CARLOS DIEGO C. P.
PTENES
I + D · Orientación

Líneas de investigación

Temas de interés para trabajos de investigación y desarrollo en grado, maestría y doctorado.

Ingeniería de Software

Evolución e Impacto de los Patrones de Diseño en Aplicaciones Nativas en la Nube

Resumen. Investiga cómo los patrones clásicos (MVC, Singleton, Factory, Observer) se reinterpretan en arquitecturas nativas en la nube y cómo patrones propios del paradigma — serverless, sidecar, circuit breaker, API gateway, saga y comunicación asíncrona entre microservicios — afectan al acoplamiento, la resiliencia y el costo. Combina una revisión sistemática de la literatura con estudios de caso reales para mapear cuándo cada patrón ayuda o perjudica.

Objetivo. Producir un catálogo basado en evidencia que relacione patrones, fuerzas y compromisos con escenarios de alta escalabilidad, ofreciendo una guía de decisión para arquitectos.

Referencias

  • E. Gamma, R. Helm, R. Johnson, and J. Vlissides, Design Patterns: Elements of Reusable Object-Oriented Software. Reading, MA, USA: Addison-Wesley, 1994.
  • G. Hohpe and B. Woolf, Enterprise Integration Patterns. Boston, MA, USA: Addison-Wesley, 2003.
  • C. Richardson, Microservices Patterns. Shelter Island, NY, USA: Manning, 2018.
  • D. Taibi, V. Lenarduzzi, and C. Pahl, "Architectural patterns for microservices: A systematic mapping study," in Proc. 8th Int. Conf. Cloud Computing and Services Science (CLOSER), 2018, pp. 221–232, doi: 10.5220/0006798302210232.
  • C. Pahl, P. Jamshidi, and O. Zimmermann, "Architectural principles for cloud software," ACM Trans. Internet Technol., vol. 18, no. 2, art. no. 17, pp. 1–23, 2018, doi: 10.1145/3104028.

Integración de Prácticas Ágiles y DevOps en la Ingeniería de Software Contemporánea

Resumen. Explora cómo los marcos ágiles (Scrum, Kanban, XP) se combinan con prácticas DevOps — integración y entrega continuas, infraestructura como código, automatización de pruebas y observabilidad — para acortar el ciclo de retroalimentación sin sacrificar calidad. Analiza métricas DORA (frecuencia de despliegue, lead time, tiempo de restauración y tasa de fallos) y el impacto cultural en equipos multidisciplinares.

Objetivo. Proponer un marco híbrido, basado en métricas, que integre las ceremonias ágiles en el flujo DevOps y optimice la entrega continua de valor.

Referencias

  • J. Humble and D. Farley, Continuous Delivery. Boston, MA, USA: Addison-Wesley, 2010.
  • G. Kim, J. Humble, P. Debois, and J. Willis, The DevOps Handbook. Portland, OR, USA: IT Revolution Press, 2016.
  • N. Forsgren, J. Humble, and G. Kim, Accelerate: The Science of Lean Software and DevOps. Portland, OR, USA: IT Revolution Press, 2018.
  • A. Balalaie, A. Heydarnoori, and P. Jamshidi, "Microservices architecture enables DevOps: Migration to a cloud-native architecture," IEEE Softw., vol. 33, no. 3, pp. 42–52, 2016, doi: 10.1109/MS.2016.64.
  • M. Waseem, P. Liang, and M. Shahin, "A systematic mapping study on microservices architecture in DevOps," J. Syst. Softw., vol. 170, art. no. 110798, 2020, doi: 10.1016/j.jss.2020.110798.

Sistemas Distribuidos

Transformación de Arquitecturas Monolíticas en Microservicios Escalables

Resumen. Analiza estrategias, patrones y herramientas para descomponer sistemas monolíticos en microservicios escalables — identificación de límites de contexto (DDD), el patrón strangler fig, extracción incremental, gestión de datos por servicio y observabilidad durante la transición. Estudia también los anti-patrones y los costos ocultos de la distribución.

Objetivo. Desarrollar una taxonomía de patrones y herramientas que reduzca el riesgo y el esfuerzo en la migración de monolitos a microservicios.

Referencias

  • S. Newman, Building Microservices, 2nd ed. Sebastopol, CA, USA: O’Reilly Media, 2021.
  • E. Evans, Domain-Driven Design: Tackling Complexity in the Heart of Software. Boston, MA, USA: Addison-Wesley, 2003.
  • J. Fritzsch, J. Bogner, A. Zimmermann, and S. Wagner, "From monolith to microservices: A classification of refactoring approaches," in Software Engineering Aspects of Continuous Development (DEVOPS 2018), LNCS 11350. Cham, Switzerland: Springer, 2019, pp. 128–141, doi: 10.1007/978-3-030-06019-0_10.
  • G. Mazlami, J. Cito, and P. Leitner, "Extraction of microservices from monolithic software architectures," in Proc. IEEE Int. Conf. Web Services (ICWS), 2017, pp. 524–531.
  • D. Taibi, V. Lenarduzzi, and C. Pahl, "Processes, motivations, and issues for migrating to microservices architectures: An empirical investigation," IEEE Cloud Comput., vol. 4, no. 5, pp. 22–32, 2017.

Observabilidad y Resiliencia en Arquitecturas Distribuidas Críticas

Resumen. Investiga cómo los tres pilares de la observabilidad — métricas, logs y trazas distribuidas — se articulan con SLIs, SLOs y error budgets para revelar el comportamiento real de los sistemas en producción. Correlaciona las señales de telemetría con la resiliencia, la latencia y la degradación elegante ante fallos.

Objetivo. Proponer un modelo de evaluación que mida y mejore, de forma accionable, la observabilidad y la resiliencia en sistemas distribuidos críticos.

Referencias

  • M. Kleppmann, Designing Data-Intensive Applications. Sebastopol, CA, USA: O’Reilly Media, 2017.
  • M. T. Nygard, Release It!: Design and Deploy Production-Ready Software, 2nd ed. Raleigh, NC, USA: Pragmatic Bookshelf, 2018.
  • C. Sridharan, Distributed Systems Observability. Sebastopol, CA, USA: O’Reilly Media, 2018.
  • B. Beyer, C. Jones, J. Petoff, and N. R. Murphy, Eds., Site Reliability Engineering. Sebastopol, CA, USA: O’Reilly Media, 2016.
  • A. Basiri et al., "Chaos engineering," IEEE Softw., vol. 33, no. 3, pp. 35–41, 2016, doi: 10.1109/MS.2016.60.

Ingeniería de Confiabilidad Aplicada a Sistemas de Alta Criticidad

Resumen. Investiga la Ingeniería de Confiabilidad (SRE) y el Chaos Engineering como disciplinas para anticipar fallos: inyección controlada de fallas, experimentos en producción, hipótesis de estado estacionario y automatización de la recuperación. Examina cómo convertir la confiabilidad en una práctica medible y repetible, y no en heroísmo operativo.

Objetivo. Crear directrices prácticas para que los equipos de SRE implementen la confiabilidad y la experimentación de caos de forma segura y disciplinada.

Referencias

  • B. Beyer, C. Jones, J. Petoff, and N. R. Murphy, Eds., Site Reliability Engineering. Sebastopol, CA, USA: O’Reilly Media, 2016.
  • C. Rosenthal and N. Jones, Chaos Engineering: System Resiliency in Practice. Sebastopol, CA, USA: O’Reilly Media, 2020.
  • A. Basiri et al., "Chaos engineering," IEEE Softw., vol. 33, no. 3, pp. 35–41, 2016, doi: 10.1109/MS.2016.60.
  • A. Basiri, L. Hochstein, N. Jones, and H. Tucker, "Automating chaos experiments in production," in Proc. IEEE/ACM 41st Int. Conf. Software Engineering: SEIP (ICSE-SEIP), 2019, pp. 31–40, doi: 10.1109/ICSE-SEIP.2019.00012.
  • J. Owotogbe, I. Kumara, W.-J. van den Heuvel, and D. A. Tamburri, "Chaos engineering: A multi-vocal literature review," ACM Comput. Surv., vol. 58, no. 7, pp. 1–44, 2025, doi: 10.1145/3777375.

Computación en la Nube

Planificación de Capacidad de Cargas de Trabajo sin Precedentes Históricos

Resumen. Aborda técnicas, métodos y modelos para planificar la capacidad cuando no hay historial de carga — lanzamientos, picos estacionales y cargas emergentes. Contrasta enfoques reactivos, sintéticos y predictivos e integra la semántica del workload, las características arquitectónicas y los objetivos operativos (SLO, PLO, RLO).

Objetivo. Evolucionar el modelo C2PF (Cloud Capacity Planning Framework) hacia decisiones de capacidad proactivas, explicables y repetibles para cargas sin historial.

Referencias

  • N. J. Gunther, Guerrilla Capacity Planning. Berlin, Germany: Springer, 2007.
  • T. Lorido-Botran, J. Miguel-Alonso, and J. A. Lozano, "A review of auto-scaling techniques for elastic applications in cloud environments," J. Grid Comput., vol. 12, no. 4, pp. 559–592, 2014, doi: 10.1007/s10723-014-9314-7.
  • N. R. Herbst, S. Kounev, and R. Reussner, "Elasticity in cloud computing: What it is, and what it is not," in Proc. 10th Int. Conf. Autonomic Computing (ICAC), USENIX, 2013, pp. 23–27.
  • C. D. Cavalcanti Pereira, "Capacity planning of cloud computing workloads: A systematic review," in Proc. 15th Int. Conf. Software Engineering Advances (ICSEA), IARIA, 2020.
  • C. D. Cavalcanti Pereira, "A functional paradigm for capacity planning of cloud computing workloads," in Proc. IEEE/ACM 43rd Int. Conf. Software Engineering Companion (ICSE-Companion), 2021, pp. 281–283, doi: 10.1109/ICSE-Companion52605.2021.00128.

Modelado de Capacidad Escalable en Nube Híbrida

Resumen. Estudia técnicas y herramientas para prever la demanda y dimensionar recursos en entornos de nube híbrida, equilibrando costo, rendimiento y cumplimiento entre nube pública y privada. Explora modelos de series temporales y de aprendizaje automático para autoescalado proactivo y asignación sensible al costo.

Objetivo. Desarrollar un modelo predictivo basado en Machine Learning para el dimensionamiento de capacidad en nube híbrida, optimizando costo y rendimiento.

Referencias

  • T. Lorido-Botran, J. Miguel-Alonso, and J. A. Lozano, "A review of auto-scaling techniques for elastic applications in cloud environments," J. Grid Comput., vol. 12, no. 4, pp. 559–592, 2014, doi: 10.1007/s10723-014-9314-7.
  • C. Qu, R. N. Calheiros, and R. Buyya, "Auto-scaling web applications in clouds: A taxonomy and survey," ACM Comput. Surv., vol. 51, no. 4, art. no. 73, pp. 1–33, 2018, doi: 10.1145/3148149.
  • M. Masdari and A. Khoshnevis, "A survey and classification of the workload forecasting methods in cloud computing," Cluster Comput., vol. 23, pp. 2399–2424, 2020, doi: 10.1007/s10586-019-03010-3.
  • A. N. Toosi, R. N. Calheiros, and R. Buyya, "Interconnected cloud computing environments: Challenges, taxonomy, and survey," ACM Comput. Surv., vol. 47, no. 1, art. no. 7, pp. 1–47, 2014, doi: 10.1145/2593512.
  • C. D. Cavalcanti Pereira, "Capacity planning of cloud computing workloads," in Cloud Computing — Applications and Sustainable Developments. London, U.K.: IntechOpen, 2025, doi: 10.5772/intechopen.1011100.

Arquitectura Nativa para la Optimización de Aplicaciones SaaS

Resumen. Explora patrones nativos en la nube aplicados a SaaS — multi-tenancy (aislamiento por base de datos, esquema o fila), escalabilidad horizontal, elasticidad, medición de uso y modelos de facturación. Investiga el equilibrio entre aislamiento, densidad de tenants y costo por cliente.

Objetivo. Crear una guía de buenas prácticas para la arquitectura SaaS centrada en la escalabilidad, el aislamiento de tenants y la eficiencia de costos.

Referencias

  • C. Fehling, F. Leymann, R. Retter, W. Schupeck, and P. Arbitter, Cloud Computing Patterns. Vienna, Austria: Springer, 2014.
  • C. D. Weissman and S. Bobrowski, "The design of the Force.com multitenant internet application development platform," in Proc. ACM SIGMOD Int. Conf. Management of Data, 2009, pp. 889–896, doi: 10.1145/1559845.1559942.
  • C.-P. Bezemer and A. Zaidman, "Multi-tenant SaaS applications: Maintenance dream or nightmare?," in Proc. Joint ERCIM Workshop on Software Evolution (EVOL) and Int. Workshop on Principles of Software Evolution (IWPSE), ACM, 2010, pp. 88–92, doi: 10.1145/1862372.1862393.
  • J. Kabbedijk, C.-P. Bezemer, S. Jansen, and A. Zaidman, "Defining multi-tenancy: A systematic mapping study on the academic and the industrial perspective," J. Syst. Softw., vol. 100, pp. 139–148, 2015, doi: 10.1016/j.jss.2014.10.034.
  • R. Krebs, C. Momm, and S. Kounev, "Architectural concerns in multi-tenant SaaS applications," in Proc. 2nd Int. Conf. Cloud Computing and Services Science (CLOSER), 2012, pp. 426–431.

Modelos de Madurez para Infraestructuras en la Nube

Resumen. Analiza modelos de madurez (inspirados en CMMI y en marcos de nube) para evaluar de forma estructurada el uso de la nube de una organización — gobernanza, automatización, FinOps, seguridad y observabilidad. Propone dimensiones y niveles que orienten la evolución del uso inicial a la optimización avanzada.

Objetivo. Proponer un marco de madurez que mida y oriente el recorrido de adopción y optimización de la nube en las organizaciones.

Referencias

  • M. C. Paulk, B. Curtis, M. B. Chrissis, and C. V. Weber, "Capability maturity model, version 1.1," IEEE Softw., vol. 10, no. 4, pp. 18–27, 1993, doi: 10.1109/52.219617.
  • J. Becker, R. Knackstedt, and J. Pöppelbuß, "Developing maturity models for IT management," Bus. Inf. Syst. Eng., vol. 1, no. 3, pp. 213–222, 2009, doi: 10.1007/s12599-009-0044-5.
  • J. Pöppelbuß and M. Röglinger, "What makes a useful maturity model? A framework of general design principles for maturity models and its demonstration in business process management," in Proc. 19th European Conf. Information Systems (ECIS), 2011.
  • T. Mettler, "Maturity assessment models: A design science research approach," Int. J. Society Systems Science, vol. 3, no. 1/2, pp. 81–98, 2011, doi: 10.1504/IJSSS.2011.038934.
  • C. D. C. Pereira, C. A. C. Filho, and F. S. Ferraz, "Cloud maturity framework: A guideline to assess and modernize cloud computing applications and workloads," in Proc. 17th Int. Conf. Software Engineering Advances (ICSEA), 2022, pp. 53–57.

Datos e Inteligencia Artificial

Data Lakes como Capa Centralizada de Integración Empresarial

Resumen. Investiga el Data Lake como capa central de integración entre sistemas heredados, aplicaciones distribuidas y plataformas analíticas — patrones de ingesta, arquitectura por zonas (raw, trusted, refined), gestión de metadatos y catálogo, gobernanza, escalabilidad y rendimiento de consulta. Discute la convergencia lake-warehouse (lakehouse).

Objetivo. Proponer y validar un modelo arquitectónico de Data Lake orientado a la integración corporativa, con gobernanza y rendimiento.

Referencias

  • R. Hai, C. Koutras, C. Quix, and M. Jarke, "Data lakes: A survey of functions and systems," IEEE Trans. Knowl. Data Eng., vol. 35, no. 12, pp. 12571–12590, 2023, doi: 10.1109/TKDE.2023.3270101.
  • F. Nargesian, E. Zhu, R. J. Miller, K. Q. Pu, and P. C. Arocena, "Data lake management: Challenges and opportunities," Proc. VLDB Endow., vol. 12, no. 12, pp. 1986–1989, 2019.
  • P. N. Sawadogo and J. Darmont, "On data lake architectures and metadata management," J. Intell. Inf. Syst., vol. 56, no. 1, pp. 97–120, 2021, doi: 10.1007/s10844-020-00608-7.
  • C. Giebler, C. Gröger, E. Hoos, H. Schwarz, and B. Mitschang, "Leveraging the data lake: Current state and challenges," in Proc. Int. Conf. Big Data Analytics and Knowledge Discovery (DaWaK), LNCS 11708. Cham, Switzerland: Springer, 2019, pp. 179–188, doi: 10.1007/978-3-030-27520-4_13.
  • C. D. Cavalcanti Pereira, "Data lakes as a centralized integration layer in enterprise environments," J. Data Analysis and Information Processing, vol. 13, pp. 467–486, 2025, doi: 10.4236/jdaip.2025.134027.

Pipeline Centrado en Datos para una IA Confiable

Resumen. Trata la integridad, el sesgo, los datos sintéticos y la procedencia como un sistema interdependiente para una IA confiable, abarcando todo el ciclo de vida del dato — recolección, etiquetado, validación, linaje y auditoría. Enfatiza el giro data-centric: mejorar sistemáticamente los datos, y no solo el modelo, para elevar la transparencia y la rendición de cuentas.

Objetivo. Definir y evaluar empíricamente el Data-Centric Trust Pipeline como modelo de gobernanza de datos para dominios sensibles.

Referencias

  • D. Schwabe et al., "The METRIC-framework for assessing data quality for trustworthy AI in medicine: A systematic review," npj Digit. Med., vol. 7, no. 1, art. no. 11, 2024, doi: 10.1038/s41746-024-01196-4.
  • N. Sambasivan, S. Kapania, H. Highfill, D. Akrong, P. Paritosh, and L. M. Aroyo, "Everyone wants to do the model work, not the data work: Data cascades in high-stakes AI," in Proc. CHI Conf. Human Factors in Computing Systems, 2021, art. no. 39, doi: 10.1145/3411764.3445518.
  • D. Zha et al., "Data-centric artificial intelligence: A survey," ACM Comput. Surv., vol. 57, no. 5, pp. 1–42, 2025, doi: 10.1145/3711118.
  • S. Longpre et al., "A large-scale audit of dataset licensing and attribution in AI," Nat. Mach. Intell., vol. 6, no. 8, pp. 975–987, 2024, doi: 10.1038/s42256-024-00878-8.
  • C. D. Cavalcanti Pereira, "A data-centric trust pipeline: An empirical framework for trustworthy AI in sensitive domains," AI and Ethics, vol. 6, art. no. 383, 2026, doi: 10.1007/s43681-026-01247-4.
← PublicacionesInvestigaciones en curso →