-Learn Keras TensorFlow
title_short	Predicción de consumo de recursos para la ejecución de procesos
title_full	Predicción de consumo de recursos para la ejecución de procesos
title_fullStr	Predicción de consumo de recursos para la ejecución de procesos
title_full_unstemmed	Predicción de consumo de recursos para la ejecución de procesos
title_sort	Predicción de consumo de recursos para la ejecución de procesos
dc.creator.none.fl_str_mv	García Hernández, Antonio
author	García Hernández, Antonio
author_facet	García Hernández, Antonio
author_role	author
dc.contributor.none.fl_str_mv	Caminero Herráez, Agustín Carlos Cuadra Troncoso, José Manuel e-Spacio UNED
dc.subject.none.fl_str_mv	1203.04 Inteligencia artificial predicción de consumo de recursos series temporales Google Borg Cluster Traces v3 aprendizaje automático aprendizaje automático profundo Jupyter Notebook Python3 Scikit-Learn Keras TensorFlow
topic	1203.04 Inteligencia artificial predicción de consumo de recursos series temporales Google Borg Cluster Traces v3 aprendizaje automático aprendizaje automático profundo Jupyter Notebook Python3 Scikit-Learn Keras TensorFlow
description	La creación y consumo de datos a través de internet ha experimentado un incremento en los últimos años que implica que cada vez sea más necesario disponer de aplicaciones basadas en tecnologías Big Data que puedan tratar con esa información y obtener un valor de esos datos. Estas tecnologías generalmente funcionan de modo distribuido sobre plataformas empresariales que pueden alcanzar en algunos casos miles de máquinas de procesamiento. Dado que estas plataformas van a gestionar cada vez más volumen de datos, se hace necesario optimizar los recursos existentes en la infraestructura de modo que se continue dando servicio a la ejecución de esas aplicaciones de un modo más eficiente. Una opción podría ser planificar la ejecución de aplicaciones conociendo cuando se van a producir los mayores consumos de recursos por parte de estas. De modo que se pudiese adelantar o retrasar algunos trabajos planificados para que sus picos de consumo no coincidan en tiempo y finalicen incorrectamente por falta de recursos en el sistema. En este trabajo se analizará un conjunto de datos real extraído de una plataforma de procesamiento distribuido donde multitud de aplicaciones ejecutan sus tareas de modo paralelizado y concurrente. Posteriormente, los datos serán utilizados para crear modelos de aprendizaje automático mediante series temporales con la idea de predecir, para la próxima ejecución de una determinada aplicación, cuando se producirá su pico de consumo máximo y cuál será el valor de este.
publishDate	2022
dc.date.none.fl_str_mv	2022 2022-10-10 2022 2022-10-10 2024 2024-05-20
dc.type.none.fl_str_mv	master thesis http://purl.org/coar/resource_type/c_bdcc
dc.type.openaire.fl_str_mv	info:eu-repo/semantics/masterThesis
format	masterThesis
dc.identifier.none.fl_str_mv	https://hdl.handle.net/20.500.14468/14197
url	https://hdl.handle.net/20.500.14468/14197
dc.language.none.fl_str_mv	Español spa
language_invalid_str_mv	Español
language	spa
dc.rights.none.fl_str_mv	open access http://purl.org/coar/access_right/c_abf2 info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
rights_invalid_str_mv	open access http://purl.org/coar/access_right/c_abf2 https://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
eu_rights_str_mv	openAccess
dc.format.none.fl_str_mv	application/pdf
dc.publisher.none.fl_str_mv	Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial
publisher.none.fl_str_mv	Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial
dc.source.none.fl_str_mv	reponame:e-spacio. Repositorio Institucional de la UNED instname:Universidad Nacional de Educación a Distancia
instname_str	Universidad Nacional de Educación a Distancia
reponame_str	e-spacio. Repositorio Institucional de la UNED
collection	e-spacio. Repositorio Institucional de la UNED
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_	1869411027686260736
score	15,811543

Predicción de consumo de recursos para la ejecución de procesos

Similares en LA Referencia