English español
Search
 

Repositorio de la Universidad de Oviedo. > Producción Bibliográfica de UniOvi: RECOPILA > Tesis >

Please use this identifier to cite or link to this item: http://hdl.handle.net/10651/45011

Title: Aprendizaje de estrategias inteligentes para la optimización energética en dispositivos heterogéneos de computación
Other title: Content and Language Integrated Leaming in Primary Education: Analysis of the Achievement and Development of Scientific Content of Students through CLIL
Author(s): Cocaña Fernández, Alberto
Advisor: Ranilla Pastor, José
Sánchez Ramos, Luciano
Other authors: Informática, Departamento de
Keywords: Informática
Issue date: 27-Jul-2017
Format extent: 204 p.
Abstract: El nivel tecnológico actual ha permitido el desarrollo de sofisticados dispositivos cuyas capacidades de cómputo, especialización y bajos costes han fomentado su adopción tanto en la rutina diaria como en la resolución de problemas fundamentales de las ciencias y la ingeniería, la provisión de servicios o la extracción de conocimiento, convirtiéndose de esta forma en uno de los pilares de la sociedad moderna. La evolución de estos dispositivos hardware y del software ejecutado sobre los mismos, se ha centrado exclusivamente en el rendimiento, lo que es insostenible debido a los efectos colaterales tanto energéticos, como económicos o medioambientales, entre otros. Por ello, en esta disertación se han estudiado las principales limitaciones inherentes al enfoque tradicional sustituyéndolo por un nuevo paradigma de optimización multiobjetivo que tiene en cuenta los efectos colaterales y costes incurridos, en pro de construir soluciones software e infraestructuras de cómputo sostenibles. En concreto, se puso el foco sobre dos aspectos de gran impacto: la eficiencia energética en los grandes sistemas de cómputo y la eficiencia computacional de los algoritmos y técnicas de aprendizaje automático. El primer aspecto fue abordado mediante el desarrollo de mecanismos de adaptación dinámica para los clústeres de Computación de Alto Rendimiento, optimizando conjuntamente el rendimiento computacional y los efectos derivados de los elevados consumos de energía. En concreto, se diseñó un mecanismo reactivo basado en un Sistema Borroso Genético Híbrido aprendido por medio de Algoritmos Evolutivos Multiobjetivo. Validado experimentalmente sobre un escenario real, este mecanismo mejoró notablemente los ahorros de energía alcanzados con los Sistemas Basados en el Conocimiento propuestos por otros autores, a la vez que se alinea de forma precisa con los criterios definidos para la operación del clúster. Este mecanismo se implementó por medio de una herramienta software registrada y distribuida libremente, para permitir un uso productivo del mismo. También se trabajó sobre la mejora de la eficiencia ecológica, poniendo el foco sobre una optimización del rendimiento y del impacto medioambiental del ciclo de vida de los elementos del clúster. Posteriormente, para mejorar los resultados en escenarios donde la carga de trabajo fluctúa con una estacionalidad previsible, se diseñó un mecanismo proactivo que reajusta el clúster optimizando los recursos en base a una predicción de la carga de trabajo futura, y de acuerdo con una función de utilidad que modela los criterios de operación establecidos. Este mecanismo proactivo también fue objeto de dos contratos de investigación y de transferencia de conocimiento. El segundo aspecto se trató mediante el diseño de algoritmos de aprendizaje automático capaces de optimizar conjuntamente precisión y costes asociados con la clasificación de las instancias. En concreto, se diseñó un clasificador multietapa sensible al coste, basado en Reglas Borrosas y aprendido por medio de Programación por Recocido Simulado Multiobjetivo. Ese nuevo clasificador se validó experimentalmente en dispositivos portátiles, donde se pudo cuantificar el efecto positivo de su eficiencia computacional sobre la duración de las baterías, frente a otras alternativas de clasificadores disponibles en la literatura de aprendizaje automático.
ABSTRCT: Technological advances have led to the development of sophisticated computing devices, whose processing capabilities, degree of specialisation, and low acquisition costs, fostered their irruption into the daily routine as well as being key in solving fundamental problems in science or engineering, providing general-purpose IT services and enabling knowledge extraction from raw data, thus becoming a pillar of modern society. The evolution of hardware and software has focused exclusively in the pursuit of raw performance, what is inherently unsustainable due to its collateral effects whether these are power, economical o environmental-related. Because of this, the goal of this dissertation is to tackle the main limitations implicit in the traditional development approach by superseding it with a new paradigm of multiobjective optimization aware of all collateral effects and costs involved, in the pursuit of building sustainable software solutions and computing infrastructures. Specifically, two problems were researched: the energy efficiency of large computing systems and the computational efficiency of machine learning techniques and algorithms. The first problem was addressed through the development of mechanisms for the dynamic allocation of computing resources in High Performance Clusters, jointly optimising computational performance and power consumption. Precisely, a new reactive decision-making mechanism based on Hybrid Genetic Fuzzy Systems and learned by means of Multiobjective Evolutionary Algorithms was designed to improve energy efficiency in real-word clusters. Experimental validation showed that this new mechanism archived greater power savings than those proposed in the literature, while complying with a set of subject preferences defined for the cluster operation in terms of service quality and reliability. This new mechanism was implemented in a fully-functional, registered and publicly accessible software tool enabling its productive use. Then, efforts were focused on improving ecological efficiency by balancing performance and the environmental impact related to the life cycle of the cluster's computing and support equipment. Lastly, a proactive mechanism was designed to improve energy efficiency in scenarios where the workload features foreseeable stationary fluctuations. This mechanism optimises resource allocation over a temporal horizon, having the future workload forecast by a model of the cluster environment, and assessing every potential decision with a utility function leaned through multiobjective optimization, and tasked with modelling the subjective preferences regarding cluster operation. This proactive mechanism was also the object two knowledge transfer contracts. The second problem was solved by designing machine learning algorithms capable of jointly optimising accuracy and classification-related costs. Specifically, a cost-conscious Multistage Fuzzy Rule-Based Classifier leaned by means of Multiobjective Simulated Annealing Programming was designed to achieve computational and cost-efficient classification. Experimentation done with battery-powered devices showed how this new classifier achieved better results in terms of classification performance and battery life than the alternatives proposed by other authors.
Description: Tesis doctoral por el sistema de compendio de publicaciones
URI: http://hdl.handle.net/10651/45011
Local notes: DT(SE) 2017-199
Appears in Collections:Tesis
Tesis doctorales a texto completo

Files in This Item:

File Description SizeFormat
TD_AlbertoCocaña.pdf8,35 MBAdobe PDFView/Open


Exportar a Mendeley


This item is licensed under a Creative Commons License
Creative Commons

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.

 

Base de Datos de Autoridades Biblioteca Universitaria Consultas / Sugerencias