Exploración de técnicas de machine learning para migración de sistemas legados hacia microservicios

Autores
Rodríguez, Guillermo; Da Rocha Araujo, Leonardo; Rocha, Fabio; Pereira dos Santos, Rodrigo
Año de publicación
2021
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
Actualmente, cada vez más empresas están adoptando microservicios para modernizar sus productos y tomar ventaja de sus prometedores beneficios como: agilidad, escalabilidad e integración continua, entre otros. Por un lado, los sistemas basados en microservicios presentan una arquitectura flexible y con alta capacidad de evolución. Sin embargo, por otro lado, hay desafíos técnicos (por ej. automatización de la infraestructura y debugging distribuido) y organizacionales (por ej. creación de equipos de trabajos cross-functional) que necesitan ser abordados. Lamentablemente, migrar una arquitectura orientada a microservicios no es una tarea simple. En este proceso, los servicios pueden escalar más eficientemente y los ciclos de entregas se acortan debido al continuo despliegue. Normalmente, estas decisiones de diseño quedan sujetas a la intuición de desarrolladores y/o arquitectos, pero carecen de un análisis sistemático que les facilite la evaluación de alternativas y toma de decisiones. En este contexto, las técnicas de machine learning podrían contribuir a facilitar la exploración de diferentes alternativas de descomposición de arquitecturas de software en microservicios.
Eje: Ingeniería de Software.
Red de Universidades con Carreras en Informática
Materia
Ciencias Informáticas
Arquitecturas de microservicios
Sistemas legados
Migración
Aprendizaje Automático
SOA
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/120287

id SEDICI_16b4363ec17c73f30be874fe47deba3d
oai_identifier_str oai:sedici.unlp.edu.ar:10915/120287
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Exploración de técnicas de machine learning para migración de sistemas legados hacia microserviciosRodríguez, GuillermoDa Rocha Araujo, LeonardoRocha, FabioPereira dos Santos, RodrigoCiencias InformáticasArquitecturas de microserviciosSistemas legadosMigraciónAprendizaje AutomáticoSOAActualmente, cada vez más empresas están adoptando microservicios para modernizar sus productos y tomar ventaja de sus prometedores beneficios como: agilidad, escalabilidad e integración continua, entre otros. Por un lado, los sistemas basados en microservicios presentan una arquitectura flexible y con alta capacidad de evolución. Sin embargo, por otro lado, hay desafíos técnicos (por ej. automatización de la infraestructura y <i>debugging</i> distribuido) y organizacionales (por ej. creación de equipos de trabajos <i>cross-functional</i>) que necesitan ser abordados. Lamentablemente, migrar una arquitectura orientada a microservicios no es una tarea simple. En este proceso, los servicios pueden escalar más eficientemente y los ciclos de entregas se acortan debido al continuo despliegue. Normalmente, estas decisiones de diseño quedan sujetas a la intuición de desarrolladores y/o arquitectos, pero carecen de un análisis sistemático que les facilite la evaluación de alternativas y toma de decisiones. En este contexto, las técnicas de <i>machine learning</i> podrían contribuir a facilitar la exploración de diferentes alternativas de descomposición de arquitecturas de software en microservicios.Eje: Ingeniería de Software.Red de Universidades con Carreras en Informática2021-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf466-470http://sedici.unlp.edu.ar/handle/10915/120287spainfo:eu-repo/semantics/altIdentifier/isbn/978-987-24611-3-3info:eu-repo/semantics/altIdentifier/isbn/978-987-24611-4-0info:eu-repo/semantics/reference/hdl/10915/119487info:eu-repo/semantics/reference/hdl/10915/119490info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:28:25Zoai:sedici.unlp.edu.ar:10915/120287Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:28:25.915SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Exploración de técnicas de machine learning para migración de sistemas legados hacia microservicios
title Exploración de técnicas de machine learning para migración de sistemas legados hacia microservicios
spellingShingle Exploración de técnicas de machine learning para migración de sistemas legados hacia microservicios
Rodríguez, Guillermo
Ciencias Informáticas
Arquitecturas de microservicios
Sistemas legados
Migración
Aprendizaje Automático
SOA
title_short Exploración de técnicas de machine learning para migración de sistemas legados hacia microservicios
title_full Exploración de técnicas de machine learning para migración de sistemas legados hacia microservicios
title_fullStr Exploración de técnicas de machine learning para migración de sistemas legados hacia microservicios
title_full_unstemmed Exploración de técnicas de machine learning para migración de sistemas legados hacia microservicios
title_sort Exploración de técnicas de machine learning para migración de sistemas legados hacia microservicios
dc.creator.none.fl_str_mv Rodríguez, Guillermo
Da Rocha Araujo, Leonardo
Rocha, Fabio
Pereira dos Santos, Rodrigo
author Rodríguez, Guillermo
author_facet Rodríguez, Guillermo
Da Rocha Araujo, Leonardo
Rocha, Fabio
Pereira dos Santos, Rodrigo
author_role author
author2 Da Rocha Araujo, Leonardo
Rocha, Fabio
Pereira dos Santos, Rodrigo
author2_role author
author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
Arquitecturas de microservicios
Sistemas legados
Migración
Aprendizaje Automático
SOA
topic Ciencias Informáticas
Arquitecturas de microservicios
Sistemas legados
Migración
Aprendizaje Automático
SOA
dc.description.none.fl_txt_mv Actualmente, cada vez más empresas están adoptando microservicios para modernizar sus productos y tomar ventaja de sus prometedores beneficios como: agilidad, escalabilidad e integración continua, entre otros. Por un lado, los sistemas basados en microservicios presentan una arquitectura flexible y con alta capacidad de evolución. Sin embargo, por otro lado, hay desafíos técnicos (por ej. automatización de la infraestructura y <i>debugging</i> distribuido) y organizacionales (por ej. creación de equipos de trabajos <i>cross-functional</i>) que necesitan ser abordados. Lamentablemente, migrar una arquitectura orientada a microservicios no es una tarea simple. En este proceso, los servicios pueden escalar más eficientemente y los ciclos de entregas se acortan debido al continuo despliegue. Normalmente, estas decisiones de diseño quedan sujetas a la intuición de desarrolladores y/o arquitectos, pero carecen de un análisis sistemático que les facilite la evaluación de alternativas y toma de decisiones. En este contexto, las técnicas de <i>machine learning</i> podrían contribuir a facilitar la exploración de diferentes alternativas de descomposición de arquitecturas de software en microservicios.
Eje: Ingeniería de Software.
Red de Universidades con Carreras en Informática
description Actualmente, cada vez más empresas están adoptando microservicios para modernizar sus productos y tomar ventaja de sus prometedores beneficios como: agilidad, escalabilidad e integración continua, entre otros. Por un lado, los sistemas basados en microservicios presentan una arquitectura flexible y con alta capacidad de evolución. Sin embargo, por otro lado, hay desafíos técnicos (por ej. automatización de la infraestructura y <i>debugging</i> distribuido) y organizacionales (por ej. creación de equipos de trabajos <i>cross-functional</i>) que necesitan ser abordados. Lamentablemente, migrar una arquitectura orientada a microservicios no es una tarea simple. En este proceso, los servicios pueden escalar más eficientemente y los ciclos de entregas se acortan debido al continuo despliegue. Normalmente, estas decisiones de diseño quedan sujetas a la intuición de desarrolladores y/o arquitectos, pero carecen de un análisis sistemático que les facilite la evaluación de alternativas y toma de decisiones. En este contexto, las técnicas de <i>machine learning</i> podrían contribuir a facilitar la exploración de diferentes alternativas de descomposición de arquitecturas de software en microservicios.
publishDate 2021
dc.date.none.fl_str_mv 2021-04
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/120287
url http://sedici.unlp.edu.ar/handle/10915/120287
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/isbn/978-987-24611-3-3
info:eu-repo/semantics/altIdentifier/isbn/978-987-24611-4-0
info:eu-repo/semantics/reference/hdl/10915/119487
info:eu-repo/semantics/reference/hdl/10915/119490
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
466-470
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1844616162932948992
score 13.070432