Estrategia para la implementación de modelos de aprendizaje automático (machine learning) usando arquitecturas basadas en microservicios en el contexto de la seguridad en ciudades inteligentes

RESUMEN : En la actualidad, las ciudades inteligentes representan una realidad inminente que ofrecen soluciones para mejorar la calidad de vida mediante nuevas tecnologías. Sin embargo, con la creciente dependencia tecnológica, emergen desafíos en seguridad informática tales como la protección de datos ante ataques cibernéticos, la gestión de la privacidad de la información de los usuarios, el manejo eficiente de elevados volúmenes de peticiones, además de afrontar necesidades de escalamiento, resiliencia y confiabilidad en los sistemas. Hoy en día, métodos basados en modelos de aprendizaje automático (ML) son empleados para resolver problemas de seguridad informática presentes en los sistemas de las ciudades inteligentes. Sin embargo, para el manejo eficiente del creciente número de peticiones, además de atender a las necesidades de escalamiento de los sistemas, se hace necesario establecer estrategias y herramientas adecuadas que faciliten la evaluación y desarrollo de modelos de aprendizaje automático. Este trabajo tiene como objetivo principal desarrollar una estrategia para la implementación y evaluación de modelos de aprendizaje automático enfocados en seguridad informática dentro del contexto de ciudades inteligentes. Para alcanzar este propósito, se planteó una arquitectura basada en microservicios. La iniciativa de este estudio responde a la necesidad de disponer de plataformas escalables y versátiles, que faciliten el despliegue efectivo de modelos ML. Con la arquitectura planteada en este trabajo, se propuso también el desarrollo de una infraestructura basada en microservicios, con dos servicios fundamentales: uno dedicado al preprocesamiento de datos y otro dedicado a brindar servicios de predicción. Estos microservicios facilitan la ejecución, almacenamiento y evaluación de modelos ML. Como gestor de mensajes, se propuso emplear el software Kafka para brindar una comunicación asincrónica eficiente y efectiva entre los microservicios involucrados. Adicionalmente, la implementación de un Gateway y un balanceador de carga se realizó con la visión de optimizar el manejo integral del tráfico y las solicitudes, asegurando un despliegue de modelos ML en el contexto de ciudades inteligentes que es tanto escalable como versátil. Como resultado de este trabajo, se desarrolló una infraestructura especializada en la implementación de microservicios empleando Java y Python, así como una base de datos de tráfico de red. Esta última no solo cumple un rol fundamental al alimentar los procesos de predicción, sino que también respalda el caso de estudio específicamente seleccionado para validar la funcionalidad del mecanismo desarrollado. Este conjunto de herramientas y datos no solo facilita el despliegue y la evaluación de modelos de ML, sino que también simplifica la escalabilidad de las arquitecturas involucradas. De esta manera, el presente trabajo contribuye con la implementación de modelos de ML en ciudades inteligentes mediante arquitecturas fáciles de escalar y mantener.

• Autores: Guerrero Martinez, David Santiago
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2023
• Institución: Universidad de Antioquia
• Repositorio: Repositorio UdeA
• Idioma: spa
• OAI Identifier: oai:bibliotecadigital.udea.edu.co:10495/37329
• Acceso en línea: https://hdl.handle.net/10495/37329
• Palabra clave: Sistemas electrónicos de seguridad; Aprendizaje automático (inteligencia artificial); Machine learning; Tecnología de la información; Information technology; Tecnología emergente; Emerging technology; Desarrollo urbano; Urban development; Microservicios; Ciudades inteligentes; http://aims.fao.org/aos/agrovoc/c_36660; http://aims.fao.org/aos/agrovoc/c_f71dc16f; http://aims.fao.org/aos/agrovoc/c_49889
• Rights: openAccess
• License: https://creativecommons.org/licenses/by-nc-nd/4.0/