Performance Evaluation of Automated Multi-Service Deployment in Edge-Cloud Environments with the CODECO Toolkit

Este artículo evalúa el toolkit de código abierto CODECO en entornos Edge-Cloud, demostrando que reduce significativamente la intervención manual en la implementación de microservicios sin comprometer el rendimiento ni la eficiencia de recursos en comparación con los flujos de trabajo estándar de Kubernetes.

Lo esencial

¡Hola! Imagina que el mundo digital es como una gran ciudad inteligente donde hay edificios gigantes en el centro (la "Nube" o Cloud) y pequeñas casitas o quioscos en cada esquina (el "Borde" o Edge).

En esta ciudad, hay miles de pequeños robots (llamados microservicios) que hacen tareas específicas: unos vigilan el tráfico, otros gestionan la energía de los semáforos y otros entregan paquetes. Para que todos estos robots trabajen juntos sin chocar, necesitan un director de orquesta.

Hasta ahora, el director de orquesta más famoso se llama Kubernetes (K8s). Es muy bueno, pero si tienes que organizar a los robots en una ciudad gigante con calles de tierra, puentes de madera y edificios de cristal (equipos muy diferentes), el director a veces se abruma y necesita que tú, el humano, le digas paso a paso qué hacer. ¡Es como si tuvieras que escribirle una carta a cada robot individualmente!

Aquí es donde entra el proyecto CODECO.

¿Qué es CODECO?

Piensa en CODECO como un super-inteligente asistente de IA que se pone al lado del director de orquesta (Kubernetes). Su trabajo es:

1. Automatizar todo: En lugar de que tú escribas cartas, CODECO sabe exactamente qué robot necesita ir a qué casa, basándose en si la casa tiene mucha energía, si está lejos o si hace mucho calor.
2. Pensar con el corazón (y la mente): CODECO no solo mira dónde hay espacio, sino que también piensa en el "medio ambiente" (ahorrar energía) y en la "seguridad" (proteger los datos).
3. Aprender de la ciudad: Usa un sistema llamado "aprendizaje descentralizado" para que cada robot sepa un poco de lo que pasa en su vecindario y tome decisiones rápidas sin esperar a que el jefe central le dé la orden.

¿Qué probaron los autores?

Los investigadores decidieron poner a prueba a este nuevo asistente (CODECO) contra el director tradicional (Kubernetes) en una serie de pruebas reales, como si fueran juegos de simulación:

1. La prueba de la "Mano Humana":

   • El problema: Instalar y configurar todos estos robots manualmente es como montar un mueble gigante sin instrucciones: tardas horas y te equivocas.
   • El resultado: Con CODECO, el trabajo manual se redujo drásticamente. ¡Hicieron el 90% menos de trabajo manual! Fue como pasar de construir una casa ladrillo a ladrillo a usar una impresora 3D que lo hace todo sola.

2. La prueba de la "Velocidad de Arranque":

   • El problema: ¿Cuánto tardan los robots en despertar y empezar a trabajar?
   • El resultado: CODECO tardó un poquito más que el sistema tradicional (como unos segundos extra), pero esto es el "precio" que pagas por tener un director que es mucho más inteligente y organizado. Además, en sistemas muy complejos (como una fábrica con muchos robots), CODECO se volvió más eficiente que el sistema normal.

3. La prueba del "Consumo de Energía":

   • El problema: ¿Cuánta batería gasta el sistema para mantenerse en marcha?
   • El resultado: CODECO consume un poco más de memoria (como tener una mochila más pesada) para poder pensar mejor, pero el aumento en el consumo de energía es muy pequeño (menos del 5%). Vale la pena el pequeño gasto extra por tener un sistema que se adapta solo.

¿Por qué es importante esto?

Imagina que quieres crear una ciudad donde los coches autónomos, los semáforos inteligentes y los hospitales de emergencia hablen entre sí en tiempo real. Si tienes que configurar todo a mano, tardarías años.

Con CODECO, puedes:

• Desplegar servicios en segundos en cualquier lugar, desde un servidor gigante hasta una pequeña tarjeta electrónica en un dron.
• Ahorrar tiempo y errores porque la máquina hace el trabajo aburrido.
• Hacerlo todo más ecológico, ya que el sistema sabe cuándo apagar o mover robots para ahorrar energía.

En resumen

Este paper nos dice que CODECO es como un "cerebro" extra que le damos a nuestros sistemas informáticos. Hace que la instalación de aplicaciones sea casi mágica (casi sin tocar nada), funciona bien incluso en equipos viejos o pequeños, y aunque consume un poquito más de recursos para pensar, el ahorro de tiempo y la inteligencia que aporta hacen que valga totalmente la pena.

¡Es el futuro de cómo construiremos y gestionaremos nuestras ciudades y fábricas inteligentes! 🤖🏙️✨

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Título: Evaluación del Despliegue Automatizado de Multi-Servicios en Entornos Edge-Cloud con el Toolkit CODECO

1. Problema y Contexto

La computación Edge-Cloud ha transformado la arquitectura de servicios digitales, distribuyendo el procesamiento y la inteligencia a lo largo del continuo Edge-Cloud-IoT. Aunque Kubernetes (K8s) es el orquestador estándar para microservicios, la automatización del despliegue y gestión de aplicaciones multi-servicio en entornos heterogéneos (mezcla de hardware ARM/x86, diferentes topologías de clúster y condiciones de red variables) sigue siendo un desafío crítico.

Los problemas principales identificados son:

• La dificultad de gestionar cargas de trabajo dinámicas y heterogéneas sin intervención manual excesiva.
• La necesidad de incorporar inteligencia y conciencia del contexto (red, energía, datos) en la toma de decisiones de orquestación.
• La falta de herramientas estandarizadas para evaluar el rendimiento de estas orquestaciones en infraestructuras reales y experimentales.

2. Metodología

El estudio evalúa el rendimiento del CODECO (Cognitive Decentralised Edge Cloud Orchestration), un framework de código abierto diseñado para extender las capacidades nativas de K8s con control cognitivo y basado en políticas.

• Enfoque Experimental: Se realizó una comparación cuantitativa entre el flujo de trabajo estándar de K8s (baseline) y el enfoque automatizado de CODECO.
• Infraestructura Heterogénea: Las pruebas se ejecutaron en seis entornos distintos (INF1-INF6), que incluyen:
  • Servidores locales y en la nube (AWS).
  • Dispositivos Edge con recursos limitados (Raspberry Pi 4 y 5, NVIDIA Jetson AGX Orin).
  • Distribuciones de K8s: Vanilla K8s y variantes ligeras como k3s.
• Cargas de Trabajo: Se utilizaron tres tipos de aplicaciones para evaluar diferentes niveles de complejidad:
  1. Pods de pausa (Batch): Para medir tiempos de inicio/destrucción básicos.
  2. Aplicación Dummy (Frontend-Backend): Para simular flujos de microservicios simples.
  3. Bookinfo: Un benchmark de microservicios realista y complejo.
• Marco de Experimentación: Se utilizó CODEF (CODECO Experimentation Framework) para garantizar la reproducibilidad, la automatización del despliegue y la especificación declarativa de los experimentos, siguiendo las directrices del grupo de trabajo BMWG de IETF.

3. Contribuciones Clave

El artículo presenta las siguientes contribuciones principales:

• Evaluación Cuantitativa de CODECO: Análisis del rendimiento de orquestación multi-servicio utilizando Indicadores Clave de Rendimiento (KPIs) específicos.
• Estudio Multi-Infraestructura: Validación en un espectro amplio de hardware (ARM, AMD, Intel) y distribuciones de K8s, cubriendo desde pruebas de concepto hasta casos de uso reales (ciudades inteligentes, redes eléctricas descentralizadas, control de AGV).
• Metodología Reproducible: Desarrollo y uso de CODEF, un marco que permite la automatización completa desde la asignación de nodos hasta la visualización de resultados, cumpliendo con estándares de benchmarking.
• Modelo de Aplicación Declarativo (CAM): Uso de un manifiesto YAML que define requisitos de QoS, energía, red y seguridad para guiar la orquestación cognitiva.

4. Resultados Principales

Los resultados se analizaron bajo tres KPIs principales:

• A. Reducción de la Intervención Manual (MIP):

  • CODECO y CODEF redujeron drásticamente la intervención humana.
  • Despliegue de Clúster: Reducción del 74.7% en acciones manuales (de 19 a 3 acciones).
  • Instalación de K8s: Reducción del 90.5% (de 42 a 4 acciones).
  • Despliegue de Servicios: Reducción del 81.8% (de 11 a 2 acciones).

• B. Tiempos de Despliegue y Ciclo de Vida:

  • Tiempo de Instalación: La instalación de CODECO introduce una sobrecarga temporal, dominada por el componente NetMA (Gestión de Red), que representa entre el 34% y el 64% del tiempo total de instalación dependiendo del tamaño del clúster.
  • Tiempo de Inicio de Pods/Servicios: CODECO es ligeramente más lento que K8s nativo en el inicio (overhead de unos pocos segundos), debido a la toma de decisiones cruzadas (red, energía, contexto). Sin embargo, este overhead es aceptable para entornos Edge-Cloud.
  • Escalabilidad: En aplicaciones complejas (como Bookinfo o Frontend-Backend con muchas réplicas), el overhead relativo de CODECO disminuye a medida que aumenta la complejidad de la carga de trabajo, sugiriendo que el coste de orquestación se diluye en escenarios más pesados.

• C. Huella de Recursos (CPU, Memoria y Energía):

  • CPU: En estado inactivo, CODECO añade una sobrecarga de CPU del 7.23% (en despliegues CODEF) y 4.4% (en KinD).
  • Memoria: Es el recurso más afectado. CODECO incrementa el consumo de memoria en aproximadamente 4.57 GB (en clústeres de 3 nodos) y hasta 11.42 GB en clústeres de 20 nodos, debido a los componentes adicionales de orquestación cognitiva.
  • Energía: El consumo energético aumenta en un 4.7% (CODEF) y 10.7% (KinD) en estado inactivo, lo cual se considera un coste aceptable a cambio de las capacidades de optimización dinámica.

5. Significado y Conclusión

El estudio valida a CODECO como una solución efectiva para la orquestación en entornos Edge-Cloud heterogéneos.

• Viabilidad: Demuestra que es posible automatizar completamente el ciclo de vida de aplicaciones complejas en infraestructuras mixtas (desde servidores potentes hasta Raspberry Pi) sin sacrificar la estabilidad operativa.
• Compromiso (Trade-off): Existe un compromiso claro entre la automatización/inteligencia y el consumo de recursos. Aunque CODECO introduce una mayor huella de memoria y un ligero retraso en el inicio, estos costos son compensados por una reducción masiva en la intervención manual y la capacidad de tomar decisiones de orquestación basadas en contexto (energía, red, QoS).
• Futuro: Los autores planean extender la evaluación a entornos de múltiples clústeres federados y escenarios con inyección de fallos, para probar la resiliencia y la adaptabilidad en condiciones de red intermitentes y topologías geográficamente distribuidas.

En resumen, el paper confirma que la orquestación cognitiva descentralizada es un paso necesario hacia la gestión autónoma de sistemas Edge-Cloud, ofreciendo una base sólida para despliegues más flexibles e inteligentes.