Desarrollo de un sistema de auto-configuración de cómputo en la nube para reducción de costos

El presente trabajo aborda la implementación de un sistema de autoescalado inteligente para aplicaciones en la nube utilizando aprendizaje por refuerzo (RL). El objetivo principal es diseñar y evaluar un modelo que optimice la asignación de recursos en AWS mediante un entrenamiento híbrido, combinando métricas simuladas y reales. Se plantea la hipótesis de que este enfoque mejorará la eficiencia y reducirá los costos operativos en comparación con estrategias tradicionales de escalamiento dinámico. Se implementó un flujo de despliegue en AWS, iniciando en Lambda y escalando hacia Fargate y EC2 en función de la carga de trabajo. Se utilizaron servicios como Amazon CloudWatch para la monitorización, AWS ECR para la gestión de contenedores, API Gateway y Application Load Balancer para la creación de un endpoint global que unifique las urls de cada servicio. Se implementó un agente de RL que, basado en datos de tráfico y consumo de recursos, aprendió políticas de escalamiento óptimas. Los resultados mostraron que el script definido con reglas heurísticas logró reducir los tiempos de respuesta y mejorar la utilización de recursos en un 30 % en comparación con estrategias de escalamiento estático

• Main Author: Farías Mera, Stefany Natalia (author)
• Other Authors: Moncayo Paz, Jorge Luis (author), Abad Robalino, Cristina Lucía (author)
• Format: bachelorThesis
• Language: esp
• Published: 2025
• Subjects: autoescalado; aprendizaje por refuerzo; computación en la nube; AWS.
• Online Access: http://www.dspace.espol.edu.ec/handle/123456789/66030