Programación y gestión adaptativa de tareas eficiente en energía y optimizada para QoS en nubes

La enorme energía consumida por las nubes representa un desafío significativo para los proveedores de servicios en la nube y los operadores de redes inteligentes. Debido a preocupaciones de rendimiento, las aplicaciones generalmente se ejecutan en diferentes nubes ubicadas en múltiples sitios. En diferentes nubes, muchos factores, incluidos los precios de la electricidad, los servidores disponibles y las tasas de servicio de tareas, presentan variaciones espaciales. Por lo tanto, es importante gestionar y programar tareas entre múltiples nubes de una manera que ofrezca alta calidad de servicio y bajo costo energético. Este trabajo propone un método de programación de tareas para minimizar conjuntamente el costo energético y la posibilidad de pérdida promedio de tareas (ATLP) en las nubes. Se formula un problema y se aborda con una evolución diferencial biobjetivo adaptativa basada en el recocido simulado para determinar un conjunto de soluciones en tiempo real y casi óptimas. Se elige una solución final en el punto de rodilla para especificar servidores adecuados en nubes y la asignación de tareas entre portales web. Los resultados de simulación basados en datos realistas demuestran que se obtiene una menor posibilidad de pérdida promedio de tareas y un costo energético más bajo en comparación con sus pares ampliamente utilizados. Nota para los profesionales —Este trabajo considera la optimización conjunta de tanto el ATLP como el costo energético promedio de todas las nubes. Es de gran importancia ejecutar tareas entre múltiples nubes asignando conjuntamente todas las tareas entre múltiples portales web y especificando servidores adecuados en diferentes nubes. Sin embargo, es un desafío lograr una optimización conjunta en un mercado donde factores, incluidos los precios de la electricidad y los servidores disponibles, muestran variaciones espaciales. Los estudios actuales son de grano grueso y no logran alcanzar conjuntamente la minimización del costo energético promedio y la optimización de la calidad del servicio de las tareas. En este trabajo, se propone un nuevo algoritmo denominado evolución diferencial biobjetivo basada en recocido simulado adaptativo para una estrategia de programación de tareas optimizada para costo energético y calidad de servicio en tiempo real. Los experimentos demuestran que logra un menor costo energético y ATLP en comparación con sus pares típicamente utilizados. También puede aplicarse a otras áreas industriales, incluyendo manufactura inteligente, Internet de las Cosas y ciudades inteligentes.