Metodología y Entorno de Pruebas

Para llevar a cabo los experimentos de paralelismo y vectorización, se estructuró un entorno de pruebas comparativo utilizando dos arquitecturas de hardware distintas y aislando el rendimiento entre ejecuciones nativas y virtualizadas.

Entorno de Hardware y Software 1 (Host Nativo y Virtualización)

  • Equipo: MSI Thin 15 B13VE.

  • Procesador (CPU): 13th Gen Intel Core i5-13420H a 2.10 GHz (Cuenta con 12 hilos lógicos y una memoria Caché L3 de 12 MB).

  • Memoria RAM: 16 GB instalada.

  • Tarjeta Gráfica (GPU): NVIDIA GeForce RTX 4050 Laptop GPU (6 GB).

  • Sistema Operativo Anfitrión (Nativo): Windows 11 (64-bit).

  • Entorno Virtualizado: Oracle VirtualBox.

    • Sistema Operativo Huésped: Ubuntu 25.04 (Plucky Puffin) (64-bit).

    • Recursos Asignados a la VM: 8192 MB (8 GB) de RAM, 64 MB de memoria de video y 8 vCPUs (núcleos lógicos asignados de los 12 disponibles en el host).

Entorno de Hardware y Software 2 (Nativo)

  • Equipo: Dell Inspiron 15 7000 Gaming.

  • Procesador (CPU): Intel Core i7-7700HQ a 2.80 GHz (4 núcleos físicos, 8 hilos lógicos y una memoria Caché L3 de 6 MB).

  • Memoria RAM: 16.0 GiB.

  • Tarjeta Gráfica (GPU): NVIDIA GTX 1050 Ti (Identificada en sistema como NV137) e Intel HD Graphics 630.

  • Sistema Operativo (Nativo): Ubuntu 26.04 LTS (64-bit).

Set de Imágenes de Prueba (Dataset) Para medir el impacto de la carga computacional en los distintos algoritmos, se seleccionó un conjunto de tres imágenes idénticas en formato BMP, pero con resoluciones que aumentan en factor de 2. Esto permite evaluar el comportamiento y escalabilidad de los hilos de CPU bajo niveles exponenciales de estrés:

  • Imagen Mediana: 620 x 465 píxeles.

  • Imagen Grande: 1240 x 930 píxeles.

  • Imagen Muy Grande: 2480 x 1860 píxeles. 

Comentarios

Publicar un comentario

Entradas populares de este blog

RIGOR ESTADÍSTICO Y VISUALIZACIÓN

Imagen
RIGOR ESTADÍSTICO Y VISUALIZACIÓN Resultados: tablas, cajas y bigotes y Speedup Procesamiento de imágenes para incrementar el brillo · 100 ejecuciones por configuración ① Metodología ② Tablas ③ Cajas y bigotes ④ Nativo vs. Virtual ⑤ Speedup ⑥ Síntesis ① Metodología estadística y de medición Para cada combinación de algoritmo × tamaño de imagen × número de hilos × entorno se registraron 100 tiempos de ejecución independientes . Sobre esa muestra se calcularon los estadísticos que sustentan tanto las tablas como los diagramas de cajas y bigotes. 4 entornos (Windows/Linux · nativo/VirtualBox) 5 implementaciones 3 tamaños de imagen 144 configuraciones 14 400 ejecuciones medidas Estadísticos calculados sobre cada muestra de n = 100 Media, mediana , desviación estándar, mínimo, máximo, cuartiles (Q1, Q3), rango intercuartílico (IQR = Q3−Q1) y coeficiente de variación (CV = desv./media). Se prioriza la medi...
Leer más

Hipotesis iniciales del equipo

 UNIVERSIDAD DEL ISTMO (UNISTMO)  TAREA 6 PARCIAL 3  -Implementación de códigos para mejorar el brillo de imágenes  Fecha de Creación: 31 de mayo de 2026  Integrantes del equipo:  _________________________  Denilson Alexis Rosado Cortez  _________________________  Jared Lopez Toledo  _________________________  Isacar Jiménez Charis  _________________________  Gerson Antonio Regalado López 1. ¿Cómo se van a comportar los tiempos de ejecución si se mantiene el código, pero se varía el tamaño de la imagen a procesar, en cada configuración? Y ¿existe una variación y si existe cómo se podría explicar tal variación observada?  Hipótesis Denilson 1: Si el tamaño de la imagen es más grande y el código es el mismo, entonces cada vez tardaría más, ya que tendría un área más grande que abordar Si existe una variación, en caso de ser negativa se podría tomar mi hipótesis inicial como verdadera, de no ser el caso, se debería estud...
Leer más