Análisis de modelos de Deep Learning para la detección de anomalías en infraestructuras virtualizadas: Una revisión sistemática
DOI:
https://doi.org/10.55204/trc.v6i1.e681Palabras clave:
Salud en adultos mayores, Evaluación nutricional, Aplicación web, Metodología XP, Eficiencia de softwareResumen
Este artículo propone el desarrollo de una aplicación web para la gestión de la salud física y nutrición de los adultos mayores en el Centro Gerontológico Guano. Ya que existe un incremento de esta población en Ecuador, es importante que se tienen que atender problemas de movilidad y deficiencias nutricionales. La aplicación permite evaluar el estado de salud física mediante el uso de pruebas funcionales y cuestionarios, ofreciendo recomendaciones nutricionales personalizadas según las necesidades. Se uso la metodología Extreme Programming (XP) para asegurar un desarrollo ágil. La arquitectura tecnológica incluye un backend en Django, frontend en React y base de datos en PostgreSQL. Por último, se evaluó la eficiencia del sistema conforme a la norma ISO 25010, se obtuvieron resultados positivos en tiempos de respuesta y uso de recursos.Descargas
Referencias
Abusitta, A., de Carvalho, G. H. S., Wahab, O. A., Halabi, T., Fung, B. C. M., & Mamoori, S. A. (2023). Deep learning-enabled anomaly detection for IoT systems. Internet of Things, 21, 100656. https://doi.org/10.1016/j.iot.2022.100656
Aziz, A., & Munir, K. (2024). Anomaly Detection in Logs Using Deep Learning. IEEE Access, PP, 1-1. https://doi.org/10.1109/ACCESS.2024.3506332
Chóez Baque, F. A. (2025). Identificación de anomalías en el tráfico de red utilizando algoritmos de aprendizaje automático. Caso de estudio: CENAIM-ESPOL. https://repositorio.upse.edu.ec/handle/46000/13090
Decimavilla-Alarcón, D. C., & Wilson-Alvarado, C. A. (2025). Detección de anomalías en servicios Cloud utilizando técnicas de aprendizaje no supervisado. Revista UGC, 3(3), 175-185.
Hooshmand, M. K., & Hosahalli, D. (2022). Network anomaly detection using deep learning techniques. CAAI Transactions on Intelligence Technology, 7(2), 228-243. https://doi.org/10.1049/cit2.12078
International, D. (2025, enero 30). Anomaly Detection with Machine Learning: Techniques and Applications. DoiT. https://www.doit.com/anomaly-detection-with-machine-learning-techniques-and-applications/
Kouchay, S. A. (2025). Deep Learning Techniques for Anomaly Detection in Cloud Security—Challenges, Insights and Emerging Trends. Journal of Engineering and Technology Management.
Kumar, M. P., & Idamakanti, R. (2025). Cloud Network Anomaly Detection using Federated Learning and Explainable AI. IJSAT-International Journal on Science and Technology, 16(3).
Muñoz, L. A., Martinez, J. V. B., Bernabéu, J. M. S., & Pérez, F. M. (2023). Modelo de sistema de detección de anomalías en infraestructuras IoT. XXVII Jornadas de Ingeniería del Software y Bases de Dato. Sociedad de Ingeniería de Software y Tecnologías de Desarrollo de Software (SISTEDES).
Muñoz, O. Q. (2019). Internet de las cosas (Iot). Ibukku LLC.
Nwachukwu, C., Durodola-Tunde, K., & Akwiwu-Uzoma, C. (2024). AI-driven anomaly detection in cloud computing environments. International Journal of Science and Research Archive, 13(2), 692-710. https://doi.org/https://doi.org/10.30574/ijsra.2024.13.2.2184
Schummer, P., del Rio, A., Serrano, J., Jimenez, D., Sánchez, G., & Llorente, Á. (2024a). Machine Learning-Based Network Anomaly Detection: Design, Implementation, and Evaluation. AI, 5(4), 2967-2983. https://doi.org/10.3390/ai5040143
Schummer, P., del Rio, A., Serrano, J., Jimenez, D., Sánchez, G., & Llorente, Á. (2024b). Machine Learning-Based Network Anomaly Detection: Design, Implementation, and Evaluation. AI, 5(4), 2967-2983. https://doi.org/10.3390/ai5040143
Spiekermann, D., Eggendorfer, T., & Keller, J. (2024). Deep Learning for Network Intrusion Detection in Virtual Networks. Electronics, 13(18), 3617. https://doi.org/10.3390/electronics13183617
Thiagarajan, G., & Mahalingam, S. (2025). Advanced Deep Learning Techniques for Anomaly Detection in Cloud Computing Traffic: Methods and Applications. https://doi.org/10.2139/ssrn.5082090
Universidad Cooperativa de Colombia. (2024). III Congreso Internacional de Ingeniería con Impacto Social CIIISOL 2023 (F. J. Vélez Hoyos, Ed.). Ediciones Universidad Cooperativa de Colombia. https://doi.org/10.16925/ecam.07
Vercher Gómez, E. (2025). Detección de vulnerabilidades y comportamientos anómalos en API RESTs mediante algoritmos de Machine Learning. https://hdl.handle.net/20.500.14468/30324
Zehra, S., Faseeha, U., Syed, H. J., Samad, F., Ibrahim, A. O., Abulfaraj, A. W., & Nagmeldin, W. (2023a). Machine Learning-Based Anomaly Detection in NFV: A Comprehensive Survey. En Sensors (Vol. 23, Número 11). MDPI. https://doi.org/10.3390/s23115340
Zehra, S., Faseeha, U., Syed, H. J., Samad, F., Ibrahim, A. O., Abulfaraj, A. W., & Nagmeldin, W. (2023b). Machine Learning-Based Anomaly Detection in NFV: A Comprehensive Survey. Sensors (Basel, Switzerland), 23(11), 5340. https://doi.org/10.3390/s23115340
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Jaime David Camacho Castillo, Ángel Patricio Flores Orozco, Enrique Marcelo Baño Leon, Teresita Lourdes Argüello Estrella
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores conservan los derechos morales y patrimoniales de sus obras. Puesto que Tesla Revista Científica es una publicación de acceso abierto, los lectores pueden reproducir total o parcialmente su contenido siempre y cuando proporcionen adecuadamente el crédito a los autores correspondientes y a la revista misma. Tesla Revista Científica se compromete a no hacer uso comercial de los textos que recibe y/o publica.
Nuestra revista se rige por las politicas internacionales SHERPA/RoMEO: Revista verde: Permiten el autoarchivo tanto del pre-print (borrador de un trabajo) como del post-print (la versión corregida y revisada por pares) y hasta de la versión final (maquetada tal como saldrá publicada en la revista).
Véase también "Derechos de autor y licencias".
