33 KiB
REPORTE TÉCNICO Y MEMORIA ACADÉMICA DE PROYECTO FINAL
Asignatura: Programación de Vanguardia — Ciclo Lectivo 2026 (2° Cuatrimestre)
Carrera: Licenciatura en Tecnologías Informáticas / Digitales — Universidad de la Ciudad de Buenos Aires (UniCABA)
Docente Titular: Ing. Alejandro Vázquez
Alumno: Carlos Facundo Tello (DNI: 34.247.025 — Correo: carlostellocba@gmail.com)
Proyecto: Admin Edu-Space (Plataforma Inteligente de Asignación Áulica, Asistencia IA y Control de Accesos)
Entorno Productivo Institucional: https://eduspace.oemspot.com.ar
Repositorio Oficial: Rama dev (Versionado Semántico Consolidado: v3.8.57)
Fecha de Entrega Oficial: 12 de Noviembre de 2026
1. Carátula y Resumen Ejecutivo
El presente informe constituye el documento formal de entrega, justificación arquitectónica y memoria técnica del proyecto Admin Edu-Space, concebido y desarrollado para dar cumplimiento integral y superador a los requerimientos de la asignatura Programación de Vanguardia.
El proyecto aborda y resuelve de raíz una de las problemáticas operativas más complejas y críticas en la gestión universitaria contemporánea: la ineficiencia, fragmentación y propensión al error humano en la asignación, optimización y control de espacios áulicos físicos y virtuales, reemplazando las tradicionales y obsoletas planillas de cálculo (Excel) por una plataforma web de alto rendimiento, conectada en tiempo real con Moodle 4.1, Google Workspace y servidores de Inteligencia Artificial local (LLMs).
1.1. Síntesis de la Propuesta Superadora de Ingeniería
La consigna original del trabajo práctico requería implementar una arquitectura de microservicios dividida en:
- Una interfaz interactiva de Front-end.
- Un Microservicio en Java (Spring Boot) para el núcleo transaccional de negocio.
- Un Microservicio en Python para analítica predictiva.
- Una Base de Datos relacional o NoSQL debidamente justificada.
A partir de un riguroso análisis de ingeniería de software, eficiencia de recursos en la nube y viabilidad operativa para la Universidad de la Ciudad de Buenos Aires (UniCABA), se diseñó e implementó una solución arquitectónica superadora de grado industrial:
- Microservicio 1 (BFF Gateway en Node.js 20 LTS + Express 5): En lugar de un front-end cliente estático o pesado, se implementó el patrón Backend-for-Frontend (BFF). Gestiona el renderizado server-side (SSR) con Nunjucks, administra sesiones criptográficas en cookies
HttpOnly, aísla al navegador del backend, e incorpora control directo de hardware mediante la Web Serial API para lectores ópticos y molinetes físicos. - Microservicio 2 (Core REST API en Python 3.12+ / FastAPI ASGI puro / SQLAlchemy 2.0): Se implementó un núcleo transaccional asíncrono sobre FastAPI, validado estrictamente con contratos Pydantic v2 (
BaseModel,Field) y documentación OpenAPI interactiva en/docs. Esta arquitectura reduce la huella de memoria RAM de ~800 MB (Java JVM) a menos de 95 MB, con tiempos de respuesta en milisegundos y concurrencia masiva sin bloqueos. - Motor Heurístico Evolutivo (Algoritmo Genético Áulico): Resolución de un problema formalmente clasificado como NP-Hard (asignación de recursos multidimensional) mediante algoritmos genéticos capaces de generar cronogramas libres de colisiones para más de 200 comisiones en menos de 5 segundos.
- Incorporación Pionera de IA Local (LLMs) & RAG Embebido ("UdeCi"): Superando con creces un predictor estadístico elemental, se integró un asistente virtual institucional generativo conectado vía cliente asíncrono no bloqueante (
httpx.AsyncClient, timeout 600s) a servidores locales (llama.cpp, Ollama con modelos Qwen 2.5 / 3 Coder 30B), con base vectorial RAG sobre normativas de UniCABA, inyección en vivo de PostgreSQL y blindaje contra inyecciones de prompt (Prompt Security). - Interoperabilidad con Ecosistemas Java / Spring Boot: Se crearon contratos DTO normalizados (
SpringBootSyncPayloadDTO) y se expuso el endpointPOST /api/v1/optimizer/spring-boot/sync, garantizando compatibilidad bidireccional con cualquier microservicio corporativo en Spring Boot. - Despliegue Real en Producción Institucional: El sistema no quedó confinado a un entorno local de demostración; se encuentra desplegado y operativo en la nube institucional sobre un Contenedor Linux LXC en Proxmox (
10.0.0.217), bajo proxy inverso Nginx con terminación SSL, base de datos PostgreSQL 15 y 131 pruebas automatizadas aprobadas al 100% enpytest.
2. Definición de la Problemática y Propuesta de Valor Agregado
2.1. Diagnóstico del Estado Previo en UniCABA
Históricamente, Bedelía gestionaba el uso de los espacios del Edificio Central (Perón 802) y las aulas del Campus Virtual mediante múltiples planillas Excel desarticuladas. Este modelo operativo generaba severas fricciones:
- Fricción Operativa en Bedelía: Asignaciones manuales propensas a superposiciones horarias en aulas presenciales, solapamiento de docentes y violación de aforos físicos máximos.
- Incertidumbre en el Cuerpo Docente: Desconocimiento de si el aula asignada disponía de proyectores, conectividad de red o aire acondicionado, y dificultades para obtener enlaces de videoconferencia estables ante contingencias climáticas.
- Pérdida de Tiempo en los Estudiantes: Desplazamientos innecesarios entre plantas o sedes debido a modificaciones áulicas notificadas tardíamente en carteleras de papel.
- Subutilización de Infraestructura: Aulas con capacidad para 60 alumnos ocupadas por comisiones de 12 personas, mientras cursos numerosos eran confinados a aulas reducidas.
2.2. Valor Agregado por Actor del Ecosistema
| Actor Institucional | Beneficios y Valor Agregado en Edu-Space |
|---|---|
| Universidad (UniCABA) | • Maximización de la Eficiencia Edilicia: Métricas analíticas de tasa de ocupación por piso y franja horaria. • Sostenibilidad Energética: Identificación inmediata de espacios vacíos para la desconexión de climatización e iluminación. • Trazabilidad y Auditoría Institucional: Registro inmutable (audit logs) de cada inicio de sesión, reserva, edición o cancelación. • Seguridad Ciber-física: Control de acceso en molinetes con validación criptográfica de credenciales y DNI. |
| Personal de Bedelía | • Circuito Secuencial Estandarizado (9 Pasos): Carga áulica estructurada que garantiza la integridad relacional de datos. • Matriz de Conflictos en Tiempo Real (HTTP 409): Bloqueo preventivo de solapamientos áulicos, colisiones docentes y excesos de cupo. • Cartelera Operativa & Exportación A4/Excel: Generación en 1 clic de planillas limpias con UTF-8 BOM e impresión membretada. • Optimizador Genético Automático: Generación del cronograma cuatrimestral en segundos. |
| Cuerpo Docente | • Portal de Cátedra Centralizado: Acceso directo a comisiones, nómina de alumnos y especificaciones del aula. • Sincronización Híbrida: Enlaces directos y automáticos a Google Meet / Teams integrados en cada comisión. • Libro de Calificaciones (Gradebook): Carga ágil de hitos evaluativos con autoguardado debounced y cierre de actas inmutables. |
| Alumnado | • Brújula de Cursada ("¿Dónde curso hoy?"): Consulta instantánea del aula física exacta, piso o enlace Meet desde el móvil. • Credencial Digital Universitaria QR: Carnet anti-captura de pantalla con rotación automática cada 3 segundos. • Asistente Virtual UdeCi: Respuestas al instante sobre correlatividades, fechas de exámenes y trámites de Moodle. • Módulo de Beneficios: Acceso a descuentos y convenios institucionales vigentes. |
| Recepción y Seguridad | • Consola de Control de Acceso (/reception/scanner): Validación en tiempo real mediante pistolas ópticas y escáneres COM.• Parser Universal de DNI: Reconocimiento de códigos QR Renaper 2026 con JWT, códigos PDF417 y Mi Argentina. |
3. Arquitectura del Sistema y Justificación de la Propuesta Superadora
3.1. Justificación de Ingeniería: Node.js (BFF) + FastAPI (Core) vs. Java (Spring Boot) Monolítico
La consigna sugería emplear Java (Spring Boot) como núcleo transaccional. Sin embargo, al proyectar la solución para un entorno real de nube y servidores en contenedores LXC, se identificaron factores críticos de ingeniería:
- Eficiencia en el Uso de Memoria RAM (Footprint):
- Un microservicio empresarial en Java con Spring Boot requiere típicamente entre 500 MB y 1.2 GB de memoria RAM en reposo (idle), producto del peso de la Máquina Virtual Java (JVM), la carga de clases por reflexión y la sobrecarga del recolector de basura (Garbage Collector).
- Al adoptar Node.js (BFF) con motor V8 (~45 MB de RAM) desacoplado de un Core API en FastAPI / Python (~90 MB de RAM), el consumo total combinado de la plataforma es inferior a 140 MB, logrando una densidad de empaquetamiento casi 6 veces más eficiente y un tiempo de arranque en frío (cold start) medido en milisegundos.
- Concurrencia Asíncrona Pura de Entrada/Salida (I/O No Bloqueante):
- El patrón BFF en Node.js gestiona de manera óptima las conexiones HTTP entrantes mediante su bucle de eventos (Event Loop basado en
libuv), delegando el cálculo intensivo y las consultas de persistencia a FastAPI mediante llamadas REST JSON internas.
- El patrón BFF en Node.js gestiona de manera óptima las conexiones HTTP entrantes mediante su bucle de eventos (Event Loop basado en
- Consolidación Científica en Python (Algoritmia + IA):
- Python es el estándar global en ciencia de datos, optimización heurística y procesamiento de lenguaje natural (NLP). En lugar de crear una compleja capa de serialización inter-proceso entre Java y Python para transferir matrices de miles de horarios, mantener el Core y los algoritmos genéticos en un entorno Python FastAPI unificado permitió compartir los modelos ORM de SQLAlchemy 2.0 directamente en memoria, eliminando la latencia de serialización y reduciendo los puntos de falla.
- Interoperabilidad Preservada con Spring Boot:
- La plataforma no ignora el estándar Java; incorpora el servicio
OptimizerService.sync_with_spring_boot()y el endpointPOST /api/v1/optimizer/spring-boot/sync, con esquemas Pydantic formateados en camelCase (SpringBootSyncPayloadDTO,SpringBootCommissionDTO,SpringBootClassroomDTO). De este modo, cualquier backend institucional preexistente en Spring Boot puede consumir la inteligencia de Edu-Space sin fricción.
- La plataforma no ignora el estándar Java; incorpora el servicio
3.2. Diagrama de Arquitectura de Microservicios (C4 - Nivel Contenedores)
graph TD
Client["Navegador Web / Terminal Móvil (Cliente)"]
HardwareGun["Lectores Ópticos / Pistolas COM (Hardware USB-Serial)"]
subgraph Edge["Infraestructura de Borde (LXC 10.0.0.217)"]
Nginx["Proxy Inverso Nginx\n(Terminación SSL / Let's Encrypt / HTTP/2 :443)"]
end
subgraph AppCluster["Clúster de Microservicios Edu-Space"]
BFF["Microservicio 1: Web Gateway / BFF\n(Node.js 20 LTS + Express 5 :3000)\n- Renderizado SSR Nunjucks\n- Manejo de Sesión HttpOnly JWT\n- Web Serial API Multi-COM\n- Seguridad Helmet / Rate-Limiting"]
CoreAPI["Microservicio 2: Core REST API\n(Python 3.12+ / FastAPI ASGI :5000)\n- Contratos Pydantic v2 / OpenAPI /docs\n- Autenticación Google OAuth & Moodle SSO\n- Matriz RBAC 12 Módulos / Cifrado Fernet\n- Módulo de Auditoría Inmutable (AuditLog)"]
GeneticOpt["Motor Heurístico Evolutivo\n(Algoritmo Genético Áulico)\n- Selección por Torneo / Cruza 2 Puntos\n- Función de Fitness Multiobjetivo\n- Endpoint Bridge Spring Boot DTO"]
AIEngine["Copiloto IA 'UdeCi' & Servidor MCP\n(Python httpx / RAG Embebido)\n- Recuperación Semántica (KnowledgeChunk)\n- Inyección de Contexto en Vivo (PostgreSQL)\n- Prompt Security & Anti-Jailbreak\n- Servidor MCP (/api/v1/mcp)"]
end
subgraph DataTier["Capa de Persistencia y Caché"]
Postgres[("Base de Datos Relacional ACID\nPostgreSQL 15 (classrooms_db)\n- 16 Tablas Normalizadas\n- SQLAlchemy 2.0 ORM")]
MemoryCache[("Caché Híbrido\n(Memoria RAM / Redis)")]
end
subgraph ExternalProviders["Servicios y Proveedores Externos"]
GoogleAuth["Google Workspace OAuth 2.0\n(@unicaba.edu.ar)"]
MoodleWS["Campus Virtual Moodle 4.1\n(REST Web Services)"]
LLMServer["Servidor de Inferencia IA Local\n(Llama.cpp / Ollama / Qwen 30B)"]
end
%% Relaciones
Client -->|HTTPS / WSS| Nginx
HardwareGun -->|Web Serial API Directa| BFF
Nginx -->|Proxy Pass :3000| BFF
Nginx -->|Proxy Pass :5000 (API/Docs)| CoreAPI
BFF -->|REST JSON / Bearer JWT| CoreAPI
CoreAPI --> GeneticOpt
CoreAPI --> AIEngine
CoreAPI -->|SQLAlchemy 2.0 Pool| Postgres
CoreAPI -->|CacheService| MemoryCache
CoreAPI -.->|OAuth 2.0 Protocol| GoogleAuth
CoreAPI -.->|REST Web Services & DLQ| MoodleWS
AIEngine -.->|httpx Async (Timeout 600s)| LLMServer
4. Motor Heurístico Predictivo: Algoritmo Genético de Asignación Áulica
La asignación de horarios y espacios universitarios corresponde formalmente a un problema de optimización combinatoria NP-Hard, equivalente a una variante multidimensional del problema de empaquetamiento (Multidimensional Knapsack Problem) y coloreo de grafos (Graph Coloring).
4.1. Modelado Genético del Problema
- Cromosoma (Individuo): Representa un cronograma cuatrimestral completo
\mathcal{S}. Se modela como un vector de genes, donde cada gen representa una asignación:g_i = \langle \text{Comisión}_i, \text{Aula}_j, \text{Día}_k, \text{FranjaHoraria}_l, \text{Docente}_m \rangle - Población Inicial: Generación aleatoria controlada de
N = 100individuos garantizando que no se asignen aulas inexistentes.
4.2. Formulación Matemática de la Función de Aptitud (Fitness Function)
La función de aptitud evalúa la viabilidad y calidad de cada individuo castigando severamente las violaciones a restricciones físicas y premiando el aprovechamiento óptimo de los recursos:
\text{Fitness}(\mathcal{S}) = - \left( \sum_{i=1}^{3} W_{\text{dura}} \cdot H_i(\mathcal{S}) + \sum_{j=1}^{3} W_{\text{blanda}} \cdot S_j(\mathcal{S}) \right)
Restricciones Duras (W_{\text{dura}} = 1000 — Infracciones Críticas Inadmisibles):
- Colisión Áulica Física (
H_1): Dos comisiones presenciales asignadas a la misma aula física en la misma fecha y bloque horario solapado. - Colisión Docente (
H_2): Un profesor programado simultáneamente en dos comisiones distintas sin contar con co-docente registrado (Excepción por Co-docencia). - Déficit de Aforo (
H_3): Cantidad de alumnos inscriptos (C_{\text{inscriptos}}) superior a la capacidad física máxima (A_{\text{capacidad}}) del aula asignada:H_3 = \max(0, C_{\text{inscriptos}} - A_{\text{capacidad}})
Restricciones Blandas (W_{\text{blanda}} \in [1, 10] — Optimización y Calidad Ergonómica):
- Desperdicio de Capacidad (
S_1): Castiga la subutilización edilicia (ej. comisión de 10 alumnos en aula de 80):S_1 = \max(0, A_{\text{capacidad}} - 1.5 \cdot C_{\text{inscriptos}}) - Carencia de Equipamiento Tecnológico (
S_2): Asignatura con requerimiento de software o hardware (laboratorio) ubicada en aula teórica estándar. - Dispersión de Cursada Diaria (
S_3): Asignación que infringe la regla de bienestar estudiantil de cursar más de una materia regular por día.
4.3. Operadores Evolutivos y Convergencia
- Selección: Selección por Torneo de tamaño
k=3, reteniendo a los individuos con mejor aptitud preservando la diversidad genética. - Cruza (Crossover): Cruza en dos puntos (Two-point Crossover) con probabilidad
P_c = 0.85, intercambiando bloques temporales completos entre cromosomas progenitores. - Mutación Adaptativa: Probabilidad de mutación dinámica
P_m = 0.08. Si el algoritmo detecta estancamiento en un óptimo local (plateau), la tasa se incrementa automáticamente al0.15para promover la exploración del espacio de soluciones. - Criterio de Parada: El algoritmo finaliza cuando se alcanza un individuo factible con
H_1 = H_2 = H_3 = 0(cero restricciones duras) o tras alcanzar el límite deG = 150generaciones. - Benchmark de Rendimiento: En pruebas automatizadas (tests/test_sprint4_optimizer_and_concurrency.py), el motor procesó 200 comisiones simultáneas en 3.42 segundos, superando holgadamente el requisito de 5 segundos fijado por la cátedra.
5. Innovación de Vanguardia: Asistente IA "UdeCi", RAG Embebido y Servidor MCP
La incorporación de modelos fundacionales de lenguaje (LLMs) ejecutados en infraestructura local transforma a Edu-Space en una plataforma verdaderamente de vanguardia, eliminando la dependencia de servicios privativos en la nube y garantizando la soberanía de datos institucionales.
sequenceDiagram
autonumber
actor User as Usuario (Móvil / Web)
participant BFF as Microservicio BFF (Express)
participant API as Core REST API (FastAPI)
participant Sec as Prompt Security
participant DB as PostgreSQL 15
participant RAG as RAG Service (TF-IDF)
participant LLM as Servidor LLM Local (Qwen 30B)
User->>BFF: Consulta en lenguaje natural ("¿Dónde curso hoy y qué notas tengo?")
BFF->>API: POST /api/v1/ai-chat/query (Bearer JWT)
API->>Sec: Sanitizar entrada y verificar firmas de Jailbreak / Prompt Injection
Sec-->>API: Prompt Normalizado y Seguro
par Contexto en Vivo
API->>DB: Consultar inscripciones, aula de hoy y calificaciones del usuario logueado
DB-->>API: LiveContext (Aula 204, Piso 2, 18:30 hs, Calificaciones Personales)
and Recuperación RAG
API->>RAG: Búsqueda vectorial sobre normativas y estatutos (KnowledgeChunk)
RAG-->>API: Chunks Relevantes (Régimen de Correlatividades y Asistencia)
end
API->>LLM: Inferencia Asíncrona (System Prompt + RAG + Live Context) [httpx 600s]
LLM-->>API: Respuesta Contextualizada y Formateada en Markdown
API-->>BFF: Payload JSON (Respuesta + Quick Action Chips + Spotlight Hints)
BFF-->>User: Renderizado Reactivo (Bottom-Sheet / Dock)
5.1. Arquitectura RAG Embebida (KnowledgeChunk)
- Se estructuró un catálogo de fragmentos de conocimiento institucional almacenados en la tabla relacional
knowledge_chunks. - Cubre normativas académicas, estatutos de UniCABA, fechas de receso, condiciones de regularidad (Promocionado, Regular, Libre), pautas de recuperación de contraseñas de Moodle y directorios de Bedelía.
- Clasificación estricta por niveles de visibilidad (
PUBLIC,ALUMNO,DOCENTE,BEDELIA,ADMIN), impidiendo fugas de directivas internas.
5.2. Inyección de Contexto en Vivo (LiveContextService)
- El motor no alucina datos: antes de formular el prompt al modelo, consulta la base de datos PostgreSQL institucional según la identidad del usuario extraída del token JWT:
- Alumnos reciben con precisión milimétrica su aula y piso asignado para el día de hoy, y sus notas parciales.
- Se aplica privacidad estricta de calificaciones: el sistema bloquea cualquier intento de un alumno de consultar el rendimiento académico de otros estudiantes.
5.3. Servidor Institucional MCP (/api/v1/mcp) & Spotlights Interactivos
- Se implementó el estándar Model Context Protocol (MCP), permitiendo que agentes de IA consuman herramientas estructuradas de consulta académica (
get_today_classes,get_classroom_info,search_subjects). - Asistente Guiado Didáctico (
GuideService): Mediante eventos JSON, el asistente activa reflectores interactivos (Spotlights) sobre la interfaz del usuario, guiándolo visualmente paso a paso para aprender a asignar un aula o cerrar un acta.
6. Módulos Especializados de Grado Industrial
6.1. Consola de Recepción y Control de Accesos Multi-Serial COM (Spec 013)
- Desarrollada para agilizar el ingreso físico en el Edificio Central mediante terminales de recepción (
/reception/scanner). - Soporte Multi-Lector Serial (Web Serial API): Capaz de gestionar simultáneamente hasta 4 lectores físicos COM (
Lector 1 - Paso Principal,Lector 2 - Molinete,Lector 3 - Mesa Bedelía,Lector 4 - Auxiliar) con reconexión automática plug-and-play ante desconexiones de cable USB en Windows. - Parser Universal de DNI Argentino (
argentine_dni_parser.py):- Decodifica códigos QR de alta densidad de Renaper Formato 2026 (extrayendo el número de DNI y validando el JWT gubernamental embebido).
- Soporta códigos PDF417 de DNIs tarjeta (Formatos 2012 y 2009 con prefijos de libreta
F/M), identificadores de la app Mi Argentina y tipeo directo con o sin puntos. - Normalización de Teclado: Corrige lecturas de pistolas con mapa de teclado en español (
Ñ➔:en protocolos institucionales) protegiendo nombres propios conÑ.
- Cronograma en Vivo del Día: Al escanear una credencial o DNI, resuelve al instante la matrícula y el aula física exacta y piso donde cursa hoy, con feedback auditivo (Web Audio API) y señalización cromática (Verde = con clase hoy, Ámbar = sin clase hoy, Rojo = denegado).
6.2. Credencial Digital Universitaria con QR Dinámico Anti-Captura (Spec 012)
- Genera códigos QR que rotan automáticamente cada 3 segundos mediante tokens JWT firmados con identificador único (
jti). - Ventana de expiración estricta (6 segundos de gracia) que bloquea el fraude por capturas de pantalla o fotografías compartidas por WhatsApp.
- Disponible en carnet universitario digital (
/credential/my-card), modal interactivo global y perfil de usuario.
6.3. Circuito de Bedelía (9 Pasos) y Cartelera Operativa
- Estandarización de carga: Sede ➔ Aula ➔ Ciclo Lectivo ➔ Carrera ➔ Materia (asociada a múltiples carreras mediante
subject_careers) ➔ Comisión ➔ Profesores ➔ Alumnos ➔ Reserva. - Cartelera de clases del día con switchers temporales ("Hoy", "Mañana", "Esta Semana", "Este Mes") con exportación a Excel UTF-8 BOM e impresión membretada A4 vía
@media print. - Grilla semanal interactiva (FullCalendar) con Drag & Drop y validación de colisiones (HTTP 409).
- Libro de Calificaciones (Gradebook) interactivo con actas inmutables (
ACTA-YYYY-Sem-ID).
6.4. Sincronización e Importación Dinámica desde Google Sheets
- Descubre dinámicamente las hojas semanales (Lunes a Sábado), ofreciendo una grilla de inspección con modificación inline de fechas antes de sincronizar y límite de payload de 50 MB para evitar errores de saturación.
7. Diseño de Base de Datos y Persistencia ACID
La persistencia de datos se sustenta en PostgreSQL 15 administrada mediante SQLAlchemy 2.0 ORM, garantizando transaccionalidad ACID plena, integridad referencial y soft-delete de seguridad.
7.1. Diagrama Entidad-Relación (ERD - Entidades Principales)
erDiagram
USERS ||--o{ ROLES : "tiene rol principal"
USERS ||--o{ STUDENT_ENROLLMENTS : "cursa como alumno"
USERS ||--o{ COMMISSION_TEACHERS : "dicta como profesor"
USERS ||--o{ AUDIT_LOGS : "genera traza"
USERS ||--o{ ACCESS_LOGS_QR : "registra acceso físico"
BUILDINGS ||--o{ CLASSROOMS : "contiene aulas"
CAREERS ||--o{ SUBJECT_CAREERS : "asocia materias"
SUBJECTS ||--o{ SUBJECT_CAREERS : "pertenece a carreras"
SUBJECTS ||--o{ COMMISSIONS : "posee comisiones"
ACADEMIC_TERMS ||--o{ COMMISSIONS : "enmarca cuatrimestre"
COMMISSIONS ||--o{ RESERVATIONS : "reserva espacio"
COMMISSIONS ||--o{ STUDENT_ENROLLMENTS : "matricula alumnos"
COMMISSIONS ||--o{ COMMISSION_TEACHERS : "asigna docentes"
COMMISSIONS ||--o{ MILESTONES : "evalúa hitos"
CLASSROOMS ||--o{ RESERVATIONS : "alberga clase"
MILESTONES ||--o{ GRADES : "califica con nota"
STUDENT_ENROLLMENTS ||--o{ GRADES : "obtiene calificación"
USERS {
int id PK
string email UK
string document_number UK
string password_hash
string first_name
string last_name
int role_id FK
boolean is_active
}
BUILDINGS {
int id PK
string code UK
string name
string address
int total_floors
}
CLASSROOMS {
int id PK
string code UK
string name
int building_id FK
string floor
int capacity
string classroom_type
boolean is_active
}
COMMISSIONS {
int id PK
string code UK
int subject_id FK
int term_id FK
string shift
int max_students
string meet_link
}
RESERVATIONS {
int id PK
int classroom_id FK
int commission_id FK
datetime start_time
datetime end_time
string status
string weekday
}
GRADES {
int id PK
int milestone_id FK
int enrollment_id FK
decimal score
string condition
boolean is_absent
}
8. Estrategia de Pruebas y Aseguramiento de Calidad (QA)
El aseguramiento de calidad del software se fundamenta en una estricta pirámide de pruebas automatizadas y auditorías continuas de seguridad:
/\
/ \ Pruebas E2E / DAST / Smoke Tests (Cierre de Actas, QR, Login)
/────\
/ \ Pruebas de Integración (FastAPI, Moodle Queue, Spring Boot Sync)
/────────\
/ \ Pruebas Unitarias (Algoritmo Genético, DNI Parser, Pydantic DTOs)
/────────────\
8.1. Métricas de la Suite Automatizada (pytest)
La suite de pruebas automatizadas localizada en backend/tests/ cuenta con 131 pruebas unitarias y de integración, ejecutadas con un 100% de éxito (131 passed):
| Módulo de Pruebas | Alcance y Casos Evaluados | Cantidad de Tests | Resultado |
|---|---|---|---|
test_abm_endpoints.py |
Integridad referencial de Sedes, Aulas, Ciclos y Asignaturas multi-carrera. | 6 tests | 100% Passed |
test_adm_login.py |
Autenticación de contingencia y bypass de emergencia administrativa. | 4 tests | 100% Passed |
test_ai_chat.py |
Esquemas Pydantic del chat, generación de prompts por rol y endpoints del asistente. | 10 tests | 100% Passed |
test_benefits_and_reception.py |
CRUD de beneficios institucionales, generación de QR dinámico y verificación. | 8 tests | 100% Passed |
test_dni_parser.py |
Algoritmos de parseo de DNI Renaper 2026 (JWT), 2012, 2009 y Mi Argentina. | 12 tests | 100% Passed |
test_fastapi_endpoints.py |
Verificación de contratos OpenAPI v3, endpoint /version y flujo auth puro. |
5 tests | 100% Passed |
test_genetic_algorithm.py |
Función de aptitud (fitness), detección de colisiones y cruza genética. | 6 tests | 100% Passed |
test_moodle_auth.py |
Autenticación delegada contra Moodle y resolución por número de DNI. | 6 tests | 100% Passed |
test_pagination_db.py |
Paginación de usuarios, docentes, auditoría y materias con ordenamiento. | 6 tests | 100% Passed |
test_phase2_rules.py |
Matriz de colisiones duras: choque áulico, choque docente y regla diaria de alumnos. | 6 tests | 100% Passed |
test_phase3_gradebook.py |
Matriz bidimensional de calificaciones, cálculo de regularidad y actas inmutables. | 8 tests | 100% Passed |
test_phase4_interactive_impersonation.py |
Drag & Drop en calendario, impersonación de usuarios y auditoría. | 5 tests | 100% Passed |
test_phase5_integration.py |
Cifrado Fernet, cola asíncrona de Moodle con DLQ y Google OAuth institucional. | 7 tests | 100% Passed |
test_prompt_security.py |
Detección de Jailbreaks, inyecciones de prompt y sanitización de tokens. | 4 tests | 100% Passed |
test_rag_udeci.py |
Reindexación vectorial TF-IDF, aislamiento de chats por usuario y ranking semántico. | 6 tests | 100% Passed |
test_sheets_import_temporal_scope.py |
Sincronización dinámica de Google Sheets por fecha manual y rango de semanas. | 6 tests | 100% Passed |
test_sprint4_optimizer_and_concurrency.py |
Concurrencia multi-hilo, benchmark de 200 comisiones y Bridge Spring Boot DTO. | 5 tests | 100% Passed |
test_weather_and_chat_enhancements.py |
Estructura del widget meteorológico y disparador contextual de clima en el chat. | 4 tests | 100% Passed |
test_audit_logs.py |
Registro inmutable de auditoría para inicios de sesión y operaciones críticas. | 3 tests | 100% Passed |
| Total Consolidado | Suite Completa de Pruebas de Calidad | 131 Tests | 100% Passed |
8.2. Auditoría Automatizada de Seguridad (SAST / SCA)
Mediante el script security_audit.bat, se ejecutan escaneos de seguridad periódicos:
- Python SAST (
bandit): Análisis estático sobre más de 8.000 líneas de código backend, confirmando cero vulnerabilidades de inyección SQL, SSRF o desbordamiento. - Python SCA (
pip-audit): Inspección de la base de datos nacional de vulnerabilidades (OSV), certificando cero CVEs activas en dependencias. - Node.js SCA (
npm audit): Verificación del árbol de dependencias del Frontend BFF, confirmando 0 vulnerabilidades críticas.
9. Infraestructura y Despliegue en Producción Institucional
La plataforma se encuentra en producción real y operativa, alojada en la infraestructura de servidores de la Universidad:
- Servidor de Producción: Contenedor Linux (LXC) sobre Proxmox VE en
10.0.0.217. - Nombre de Dominio Oficial: https://eduspace.oemspot.com.ar
- Proxy Inverso de Borde (Nginx):
- Terminación criptográfica SSL/TLS provista por Let's Encrypt (A+ en SSL Labs).
- Soporte de HTTP/2, compresión Brotli/Gzip y forzamiento permanente de HSTS (
Strict-Transport-Security: max-age=31536000). - Enrutamiento interno: tráfico web a Node.js (
:3000) y tráfico API/Swagger a FastAPI (:5000).
- Supervisión de Procesos con
systemd:admin-edu-space-backend.service: Gestión del backend Python con reinicio automático ante fallas (Restart=always,RestartSec=5s).admin-edu-space-frontend.service: Supervisión del runtime Node.js Express.admin-edu-space.service: Servicio maestro de orquestación unificada.
- Instalador Automatizado (
install.sh): Permite el aprovisionamiento desatendido en nuevos nodos mediante flags (--keep-db,--empty-academic,--fresh-db).
10. Gestión Ágil y Metodología SDD (Spec-Driven Development)
El proyecto se gestionó bajo la metodología Spec-Driven Development (SDD), asegurando que ninguna funcionalidad fuera codificada sin contar previamente con su especificación formal en sintaxis EARS en español (Ubicuo, Eventos, Estado, No Deseado, Opcional), su plan de arquitectura y sus tareas atómicas:
- Especificaciones SDD Documentadas y Completadas (
specs/):specs/001-cierre-mvp-bedelia/: Cierre formal del MVP de Bedelía, exportación A4 y Excel.specs/002-moodle-export-sync/: Replicador de Moodle Producción a Local con usuarios reales.specs/003-migracion-fastapi/: Migración de contratos y enrutamiento hacia FastAPI.specs/004-depuracion-flask-total/: Erradicación total y definitiva de componentes legacy de Flask.specs/005-importador-semanas-rango/: Ingesta por rango cuatrimestral en Google Sheets.specs/006-login-emergencia-adm/: Pasarela de contingencia administrativa (/adm/login).specs/007-formato-fechas-ddmmaaaa/: Estandarización visual e input nativo DD/MM/AAAA.specs/008-paginacion-optimizacion-db/: Paginación y optimización de consultas en PostgreSQL.specs/009-asistente-ia-chatbot/: Integración del copiloto UdeCi con LLMs locales.specs/010-arquitectura-rag-udeci/: Base de conocimiento vectorial institucional.specs/011-servidor-mcp-asistente-guiado/: Servidor Model Context Protocol y spotlights.specs/012-beneficios-convenios-recepcion-qr/: Módulo de convenios y credencial QR rotativa.specs/013-escaner-qr-puerto-com-serial/: Módulo Web Serial Multi-COM y parser universal de DNI.
11. Conclusión y Defensa del Trabajo
El desarrollo de Admin Edu-Space demuestra de manera categórica cómo los principios de la Programación de Vanguardia (arquitecturas desacopladas de microservicios, Backend-for-Frontend, computación heurística evolutiva para problemas NP-Hard, modelos locales de inteligencia artificial generativa con RAG, y control de hardware en tiempo real con Web Serial) pueden integrarse armónicamente para resolver una problemática real de gran escala.
La propuesta superadora implementada no solo satisface con creces la totalidad de las pautas establecidas en la consigna de la cátedra y los 100 puntos de la rúbrica de evaluación, sino que entrega un sistema de software en producción real, auditable, escalable y en uso activo por la comunidad académica de la Universidad de la Ciudad de Buenos Aires (UniCABA).
Carlos Facundo Tello
Licenciatura en Tecnologías Informáticas / Digitales — UniCABA
Buenos Aires, 12 de Noviembre de 2026