The use of metasystems, or systems comprised of other systems, for high performance computing is gaining considerable acceptance. The heterogeneity and dynamic nature of these enviroments make it challenging to archieve high performance. Sceduling is critical in this sense. Schedulers must base its decisions on the fraction of earch resource thatr is available to it at the time the application will execute. This information is obtained by means of predictive models to SUMA metasystems. We focus on their ability to predict the CPU load and the available free memory. Mean based methods and time series models are used. While the best predictor for the CPU lead average was an autoregressive integrated model, the last measurement provides the best prediction to the free memory.

El uso de metasistemas ha ganado considerable aceptación en el mundo de la computación de algo rendimiento. La heterogeneidad y características dinámicas de los metasistemas afectan en forma crítica el desempeño de las aplicaciones que en ellos se ejecutan. El scheduling juega un papel importante al momento de lograr el desempeño deseado. Con el objeto de determinar la planificación más adecuada, el Scheduler de un metasistema debe basar sus decisiones en el porcentaje del recurso a utilizar que estará disponible para el momento de ejecutar la aplicación. Para ello se vale de modelos predictivos, usualmente modelos estadísticos. En éste articulo se describen los modelos estadísticos incorporados al planificados del metasistema SUMA para predecir la carga del CPU y la disponibilidad de memoria, al momento de asignar una aplicación a una plataforma de ejecución. Se evalúa métodos basados en la media y modelos de series de tiempo. Para predecir la carga del CPU el mejor método de predicción resulto ser un modelo autoregresivo integrado. Para la disponibilidad de la memoria bastó un método sencillo: el predictor último, que ofrece como pronóstico para el próximo instante de tiempo, el valor medio en el instante de tiempo anterior.