Resumen en español

La tesis aborda la creación de un modelo inteligente para evaluar dependencia y complejidad en arquitecturas basadas en microservicios, denominado MOAM (Microservices Optimization Architectures Model). Este modelo combina técnicas avanzadas de Machine Learning (ML) y Procesamiento de Lenguaje Natural (NLP) para optimizar decisiones arquitectónicas desde las etapas tempranas del desarrollo. Las principales motivaciones fueron abordar desafíos de evaluación de arquitecturas de microservicios y el limitado número de herramientas de evaluación y optimización de estas arquitecturas. Todos los objetivos se cumplieron porque MOAM es un modelo inteligente que especifica dependencia y complejidad en el diseño arquitectónico de aplicaciones basadas en microservicios, apoyado en técnicas de ML y NLP. La metodología utilizada se basó en un enfoque iterativo que integró desde la revisión sistemática de literatura, la creación del modelo que analiza descripciones arquitectónicas, despliegue de resultados y la comprobación de validez mediante casos de estudio. MOAM demostró ser una herramienta eficaz para evaluar arquitecturas de microservicios. Los principales resultados son métricas de evaluación, optimización arquitectónica porque identifica áreas problemáticas y genera recomendaciones de mejora. Contribuye a optimizar la forma de diseñar y evaluar arquitecturas por su capacidad para analizar y generar resultados automatizados. Se identificaron ciertas limitaciones relacionadas con la escalabilidad del modelo en sistemas extremadamente grandes, se recomienda continuar la investigación para optimizar su aplicabilidad. Además de MOAM, el trabajo aporta un conjunto de métricas, un modelo matemático para evaluar dependencia y complejidad y el uso de técnicas de NLP en el diseño de arquitecturas de microservicios.