Un equipo de investigación de la Universidad de Jaén (UJA), junto con la Universidad de Ciencia y Tecnología de Bydgoszcz y la de Gdansk 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.
Según ha detallado la Consejería de Universidad, Investigación e Innovación en una nota, esta medida 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 citada Consejería.
En la nube se almacenan y procesan datos y programas sin necesidad de que estén en un ordenador físico al alcance. Es ya frecuente guardar archivos, fotos o programas en servidores externos que están conectados a Internet. Esos centros de datos consumen una gran 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 requieren la reducción de estos 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 actualmente 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.
Así, presentan 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 dos modelos matemáticos diferentes con los que han obtenido un consumo de hasta el 67% de 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.
En este sentido, el investigador de la Universidad de Jaén Francisco Javier Maldonado, coautor de los artículos, ha explicado a la Fundación Descubre que "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, el almacenamiento ocupado, etcétera". "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", ha concretado.
Para que los sistemas funcionen adecuadamente, la carga de trabajo y los recursos que consumen han de equilibrarse de manera constante. 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 'Particle Swarm Optimization-Game Theory Approach' (PSO-GTA) combina la teoría de juegos y algoritmos de enjambre de partículas que se basan en el comportamiento de algunos animales en su grupo. 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 'Knowledge Acquisition version of the Gray Wolf Optimizer' (Kagwo) simplifica el proceso de implementación al requerir 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 de 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", ha añadido 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.
