Modelo de análisis de variables de consumo energético para el procesamiento de datos en sistemas informáticos de alto rendimiento

Uno de los principales retos en la operación eficiente de un centro de cómputo de alto rendimiento (HPC) es el consumo energético que genera la operación del centro de datos donde se alojan los equipos HPC, principalmente porque este consumo se refleja en cuentas por pagar muy elevadas, pudiendo afe...

Full description

Autores:: Lozoya Arandia, Jorge
Vega Gómez, Carlos Jesahel
Acevedo Montoya, Lester Antonio
Robles Dueñas, Verónica Lizette

Tipo de recurso:: Article of investigation

Fecha de publicación:: 2024

Institución:: Universidad Autónoma de Bucaramanga - UNAB

Repositorio:: Repositorio UNAB

Idioma:: spa

id	UNAB2_bccc3c759a7dae432a09663aacb6de07
oai_identifier_str	oai:repository.unab.edu.co:20.500.12749/26649
network_acronym_str	UNAB2
network_name_str	Repositorio UNAB
repository_id_str
dc.title.spa.fl_str_mv	Modelo de análisis de variables de consumo energético para el procesamiento de datos en sistemas informáticos de alto rendimiento
dc.title.translated.eng.fl_str_mv	Analysis Model of Energy Consumption Variables for Data Processing in High-Performance Computing Systems
title	Modelo de análisis de variables de consumo energético para el procesamiento de datos en sistemas informáticos de alto rendimiento
spellingShingle	Modelo de análisis de variables de consumo energético para el procesamiento de datos en sistemas informáticos de alto rendimiento Computación de alto rendimiento Centro de datos Simulación energética Eficacia en el uso de la energía High-performance Computing Data Center Energy Simulation Power Usage Effectiveness
title_short	Modelo de análisis de variables de consumo energético para el procesamiento de datos en sistemas informáticos de alto rendimiento
title_full	Modelo de análisis de variables de consumo energético para el procesamiento de datos en sistemas informáticos de alto rendimiento
title_fullStr	Modelo de análisis de variables de consumo energético para el procesamiento de datos en sistemas informáticos de alto rendimiento
title_full_unstemmed	Modelo de análisis de variables de consumo energético para el procesamiento de datos en sistemas informáticos de alto rendimiento
title_sort	Modelo de análisis de variables de consumo energético para el procesamiento de datos en sistemas informáticos de alto rendimiento
dc.creator.fl_str_mv	Lozoya Arandia, Jorge Vega Gómez, Carlos Jesahel Acevedo Montoya, Lester Antonio Robles Dueñas, Verónica Lizette
dc.contributor.author.none.fl_str_mv	Lozoya Arandia, Jorge Vega Gómez, Carlos Jesahel Acevedo Montoya, Lester Antonio Robles Dueñas, Verónica Lizette
dc.subject.spa.fl_str_mv	Computación de alto rendimiento Centro de datos Simulación energética Eficacia en el uso de la energía
topic	Computación de alto rendimiento Centro de datos Simulación energética Eficacia en el uso de la energía High-performance Computing Data Center Energy Simulation Power Usage Effectiveness
dc.subject.keywords.eng.fl_str_mv	High-performance Computing Data Center Energy Simulation Power Usage Effectiveness
description	Uno de los principales retos en la operación eficiente de un centro de cómputo de alto rendimiento (HPC) es el consumo energético que genera la operación del centro de datos donde se alojan los equipos HPC, principalmente porque este consumo se refleja en cuentas por pagar muy elevadas, pudiendo afectar el nivel de servicio ofrecido a los usuarios. El estudio de los diferentes factores y elementos que pueden hacer más eficiente el consumo energético en estos centros de datos proporciona una oportunidad para enfocar estos recursos en elementos que favorezcan el uso del HPC. Las variables de diseño proporcionadas por los fabricantes para gestionar los sistemas HPC y los sistemas de monitorización proporcionan una visión precisa del comportamiento de estas variables según su uso. Las arquitecturas HPC se configuran de forma muy particular para cada centro de datos HPC, creando escenarios particulares de operación y rendimiento en cada implementación. Se han desarrollado diversas propuestas y tecnologías para el análisis del consumo energético de un centro de datos, y los elementos de procesamiento incluyen una serie de indicadores y tecnologías que los fabricantes han desarrollado para determinar la eficiencia energética. Este artículo busca identificar esta serie de variables de procesamiento y desempeño, que afectan el consumo energético de los equipos HPC, para las arquitecturas de cómputo implementadas a partir del análisis de modelos de desempeño para obtener una visión general de su efecto sobre el consumo energético en un caso de estudio para identificar los comportamientos de factores particulares de asignación de trabajos y proporcionar un análisis del consumo energético bajo condiciones particulares.
publishDate	2024
dc.date.accessioned.none.fl_str_mv	2024-09-19T20:33:03Z
dc.date.available.none.fl_str_mv	2024-09-19T20:33:03Z
dc.date.issued.none.fl_str_mv	2024-06-18
dc.type.coarversion.fl_str_mv	http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.driver.none.fl_str_mv	info:eu-repo/semantics/article
dc.type.local.spa.fl_str_mv	Artículo
dc.type.coar.none.fl_str_mv	http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.redcol.none.fl_str_mv	http://purl.org/redcol/resource_type/ART
format	http://purl.org/coar/resource_type/c_2df8fbb1
dc.identifier.issn.spa.fl_str_mv	ISSN: 1657-2831 e-ISSN: 2539-2115
dc.identifier.uri.none.fl_str_mv	http://hdl.handle.net/20.500.12749/26649
dc.identifier.instname.spa.fl_str_mv	instname:Universidad Autónoma de Bucaramanga UNAB
dc.identifier.repourl.spa.fl_str_mv	repourl:https://repository.unab.edu.co
dc.identifier.doi.none.fl_str_mv	https://doi.org/10.29375/25392115.5058
identifier_str_mv	ISSN: 1657-2831 e-ISSN: 2539-2115 instname:Universidad Autónoma de Bucaramanga UNAB repourl:https://repository.unab.edu.co
url	http://hdl.handle.net/20.500.12749/26649 https://doi.org/10.29375/25392115.5058
dc.language.iso.spa.fl_str_mv	spa
language	spa
dc.relation.spa.fl_str_mv	https://revistas.unab.edu.co/index.php/rcc/article/view/5058/3964
dc.relation.uri.spa.fl_str_mv	https://revistas.unab.edu.co/index.php/rcc/issue/view/297
dc.relation.references.none.fl_str_mv	Banchelli, F., Garcia-Gasulla, M., Houzeaux, G., & Mantovani, F. (2020). Benchmarking of state-of-the-art HPC Clusters with a Production CFD Code. PASC '20: Proceedings of the Platform for Advanced Scientific Computing Conference. Article No. 3, pp. 1-11. Geneva, Switzerland: Association for Computing Machinery. doi:10.1145/3394277.3401847 Carastan-Santos, D., & Pham, T. T. (2022). Understanding the Energy Consumption of HPC Scale Artificial Intelligence. In P. Navaux, C. J. Barrios H, C. Osthoff, & G. Guerrero (Ed.), High Performance Computing. CARLA 2022. Communications in Computer and Information Science. 1660, pp. 131-144. Springer, Cham. doi:10.1007/978-3-031-23821-5_10 Criado, J., Garcia-Gasulla, M., Kumbhar, P., Awile, O., Magkanaris, I., & Mantovani, F. (2020, September 14). CoreNEURON: Performance and Energy Efficiency Evaluation on Intel and Arm CPUs. 2020 IEEE International Conference on Cluster Computing (CLUSTER) (pp. 540-548). Kobe, Japan: IEEE. doi:10.1109/CLUSTER49012.2020.00077 D’Agostino, D., Quarati, A., Clematis, A., Morganti, L., Corni, E., Giansanti, V., . . . Merelli, I. (2019). SoC-based computing infrastructures for scientific applications and commercial services: Performance and economic evaluations. Future Generation Computer Systems, 96, 11-22. doi:10.1016/j.future.2019.01.024 Dawson, W., Mohr, S., Ratcliff, L. E., Nakajima, T., & Genovese, L. (2020). Complexity Reduction in Density Functional Theory Calculations of Large Systems: System Partitioning and Fragment Embedding. Journal of Chemical Theory and Computation, 16, 5, 2952-2964. doi:10.1021/acs.jctc.9b01152 Djurfeldt, M., Johansson, C., Ekeberg, Ö., Rehn, M., Lundqvist, M., & Lansner, A. (2005). Massively parallel simulation of brain-scale neuronal network models. Report number: TRITA-NA-P0513, CBN, Royal Institute of Technology (KTH), Stockholm University, Computational Biology and Neurocomputing, School of Computer Science and Communication (CSC), Stockholm, Sweden. Retrieved from https://kth.diva-portal.org/smash/record.jsf?pid=diva2%3A220701&dswid=-2798 Favaro, F., Dufrechou, E., & Oliver, J. P. (2022). Time-Power-Energy Balance of BLAS Kernels in Modern FPGAS. In P. Navaux, C. J. Barrios H, C. Osthoff, & G. Guerrero (Ed.), High Performance Computing. 9th Latin American Conference, CARLA 2022, Porto Alegre, Brazil, September 26–30, 2022, Revised Selected Papers. 1660, pp. 78-89. Springer, Cham. doi:10.1007/978-3-031-23821-5_6 Ficher, M., Berthoud, F., Ligozat, A.-L., Sigonneau, P., & Wisslé, M. (2021). Assessing the carbon footprint of the data transmission on a backbone network. 2021 24th Conference on Innovation in Clouds, Internet and Networks and Workshops (ICIN) (pp. 105-109). Paris, France: IEEE. doi:10.1109/ICIN51074.2021.9385551 Funika, W., Zientarski, M., Badia, R. M., Labarta, J., & Bubak, M. (2008). Performance Visualization Of Grid Applications Based On OCM-G And Paraver. In S. Gorlatch, P. Fragopoulou, & P. Thierry (Eds.), Grid Computing (pp. 109-120). Boston, MA, USA: Springer. doi:10.1007/978-0-387-09457-1_10 Hijji, M., Ahmad, B., Alwakeel, A., Alwakeel, M., Alharbi, L. A., Aljarf, A., & Khan, M. U. (2022). Cloud Servers: Resource Optimization Using Different Energy Saving Techniques. Sensors, 22(21), 8384. doi:10.3390/s22218384 Jarus, M., Varrette, S., Oleksiak, A., & Bouvry, P. (2013). Performance Evaluation and Energy Efficiency of High-Density HPC Platforms Based on Intel, AMD and ARM Processors. In J.-M. Pierson, G. Da Costa, & L. Dittmann (Ed.), Energy Efficiency in Large Scale Distributed Systems. COST IC0804 European Conference, EE-LSDS 2013, Vienna, Austria, April 22-24, 2013, Revised Selected Papers. 8046, pp. 182-200. Springer, Berlin, Heidelberg. doi:10.1007/978-3-642-40517-4_16 Migliore, M., Cannia, C., Lytton, W. W., Markram, H., & Hines, M. L. (2006). Parallel Network Simulations with NEURON. Journal of Computational Neuroscience, 21, 119-129. doi:10.1007/s10827-006-7949-5 Mohr, S., Dawson, W., Wagner, M., Caliste, D., Nakajima, T., & Genovese, L. (2017). Efficient Computation of Sparse Matrix Functions for Large-Scale Electronic Structure Calculations: The CheSS Library. Journal of Chemical Theory and Computation, 13, 10, 4684-4698. doi:10.1021/acs.jctc.7b00348 Plesser, H. E., Eppler, J. M., Morrison, A., Diesmann, M., & Gewaltig, M.-O. (2007). Efficient Parallel Simulation of Large-Scale Neuronal Networks on Clusters of Multiprocessor Computers. In A.-M. Kermarrec, L. Bougé, & T. Priol (Ed.), Euro-Par 2007 Parallel Processing. Euro-Par 2007. Lecture Notes in Computer Science. 4641, pp. 672-681. Springer, Berlin, Heidelberg. doi:10.1007/978-3-540-74466-5_71 POP. (2016, December 21). Performance Optimisation and Productivity. A Centre of Excellence in HPC. Retrieved June 21, 2023, from POP Homepage: https://pop-coe.eu/ Slurms Guide. (2021, June 29). Retrieved June 20, 2023, from https://slurm.schedmd.com/sacct.html Universidad de Guadalajara. (2018, October 11). CADS. Retrieved June 20, 2023, from CADS Homepage: http://cads.cgti.udg.mx/ Wagner, M., Mohr, S., Giménez, J., & Labarta, J. (2019). A Structured Approach to Performance Analysis. In C. Niethammer, M. M. Resch, W. E. Nagel, H. Brunst, & H. Mix (Ed.), Tools for High Performance Computing 2017. PTHPC 2017 (pp. 1-15). Dresden, Germany: Springer. doi:10.1007/978-3-030-11987-4_1
dc.rights.coar.fl_str_mv	http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv	http://purl.org/coar/access_right/c_abf2
dc.format.mimetype.spa.fl_str_mv	application/pdf
dc.publisher.spa.fl_str_mv	Universidad Autónoma de Bucaramanga UNAB
dc.source.spa.fl_str_mv	Vol. 25 Núm. 1 (2024): Revista Colombiana de Computación (Enero-Junio); 19-28
institution	Universidad Autónoma de Bucaramanga - UNAB
bitstream.url.fl_str_mv	https://repository.unab.edu.co/bitstream/20.500.12749/26649/1/Art%c3%adculo.pdf https://repository.unab.edu.co/bitstream/20.500.12749/26649/3/Art%c3%adculo.pdf.jpg https://repository.unab.edu.co/bitstream/20.500.12749/26649/2/license.txt
bitstream.checksum.fl_str_mv	2fc6ca0ba8522c74748f03e7b1af6a5e c6e7ed703ee4575f7f05d47ac2caada0 855f7d18ea80f5df821f7004dff2f316
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio Institucional \| Universidad Autónoma de Bucaramanga - UNAB
repository.mail.fl_str_mv	repositorio@unab.edu.co
_version_	1812205420081577984
spelling	Lozoya Arandia, Jorgeb590886b-7fd0-4fed-b375-826ed3d5774aVega Gómez, Carlos Jesahelb238e769-70c7-4c02-877e-aa979e6dd39eAcevedo Montoya, Lester Antoniob5c6f0b9-abbb-4ad9-b1a5-3c29822d9a13Robles Dueñas, Verónica Lizette0827e06b-a892-407c-b601-b2ded7988fc62024-09-19T20:33:03Z2024-09-19T20:33:03Z2024-06-18ISSN: 1657-2831e-ISSN: 2539-2115http://hdl.handle.net/20.500.12749/26649instname:Universidad Autónoma de Bucaramanga UNABrepourl:https://repository.unab.edu.cohttps://doi.org/10.29375/25392115.5058Uno de los principales retos en la operación eficiente de un centro de cómputo de alto rendimiento (HPC) es el consumo energético que genera la operación del centro de datos donde se alojan los equipos HPC, principalmente porque este consumo se refleja en cuentas por pagar muy elevadas, pudiendo afectar el nivel de servicio ofrecido a los usuarios. El estudio de los diferentes factores y elementos que pueden hacer más eficiente el consumo energético en estos centros de datos proporciona una oportunidad para enfocar estos recursos en elementos que favorezcan el uso del HPC. Las variables de diseño proporcionadas por los fabricantes para gestionar los sistemas HPC y los sistemas de monitorización proporcionan una visión precisa del comportamiento de estas variables según su uso. Las arquitecturas HPC se configuran de forma muy particular para cada centro de datos HPC, creando escenarios particulares de operación y rendimiento en cada implementación. Se han desarrollado diversas propuestas y tecnologías para el análisis del consumo energético de un centro de datos, y los elementos de procesamiento incluyen una serie de indicadores y tecnologías que los fabricantes han desarrollado para determinar la eficiencia energética. Este artículo busca identificar esta serie de variables de procesamiento y desempeño, que afectan el consumo energético de los equipos HPC, para las arquitecturas de cómputo implementadas a partir del análisis de modelos de desempeño para obtener una visión general de su efecto sobre el consumo energético en un caso de estudio para identificar los comportamientos de factores particulares de asignación de trabajos y proporcionar un análisis del consumo energético bajo condiciones particulares.One of the main challenges in the efficient operation of a high-performance computing (HPC) center is the energy consumption generated by the operation of the data center where the HPC equipment is housed, mainly because this consumption is reflected in very high accounts payable, and this may affect the level of service offered to users. The study of the different factors and elements that can make energy consumption more efficient in these data centers provides an opportunity to focus these resources on elements that favor the use of HPC. The design variables provided by manufacturers to manage HPC systems and monitoring systems provide an accurate view of the behavior of these variables according to how they are used. HPC architectures are configured in a very particular way for each HPC data center, creating particular scenarios of operation and performance in each implementation. Various proposals and technologies have been developed for the analysis of the energy consumption of a data center, and the processing elements include a series of indicators and technologies that manufacturers have developed to determine the energy efficiency. This article seeks to identify this series of processing and performance variables, which affect the energy consumption of HPC equipment, for the implemented computing architectures based on the analysis of performance models to obtain a general over-view of their effect on energy consumption in a case study to identify the behaviors of particular job assignment factors and provide an analysis of the energy consumption under particular conditions.application/pdfspaUniversidad Autónoma de Bucaramanga UNABhttps://revistas.unab.edu.co/index.php/rcc/article/view/5058/3964https://revistas.unab.edu.co/index.php/rcc/issue/view/297Banchelli, F., Garcia-Gasulla, M., Houzeaux, G., & Mantovani, F. (2020). Benchmarking of state-of-the-art HPC Clusters with a Production CFD Code. PASC '20: Proceedings of the Platform for Advanced Scientific Computing Conference. Article No. 3, pp. 1-11. Geneva, Switzerland: Association for Computing Machinery. doi:10.1145/3394277.3401847Carastan-Santos, D., & Pham, T. T. (2022). Understanding the Energy Consumption of HPC Scale Artificial Intelligence. In P. Navaux, C. J. Barrios H, C. Osthoff, & G. Guerrero (Ed.), High Performance Computing. CARLA 2022. Communications in Computer and Information Science. 1660, pp. 131-144. Springer, Cham. doi:10.1007/978-3-031-23821-5_10Criado, J., Garcia-Gasulla, M., Kumbhar, P., Awile, O., Magkanaris, I., & Mantovani, F. (2020, September 14). CoreNEURON: Performance and Energy Efficiency Evaluation on Intel and Arm CPUs. 2020 IEEE International Conference on Cluster Computing (CLUSTER) (pp. 540-548). Kobe, Japan: IEEE. doi:10.1109/CLUSTER49012.2020.00077D’Agostino, D., Quarati, A., Clematis, A., Morganti, L., Corni, E., Giansanti, V., . . . Merelli, I. (2019). SoC-based computing infrastructures for scientific applications and commercial services: Performance and economic evaluations. Future Generation Computer Systems, 96, 11-22. doi:10.1016/j.future.2019.01.024Dawson, W., Mohr, S., Ratcliff, L. E., Nakajima, T., & Genovese, L. (2020). Complexity Reduction in Density Functional Theory Calculations of Large Systems: System Partitioning and Fragment Embedding. Journal of Chemical Theory and Computation, 16, 5, 2952-2964. doi:10.1021/acs.jctc.9b01152Djurfeldt, M., Johansson, C., Ekeberg, Ö., Rehn, M., Lundqvist, M., & Lansner, A. (2005). Massively parallel simulation of brain-scale neuronal network models. Report number: TRITA-NA-P0513, CBN, Royal Institute of Technology (KTH), Stockholm University, Computational Biology and Neurocomputing, School of Computer Science and Communication (CSC), Stockholm, Sweden. Retrieved from https://kth.diva-portal.org/smash/record.jsf?pid=diva2%3A220701&dswid=-2798Favaro, F., Dufrechou, E., & Oliver, J. P. (2022). Time-Power-Energy Balance of BLAS Kernels in Modern FPGAS. In P. Navaux, C. J. Barrios H, C. Osthoff, & G. Guerrero (Ed.), High Performance Computing. 9th Latin American Conference, CARLA 2022, Porto Alegre, Brazil, September 26–30, 2022, Revised Selected Papers. 1660, pp. 78-89. Springer, Cham. doi:10.1007/978-3-031-23821-5_6Ficher, M., Berthoud, F., Ligozat, A.-L., Sigonneau, P., & Wisslé, M. (2021). Assessing the carbon footprint of the data transmission on a backbone network. 2021 24th Conference on Innovation in Clouds, Internet and Networks and Workshops (ICIN) (pp. 105-109). Paris, France: IEEE. doi:10.1109/ICIN51074.2021.9385551Funika, W., Zientarski, M., Badia, R. M., Labarta, J., & Bubak, M. (2008). Performance Visualization Of Grid Applications Based On OCM-G And Paraver. In S. Gorlatch, P. Fragopoulou, & P. Thierry (Eds.), Grid Computing (pp. 109-120). Boston, MA, USA: Springer. doi:10.1007/978-0-387-09457-1_10Hijji, M., Ahmad, B., Alwakeel, A., Alwakeel, M., Alharbi, L. A., Aljarf, A., & Khan, M. U. (2022). Cloud Servers: Resource Optimization Using Different Energy Saving Techniques. Sensors, 22(21), 8384. doi:10.3390/s22218384Jarus, M., Varrette, S., Oleksiak, A., & Bouvry, P. (2013). Performance Evaluation and Energy Efficiency of High-Density HPC Platforms Based on Intel, AMD and ARM Processors. In J.-M. Pierson, G. Da Costa, & L. Dittmann (Ed.), Energy Efficiency in Large Scale Distributed Systems. COST IC0804 European Conference, EE-LSDS 2013, Vienna, Austria, April 22-24, 2013, Revised Selected Papers. 8046, pp. 182-200. Springer, Berlin, Heidelberg. doi:10.1007/978-3-642-40517-4_16Migliore, M., Cannia, C., Lytton, W. W., Markram, H., & Hines, M. L. (2006). Parallel Network Simulations with NEURON. Journal of Computational Neuroscience, 21, 119-129. doi:10.1007/s10827-006-7949-5Mohr, S., Dawson, W., Wagner, M., Caliste, D., Nakajima, T., & Genovese, L. (2017). Efficient Computation of Sparse Matrix Functions for Large-Scale Electronic Structure Calculations: The CheSS Library. Journal of Chemical Theory and Computation, 13, 10, 4684-4698. doi:10.1021/acs.jctc.7b00348Plesser, H. E., Eppler, J. M., Morrison, A., Diesmann, M., & Gewaltig, M.-O. (2007). Efficient Parallel Simulation of Large-Scale Neuronal Networks on Clusters of Multiprocessor Computers. In A.-M. Kermarrec, L. Bougé, & T. Priol (Ed.), Euro-Par 2007 Parallel Processing. Euro-Par 2007. Lecture Notes in Computer Science. 4641, pp. 672-681. Springer, Berlin, Heidelberg. doi:10.1007/978-3-540-74466-5_71POP. (2016, December 21). Performance Optimisation and Productivity. A Centre of Excellence in HPC. Retrieved June 21, 2023, from POP Homepage: https://pop-coe.eu/Slurms Guide. (2021, June 29). Retrieved June 20, 2023, from https://slurm.schedmd.com/sacct.htmlUniversidad de Guadalajara. (2018, October 11). CADS. Retrieved June 20, 2023, from CADS Homepage: http://cads.cgti.udg.mx/Wagner, M., Mohr, S., Giménez, J., & Labarta, J. (2019). A Structured Approach to Performance Analysis. In C. Niethammer, M. M. Resch, W. E. Nagel, H. Brunst, & H. Mix (Ed.), Tools for High Performance Computing 2017. PTHPC 2017 (pp. 1-15). Dresden, Germany: Springer. doi:10.1007/978-3-030-11987-4_1Vol. 25 Núm. 1 (2024): Revista Colombiana de Computación (Enero-Junio); 19-28Computación de alto rendimientoCentro de datosSimulación energéticaEficacia en el uso de la energíaHigh-performance ComputingData CenterEnergy SimulationPower Usage EffectivenessModelo de análisis de variables de consumo energético para el procesamiento de datos en sistemas informáticos de alto rendimientoAnalysis Model of Energy Consumption Variables for Data Processing in High-Performance Computing Systemsinfo:eu-repo/semantics/articleArtículohttp://purl.org/coar/resource_type/c_2df8fbb1http://purl.org/redcol/resource_type/ARThttp://purl.org/coar/version/c_970fb48d4fbd8a85http://purl.org/coar/access_right/c_abf2ORIGINALArtículo.pdfArtículo.pdfArtículoapplication/pdf519318https://repository.unab.edu.co/bitstream/20.500.12749/26649/1/Art%c3%adculo.pdf2fc6ca0ba8522c74748f03e7b1af6a5eMD51open accessTHUMBNAILArtículo.pdf.jpgArtículo.pdf.jpgIM Thumbnailimage/jpeg9694https://repository.unab.edu.co/bitstream/20.500.12749/26649/3/Art%c3%adculo.pdf.jpgc6e7ed703ee4575f7f05d47ac2caada0MD53open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-8347https://repository.unab.edu.co/bitstream/20.500.12749/26649/2/license.txt855f7d18ea80f5df821f7004dff2f316MD52open access20.500.12749/26649oai:repository.unab.edu.co:20.500.12749/266492024-09-19 22:00:18.884open accessRepositorio Institucional \| Universidad Autónoma de Bucaramanga - UNABrepositorio@unab.edu.coTGEgUmV2aXN0YSBDb2xvbWJpYW5hIGRlIENvbXB1dGFjacOzbiBlcyBmaW5hbmNpYWRhIHBvciBsYSBVbml2ZXJzaWRhZCBBdXTDs25vbWEgZGUgQnVjYXJhbWFuZ2EuIEVzdGEgUmV2aXN0YSBubyBjb2JyYSB0YXNhIGRlIHN1bWlzacOzbiB5IHB1YmxpY2FjacOzbiBkZSBhcnTDrWN1bG9zLiBQcm92ZWUgYWNjZXNvIGxpYnJlIGlubWVkaWF0byBhIHN1IGNvbnRlbmlkbyBiYWpvIGVsIHByaW5jaXBpbyBkZSBxdWUgaGFjZXIgZGlzcG9uaWJsZSBncmF0dWl0YW1lbnRlIGludmVzdGlnYWNpw7NuIGFsIHDDumJsaWNvIGFwb3lhIGEgdW4gbWF5b3IgaW50ZXJjYW1iaW8gZGUgY29ub2NpbWllbnRvIGdsb2JhbC4=

Modelo de análisis de variables de consumo energético para el procesamiento de datos en sistemas informáticos de alto rendimiento

Publicaciones similares