Tecnologías Específicas

Ingeniería de Computadores

Descripcion y Objetivos

En la actualidad, el uso de contenedores como mecanismo de virtualización ligera está en pleno auge. Esto ha generado la necesidad de herramientas que gestionen y coordinen el conjunto de contenedores que conforman la implementación de una aplicación o servicio, siendo Kubernetes el standard de factor. 

Paralelamente, el aprendizaje federado (FL, por sus siglas en inglés) ha emergido como un avance significativo en el campo de la inteligencia artificial. Este enfoque permite el entrenamiento colaborativo de modelos a través de dispositivos distribuidos, manteniendo la privacidad de los datos. La gestión eficiente de modelos de aprendizaje automático distribuidos es esencial para el desarrollo de aplicaciones inteligentes. Flower, una plataforma de aprendizaje federado de código abierto ha demostrado ser una herramienta poderosa para la orquestación de estos modelos en entornos distribuidos. 

Con la aparición de Kubeflower, una extensión que integra las capacidades de Flower con Kubernetes, se presenta una nueva oportunidad para explorar su rendimiento en dispositivos de bajo coste. Este trabajo fin de grado (TFG) se propone investigar y comparar Kubeflower frente a Flower en términos de eficiencia, escalabilidad y facilidad de uso. 

El objetivo general de este TFG es, por tanto, evaluar las capacidades de Kubeflower en comparación con Flower cuando se ejecutan en entornos de computación con recursos limitados. 

 

Metodología y Competencias

Para el desarrollo de este TFG se hará uso de una metodología ágil. Se mantendrán reuniones quincenales con los tutores para el correcto seguimiento y retroalimentación del trabajo. Además, el desarrollo del TFG presentará un marcado carácter experimental que nos permitirá desarrollar un prototipo sobre el que realizar las pruebas.  

En cuanto al plan de trabajo, a priori se definen las siguientes fases: 

• Estudiar las tecnologías involucradas en el trabajo fin de grado: el aprendizaje federado, Kubernetes como orquestador de contenedores,  
• Recopilar información sobre el funcionamiento de Flower y Kubeflower, y su aplicación en dispositivos de bajo coste.  
• Configurar el entorno de pruebas utilizando dispositivos de bajo coste, como Raspberry Pi, y configurar tanto Flower como Kubeflower para su evaluación. 
• Desarrollar y ejecutar una serie de pruebas comparativas para evaluar el rendimiento de Flower y KuberFlower en términos de facilidad de uso y despliegue, tiempo de entrenamiento, uso de recursos y escalabilidad. 
• Analizar los resultados obtenidos de las pruebas, comparando los resultados de Flower y Kubeflower. Identificar ventajas y desventajas de cada enfoque.  
• Redactar una memoria escrita del trabajo realizado y preparar una presentación para exponer los resultados y conclusiones del trabajo. 

Las competencias que se aplican en el caso de la Tecnología de Ingeniería de Computadores son: 

[IC3] Capacidad de analizar y evaluar arquitecturas de computadores, incluyendo plataformas paralelas y distribuidas, así como desarrollar y optimizar software para las mismas.  

[IC7] Capacidad para analizar, evaluar, seleccionar y configurar plataformas hardware para el desarrollo y ejecución de aplicaciones y servicios informáticos.  

[IC8] Capacidad para diseñar, desplegar, administrar y gestionar redes de computadores.  
 

 

Medios a utilizar

Placas Raspberry Pi, PC o portátil disponibles en el i3a. 

Todo el trabajo se desarrollará con software de código abierto 
 

 

Bibliografía

Página web de Kubernetes: Kubernetes [accedida el 5/10/2024] 

Página web de Flower: Flower: A Friendly Federated Learning Framework [accedido el 5/10/2024] 

Página web de KubeFlower: kubeFlower/README.md at main · OCEAN-HL/kubeFlower · GitHub [accedido el 5/10/2024]  

Juan Marcelo Parra-Ullauri, Hari Madhukumar, et all, KubeFlower: A privacy-preserving framework for Kubernetes-based federated learning in cloud–edge environments, Future Generation Computer Systems, Volume 157, 2024, Pages 558-572, ISSN 0167-739X, https://doi.org/10.1016/j.future.2024.03.041. 

Javier Cimas García, Despliegue y evaluación de un clúster de contenedores con tarjetas Raspberry Pi, Trabajo Fin de Grado, Grado en Ingeniería Informática, Universidad de Castilla-La Mancha, Julio 2019 

Alberto Gómez González, Diseño e implementación de un planificador en Kubernetes para entornos de computación en la niebla de bajo coste. Trabajo Fin de Máster, Máster Universitario de Ingeniería Informática, Universidad de Castilla-La Mancha, septiembre 2023. 

Víctor Hidalgo, Despliegue de Herramientas de Aprendizaje Federado sobre un Entorno Fog de Bajo Coste, Trabajo Fin de Máster, Máster Universitario de Ingeniería Informática, Universidad de Castilla-La Mancha, Julio 2024.