Resumen
El Internet de las Cosas (IoT) ha experimentado un crecimiento significativo en los últimos años, impulsando la necesidad de procesar datos de manera eficiente en dispositivos con recursos limitados. Sin embargo, estos dispositivos suelen tener capacidades de cómputo reducidas dificultando la ejecución de aplicaciones exigentes, como las de inteligencia artificial. Una estrategia común es realizar ciertas tareas en el edge, pero la potencia de cómputo de estos dispositivos sigue siendo insuficiente para tareas más complejas.
Para abordar estas restricciones computacionales, la virtualización remota de GPU se presenta como una solución viable, con la que los dispositivos IoT pueden aprovechar las GPUs ubicadas en servidores remotos para acelerar el procesamiento de sus aplicaciones, delegando el procesamiento a servidores con mayor capacidad computacional. Este enfoque permite ampliar significativamente las capacidades de cómputo del IoT.
Sin embargo, la virtualización remota de GPU introduce un nuevo desafío: la dependencia de la red. Para que el sistema funcione de manera eficiente, los datos deben transferirse de manera rápida. En redes con ancho de banda limitado, como las que suelen encontrarse en entornos IoT, la transmisión de datos puede afectar drásticamente el rendimiento de las aplicaciones. De este modo, reducir la cantidad de datos transmitidos y optimizar la comunicación entre el cliente y el servidor se convierte en un aspecto clave.
En esta tesis, se han desarrollado varias soluciones para mitigar este problema mediante la compresión de datos dentro de la capa de comunicación de la virtualización remota de GPU. Se han explorado diferentes técnicas de compresión, incluyendo un sistema de compresión en pipeline para mejorar la transmisión de datos y bibliotecas de abstracción que agrupa un gran número de bibliotecas de compresión: 41 basadas en compresión usando la CPU y 8 usando la GPU. Además, se ha creado un dataset específico para evaluar la compresión en este contexto. Finalmente, se han llevado a cabo pruebas con aplicaciones de inteligencia artificial en redes de bajas prestaciones para analizar el impacto de estas soluciones y proponer mejoras futuras.
