Computación Móvil y en la Nube
URI permanente para esta colección:
Artículos en la categoría Computación Móvil y en la Nube publicados en las Actas de las XIV Jornadas de Ingeniería de Ciencia e Ingeniería de Servicios (JCIS 2018).
Notificar un error en esta colección
Examinar
Envíos recientes
Resumen Automated analysis of cloud offerings for optimal service provisioningGarcía, José María; Martín-Díaz, Octavio; Fernández Montes, Pablo; Ruiz Cortés, Antonio; Toro, Miguel. Actas de las XIV Jornadas de Ingeniería de Ciencia e Ingeniería de Servicios (JCIS 2018), 2018-09-17.Resumen de la contribución La aparición del paradigma de la computación en la nube ha conllevado un cambio significativo dentro de la industria de las tecnolog??as de la información, tanto para proveedores de servicios como para los propios consumidores. As??, existen servicios como los de Amazon Elastic Computing Cloud (EC2) o Google Compute Engine que ofrecen computación virtualizada y almacenamiento de recursos (comúmente denomi- nados Infraestructuras como Servicios o IaaS por sus siglas en inglés), de forma que los clientes pueden adquirirlos para reducir los costes de operación de sus sistemas, en comparación con el aprovisionamiento de las mismas infraestructuras de computación en un entorno local. Sin embargo, el aprovisionamiento de servicios en la nube resulta una tarea muy compleja dada la abrumadora variedad de proveedores, configuraciones y opciones de compra disponibles. En este escenario aparecen además diversas dificultades para comparar las ofer- tas de los distintos proveedores, debido a la heterogeneidad en la descripción de las configuraciones, opciones de compra, o incluso descuentos aplicables. A su vez, las ne- cesidades concretas de los consumidores podr??an incluir restricciones adicionales para tener en cuenta una planificación temporal previa en cuanto al número de instancias de IaaS que necesitarán en determinados momentos. Aunque existen algunas herramientas y calculadoras on-line que permiten buscar configuraciones concretas de IaaS, éstas no tienen en cuenta cuestiones como la plani- ficación y la optimización de las opciones de compra. En este trabajo presentamos un framework de análisis automático que es capaz de analizar y comparar ofertas de ser- vicios en la nube de distintos proveedores para obtener un plan de aprovisionamiento óptimo de acuerdo con las necesidades de los consumidores. Dicho plan especifica la cantidad y el tipo de instancias de IaaS que deben adquirirse, junto con la planificación de su uso. Hemos desarrollado un prototipo que ha sido validado en un escenario de virtualización de clases de laboratorio, comparando las opciones de dos proveedores.Artículo Un Recorrido por los Principales Proveedores de Servicios de Machine Learning y Predicción en la NubeCorral-Plaza, David; Boubeta-Puig, Juan; Resinas Arias de Reyna, Manuel. Actas de las XIV Jornadas de Ingeniería de Ciencia e Ingeniería de Servicios (JCIS 2018), 2018-09-17.Los medios tecnológicos para el consumo, producción e intercambio de información no hacen más que aumentar cada día que pasa. Nos encontramos envueltos en el fenómeno Big Data, donde ser capaces de analizar esta informa- ción con el objetivo de poder inferir situaciones del futuro basándonos en datos del pasado y del presente, nos puede reportar una ventaja competitiva que nos distinga claramente de otras opciones. Dentro de las múltiples disciplinas exis- tentes para el análisis de grandes cantidades información encontramos el Ma- chine Learning y, a su vez, dentro de este podemos destacar la capacidad predic- tiva que nos proporcionan muchas de las opciones existentes actualmente en el mercado. En este trabajo realizamos un análisis de estas principales opciones de APIs predictivas en la nube, las comparamos entre sí, y finalmente llevamos a cabo una experimentación con datos reales de la Red de Vigilancia y Control de la Calidad del Aire de la Junta de Andalucía. Los resultados demuestran que estas herramientas son una opción muy interesante a considerar a la hora de tratar de predecir valores de contaminantes que pueden afectar a nuestra salud seriamente, pudiéndose llevar a cabo acciones preventivas sobre la población afectada.Artículo Entorno extensible para la monitorización y detección de síntomas de depresiónBerrocal, José Javier; García Alonso, José Manuel; Flores-Martin, Daniel; Galán-Jiménez, Jaime; Pérez Vereda, Alejandro; Canal, Carlos; Murillo Rodríguez, Juan Manuel. Actas de las XIV Jornadas de Ingeniería de Ciencia e Ingeniería de Servicios (JCIS 2018), 2018-09-17.La depresión es una enfermedad silenciosa que está aumen- tando de forma alarmante debido al ritmo de vida de la sociedad. Los propios s??ntomas de la depresión hacen que los pacientes se enfrenten a barreras psicológicas que dificultan la búsqueda de tratamiento. Actual- mente, los dispositivos móviles están siendo usados para monitorizar el comportamiento de las personas y, así, identificar si presentan distintas enfermedades. En este art??culo se presenta un conjunto de aplicaciones que detectan síntomas de depresión de forma pasiva para el usuario, redu- ciendo los posibles obstáculos para la identificación de esta enfermedad. Estas aplicaciones han sido desarrolladas para que los datos monitoriza- dos puedan ser reutilizados por otros sistemas, sin que ello conlleve un incremento en el consumo de recursos.Artículo A Model-driven Migration Approach among Cloud ProvidersSandobalín, Julio; Insfrán Pelozo, Emilio; Abrahao Gonzales, Silvia. Actas de las XIV Jornadas de Ingeniería de Ciencia e Ingeniería de Servicios (JCIS 2018), 2018-09-17.Cloud computing has become the primary model of pay-per-use to ob- tain cloud services in a short time. Companies are using the cloud services to get access to computing resources located in a virtualized environment. However, the traditional method of using a single cloud provider has numerous limitation in terms of privacy, security, performance, and geography reach. Furthermore, companies are focusing their efforts on avoiding dependent on a single vendor for products and services. As a result, companies start to use multiple clouds and look for methods to move or migrate their infrastructure from a cloud provider to another one. In previous work, we have presented ARGON, which is an infra- structure modeling tool for cloud provisioning. In this paper, we propose an ex- tension of ARGON to provide a model-driven migration approach among cloud providers.