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

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 informaticos, son la capacidad de unificar y abstraer el acceso a recursos geograficamente distribuidos, la interoperatividad sobre plataformas heterogeneas y cambiantes, y la administracion 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 autonomia 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 colaboracion de las organizaciones cientificas internacionales. Ademas, ha despertado interes por sus posibles aplicaciones corporativas. Nos encontramos en plena expansion del tamano, uso y ambito 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 replicacion de datos, que es el cuello de botella de los rendimientos finales. Las aportaciones ofrecidas son por un lado de indole teorico, con propuestas para una arquitectura de servicios de datos Grid mas eficiente, y por otro lado algoritmicas, al ofrecer aproximaciones al problema de la seleccion de replica, basadas en adaptaciones originales de conocidos metodos 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 tamano requerida para los proximos anos, 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.