jueves. 14.11.2024

Un equipo de investigación de la Universidad de Jaén (UJA), junto con la Universidad de Ciencia y Tecnología de Bydgoszcz y la de Gdańsk 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. 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.

En la nube se almacenan y procesan datos y programas sin necesidad de que estén en un ordenador físico, por lo que ya es 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.

La generalización cada vez más extendida de estos servidores requiere la reducción de recursos para que sean más respetuosos con el medio ambiente y para 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 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.

Imagen de un centro de datos.

Imagen de un centro de datos.

Así, 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, se presentan dos modelos matemáticos diferentes con los que han obtenido un consumo de hasta el 67% de energías 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.

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 o 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, organismo dependiente de la Consejería de Universidad, Investigación e Innovación, el investigador de la Universidad de Jaén Francisco Javier Maldonado, coautor de los artículos.

Sistemas expertos sostenibles

Para que los sistemas funcionen adecuadamente, la carga de trabajo y los recursos que consumen han de equilibrarse constantemente. 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. Para las posibles soluciones, las partículas se mueven a través del espacio de posibilidades para encontrar la mejor opción, basándose en su propia experiencia y en la de sus vecinas.

Por otra parte, el modelo KAGWO ('Knowledge Acquisition version of the Gray Wolf Optimizer') simplifica el proceso de implementación, ya que requiere 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.

Concretamente, toma como referencia la táctica de una manada de lobos para cazar a su presa, y 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.

Investigadores andaluces mejoran el suministro de energías sostenibles