Estas metodologías permiten abordar retos relacionados con la potencia, como por ejemplo el uso de dispositivos actuales y futuros o la programación de máquinas virtuales entre los centros de datos, entre otros.
En cuanto a los  modelos de programación, el proyecto se ha centrado en el cambio de un modelo de memoria compartida a un modelo de programación centrado en los actores y el intercambio de mensajes, que permite a los programadores conseguir una mayor eficiencia energética y al mismo tiempo incrementar su conciencia sobre aspectos energéticos. Hay dos planteamientos ilustrativos:
• Soluciones de programación individualizadas para las arquitecturas heterogéneas de GPU/CPU. Gestionando el GPU directamente a través de un código optimizado se puede reducir el consumo de energía por un 80% aproximadamente. Sin embargo, esto exige una especialización que reduce la programabilidad. El proyecto ParaDIME ha elaborado técnicas basadas en los lenguajes de dominio específico que generan un código tanto para el CPU como para el GPU, lo que permite ahorrar hasta un 40% de energía y, algo crucial, facilita a más programadores la utilización de estas arquitecturas
• Herramientas que permiten mayor concienciación sobre la potencia y los costes. Estas herramientas valoran las exigencias de potencia de un solo proceso que se ejecuta en un entorno virtualizado. Se pueden también utilizar para modelos de coste centrados en el usuario, para implementar una programación de tareas que tiene en cuenta el consumo energético y como un indicador de la cantidad de recursos heterogéneos consumidos por una aplicación.
En relación al  tiempo de ejecución, el proyecto ParaDIME ha desarrollado una gran infraestructura descentralizada que está formada por pequeños centros de datos que proporcionan calefacción y agua caliente. Este sistema supondría un incremento de la eficiencia, según ha demostrado  el socio industrial de proyecto, la empresa alemana Cloud&Heat. Los investigadores de ParaDIME han desarrollado:
• Un programador de múltiples centros de datos: planifica las tareas en diferentes centros de datos, con lo que logra un equilibrio entre las cargas de los centros de datos y las necesidades de calefacción/refrigeración. Esto ha supuesto hasta un 50% en la reducción de las emisiones de CO2 y del consumo energético.
• Un programador entre los centros de datos. Se han desarrollado tecnologías para reducir tanto el tiempo requerido para reactivar las máquinas virtuales como para los costes asociados con su migración. La comunidad de QEMU (un emulador y virtualizador de máquina de open source) está analizando partes de este trabajo. Las instituciones que actualmente utilizan el QEMU para virtualizar sus cargas de trabajo se podrán beneficiar de un código de migración para máquinas virtuales optimizado por el proyecto ParaDIME. Además, el proyecto ParaDIME ha contribuido con una función que rastrea los cambios para los dispositivos de bloque, que ya se ha incorporado en el último kernel de Linux.
A nivel de hardware, los investigadores del proyecto ParaDIME han propuesto y simulado diversas metodologías para mejorar la eficiencia del nodo de computación, entre ellas:
• La programación de tareas a cores heterogéneos (por ejemplo los procesadores big.LITTLE, o sistemas que combinan cores FPGA, GPU y CPU). Se puede ahorrar un promedio de un 40% del consumo energético mediante la combinación de cores FPGA, GPU y CPU, a diferencia de un procesador multicore. La programación ParaDIME también reduce una media del 20% de la potencia y un 30% de la energía en los tipos distintos de plataformas heterogéneas. En el proyecto ParaDIME se han analizado también herramientas de estimación de potencia para una variedad de cores.
• Reducción contundente del voltaje en el suministro. El ahorro energético se consigue por la combinación de esta reducción con técnicas de detección y corrección de errores de bajo coste. Además, los investigadores de ParaDIME han estudiado esta metodología en circuitos construidos con los dispositivos del futuro. La metodología ParaDIME ahorra hasta un 60% de la energía consumida por el caché de datos L1.

Más información