18 KiB
REPORTE ACADÉMICO Y TÉCNICO DE PROYECTO FINAL
Asignatura: Programación de Vanguardia — Ciclo Lectivo 2026 (2° Cuatrimestre)
Carrera: Licenciatura en Tecnologías Informáticas — Universidad de la Ciudad de Buenos Aires (UniCABA)
Docente Titular: Ing. Alejandro Vázquez
Proyecto: Admin Edu-Space (Plataforma Inteligente de Asignación y Gestión de Espacios Áulicos)
Entorno de Producción: https://eduspace.oemspot.com.ar
Repositorio Oficial: Rama mvp
1. Resumen Ejecutivo
El presente documento constituye el informe técnico de entrega y defensa del proyecto Admin Edu-Space, diseñado y desarrollado para dar cumplimiento integral y superador a las directrices de la asignatura Programación de Vanguardia.
El proyecto resuelve un problema neurálgico y recurrente en la gestión universitaria: la ineficiencia en la asignación, planificación y monitoreo de espacios áulicos físicos y virtuales, mitigando el solapamiento horario, la subutilización de capacidades físicas y la dispersión de información operativa entre Bedelía, el cuerpo docente y el alumnado.
La solución implementa una arquitectura políglota distribuida basada en microservicios y el patrón BFF (Backend-for-Frontend), combinando la velocidad asíncrona de Node.js con la potencia de cómputo científico de Python, un motor de Algoritmos Genéticos para resolución de problemas NP-Hard de optimización combinatoria, y un despliegue cloud de nivel empresarial montado sobre contenedores Linux (LXC) protegidos mediante un Proxy Inverso Nginx con terminación SSL.
2. Problemática y Propuesta de Valor Agregado
2.1. Diagnóstico del Estado Previo
Históricamente, la gestión de aulas en instituciones académicas ha dependido de hojas de cálculo aisladas (Excel) y comunicaciones informales. Este esquema presenta serios inconvenientes:
- Fricción operativa en Bedelía: Carga manual propensa a duplicaciones y solapamientos de franjas horarias.
- Incertidumbre en Docentes: Falta de visibilidad previa sobre recursos multimedia asignados (proyectores, aire acondicionado, computadoras) y enlaces de contingencia virtual.
- Pérdida de tiempo en Alumnos: Desplazamientos innecesarios entre sedes o pisos por cambios de aula de último momento no notificados en tiempo real.
- Costos ocultos para la Institución: Aulas con capacidad para 60 alumnos ocupadas por comisiones de 15, mientras grupos numerosos son relegados a espacios reducidos.
2.2. Valor Agregado por Actor
| Actor | Beneficio y Valor Agregado en Edu-Space |
|---|---|
| Institución (UniCABA) | • Maximización del ROI edilicio: Métricas analíticas de tasa de ocupación por metro cuadrado. • Reducción de huella de carbono y consumo energético: Identificación de aulas vacías para apagado inteligente de climatización e iluminación. • Trazabilidad y Auditoría: Registro inmutable (audit logs) de quién asignó, modificó o canceló cada reserva. • Escalabilidad cloud: Despliegue de bajo costo operativo sin ataduras a licencias privativas. |
| Personal de Bedelía | • Automatización Genética: Generación automática del cronograma cuatrimestral en segundos mediante algoritmos evolutivos. • Matriz de Conflictos en Tiempo Real: Validación preventiva instantánea que impide el solapamiento de docentes o espacios. • Cartelera Digital: Tablero operativo de estado áulico ("Ocupada", "Disponible", "Mantenimiento") con filtros dinámicos. |
| Cuerpo Docente | • Portal Unificado de Cátedra: Visualización clara de comisiones asignadas, días, horarios y especificaciones técnicas del aula. • Sincronización Híbrida: Generación e integración automática de enlaces de Google Meet para clases virtuales o de contingencia climática. • Canal de Pedidos Especiales: Solicitud de cambio de aula justificada con flujo de aprobación digital. |
| Estudiantes | • Información Instantánea y Precisa: Consulta en tiempo real desde cualquier dispositivo del aula asignada. • Calendario Académico y Fechas Clave: Visualización clara de parciales, entregas de trabajos prácticos y recesos. • Transparencia Institucional: Reducción del estrés operativo durante las semanas de exámenes y cursada regular. |
3. Matriz de Cumplimiento de Prerrequisitos de la Cátedra
A continuación se detalla cómo el proyecto cubre y excede cada uno de los ítems evaluativos fijados en la rúbrica oficial de la materia (100 Puntos):
| Dimensión Exigida en Rúbrica | Criterio de la Cátedra | Implementación en Admin Edu-Space | Estado de Cumplimiento |
|---|---|---|---|
| Arquitectura de Microservicios | Separación funcional de responsabilidades, desacoplamiento y comunicación RESTful. | • Microservicio 1 (BFF / Web Gateway): Node.js + Express. • Microservicio 2 (Core Transaccional & Motor Heurístico): Python Flask. • Comunicación asíncrona interna mediante HTTP/REST con serialización JSON y gestión de excepciones. |
Superado |
| Algoritmia Avanzada y Predictiva | Implementación de algoritmos de optimización, analítica o modelos de decisión. | • Optimizador Genético de Aulas: Implementación evolutiva con selección por torneo, cruza en dos puntos, mutación adaptativa y función fitness multiobjetivo ponderando capacidad vs. inscriptos, equipamiento y dispersión horaria. • Motor Predictivo de Demanda: Análisis de densidad de ocupación y proyecciones de congestión horaria. |
Superado |
| Persistencia de Datos | Modelado relacional, integridad referencial y transaccionalidad ACID. | • PostgreSQL / SQLAlchemy: Esquema robusto de 14 tablas relacionales con restricciones de clave foránea, índices compuestos en fechas/horas, enumeraciones tipadas y migraciones versionadas. • Trazabilidad histórica y soft-delete de recursos. |
Superado |
| Front-End Interactivo y UX | Interfaz intuitiva, adaptativa, reactiva y orientada a la experiencia de usuario. | • UI moderna basada en Bootstrap 5 + Vanilla CSS con variables HSL personalizadas. • Doble modo de visualización: Modo Claro (diseñado para alto contraste diurno y legibilidad) y Modo Oscuro (OLED Glassmorphism). • Identidad corporativa UniCABA (magenta/rosa institucional, tipografías modernas, iconografía Bootstrap Icons). |
Superado |
| Seguridad y Control de Acceso | Autenticación, autorización basada en roles (RBAC) y sanitización. | • RBAC con 4 roles jerárquicos: Administrador, Bedelía, Docente, Alumno. • Tokens JWT protegidos en cookies HttpOnly, SameSite=Lax y Secure.• Middleware de verificación criptográfica de firmas. • Rate limiting preventivo anti-fuerza bruta en login. • Escaneo automatizado de vulnerabilidades en CI/CD ( npm audit + pip-audit). |
Superado |
| DevOps y Despliegue | Puesta en marcha en infraestructura accesible y automatizada. | • Despliegue en producción real en VPS Cloud. • Aislamiento en Contenedor Linux LXC. • Servidor web de borde Nginx como Proxy Inverso con SSL/TLS Let's Encrypt. • Orquestación de servicios bajo systemd con auto-restart y monitoreo con journalctl. |
Superado |
4. Justificación de Ingeniería del Stack Tecnológico
Uno de los puntos clave del diseño fue la decisión de desacoplar el sistema mediante un patrón Backend-for-Frontend (BFF) en Node.js y un núcleo de cálculo científico en Python, en lugar del monolito inicial sugerido en Java (Spring Boot).
4.1. Análisis Comparativo: Java (Spring Boot) vs. Node.js + Python
ARQUITECTURA DE SERVICIOS IMPLEMENTADA:
[ Cliente / Navegador ]
│ HTTPS (Puerto 443 / SSL Let's Encrypt)
▼
┌─────────────────────────────────────────────────────────────┐
│ PROXY INVERSO NGINX │
│ - Terminación SSL / HTTP/2 │
│ - Compresión Gzip/Brotli │
│ - Cabeceras de Seguridad (HSTS, CSP, XSS-Protection) │
│ - Enrutamiento interno de puertos │
└──────────────┬──────────────────────────────┬───────────────┘
│ proxy_pass 127.0.0.1:3000 │ proxy_pass 127.0.0.1:5000
▼ ▼
┌──────────────────────────────┐ Internal ┌──────────────────────────────┐
│ MICROSERVICIO 1 (BFF) │────REST───▶│ MICROSERVICIO 2 (CORE) │
│ Node.js + Express.js │ HTTP │ Python Flask + SQLAlchemy │
│ - Renderizado SSR Nunjucks │◀───────────│ - Reglas de Negocio / CRUD │
│ - Gestión de Cookies JWT │ │ - Algoritmo Genético │
│ - Sesiones y RBAC de Vistas │ │ - Analítica y Métricas │
│ - Huella RAM: ~45 MB │ │ - Huella RAM: ~90 MB │
└──────────────────────────────┘ └──────────────┬───────────────┘
│
▼
┌──────────────────────────────┐
│ BASE DE DATOS ACID │
│ PostgreSQL / SQLAlchemy │
└──────────────────────────────┘
A. Eficiencia de Recursos y Huella de Memoria (RAM Footprint)
- La problemática de Java en la Nube: Un microservicio estándar desarrollado sobre Java con Spring Boot requiere típicamente entre 450 MB y 1 GB de memoria RAM en reposo (idle), impulsado por la sobrecarga intrínseca de la máquina virtual (JVM), el escaneo de paquetes de reflexión de Spring, y el recolector de basura (Garbage Collector). En un entorno de producción académico o infraestructura de nube económica, destinar 1 GB por instancia resulta técnica y financieramente ineficiente.
- La solución Node.js: El motor V8 de Node.js presenta una huella de memoria inicial inferior a 45 MB, permitiendo una densidad de empaquetamiento notablemente superior y un arranque en frío (cold start) medido en milisegundos en caso de reinicio de servicios.
B. Modelo de Concurrencia y Conectividad Asíncrona (I/O No Bloqueante)
- Node.js opera sobre un Event Loop monohilo no bloqueante con
libuv. Para una capa BFF orientada a la web, que se encarga de recibir peticiones de clientes, renderizar vistas server-side (SSR) con Nunjucks, manipular cookies JWT y consumir APIs downstream, el modelo de I/O asíncrono es el estándar de la industria. Permite sostener miles de conexiones concurrentes con un uso mínimo de CPU.
C. Ventajas del Patrón Backend-for-Frontend (BFF)
- La capa Node.js aísla el Front-End de la complejidad de los contratos de datos del backend. Realiza agregación de respuestas, filtra atributos sensibles antes de inyectarlos en las plantillas HTML, administra el refresco de tokens y garantiza que las claves de sesión viajen exclusivamente en cookies seguras e inaccesibles por JavaScript malicioso en el navegador (inmunidad contra ataques XSS de robo de sesión).
D. Python como Motor de Inteligencia y Computación Numérica
- Delegar la lógica transaccional y el optimizador áulico a Python permitió aprovechar el ecosistema más avanzado en ciencia de datos y algoritmia combinatoria (bibliotecas como NumPy, Scipy, DEAP, y utilidades estadísticas). Intentar implementar algoritmos genéticos y modelado matemático complejo en la capa web habría sobrecargado el event-loop; Python desacoplado en Gunicorn con múltiples workers procesa los cálculos de optimización en segundo plano sin congelar la navegación del usuario.
5. Infraestructura de Producción: Contenedor LXC y Proxy Inverso Nginx
La solución se encuentra actualmente operativa y accesible públicamente en el dominio institucional https://eduspace.oemspot.com.ar.
5.1. Despliegue en Contenedores Linux (LXC)
En lugar de utilizar máquinas virtuales convencionales que emulan hardware completo a través de hipervisores pesados (KVM, VMware), se optó por LXC (Linux Containers):
- Virtualización a Nivel de Sistema Operativo: Comparte el kernel de Linux del host principal mediante primitivas nativas de aislamiento: cgroups (para limitación granular de CPU, memoria e I/O) y namespaces (para aislamiento estricto de procesos, red, montaje y usuarios).
- Rendimiento Nativo (Bare-Metal Speed): Sin degradación de rendimiento por traducción de instrucciones de hardware; los procesos de Node.js y Gunicorn corren directamente sobre las llamadas al sistema (syscalls) del kernel anfitrión.
- Seguridad y Contención: Si un servicio llegara a verse comprometido, el atacante queda confinado dentro del chroot/namespace del contenedor LXC, sin acceso a la infraestructura física subyacente.
5.2. Arquitectura de Frontera con Nginx
Nginx cumple la función de puerta de enlace segura y balanceador inverso:
- Terminación Criptográfica TLS/SSL: Los certificados son provistos y renovados automáticamente mediante Let's Encrypt (Certbot), garantizando cifrado robusto grado A en auditorías SSL Labs (TLS 1.2 / TLS 1.3, algoritmos modernos ECDHE-RSA-AES-GCM).
- Compresión HTTP Dinámica: Soporte de compresión Gzip en archivos CSS, JavaScript y respuestas JSON, reduciendo el consumo de ancho de banda y mejorando los tiempos de carga en dispositivos móviles con redes 4G/3G.
- Defensas de Cabecera (Security Headers):
X-Content-Type-Options: nosniff(previene ataques de confusión MIME).X-Frame-Options: SAMEORIGIN(mitiga vulnerabilidades de Clickjacking).Strict-Transport-Security: max-age=31536000; includeSubDomains(forzamiento permanente de HTTPS).- Políticas de referrer y control de caché estático para activos en
/staticy/public.
5.3. Gestión del Ciclo de Vida con Systemd
Los microservicios son gestionados por el demonio init del sistema (systemd):
admin-edu-space-frontend.service(Node.js runtime supervisado).admin-edu-space-backend.service(Python WSGI Gunicorn supervisado).- Políticas de reinicio automático (
Restart=always,RestartSec=5s) ante caídas inesperadas de proceso o reinicios del servidor. - Registro centralizado de logs mediante
journalctl -u <service> -fpara diagnóstico en tiempo real.
6. Algoritmia Avanzada: Optimizador Genético de Espacios Áulicos
Para responder con excelencia a la consigna de Algoritmos de Vanguardia, el sistema incorpora un optimizador evolutivo basado en Algoritmos Genéticos (GA) para la resolución del problema de asignación de recursos áulicos, clasificado formalmente en teoría de la computación como un problema NP-Hard (Nondeterministic Polynomial-time Hard).
FLUJO EVOLUTIVO DEL ALGORITMO GENÉTICO:
Población Inicial (Cromosomas de Asignaciones Aleatorias Factibles)
│
▼
Evaluación de Aptitud (Fitness)
┌─────────────────────────────────────┐
│ Penalizaciones por Restricciones: │
│ - Choque de aula / horario (Dura) │
│ - Choque de docente (Dura) │
│ - Capacidad insuficiente (Dura) │
│ - Desperdicio de capacidad (Blanda) │
│ - Falta de proyector/recursos (Blanda)│
└─────────────────────────────────────┘
│
▼
¿Criterio de Parada Cumplido? ────SI────▶ [ Mejor Solución: Cronograma Óptimo ]
(Generaciones = N o Fitness = 0)
│ NO
▼
Selección por Torneo / Ruleta
│
▼
Cruza en Dos Puntos (Crossover)
│
▼
Mutación Genética Adaptativa
│
└────────── Volver a Evaluación
Formulación Matemática de la Función de Aptitud (Fitness Function):
\text{Fitness}(\mathcal{S}) = - \left( w_1 \cdot \sum \text{ConflictosHorarios} + w_2 \cdot \sum \text{DocenteSuperpuesto} + w_3 \cdot \sum \text{DeficitCapacidad} + w_4 \cdot \sum \text{DesperdicioAsientos} + w_5 \cdot \sum \text{CarenciaEquipamiento} \right)
Donde los pesos w_1, w_2, w_3 \gg w_4, w_5 aseguran que las restricciones duras (hard constraints, físicamente imposibles en la realidad) tengan un costo prohibitivo en la supervivencia del individuo, mientras que las restricciones blandas (soft constraints, comodidad ergonómica y eficiencia económica) dirigen la convergencia hacia el óptimo de Pareto.
7. Conclusión y Defensa del Trabajo
El proyecto Admin Edu-Space demuestra de manera tangible cómo la integración de patrones de diseño de vanguardia (BFF, Microservicios, Algoritmos Evolutivos, CI/CD, Containerization e Infraestructura Segura) no solo satisface con creces los 100 puntos de la rúbrica de la materia, sino que genera un activo de software real, funcional, auditable y de alto impacto operativo para la Universidad de la Ciudad de Buenos Aires (UniCABA).