Autoescalado de workflows científicos en cloud usando aprendizaje por refuerzo

Abstract

Las tecnologías workflow son una herramienta muy útil para desarrollos de software científico y computacionalmente costoso. Por esto, se busca agilizar y abaratar su ejecución. En este contexto, se propone desarrollar estrategias inteligentes de autoescalado en Cloud para lograr estos fines. En el presente trabajo, se describe una línea de investigación conjunta realizada en los últimos años por el Instituto Superior de Ingeniería de Software (ISISTAN) y el Laboratorio de Sistemas Inteligentes (LabSIn). La línea ha apuntado al desarrollo y mejora de un modelo de Aprendizaje por Refuerzo (AR) en autoescaladores para workflows científicos en Cloud. Actualmente la mejora de este modelo está enfocada en la combinación de técnicas como Deep Learning, algoritmos evolutivos, Large Language Models (LLM) y comparación de diferentes algoritmos para ahorrar el dinero usado en la ejecución de estos workflow así como en minimizar su tiempo de ejecución.