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

Abstract

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.

ABSTRACT : Nowadays, smart cities represent a reality that offers solutions to enhance the quality of life through new technologies. However, with the rise in technological dependence, challenges in cybersecurity also emerge. These challenges include data protection from cyberattacks, management of user information privacy, efficient handling of high volumes of requests, and the need for scalability, resilience, and system reliability. Today, methods based on machine learning (ML) models address cybersecurity problems in smart city systems. However, to manage the growing number of requests effectively and meet system scalability needs, it is essential to have appropriate strategies and tools that facilitate the evaluation and development of ML models.

This study aims to develop a strategy for the implementation and evaluation of ML models with the focus on cybersecurity within the context of smart cities. To achieve this goal, an architecture based on microservices has been proposed. The initiative of this study stems from the need of having platforms that are scalable and versatile, facilitating the effective deployment of ML models.

With the architecture presented in this work, the development of an infrastructure based on microservices has also been proposed. This infrastructure includes two main services: one dedicated to data preprocessing and another to provide prediction services. These microservices allow for the execution, storage, and evaluation of ML models. To achieve efficient and effective asynchronous communication between the microservices, the software Kafka software has been employed. Additionally, this work incorporated the implementation of a Gateway and a load balancer with the purpose of improving the overall management of traffic and requests. This ensures the deployment of ML models in a smart city that is both scalable and versatile.

As an outcome of this work, an infrastructure has been developed that specializes in the implementation of microservices using Java and Python. This infrastructure is complemented by a network traffic database, which plays an important role in feeding prediction processes and also supports the chosen case study to validate the functionality of the developed mechanism. This collection of tools and data not only simplifies the deployment and evaluation of ML models, but also enhances the scalability of the associated architectures. Consequently, this research contributes to the effective deployment of ML models in smart cities via architectures that are straightforward to scale and maintain.