En los últimos años, la industria tecnológica ha experimentado una creciente demanda en la creación y expansión de centros de datos, diseñados para manejar grandes volúmenes de información. Dentro de este panorama, algunos centros de datos presentan una composición heterogénea, integrados por conjuntos de servidores con capacidades variables de procesamiento y almacenamiento. Esta diversidad puede representar un desafío en la optimización y uso eficiente de los recursos, haciendo de la calendarización una tarea intrincada. Para enfrentar estos retos, se han desarrollado diversas estrategias, basadas en indicadores como el tiempo de ejecución y el consumo energético. Estas estrategias requieren la creación de una matriz de costos que vincule tareas y recursos, lo cual implica una predicción precisa de los indicadores seleccionados, en función de las características de las tareas y los servidores. Una solución promisoria para este problema consiste en una detallada caracterización de tareas y recursos, formando un vector de características que pueda ser interpretado por algoritmos de Inteligencia Artificial. Estos algoritmos actuarían como regresores, proporcionando predicciones del indicador de interés. En este trabajo, se busca proponer una caracterización novedosa de tareas y servidores, creando un conjunto de atributos que sirvan como entradas para diferentes algoritmos de Inteligencia Artificial, facilitando así predicciones precisas y permitiendo la evaluación de la efectividad de diferentes algoritmos, la relevancia de características específicas, entre otros factores clave. Palabras clave: calendarización, sistemas heterogéneos, Inteligencia Artificial, predicción de tiempo.
Abstract
In recent years, the technology industry has experienced a growing demand for the creation and expansion of data centers, designed to handle large volumes of information. Within this landscape, some data centers exhibit a heterogeneous composition, consisting of sets of servers with varying processing and storage capabilities. This diversity can pose a challenge in optimizing and efficiently utilizing resources, making scheduling a complex task. To tackle these challenges, various strategies have been developed, based on indicators such as execution time and energy consumption. These strategies require the creation of a cost matrix that links tasks and resources, which involves a precise prediction of the selected indicators, based on the characteristics of the tasks and servers. A promising solution to this problem involves a detailed characterization of tasks and resources, forming a feature vector that can be interpreted by Artificial Intelligence algorithms. These algorithms would act as regressors, providing predictions of the indicator of interest. In this work, we aim to propose a novel characterization of tasks and servers, creating a set of attributes that can serve as inputs for various Artificial Intelligence algorithms, thus facilitating precise predictions and allowing for the evaluation of the effectiveness of different algorithms, the relevance of specific features, among other key factors. Keywords: scheduling, heterogeneous systems, Artificial Intelligence, servers.
