WS-SSA: planificación de flujos de trabajo en computación en la nube usando el algoritmo de enjambre de salpas

Por qué importa dirigir mejor el tráfico digital

Tras cada mapa en línea, análisis médico o descubrimiento de ondas gravitacionales hay un laberinto de tareas informáticas que deben ejecutarse en el orden correcto, en las máquinas adecuadas y lo más rápido y barato posible. En la computación en la nube moderna, estos trabajos se dividen en miles de pasos interconectados repartidos por centros de datos de todo el mundo. Si este tráfico digital se gestiona mal, los científicos esperan más tiempo por las respuestas y los proveedores consumen más electricidad de la necesaria. Este artículo presenta una nueva forma de orquestar tales flujos de trabajo complejos, inspirada en una fuente sorprendente: cadenas de diminutas criaturas marinas llamadas salpas.

Cómo se fragmentan los grandes trabajos científicos

Las aplicaciones científicas y empresariales de gran envergadura rara vez se ejecutan como un único programa. En su lugar, se descomponen en muchas tareas más pequeñas que dependen unas de otras. Los investigadores representan esta estructura como un grafo acíclico dirigido: los nodos representan tareas y las flechas muestran qué resultados deben generarse antes de que otras tareas puedan comenzar. En un centro de datos en la nube, estas tareas se asignan a máquinas virtuales—ordenadores basados en software que difieren en velocidad, memoria y capacidad de red. El reto es decidir qué tarea debe ejecutarse en qué máquina y cuándo, de modo que todo el flujo de trabajo termine lo antes posible aprovechando bien los recursos.

Por qué es tan difícil encontrar el mejor plan

Elegir un calendario ideal para miles de tareas interdependientes en muchas máquinas diferentes es un ejemplo clásico de un problema denominado NP-hard: el número de asignaciones posibles crece tan rápido que comprobarlas todas es imposible en la práctica. Por ello, los sistemas en la nube dependen de atajos inteligentes, conocidos como heurísticas y metaheurísticas, para buscar buenas soluciones—aunque no garantizadas como óptimas. Reglas tradicionales como primero en llegar, primero en ser atendido o round robin son sencillas pero ineficientes a gran escala. Enfoques más avanzados, como algoritmos genéticos, optimización por enjambre de partículas y optimización por colonia de hormigas, buscan de forma más inteligente pero todavía pueden quedar atrapados en soluciones mediocres, requieren un ajuste cuidadoso de parámetros o ignorar dependencias importantes entre tareas.

Aprendiendo de las cadenas de salpas en el océano

El nuevo método, llamado WS-SSA, adapta el algoritmo de enjambre de salpas a la realidad de los flujos de trabajo en la nube. En la naturaleza, las salpas se desplazan por el mar en cadenas con un líder al frente y seguidores detrás, ajustando la dirección mientras buscan alimento. WS-SSA trata cada posible plan de planificación como un miembro de dicha cadena. El mejor plan conocido actúa como “alimento”, guiando el movimiento del programador líder, mientras los seguidores se ajustan gradualmente hacia regiones prometedoras. Una decisión de diseño clave es que cada posición en este enjambre artificial codifica directamente qué máquina virtual ejecuta cada tarea, usando enteros simples en lugar de valores continuos que luego deben traducirse. Combinado con un ordenamiento cuidadoso de las tareas que siempre respeta sus dependencias, esto asegura que cada calendario candidato considerado por el enjambre sea válido y ejecutable de inmediato.

Poniendo a prueba el nuevo planificador

Para evaluar el rendimiento de WS-SSA, los autores realizaron simulaciones extensas usando WorkflowSim, un conjunto de herramientas que imita flujos de trabajo científicos reales sobre el popular entorno CloudSim. Probaron cinco aplicaciones de referencia de astronomía, sismología, física de ondas gravitacionales y bioinformática, con tamaños de flujo de trabajo que iban desde unas pocas docenas hasta mil tareas y configuraciones en la nube desde unas pocas hasta cien máquinas virtuales. WS-SSA se comparó con seis reglas clásicas de planificación y tres métodos metaheurísticos modernos, incluyendo el algoritmo de optimización por ballenas, algoritmos genéticos y optimización por enjambre de partículas. La métrica principal fue el tiempo total de finalización, o makespan, mientras que el consumo total de energía de las máquinas virtuales se siguió como una medida secundaria estrechamente relacionada.

Qué significan los resultados para tiempo y energía

En este amplio conjunto de experimentos, WS-SSA produjo de forma consistente calendarios más rápidos que los métodos competidores. En promedio, redujo el makespan en aproximadamente un tercio respecto a las heurísticas tradicionales, y aun así ganó entre varios hasta más del veinte por ciento sobre metaheurísticas bien establecidas. Como también se redujo el tiempo de inactividad y el cómputo desperdiciado, el consumo total de energía disminuyó en paralelo—a menudo en márgenes similares—sin que el algoritmo tuviera que optimizar explícitamente el uso de energía. Pruebas estadísticas sobre 30 ejecuciones independientes confirmaron que estas mejoras no se debían al azar, especialmente en flujos de trabajo más grandes y complejos. El estudio muestra que una versión discreta y sencilla de la estrategia inspirada en las salpas puede navegar con fiabilidad el enorme espacio de posibles calendarios y adaptarse a diferentes estructuras de flujo de trabajo y configuraciones de máquinas.

Ciencia más rápida con nubes más eficientes

En términos cotidianos, WS-SSA es un controlador de tráfico más inteligente para la autopista de datos que sustenta la ciencia moderna y los servicios en la nube. Al coordinar cuándo y dónde se ejecuta cada tarea, acorta el tiempo entre lanzar un trabajo complejo y obtener el resultado final, al tiempo que reduce la factura energética de los centros de datos subyacentes. El trabajo no cambia cómo se definen los flujos de trabajo; en su lugar, ofrece una forma más eficiente de ejecutarlos en las plataformas en la nube existentes. Extensiones futuras que consideren coste, energía y plazos a la vez podrían convertir a estos planificadores inspirados en enjambres en una herramienta importante para infraestructuras de computación más verdes y más sensibles.

Cita: Sharawy, A.A., Sakr, R.H., Eladrosy, W. et al. WS-SSA: workflow scheduling in cloud computing using salp swarm algorithm. Sci Rep 16, 13402 (2026). https://doi.org/10.1038/s41598-026-48037-w

Palabras clave: planificación de flujos de trabajo en la nube, optimización metaheurística, algoritmo de enjambre de salpas, computación científica, nube eficiente energéticamente