Del objetivo de negocio a la clase de dimensionamiento

Planificar capacidad sin historial de uso

La planificación de capacidad en la industria suele partir del consumo pasado, medido con herramientas de descubrimiento o estimado a partir de un inventario, y ese camino no existe para una carga nueva. En dos migraciones planificadas de la forma tradicional y seguidas durante 90 días después de la puesta en marcha, la CPU ejecutada en la capa de cómputo quedó entre un 26% y un 41% por encima del plan, y la memoria entre un 35% y un 59%.

Elegir tipos de instancia, replicación, escalado y red para cada servicio es un problema combinatorio, y la tesis lo trata como NP-difícil. El C2PF cambia la búsqueda de la combinación óptima por una abstracción en clases, al modo de las tallas de camiseta, ligadas a objetivos que el negocio sabe declarar. La clase es el punto de partida del plan y no reemplaza la medición después de la puesta en producción.

Nueve elementos, del dominio de negocio a la clase

Cada capa del metamodelo restringe la siguiente. Haz clic en un elemento para ver cómo lo define la tesis.

Un marketplace B2C descompuesto hasta el servicio

El ejemplo de la tesis es una plataforma de marketplace B2C que conecta compradores y vendedores. Cuatro bloques funcionales agrupan los servicios, y la capacidad se evalúa en el servicio y no en la plataforma entera.

Fuente: tesis, figuras 6 a 8. El servicio destacado es el que siguen los ejemplos de esta página.

Lo que el servicio debe entregar, en tres tipos

En lenguaje de SRE, los tres serían SLO. El C2PF los separa por tipo para que cada uno se vincule a las características de capacidad y a las capas que lo atienden. Cada objetivo se mide con un indicador (SLI) y se escribe como SLI ≤ objetivo o como rango, en una ventana de evaluación.

Fuente: tesis, figura 9. La tesis no separa los indicadores de SLO y RLO en este ejemplo; una especificación completa nombra cada SLI.

Diez características de capacidad, cinco capas

Procesamiento, memoria, almacenamiento y red son lo que la planificación de capacidad suele mirar. La tesis amplía el conjunto con características no funcionales, agrupadas en confiabilidad y rendimiento, porque de ellas depende la arquitectura que alcanzará el objetivo.

Cincuenta atributos condensados en un nombre

Cada clase asigna un valor a cada par de característica y capa, lo que da 10 × 5 = 50 atributos por clase y 150 valores en la primera generación. La tesis derivó los valores de la literatura sobre requisitos no funcionales, de los promedios de las familias de instancias de los proveedores públicos y de una distribución entre las tres clases.

La segunda generación (c2pf2) mantiene las tres clases y añade xsmall y xlarge. Es una extensión hecha en los artículos derivados, bajo la convención de nombres de la tesis, y no forma parte de ella.

Explorador de la Tabla 4

Las filas atenuadas tienen el mismo valor en las tres clases, como el cifrado. Siglas: AZ, zona de disponibilidad; ASG, auto scaling group; PITR, recuperación a un punto en el tiempo; TTL en segundos.

Puntuar un plan candidato frente a los objetivos

En la figura del metamodelo, SLO y R van de 0 a 1 e indican el grado de cumplimiento, y P es una medida de rendimiento. La tesis no fija el rango de P ni restringe los pesos. Los artículos derivados leen la expresión como la puntuación de un candidato, con P también en [0, 1] y pesos que suman 1, de modo que la nota es 1 exactamente cuando se alcanzan todos los objetivos. Para R usan la razón de presupuesto de error, porque 89,95% y 99,95% parecen cercanos y permiten indisponibilidades que difieren en un factor de 200.

Con pesos iguales, las notas son 0,596, 0,634 y 1,000, y solo c2pf1.large alcanza los tres objetivos. Elegir, entre las clases con nota 1, la de menor costo es una regla de decisión de los artículos, no de la tesis.

Lo que el C2PF deja registrado

Cada etapa produce un artefacto que otra persona puede leer, cuestionar y reproducir, y ese registro es lo que separa el plan de una estimación hecha de memoria.

input = {
  slo: { success_rate: 99.5%, throughput: 3000 req/s },
  plo: { latency_p95: 150 ms, latency_p99: 400 ms, concurrency: 2000 },
  rlo: { availability_pct: 99.99%, rto_min: 2, rpo_min: 0 },
  demand: { app_ms: 8, queries: 2, read_share: 0.50, db_ms: 1.2 },
  overrides: { compliance: PCI-DSS, budget_cap: none,
               preferred_compute: containers }
}
→ κR = L · κS = XL (envolvente de L: 2.424 req/s) · κP = L → c2pf2.xlarge

Carga el ejemplo “Pagos PCI” en la calculadora para ver el plan completo y descargar los archivos.

Lo que se observó y dónde se detiene el modelo

• ›Los valores de las clases salieron de promedios de proveedores públicos y de la literatura, y envejecen con las familias de instancias. La convención de generaciones existe para eso.
• ›La calculadora aplica las reglas del modelo de proceso orientado a decisiones, un manuscrito aún no publicado. Umbrales, holgura del 80% y 100 solicitudes por vCPU son decisiones de diseño de ese trabajo, evaluadas en simulación.
• ›Con un RLO crítico la regla tiende a sobredimensionar, porque lleva a large incluso cuando el servicio tiene poca carga. El costo mostrado es un orden de magnitud y no reemplaza la calculadora del proveedor.

1. C. D. C. Pereira, “Capacity Planning of Cloud Computing Workloads,” tesis doctoral, CESAR School, Recife, 2023. Edición revisada con nota editorial, 2026. doi:10.2139/ssrn.5754002.
2. C. D. C. Pereira, “C2PF: An Architecture-Aware Conceptual Framework for Cloud Capacity Planning,” manuscrito no publicado, 2026.
3. C. D. C. Pereira, “From Objectives to Architecture: A Decision-Oriented Process Model for Instantiating the C2PF,” manuscrito no publicado, 2026.
4. B. Beyer, C. Jones, J. Petoff y N. R. Murphy, Eds., Site Reliability Engineering. Sebastopol: O’Reilly, 2016.