Autoescalado basado en aprendizaje profundo por refuerzo de workflows científicos en la nube

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...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Pacini, Elina, Catania, Carlos Adrián, Garí, Yisel, Robino, Luciano I.
Formato: Objeto de conferencia
Lenguaje:Español
Publicado: 2023
Materias:
Ciencias Informáticas
Cloud
workflow
aprendizaje por refuerzo
Acceso en línea:http://sedici.unlp.edu.ar/handle/10915/164012
Aporte de:
SEDICI (UNLP) de Universidad Nacional de La Plata
id I19-R120-10915-164012
record_format dspace
spelling I19-R120-10915-1640122024-03-20T20:04:19Z http://sedici.unlp.edu.ar/handle/10915/164012 Autoescalado basado en aprendizaje profundo por refuerzo de workflows científicos en la nube Pacini, Elina Catania, Carlos Adrián Garí, Yisel Robino, Luciano I. 2023-04 2023 2024-03-19T17:14:32Z es Ciencias Informáticas Cloud workflow aprendizaje por refuerzo 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). Luego, el Aprendizaje Profundo por Refuerzo (APR) permite además el manejo de espacios de estados y acciones de grandes dimensiones, una importante limitante en los enfoques más clásicos del AR. Red de Universidades con Carreras en Informática Objeto de conferencia Objeto de conferencia http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) application/pdf
institution Universidad Nacional de La Plata
institution_str I-19
repository_str R-120
collection SEDICI (UNLP)
language Español
topic Ciencias Informáticas
Cloud
workflow
aprendizaje por refuerzo
spellingShingle Ciencias Informáticas
Cloud
workflow
aprendizaje por refuerzo
Pacini, Elina
Catania, Carlos Adrián
Garí, Yisel
Robino, Luciano I.
Autoescalado basado en aprendizaje profundo por refuerzo de workflows científicos en la nube
topic_facet Ciencias Informáticas
Cloud
workflow
aprendizaje por refuerzo
description 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). Luego, el Aprendizaje Profundo por Refuerzo (APR) permite además el manejo de espacios de estados y acciones de grandes dimensiones, una importante limitante en los enfoques más clásicos del AR.
format Objeto de conferencia
Objeto de conferencia
author Pacini, Elina
Catania, Carlos Adrián
Garí, Yisel
Robino, Luciano I.
author_facet Pacini, Elina
Catania, Carlos Adrián
Garí, Yisel
Robino, Luciano I.
author_sort Pacini, Elina
title Autoescalado basado en aprendizaje profundo por refuerzo de workflows científicos en la nube
title_short Autoescalado basado en aprendizaje profundo por refuerzo de workflows científicos en la nube
title_full Autoescalado basado en aprendizaje profundo por refuerzo de workflows científicos en la nube
title_fullStr Autoescalado basado en aprendizaje profundo por refuerzo de workflows científicos en la nube
title_full_unstemmed Autoescalado basado en aprendizaje profundo por refuerzo de workflows científicos en la nube
title_sort autoescalado basado en aprendizaje profundo por refuerzo de workflows científicos en la nube
publishDate 2023
url http://sedici.unlp.edu.ar/handle/10915/164012
work_keys_str_mv AT pacinielina autoescaladobasadoenaprendizajeprofundoporrefuerzodeworkflowscientificosenlanube
AT cataniacarlosadrian autoescaladobasadoenaprendizajeprofundoporrefuerzodeworkflowscientificosenlanube
AT gariyisel autoescaladobasadoenaprendizajeprofundoporrefuerzodeworkflowscientificosenlanube
AT robinolucianoi autoescaladobasadoenaprendizajeprofundoporrefuerzodeworkflowscientificosenlanube
_version_ 1807222706892963840

Ejemplares similares