Temas de interés para trabajos de investigación y desarrollo en grado, maestría y doctorado.
Ingeniería de Software
Resumen. Investiga cómo los patrones tradicionales (MVC, Singleton, Factory) se adaptan a arquitecturas nativas en la nube, incluidos serverless design patterns y patrones de comunicación en microservicios.
Objetivo. Identificar los patrones más eficaces en escenarios de alta escalabilidad, proponiendo una guía de buenas prácticas.
Resumen. Explora cómo Scrum y Kanban pueden armonizarse con prácticas DevOps, analizando el impacto en la entrega continua de valor.
Objetivo. Proponer un marco híbrido que optimice el flujo de trabajo en equipos multidisciplinares.
Sistemas Distribuidos
Resumen. Analiza desafíos, estrategias y patrones de migración, incluidas herramientas automatizadas y técnicas de estrangulamiento de funcionalidad.
Objetivo. Desarrollar una taxonomía de patrones y herramientas que facilite la migración de monolitos a microservicios.
Resumen. Explora métricas como SLIs y SLOs, correlacionándolas con resiliencia y rendimiento en producción.
Objetivo. Proponer un modelo de evaluación para medir y mejorar la observabilidad y la resiliencia en sistemas críticos.
Resumen. Investiga prácticas como Chaos Engineering para prevenir fallos y asegurar alta disponibilidad.
Objetivo. Crear directrices prácticas para que los equipos de SRE implementen la confiabilidad como disciplina técnica.
Computación en la Nube
Resumen. Aborda técnicas, métodos y modelos para planificar la capacidad de recursos de cargas de trabajo en la nube.
Objetivo. Evolucionar el modelo C2PF (Cloud Capacity Planning Framework) para cargas de trabajo en la nube.
Resumen. Técnicas y herramientas para prever la demanda de capacidad, optimizando costes y garantizando el rendimiento.
Objetivo. Desarrollar un modelo predictivo basado en Machine Learning para entornos de nube híbrida.
Resumen. Explora patrones nativos — multi-tenancy, escalabilidad horizontal, patrones de facturación — en soluciones SaaS.
Objetivo. Crear una guía de buenas prácticas para la arquitectura de SaaS con foco en escalabilidad y costes.
Resumen. Analiza modelos como CMMI adaptados a la nube, proponiendo una estructura para medir la madurez.
Objetivo. Proponer un marco de madurez desde el uso inicial hasta una etapa avanzada de optimización.
Datos e Inteligencia Artificial
Resumen. Investiga los Data Lakes como enlace entre sistemas heredados, aplicaciones distribuidas y plataformas analíticas — patrones, ingesta, gobernanza, escalabilidad y rendimiento.
Objetivo. Proponer y validar un modelo arquitectónico de Data Lake orientado a la integración corporativa.
Resumen. Explora integridad, sesgo, datos sintéticos y procedencia como un sistema interdependiente para una IA confiable.
Objetivo. Definir y evaluar el Data-Centric Trust Pipeline como modelo de gobernanza de datos.
CARLOS DIEGO C. P.