Predictive and distributed routing balancing (PR-DRB): high speed interconnection networks

Current parallel applications running on clusters require the use of an interconnection network to perform communications among all computing nodes available. Imbalance of communications can produce network congestion, reducing throughput and increasing latency, degrading the overall system performance. On the other hand, parallel applications running on these networks posses representative stages which allow their characterization, as well as repetitive behavior that can be identified on the basis of this characterization. This work presents the Predictive and Distributed Routing Balancing (PR-DRB), a new method developed to gradually control network congestion, based on paths expansion, traffic distribution and effective traffic load, in order to maintain low latency values. PR-DRB monitors messages latencies on intermediate routers, makes decisions about alternative paths and record communication pattern information encountered during congestion situation. Based on the concept of applications repetitiveness, best solution recorded are reapplied when saved communication pattern re-appears. Traffic congestion experiments were conducted in order to evaluate the performance of the method, and improvements were observed.

Marbofloxacin achieves high concentration in pig tonsils according to a dose dependent fashion

The penetration of marbofloxacin into tonsils was assessed in fattening pigs. Two different dosages were used to treat the animals: 2 mg/kg b.w. every 24 hours during 3 days (P1 group) and 4 mg/kg b.w. every 48 hours two times (P2 group. A ratio between the mean tonsillar concentration of marbofloxacin for both doses 24 hours after the last administration (0.5 and 0.7 µgr/mL) and its MIC90 for APP (0.03 µgr/mL) was calculated. These Ratio values were 16.6 and 23.3 for P1 and P2 group.

Modelos de viento aplicados a la mejora en la predicción de incendios forestales

La predicción de incendios forestales es uno de los grandes retos de la comunidad científica debido al impacto medioambiental, humano y económico que tienen en la sociedad. El comportamiento de este fenómeno es difícil de modelar debido a la gran cantidad de variables que intervienen y la dificultad que implica su correcta medición. Los simuladores de fuego son herramientas muy útiles pero, actualmente, los resultados que obtenemos tienen un alto grado de imprecisión. Desde nuestro grupo se ha trabajado en la predicción en dos etapas, donde antes de realizar cualquier predicción, se incorpora una etapa de ajuste de los parámetros de entrada para obtener mejores predicciones. Pese a la mejora que supone este nuevo paradigma de predicción, las simulaciones sobre incendios reales tienen un alto grado de error por el efecto de las condiciones meteorológicas que, usualmente, varían de manera notable durante el transcurso de la simulación. Uno de los factores más determinantes en el comportamiento de un incendio, junto con las características del terreno, es el viento. Los modelos de predicción son extremadamente sensibles al cambio en los componentes de dirección y velocidad del viento por lo que cualquier mejora que podamos introducir para mejorar la calidad de estas componentes influye directamente en la calidad de la predicción. Nuestro sistema de predicción utiliza la dirección y velocidad del viento de forma global en todo el terreno, y lo que proponemos con este trabajo es introducir un modelo de vientos que nos permita generar vientos locales en todas las celdas en las que se divide el terreno. Este viento local dependerá del viento general y de las características del terreno de dichas celdas. Consideramos que la utilización de un viento general no es suficiente para realizar una buena predicción del comportamiento de un incendio y hemos comprobado que la inclusión de un simulador de campo de vientos en nuestro sistema puede llegar a mejorar nuestras predicciones considerablemente. Los resultados obtenidos en los experimentos sintéticos que hemos realizado nos hacen ser optimistas, puesto que consideramos que la inclusión de componentes de viento locales permitirá mejorar nuestras predicciones en incendios reales.