Técnicas de inteligencia artificial emergente aplicadas al servicio de replicación de datos de arquitecturas Grid

Resumen

El Grid se ha convertido en el paradigma que ofrece mejores perspectivas para integrar recursos en los sistemas de mayor escala. Sus principales ventajas frente a otros modelos de grandes sistemas informáticos, son la capacidad de unificar y abstraer el acceso a recursos geográficamente distribuidos, la interoperatividad sobre plataformas heterogéneas y cambiantes, y la administración global del sistema manteniendo la independencia de cada una de las partes que lo componen, normalmente bajo dominios de distintas organizaciones que se unen para colaborar, salvaguardando la autonomía en la toma de decicisiones sobre sus porpios recursos. Este modelo ha calado hondo entre distintas comunidades por su versatilidad y adaptabilidad a las necesidades de colaboración de las organizaciones científicas internacionales. Además, ha despertado interés por sus posibles aplicaciones corporativas. Nos encontramos en plena expansión del tamaño, uso y ámbito de las infraestructuras Grid. Esta tesis analiza y ofrece soluciones eficientes para dos de los problemas que en este contexto de fuerte crecimiento aparecen: la escalabilidad de las infraestructuras y los tiempos de respuesta de los trabajos Grid. Para ello se centra en la replicación de datos, que es el cuello de botella de los rendimientos finales. Las aportaciones ofrecidas son por un lado de índole teórico, con propuestas para una arquitectura de servicios de datos Grid más eficiente, y por otro lado algorítmicas, al ofrecer aproximaciones al problema de la selección de réplica, basadas en adaptaciones originales de conocidos métodos de Inteligencia Artificial Emergente. Los resultados presentados muestran que las aportaciones ofrecidas son una alternativa a los modelos actuales, que no pueden abordar la creciente demanda de tamaño requerida para los próximos años, sin incurrir en fuertes costes hardware y una baja eficiencia. ____________________________________________ Grid computing is foreseen as the best solution for large scale systems on distributed resources aggregation environments. Main advantages over other paradigms are the unified access to the resources, the heterogeneous and dynamic platforms integration ability, and the global administration kepping locally the responsability of the organizations resources management. This model has become successful on many scientific environments with collaboration and geographical distributed resources requirements. It also has succited interest on possible corporative applications. Grid infrastructures are expected to grow on magnitude terms for size and workload. This thesis describes and purposes solutions for the two main problems to face: the scalability and the job response time performance on the next years. It is focus on the data replication issue, that nowadays is the bottleneck of final make-span. The thesis contributions are first theoretical, we show data services architecture improvements, and secondary new replica optimization approaches, with original Grid adaptation of well-know Emergent Artificial Intelligence methods. The experimental results confirms that propossed approaches are more efficient than traditional methods, and they also are more scalable for the infrastructure growing up demand.