La tesis afronta los desafíos de escalabilidad en aplicaciones IoT y propone soluciones automatizadas para la gestión eficiente de servicios. Se identifican cinco problemas clave: la complejidad de gestionar numerosos servicios, la optimización de atributos de calidad de servicio, la importancia de las distancias y calidad de los canales de comunicación en un entorno distribuido, la predicción del comportamiento de los servicios, y la verificación sistemática de los mismos.
Se realiza un análisis comparativo de los algoritmos de composición de servicios más tratados por los investigadores, incluyendo algoritmos genéticos, basados en utilidad y en la técnica de divide y vencerás. El trabajo compara estos algoritmos considerando una amplia variedad de servicios y proveedores, destacando las fortalezas y debilidades de cada uno de los algoritmos, dando como resultado un árbol de decisión que pretende ayudar a los investigadores a la elección de los diferentes algoritmos en base a los procesos que estén tratando.
Para la asignación dinámica de recursos, se desarrolla una estrategia basada en redes neuronales recurrentes con capas LSTM, utilizando datos de simulaciones de procesos BPMN. Esta estrategia anticipa el comportamiento del sistema, mejorando la eficiencia y la capacidad de respuesta.
La tesis también integra las herramientas P y MultiVeStA para la verificación de aplicaciones basadas en servicios mediante model checking estadístico. Esta integración permite distribuir las simulaciones en distintos servidores mejorando la escalabilidad del análisis. Además, se amplía la semántica del lenguaje QuaTeX (usado por MultiVeStA) para consultas avanzadas sobre el estado y las variables del sistema. En conjunto, las soluciones propuestas en este trabajo optimizan la composición, gestión y verificación de aplicaciones IoT, abordando los desafíos de escalabilidad.
Buscar en Dimension
