Resumen

El paradigma de la computación en la nube se centra en la provisión de infraestructuras virtuales confiables y escalables que ofrecen servicios de ejecución y almacenamiento. Este paradigma es particularmente adecuado para resolver aplicaciones científicas exigentes en recursos como experimentos de barrido de parámetros (PSEs). A través de la implementación de autoscalers, la infraestructura virtual puede escalarse hacia arriba y hacia abajo adquiriendo o terminando instancias de máquinas virtuales (VMs) en el momento en que las tareas de la aplicación están siendo programadas. En este artículo, ampliamos un estudio existente centrado en un autoscaler de última generación llamado autoscaler evolutivo multiobjetivo (MOEA). MOEA utiliza un algoritmo de optimización multiobjetivo para determinar el conjunto de posibles configuraciones de la infraestructura virtual. En este contexto, el rendimiento de MOEA está fuertemente influenciado por el algoritmo de optimización subyacente utilizado y su ajuste. Por lo tanto, analizamos dos algoritmos evolutivos multiobjetivo bien conocidos (

• Materias:Big Data Segmentación de líneas Tráfico de red Reconocimiento de entidad Esquema de programación
• Subjects:Big Data Line segmentation Network traffic Entity recognition Programming scheme
• Palabras claves:Computación en la nube; Infraestructura virtual; Autoscalers; Máquinas virtuales; Algoritmos evolutivos multiobjetivo; Rendimiento
• Keywords:Cloud computing; Virtual infrastructure; Autoscalers; Virtual machines; Multiobjective evolutionary algorithms; Performance