DISTRIBUCION DE ANALISIS DE DATOS Y APRENDIZAJE EN TECNOLOGIAS EDGE-SUPERCOMPUTI...
DISTRIBUCION DE ANALISIS DE DATOS Y APRENDIZAJE EN TECNOLOGIAS EDGE-SUPERCOMPUTING
LA DISTRIBUCION DE ANALISIS DE DATOS (DA) ENTRE DISPOSITIVOS CERCA DE LA GENERACION DE DATOS (EDGE) Y INFRAESTRUCTURAS DE COMPUTACION DE ALTAS PRESTACIONES (HPC), COMO EL CLOUD Y LOS SUPERCOMPUTADORES, REQUIERE LA CARACTERIZACION...
ver más
Financiación
concedida
El organismo AGENCIA ESTATAL DE INVESTIGACIÓN notifico la concesión del proyecto
el día 2021-01-01
No tenemos la información de la convocatoria
0%
100%
Información adicional privada
No hay información privada compartida para este proyecto. Habla con el coordinador.
¿Tienes un proyecto y buscas un partner? Gracias a nuestro motor inteligente podemos recomendarte los mejores socios y ponerte en contacto con ellos. Te lo explicamos en este video
Proyectos interesantes
PID2019-107858GB-I00
NUEVOS METODOS EN HIGH-END Y EDGE COMPUTING PARA LA COMPUTAC...
175K€
Cerrado
TIN2015-64776-C3-3-R
DIFFERENTIAL-UCLM: CLASIFICACION Y PREDICCIONES LINGUISTICAS...
64K€
Cerrado
EQC2018-005084-P
Adquisición de Infraestructura de Computación Científica de...
191K€
Cerrado
EQC2019-005373-P
Actualización del sistema de computación cloud y procesamien...
712K€
Cerrado
Descripción del proyecto
LA DISTRIBUCION DE ANALISIS DE DATOS (DA) ENTRE DISPOSITIVOS CERCA DE LA GENERACION DE DATOS (EDGE) Y INFRAESTRUCTURAS DE COMPUTACION DE ALTAS PRESTACIONES (HPC), COMO EL CLOUD Y LOS SUPERCOMPUTADORES, REQUIERE LA CARACTERIZACION DE LA CARGA COMPUTACIONAL, CON TAL DE ASIGNAR DE FORMA CORRECTA RECURSOS DE COMPUTACION. TAL CARGA DE DA ES LA BASE DE LOS SISTEMAS DE GENERACION DE CONOCIMIENTO EN EL EDGE, COMO POR EJEMPLO LAS SMART CITIES Y LA FEDERACION DE INTELIGENCIA ARTIFICIAL PARA FINES MEDICOS. LOS PROCESOS DE ANALITICAS ACTUALES ESTAN ORIENTADOS A LA CENTRALIZACION DE DATOS EN INFRAESTRUCTURAS HPC, SUPONIENDO UN PROBLEMA RESPECTO A LA PRIVACIDAD DE DATOS, MIENTRAS QUE REALIZAR EL PROCESO EN DISPOSITIVOS EDGE DISTRIBUIDOS NO SIEMPRE ES POSIBLE DADO LOS REQUISITOS COMPUTACIONALES DE TALES PROCESOS. EL PODER CONOCER LA DISPONIBILIDAD Y CAPACIDAD DE LOS RECURSOS ENTRE EL EDGE Y LOS SISTEMAS HPC GARANTIZA LA ORQUESTACION DE PROCESOS (ASIGNACION DE TIEMPO, EMPLAZAMIENTO, APROVISIONAMIENTO DE RECURSOS COMPUTACIONALES, Y SERIALIZACION DE PROCESOS), DESPLEGANDO LOS PROCESOS DA EN RECURSOS DISPONIBLES DISTRIBUIDOS SIN NECESIDAD DE CENTRALIZACION. PARA ELLO, METODOS DE INTELIGENCIA ARTIFICIAL Y APRENDIZAJE AUTOMATICO PARA SERIES DE TIEMPO MULTI-DIMENSIONALES PUEDEN DETECTAR Y PREVER COMPORTAMIENTOS Y PATRONES EN LA DEMANDA DE RECURSOS POR PARTE DE TALES PROCESOS, Y OPTIMIZAR DECISIONES EN ORQUESTACION DE PROCESOS Y RECURSOS. EL PROYECTO DALEST PRETENDE CREAR NUEVOS METODOS Y TECNOLOGIAS PARA CARACTERIZAR Y ORQUESTAR PROCESOS DE ANALITICAS DE DATOS DISTRIBUIDAS, USANDO METODOS DE INTELIGENCIA ARTIFICIAL PARA SERIES DE TIEMPO MULTI-DIMENSIONALES, CON TAL DE OPTIMIZAR EL EMPLAZAMIENTO Y USO DE RECURSOS ENTRE EL EDGE Y INFRAESTRUCTURAS HPC. ESTO PERMITIRA UN USO EFICIENTE DE LOS RECURSOS EN REDES DE COMPUTACION ENTRE COMPONENTES Y EL CLOUD Y SUPERCOMPUTADORES, EN SISTEMAS DE ANALITICAS DE DATOS, Y PROCESOS DE INTELIGENCIA ARTIFICIAL Y APRENDIZAJE AUTOMATICO. OMPUTACION EDGE-CLOUD\SERIES DE TIEMPO\MINERIA DE PATRONES\INTELIGENCIA ARTIFICIAL\COMPUTACION ALTAS PRESTACIONES\ANALITICAS DISTRIBUIDAS\DESAGREGACION DE RECURSOS\SUPERCOMPUTACION