Bogotá - Ingeniería - Maestría en Ingeniería - Ingeniería de Sistemas y Computación · 2025

Implementación de un sistema de monitorización y detección inteligente de anomalías en métricas de servidores mediante modelos de machine learning

La administración de infraestructuras de servidores, especialmente a gran escala, representa un desafío constante para las organizaciones debido a la necesidad de garantizar alta disponibilidad y continuidad operativa. Las fallas por uso sostenido del hardware, consumo excesivo de recursos y herramientas de monitoreo ineficientes impactan directamente en la calidad del servicio. Este trabajo tiene como objetivo implementar un modelo de observabilidad para entornos on-premise que permita recopilar métricas críticas de los servidores y generar alertas en tiempo real mediante el uso de tecnologías existentes. Además, se incorpora una capa de aprendizaje automático para la detección de patrones anómalos, lo cual contribuye a la prevención proactiva de fallos. La solución propuesta busca resolver los problemas derivados de arquitecturas de monitoreo fragmentadas y poco integradas, como las evidenciadas en un caso real con un cliente de la cartera de la empresa donde se desarrolló esta práctica profesional. Para ello, se seleccionaron herramientas de monitoreo compatibles con bases de datos de series de tiempo, se entrenaron modelos de Machine Learning, y se evaluó su desempeño mediante criterios como precisión visual, tiempos de ejecución y escalabilidad. Modelos como DBSCAN e Isolation Forest demostraron ser adecuados y complementarios, destacándose según el tipo de métrica evaluada y las necesidades operativas del entorno, constituyendo una solución adaptable y confiable para el monitoreo y la gestión de infraestructuras tecnológicas complejas. (Texto tomado de la fuente)

Tesauro de su biblioteca