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

Autores
Pacini, Elina; Catania, Carlos Adrián; Garí, Yisel; Robino, Luciano I.
Año de publicación
2023
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
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
Materia
Ciencias Informáticas
Cloud
workflow
aprendizaje por refuerzo
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/164012
Acceder
id SEDICI_70257a7d933b12c54649ef2f08d148d8
oai_identifier_str oai:sedici.unlp.edu.ar:10915/164012
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Autoescalado basado en aprendizaje profundo por refuerzo de workflows científicos en la nubePacini, ElinaCatania, Carlos AdriánGarí, YiselRobino, Luciano I.Ciencias InformáticasCloudworkflowaprendizaje por refuerzoLos 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 Informática2023-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfhttp://sedici.unlp.edu.ar/handle/10915/164012spainfo:eu-repo/semantics/altIdentifier/isbn/978-987-3724-66-4info:eu-repo/semantics/altIdentifier/isbn/978-987-3724-67-1info:eu-repo/semantics/reference/url/https://sedici.unlp.edu.ar/handle/10915/162004info:eu-repo/semantics/reference/url/https://sedici.unlp.edu.ar/handle/10915/161620info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:43:10Zoai:sedici.unlp.edu.ar:10915/164012Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:43:11.245SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Autoescalado basado en aprendizaje profundo por refuerzo de workflows científicos en la nube
title Autoescalado basado en aprendizaje profundo por refuerzo de workflows científicos en la nube
spellingShingle Autoescalado basado en aprendizaje profundo por refuerzo de workflows científicos en la nube
Pacini, Elina
Ciencias Informáticas
Cloud
workflow
aprendizaje por refuerzo
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
dc.creator.none.fl_str_mv Pacini, Elina
Catania, Carlos Adrián
Garí, Yisel
Robino, Luciano I.
author Pacini, Elina
author_facet Pacini, Elina
Catania, Carlos Adrián
Garí, Yisel
Robino, Luciano I.
author_role author
author2 Catania, Carlos Adrián
Garí, Yisel
Robino, Luciano I.
author2_role author
author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
Cloud
workflow
aprendizaje por refuerzo
topic Ciencias Informáticas
Cloud
workflow
aprendizaje por refuerzo
dc.description.none.fl_txt_mv 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
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.
publishDate 2023
dc.date.none.fl_str_mv 2023-04
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/164012
url http://sedici.unlp.edu.ar/handle/10915/164012
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/isbn/978-987-3724-66-4
info:eu-repo/semantics/altIdentifier/isbn/978-987-3724-67-1
info:eu-repo/semantics/reference/url/https://sedici.unlp.edu.ar/handle/10915/162004
info:eu-repo/semantics/reference/url/https://sedici.unlp.edu.ar/handle/10915/161620
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1844616300620414976
score 13.070432

Publicaciones similares