Migración de Sistemas Legados hacia microservicios mediante técnicas de Machine Learning

Autores
Martinez Saucedo, Ana; Rodríguez, Guillermo Horacio
Año de publicación
2024
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
Las aplicaciones desarrolladas según la arquitectura de microservicios presentan ventajas como escalabilidad a nivel modular, un mantenimiento facilitado, y una entrega de funcionalidades más rápida. Debido a estos y otros beneficios de esta arquitectura, empresas como Netflix, SoundCloud y Amazon han optado por migrar sus aplicaciones desarrolladas según la arquitectura monolítica hacia microservicios. No obstante, la migración de arquitecturas monolíticas hacia microservicios no es una tarea fácil: la descomposición del monolito, la comunicación entre microservicios y la migración de la base de datos son algunos de los desafíos que deben ser abordados al llevar a cabo la migración. En este contexto en donde el proceso de migración manual es complejo, el objetivo de esta línea de investigación consiste en explorar y evaluar técnicas de Machine Learning para asistir a desarrolladores en descomponer (semi- )automáticamente arquitecturas de software en microservicios, considerando tanto aspectos funcionales como no funcionales.
Red de Universidades con Carreras en Informática
Materia
Ciencias Informáticas
Arquitecturas de Software
Arquitecturas de Microservicios
Sistemas legados
Migración
Machine Learning
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:10915/180000
Acceder
id SEDICI_dd7c7faf0c932422ac3951b30649a56d
oai_identifier_str oai:sedici.unlp.edu.ar:10915/180000
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Migración de Sistemas Legados hacia microservicios mediante técnicas de Machine LearningMartinez Saucedo, AnaRodríguez, Guillermo HoracioCiencias InformáticasArquitecturas de SoftwareArquitecturas de MicroserviciosSistemas legadosMigraciónMachine LearningLas aplicaciones desarrolladas según la arquitectura de microservicios presentan ventajas como escalabilidad a nivel modular, un mantenimiento facilitado, y una entrega de funcionalidades más rápida. Debido a estos y otros beneficios de esta arquitectura, empresas como Netflix, SoundCloud y Amazon han optado por migrar sus aplicaciones desarrolladas según la arquitectura monolítica hacia microservicios. No obstante, la migración de arquitecturas monolíticas hacia microservicios no es una tarea fácil: la descomposición del monolito, la comunicación entre microservicios y la migración de la base de datos son algunos de los desafíos que deben ser abordados al llevar a cabo la migración. En este contexto en donde el proceso de migración manual es complejo, el objetivo de esta línea de investigación consiste en explorar y evaluar técnicas de Machine Learning para asistir a desarrolladores en descomponer (semi- )automáticamente arquitecturas de software en microservicios, considerando tanto aspectos funcionales como no funcionales.Red de Universidades con Carreras en Informática2024-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf416-420http://sedici.unlp.edu.ar/handle/10915/180000spainfo:eu-repo/semantics/altIdentifier/isbn/978-987-8352-57-2info:eu-repo/semantics/reference/url/https://sedici.unlp.edu.ar/handle/10915/173603info: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:UNLP2025-09-29T11:48:58Zoai:sedici.unlp.edu.ar:10915/180000Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:48:59.27SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Migración de Sistemas Legados hacia microservicios mediante técnicas de Machine Learning
title Migración de Sistemas Legados hacia microservicios mediante técnicas de Machine Learning
spellingShingle Migración de Sistemas Legados hacia microservicios mediante técnicas de Machine Learning
Martinez Saucedo, Ana
Ciencias Informáticas
Arquitecturas de Software
Arquitecturas de Microservicios
Sistemas legados
Migración
Machine Learning
title_short Migración de Sistemas Legados hacia microservicios mediante técnicas de Machine Learning
title_full Migración de Sistemas Legados hacia microservicios mediante técnicas de Machine Learning
title_fullStr Migración de Sistemas Legados hacia microservicios mediante técnicas de Machine Learning
title_full_unstemmed Migración de Sistemas Legados hacia microservicios mediante técnicas de Machine Learning
title_sort Migración de Sistemas Legados hacia microservicios mediante técnicas de Machine Learning
dc.creator.none.fl_str_mv Martinez Saucedo, Ana
Rodríguez, Guillermo Horacio
author Martinez Saucedo, Ana
author_facet Martinez Saucedo, Ana
Rodríguez, Guillermo Horacio
author_role author
author2 Rodríguez, Guillermo Horacio
author2_role author
dc.subject.none.fl_str_mv Ciencias Informáticas
Arquitecturas de Software
Arquitecturas de Microservicios
Sistemas legados
Migración
Machine Learning
topic Ciencias Informáticas
Arquitecturas de Software
Arquitecturas de Microservicios
Sistemas legados
Migración
Machine Learning
dc.description.none.fl_txt_mv Las aplicaciones desarrolladas según la arquitectura de microservicios presentan ventajas como escalabilidad a nivel modular, un mantenimiento facilitado, y una entrega de funcionalidades más rápida. Debido a estos y otros beneficios de esta arquitectura, empresas como Netflix, SoundCloud y Amazon han optado por migrar sus aplicaciones desarrolladas según la arquitectura monolítica hacia microservicios. No obstante, la migración de arquitecturas monolíticas hacia microservicios no es una tarea fácil: la descomposición del monolito, la comunicación entre microservicios y la migración de la base de datos son algunos de los desafíos que deben ser abordados al llevar a cabo la migración. En este contexto en donde el proceso de migración manual es complejo, el objetivo de esta línea de investigación consiste en explorar y evaluar técnicas de Machine Learning para asistir a desarrolladores en descomponer (semi- )automáticamente arquitecturas de software en microservicios, considerando tanto aspectos funcionales como no funcionales.
Red de Universidades con Carreras en Informática
description Las aplicaciones desarrolladas según la arquitectura de microservicios presentan ventajas como escalabilidad a nivel modular, un mantenimiento facilitado, y una entrega de funcionalidades más rápida. Debido a estos y otros beneficios de esta arquitectura, empresas como Netflix, SoundCloud y Amazon han optado por migrar sus aplicaciones desarrolladas según la arquitectura monolítica hacia microservicios. No obstante, la migración de arquitecturas monolíticas hacia microservicios no es una tarea fácil: la descomposición del monolito, la comunicación entre microservicios y la migración de la base de datos son algunos de los desafíos que deben ser abordados al llevar a cabo la migración. En este contexto en donde el proceso de migración manual es complejo, el objetivo de esta línea de investigación consiste en explorar y evaluar técnicas de Machine Learning para asistir a desarrolladores en descomponer (semi- )automáticamente arquitecturas de software en microservicios, considerando tanto aspectos funcionales como no funcionales.
publishDate 2024
dc.date.none.fl_str_mv 2024-04
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/10915/180000
url http://sedici.unlp.edu.ar/handle/10915/180000
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/isbn/978-987-8352-57-2
info:eu-repo/semantics/reference/url/https://sedici.unlp.edu.ar/handle/10915/173603
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
416-420
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_ 1844616351578062848
score 13.070432

Publicaciones similares