Análisis de Datos Serverless

Identificador:  TFM:2452

Handle: https://hdl.handle.net/20.500.11797/TFM2452

Autores:  Predoaia, Ionut

Resumen:
La computación sin servidor ha demostrado un gran potencial para aplicaciones de análisis de datos, especialmente para cargas de trabajo altamente paralelas. Sin embargo, la literatura ha prestado poca atención a la migración de aplicaciones con estado que requieren estado compartido a entornos sin servidor. Este trabajo aborda esta brecha explorando la desagregación de recursos de hardware en la computación sin servidor, con el objetivo de migrar algoritmos de aprendizaje automático con estado, como el agrupamiento k-means y la regresión logística. Se presentan directrices, desafíos y limitaciones para la migración de algoritmos de aprendizaje automático con estado a entornos sin servidor. La ejecución de aplicaciones con estado en arquitecturas sin servidor genera inherentemente sobrecargas, ya que las funciones sin servidor no son directamente direccionables en la red; por lo tanto, es necesario recurrir a un servicio de almacenamiento remoto para guardar el estado compartido. En este trabajo, se evalúa la viabilidad de resolver algoritmos de aprendizaje automático con estado y, además, se proponen técnicas de optimización para mejorar su viabilidad. Se ha evaluado el rendimiento, la escalabilidad y las sobrecargas de los algoritmos de aprendizaje automático con estado que se ejecutan en arquitecturas sin servidor. La implementación sin servidor del algoritmo k-means ha logrado una aceleración de 87 veces en comparación con una implementación secuencial. En términos de escalabilidad, la implementación sin servidor ha alcanzado un factor de escala de 0,91 con 100 funciones concurrentes. Para aumentar la viabilidad de la implementación sin servidor, se ha empleado el paralelismo intrafuncional como técnica de optimización para paralelizar la ejecución de las funciones, logrando una mejora del rendimiento de hasta un 68 %.